자유 게시판

짧은 기간이었지만 보수적인 금융권에서도 클라우드 기반 데이터·AI 플랫폼 도입이 빠르게 진행되고 있음을 체감할 수 있었던 프로젝트였습니다. 복잡한 비즈니스 요구사항 속에서 Databricks 생태계와 최신 AI 개발 도구들을 활용해 AI Agent를 구축하며 얻은 주요 인사이트를 공유합니다.

📌 주요 진행 과정 및 기술적 인사이트1일 만에 구축한 Draft Agent

1. 정교한 비즈니스 요건 속에서도 Databricks Agent Bricks(Supervisor Agent)와 Genie Code를 활용해 단 하루 만에 테스트 가능한 Draft 에이전트를 구성할 수 있었습니다.
   
   
2.  한국금융보안원(K-FSI) 컴플라이언스 점검 과정에서 고수준 Supervisor Agent 서비스의 국내 미지원을 확인했습니다. 이에 Genie Code의 도움을 받아 LangChain + LangGraph 기반의 하위 레벨 코드로 신속히 재구현했습니다. (참고: 미지원 상태였던 Vector Search 기능은 방금 지원 대상으로 업데이트됨을 확인하여 작성 중 문서에서 제외함)
   
   Korean Financial Security Institute (K-FSI) compliance controls
   
   
3. 최종 오케스트레이션 아키텍처
   
   ➔ 데이터 파이프라인: Lakeflow Pipeline으로 테스트 데이터 신속 구성
   ➔ 에이전트 구조: LangGraph StateGraph 기반 Supervisor 패턴으로 6개 Agent 오케스트레이션
   ➔도구(Tools): Unity Catalog Function/Procedure + @tool 래퍼 하이브리드 조합 (30여 개 도구)
   ➔모니터링: MLflow 3.0 기반 추적 및 관찰성 확보
   
   
4.  AI 코딩 어시스턴트 기반의 가속화
   
   단위 시스템 기능이 별도 재설계 없이 에이전트로 직접 정의되어 있어 구현 난이도가 높았지만, Genie Code + Genie One 및 Antigravity + Gemini 등 AI 파트너 도구를 적극 활용하여 단기간에 완성도 높은 AI Agent를 완성할 수 있었습니다.

규제 환경의 제약 속에서도 좋은 플랫폼과 AI 파트너 도구가 결합할 때의 개발 생산성을 다시 한 번 검증할 수 있었던 의미 있는 경험이었습니다. Agent Bricks 고수준 도구의 편이성에 더해서 LangGraph 같은 저수준 프레임워크의 유연성을 제대로 다루어 보면서 비교해 볼 수 있었던 것도 좋았습니다.