이 글은 AWS와 아이지에이웍스가 함께 진행한 프로토타입 검증 프로젝트를 아이지에이웍스 문석민·장소진 님과 공동으로 작성했습니다. 1부는 프로토타입 설계와 평가를, 2부는 프로덕션 이관과 운영 경험을 다룹니다.
들어가며
아이지에이웍스는 AI 기반의 SCI(Synthetic Consumer Intelligence) 기술로 기업이 소비자를 이해하고 시장을 예측해 성장할 수 있도록 돕는 AI 빅데이터 테크 기업입니다. 20년간 축적해 온 실제 소비자 행동 데이터를 학습해, 과거 데이터를 해석하는 데 그치지 않고 개별 소비자의 다음 행동(구매·이탈·전환)을 확률로 예측합니다. 이를 바탕으로 정밀한 마케팅 전략 수립, 경쟁사 분석, 시장 점유율 확대를 지원합니다. 디파이너리(DFINERY)는 이 예측을 실제 고객 데이터와 마케팅 실행으로 연결하는 CDP & CRM 통합 플랫폼입니다. 앱·웹·오프라인에 흩어진 고객 데이터를 통합 ID 하나로 묶어 분석하고, 카카오 알림톡·문자·앱푸시 등 국내 채널로 CRM 캠페인을 실행하는 과정을 하나의 환경에서 제공합니다. 그리고 이번 도입기에서 주로 다룬 클레어(Claire)는 디파이너리에 내장된 AI 분석 에이전트입니다. Text-to-SQL 기반으로, SQL을 모르는 마케터가 “최근 30일간 고객들의 연령대별 매출 분석해줘”라고 물으면 클레어가 관련 테이블 스키마를 찾아 SQL을 생성·실행하고 결과를 해석해 줍니다.
그림 1. 디파이너리에서 클레어가 연령대별 매출 분석 질문에 답변하는 화면
운영 중인 클레어에는 두 가지 한계가 나타나고 있었습니다:
단일 컨테이너 구조에서 동시 요청이 늘수록 응답이 느려지고 에이전트를 개별적으로 배포·확장할 수 없다는 실행 모델의 한계
흐름이 고정된 워크플로우가 처리하지 못하는 질문 유형이 늘어나는 에이전트 구조의 한계
이 한계를 극복하고자 AWS의 3A(Agentic AI Acceleration) 프로그램을 통해 약 1개월의 집중 스프린트에서 Agentic 아키텍처와 평가(Evaluations) 기반 개선 루프를 프로토타입으로 검증했고, 프로덕션에서는 기존 LangGraph 워크플로우를 유지한 채 실행 환경만 Amazon Bedrock AgentCore Runtime으로 이관했습니다.
1부인 이 글은 PoC 과정을 다룹니다. 에이전트를 개발할 때 어떤식으로 접근을 할 수 있으며, 특히 AgentCore와 관련된 도구들을 어떻게 활용할 수 있는지를 보여줍니다. 그 후에 프로덕션 이관과 운영에서 확인한 성능·복원력 특성은 2부에서 다룹니다.
항목
1부 – PoC
2부 – 운영
에이전트 구조
LangGraph supervisor — triage/clarify/SQL ReAct
기존 LangGraph 워크플로우 유지
도구 연결
AgentCore Gateway + MCP 분리 도구 서버
워크플로우 내 직접 호출 — Gateway/MCP는 향후 도입 검토
세션 연속성
AgentCore Memory
LangGraph checkpointer — AgentCore Memory 도입 검토 중
실행 환경
기본 네트워크 구성
VPC 모드 Runtime, 에이전트별 IAM 역할·보안 그룹 분리
메타 DB
검증 환경 구성
Amazon RDS for MySQL
1. 기존 클레어의 한계: 흐름이 고정된 워크플로우
기존 클레어는 LangGraph와 FastAPI로 구현된 결정론적(deterministic) 워크플로우 에이전트로, 질문이 들어오면 항상 같은 순서로 실행됩니다.
질문 정제 → SQL 생성 → SQL 실행 → [결과 저장, 답변 생성, 시각화]
이 구조는 Text-to-SQL이라는 단일 경로에서는 안정적이었지만,