Agent Bricks 는 Databricks Mosaic AI 기반의 선언형(Declarative) AI 에이전트 빌더입니다. 코드 없이도 프로덕션 수준의 AI 에이전트를 빠르게 구축, 평가, 배포할 수 있습니다.
Agent Bricks란?
Agent Bricks는 기술/비기술 팀 모두가 자사의 데이터를 프로덕션 수준의 AI 에이전트 로 운영할 수 있도록 해주는 플랫폼입니다. 기존의 에이전트 개발이 프롬프트 엔지니어링, 모델 선택, RAG 파이프라인 구축, 평가 프레임워크 설정 등 수많은 단계를 요구했다면, Agent Bricks는 이 모든 것을 선언형 인터페이스 뒤에서 자동으로 처리합니다. 핵심 특징은 다음과 같습니다.| 특징 | 설명 |
|---|---|
| 선언형 에이전트 빌드 | 자연어와 사전 구성된 템플릿으로 에이전트 정의 — 코드 불필요 |
| 내장 MLflow 평가 | AI Judge, Synthetic Task Generation으로 에이전트 품질을 자동 측정 |
| Unity Catalog 거버넌스 | 데이터 접근 권한을 통합 관리, 엔드 유저 수준의 세밀한 제어 |
| AI Gateway 모델 유연성 | Claude, GPT-4o, Llama 등 다양한 모델/프레임워크 지원 |
| MCP 카탈로그 통합 | 외부 도구(Slack, JIRA, GitHub 등)를 MCP 서버로 확장 |
| 자동 최적화 | 모델 선택, 파인 튜닝, 하이퍼파라미터 최적화를 백그라운드에서 자동 수행 |
참고 Agent Bricks는 Mosaic AI Agent Framework 위에 구축되어 있습니다. Agent Framework의 MLflow Tracing, Model Serving, 평가 인프라를 그대로 활용하면서, UI 기반의 선언형 빌더를 추가한 것입니다.
작동 원리 (3단계)
에이전트 유형 비교
Agent Bricks에서 지원하는 에이전트 유형은 6가지입니다.| 유형 | 설명 | 주요 용도 | 난이도 |
|---|---|---|---|
| Knowledge Assistant | 문서 기반 Q&A 챗봇 (RAG + 인용) | 제품 문서, HR 정책, 고객지원 | 낮음 |
| Genie Spaces | 테이블을 자연어 챗봇으로 변환 | 데이터 탐색, 비즈니스 분석 | 낮음 |
| Supervisor Agent | 여러 에이전트를 조율하는 멀티 에이전트 시스템 | 복합 업무 자동화, 시장 분석 | 중간 |
| Information Extraction(Beta) | 비정형 문서에서 구조화된 데이터 추출 | 분류, 데이터 구조화 | 낮음 |
| Custom LLM(Beta) | 요약, 텍스트 변환 | 문서 요약, 텍스트 처리 | 낮음 |
| Code Your Own Agent | 오픈소스 라이브러리와 Agent Framework 활용 | 완전 맞춤형 에이전트 | 높음 |
어떤 유형을 선택해야 하나? (의사결정 플로우차트)
주의 단독 에이전트 vs 멀티 에이전트: 단일 도메인의 단순한 작업이라면 Knowledge Assistant 또는 Genie Spaces 하나로 충분합니다. Supervisor Agent는 서로 다른 데이터 소스/역할을 조합 해야 할 때만 사용하세요. 불필요하게 복잡한 아키텍처는 라우팅 오류와 디버깅 비용을 증가시킵니다.
사전 요구사항 체크리스트
모든 Agent Bricks 유형에 공통으로 필요한 조건입니다. 시작 전 아래 항목을 확인하세요.| # | 요구사항 | 확인 방법 |
|---|---|---|
| 1 | Mosaic AI Agent Bricks Preview 활성화 | 워크스페이스 관리자에게 요청 또는 Preview 페이지에서 활성화 |
| 2 | Unity Catalog 활성화 | 워크스페이스 설정 > Data Access Configuration 확인 |
| 3 | Serverless Compute 사용 가능 | UC 활성화 시 기본 제공 |
| 4 | Foundation Model 접근 가능 | system.ai 스키마에 대한 USE SCHEMA 권한 확인 |
| 5 | Serverless Budget Policy 설정 | 0이 아닌 예산이 할당되어 있어야 함 |
| 6 | 리전 확인 | us-east-1 또는 us-west-2에서만 사용 가능 |
| 7 | SQL Warehouse(Genie 사용 시) | Pro 또는 Serverless SQL Warehouse 필요 |
| 8 | Vector Search Endpoint(KA 사용 시) | 자동 생성되지만 기존 엔드포인트 사용도 가능 |
위험 리전 제한: Agent Bricks는 현재us-east-1과us-west-2에서만 사용 가능합니다. 다른 리전의 워크스페이스에서는 Agent Bricks 메뉴가 표시되지 않습니다.
빠른 시작 가이드
Agent Bricks를 처음 사용한다면 다음 순서를 추천합니다.| 단계 | 작업 | 소요 시간 |
|---|---|---|
| 1 | 사전 요구사항 확인 (위 체크리스트) | 10분 |
| 2 | Knowledge Assistant로 첫 에이전트 생성 | 15분 |
| 3 | Build 탭에서 수동 테스트 (5~10개 질문) | 10분 |
| 4 | View Trace로 동작 원리 이해 | 5분 |
| 5 | Instructions/Examples 추가로 품질 개선 | 20분 |
| 6 | AI Judge로 평가 → 배포 | 15분 |
참고 Knowledge Assistant가 가장 쉽습니다. 문서(PDF, MD)만 업로드하면 즉시 RAG 기반 Q&A 챗봇이 생성됩니다. 먼저 KA로 Agent Bricks의 전체 워크플로우를 경험한 후, Genie Spaces나 Supervisor Agent로 확장하는 것을 권장합니다.
참고 자료
- Agent Bricks 공식 문서
- Knowledge Assistant 문서
- Supervisor Agent 문서
- Genie Spaces 설정 가이드
- Genie 개요
- Agent Framework 멀티 에이전트 가이드
- 에이전트 시스템 디자인 패턴
왜 노코드 Agent 빌더가 필요한가?
AI 에이전트를 프로덕션에 배포하는 것은 프로토타입 만들기와 전혀 다른 차원 의 문제입니다. 실제 기업 환경에서 에이전트를 운영하려면 아래와 같은 복합적인 엔지니어링 과제를 모두 해결해야 합니다.| 단계 | 코드 기반(Agent Framework) | Agent Bricks (노코드) |
|---|---|---|
| RAG 파이프라인 | Vector Search Index 생성, 청킹 전략 설계, 임베딩 모델 선택을 직접 코딩 | 문서 업로드만 하면 자동 구성 |
| 프롬프트 엔지니어링 | System Prompt, Few-shot Example, Chain-of-Thought 등을 수동 설계 | Instructions와 Examples를 UI에서 입력 |
| 모델 선택 | 각 모델의 가격/성능/지연 시간을 비교 테스트 | 시스템이 자동으로 여러 모델을 테스트하고 최적 선택 |
| 평가 | MLflow Evaluate 코드 작성, 평가 데이터셋 수동 생성 | AI Judge + Synthetic Task Generation 내장 |
| 배포 | Model Serving 엔드포인트 코드, 스케일링 설정 | 자동 배포, 자동 스케일링 |
| 모니터링 | Tracing 코드 삽입, 대시보드 구축 | 내장 Tracing + Production Monitoring |
| 거버넌스 | UC 권한 관리 코드 작성 | Unity Catalog 자동 통합 |
Agent Bricks vs Agent Framework: 선택 기준
Databricks는 AI 에이전트 구축을 위해 두 가지 경로 를 제공합니다. Agent Bricks(선언형, 노코드)와 Agent Framework(코드 기반, 프로그래밍)입니다. 둘 다 동일한 Mosaic AI 인프라(MLflow, Model Serving, Unity Catalog) 위에서 작동하지만, 사용 방식과 적합한 시나리오가 다릅니다.비교표
| 기준 | Agent Bricks | Agent Framework |
|---|---|---|
| 개발 방식 | UI 기반 선언형 — 코드 불필요 | Python 코드 기반 — LangGraph, CrewAI, AutoGen 등 |
| 대상 사용자 | 비즈니스 분석가, 도메인 전문가, 시민 개발자 | ML 엔지니어, 소프트웨어 엔지니어 |
| 커스터마이징 | Instructions, Examples, Knowledge Source로 제어 | 코드 수준의 완전한 제어 (프롬프트, 체인, 도구 호출 로직) |
| 지원 에이전트 유형 | 6가지 사전 정의 유형 (KA, Genie, Supervisor 등) | 제한 없음 — 모든 아키텍처 가능 |
| RAG 파이프라인 | 자동 구성 (문서 업로드 → 자동 청킹/인덱싱) | 직접 설계 (청킹 전략, 임베딩 모델, 검색 파라미터 제어) |
| 멀티 에이전트 | Supervisor Agent (최대 20개 서브 에이전트) | 무제한 에이전트 조합, 커스텀 오케스트레이션 |
| 외부 도구 | UC Functions + MCP Servers | UC Functions + MCP + 임의의 Python 함수 |
| 자동 최적화 | 모델 선택, 파인 튜닝 자동 수행 | 수동으로 실험 및 최적화 |
| 배포 속도 | 수십 분 | 수일~수주 |
| 유지보수 | 인프라 관리 불필요 | 코드 유지보수, 의존성 관리 필요 |
시나리오별 권장 경로
| 시나리오 | 권장 경로 | 이유 |
|---|---|---|
| 사내 문서 Q&A 챗봇 (첫 AI 프로젝트) | Agent Bricks | KA로 15분 만에 프로덕션 수준 RAG 챗봇 구축 가능 |
| 비즈니스 데이터 자연어 탐색 | Agent Bricks | Genie Space가 이 유스케이스에 최적화 |
| 3~5개 에이전트 조합 멀티 에이전트 | Agent Bricks | Supervisor Agent로 노코드 오케스트레이션 |
| 복잡한 조건 분기 + 외부 API 연동 | Agent Framework | 커스텀 체인 로직, 조건부 도구 호출 필요 |
| 실시간 스트리밍 데이터 처리 에이전트 | Agent Framework | Agent Bricks는 스트리밍 미지원 |
| 기존 LangChain/LangGraph 앱 마이그레이션 | Agent Framework | 기존 코드를 그대로 활용 가능 |
| 커스텀 파인 튜닝 + 모델 앙상블 | Agent Framework | 모델 레벨 제어 필요 |
| 빠른 POC 후 점진적 고도화 | Agent Bricks → Framework | Bricks로 빠르게 검증 후, 한계에 부딪히면 Framework로 전환 |
참고 하이브리드 접근법: Agent Bricks의 Supervisor Agent에서 Code Your Own Agent 유형을 서브 에이전트로 연결할 수 있습니다. 즉, 대부분의 에이전트는 노코드로 구축하고, 특수한 로직이 필요한 부분만 코드로 작성하는 하이브리드 아키텍처 가 가능합니다.
Agent Bricks의 전략적 포지셔닝
Databricks AI 전략에서의 위치
Agent Bricks는 Databricks의 “AI를 민주화한다” 는 비전의 핵심 실행 수단입니다. 기존에는 ML 엔지니어만 AI 에이전트를 구축할 수 있었지만, Agent Bricks를 통해 비즈니스 분석가, 도메인 전문가, 데이터 분석가 도 프로덕션 수준의 에이전트를 직접 만들 수 있게 됩니다.경쟁 플랫폼과의 비교
| 비교 항목 | Databricks Agent Bricks | AWS Bedrock Agents | Azure AI Agent Service | Google Vertex AI Agent Builder |
|---|---|---|---|---|
| 거버넌스 | Unity Catalog 통합 (행/열 수준 보안) | IAM 기반 | Entra ID 기반 | IAM 기반 |
| 데이터 접근 | Lakehouse 네이티브 (Delta, UC) | S3 + Knowledge Base | Cosmos DB, Azure Search | BigQuery, Vertex Search |
| 멀티 에이전트 | Supervisor Agent (내장) | Step Functions 조합 | Semantic Kernel 기반 | Agent-to-Agent Protocol |
| SQL 분석 | Genie Space (네이티브) | Athena 연동 필요 | Fabric 연동 필요 | BigQuery 연동 필요 |
| 자동 최적화 | 모델 자동 선택 + 파인 튜닝 | 수동 | 수동 | 수동 |
| 평가 | AI Judge + Synthetic Tasks 내장 | 외부 도구 필요 | 외부 도구 필요 | 외부 도구 필요 |
| 오픈소스 호환 | MLflow, LangGraph, CrewAI 등 | 독점 API | Semantic Kernel | LangChain 통합 |
참고 Agent Bricks의 가장 큰 차별점은 Lakehouse 네이티브 라는 점입니다. 데이터가 이미 Databricks에 있다면, 별도의 ETL이나 데이터 복사 없이 바로 에이전트로 활용할 수 있습니다. Unity Catalog의 거버넌스가 에이전트까지 자동 확장되므로 데이터 보안과 규제 준수 가 기본으로 보장됩니다.
도입 전략: 단계적 확장 로드맵
Agent Bricks를 조직에 성공적으로 도입하려면 단계적으로 확장하는 것이 중요합니다.| 단계 | 기간 | 목표 | 세부 활동 |
|---|---|---|---|
| 1단계: POC | 1~2주 | 가치 검증 | 단일 유스케이스(KA 또는 Genie)로 빠르게 구축, SME 피드백 수집 |
| 2단계: 파일럿 | 2~4주 | 품질 확보 | 평가 체계 구축(AI Judge + 50개 이상 테스트), Instructions 최적화 |
| 3단계: 확장 | 1~2개월 | 멀티 에이전트 | Supervisor로 여러 에이전트 통합, MCP/UC Function 연동 |
| 4단계: 거버넌스 | 지속 | 운영 안정화 | 모니터링 대시보드, 비용 관리, 권한 체계 확립, 장애 대응 절차 |
성공적인 Agent Bricks 프로젝트의 3가지 핵심 조건
- 데이터 품질이 곧 에이전트 품질: Agent Bricks가 아무리 잘 만들어져도, 원본 데이터(문서, 테이블)가 부실하면 에이전트도 부실합니다. 먼저 데이터 정리와 메타데이터 보강에 투자하세요.
- 평가 체계를 먼저 구축: 에이전트를 만들기 전에 “무엇이 좋은 응답인가”를 정의하세요. AI Judge의 Correctness, Groundedness 기준을 명확히 하고, 최소 50개의 테스트 케이스를 준비하세요.
- 점진적 복잡도 증가: KA 하나로 시작 → 평가 통과 → Genie 추가 → Supervisor 통합 순서로 진행하세요. 처음부터 멀티 에이전트를 구축하면 디버깅이 극도로 어려워집니다.