활용 사례

​

각 사용 사례의 구현 전략

​

에이전트의 의사결정 과정

1. 요청 분석: 사용자의 자연어 요청에서 목표, 제약 조건, 선호도를 추출합니다
2. 스킬 로드: 관련 스킬 파일을 로드하여 Databricks 권장 패턴을 참조합니다
3. 실행 계획 수립: 필요한 도구 호출 순서와 의존성을 결정합니다
4. 순차 실행: 각 도구를 호출하고, 이전 결과를 다음 단계의 입력으로 사용합니다
5. 검증: 생성된 리소스의 상태를 확인하고 사용자에게 보고합니다

​

아키텍처 설계 고려사항

참고 에이전트가 생성하는 모든 리소스는 Databricks 베스트 프랙티스를 따릅니다. 이는 29개의 스킬 파일에 인코딩된 패턴 덕분입니다. 하지만 프로덕션 환경에 적용하기 전에 반드시 검토하세요.

​

시나리오 1: 자연어로 데이터 분석 환경 구축

“매출 데이터 분석 환경을 만들어줘”

​

구현 전략

• synthetic-data 스킬 을 로드하여 현실적인 샘플 데이터를 생성합니다
• dashboard 스킬 을 참조하여 Lakeview 대시보드 JSON 구조를 올바르게 생성합니다
• genie-space 스킬 을 활용하여 인스트럭션과 테이블 매핑을 자동 구성합니다

​

에이전트 수행 흐름

사용자: "매출 데이터 분석 환경을 만들어줘.
       월별 매출 추이와 카테고리별 비중을 볼 수 있게 해줘."

에이전트 수행 단계:
1. [manage_uc_objects] → Catalog/Schema 생성
2. [execute_sql_multi] → 매출 테이블 생성 + 샘플 데이터 INSERT
3. [create_or_update_dashboard] → 월별 추이 차트 + 카테고리 파이 차트 구성
4. [publish_dashboard] → 대시보드 배포
5. [create_or_update_genie] → Genie Space 생성 (인스트럭션 + 테이블 매핑)

​

결과물

팁 에이전트는 synthetic-data 스킬을 활용하여 데모용 샘플 데이터도 자동 생성합니다. 실제 데이터가 없어도 바로 분석 환경을 체험할 수 있습니다.

​

시나리오 2: RAG 에이전트 구축

“고객 매뉴얼 기반 Q&A 챗봇을 만들어줘”

​

구현 전략

• vector-search 스킬 로 올바른 인덱스 설정(Delta Sync, Databricks 관리 임베딩)을 결정합니다
• agent-bricks 스킬 로 Knowledge Assistant의 인스트럭션을 작성하고 Vector Search Index를 연결합니다
• 각 단계에서 이전 단계의 출력(Volume 경로, Index 이름 등)을 다음 단계의 입력으로 전달 합니다

​

에이전트 수행 흐름

사용자: "products 폴더에 있는 PDF 매뉴얼을 기반으로
       고객이 제품 질문을 할 수 있는 RAG 챗봇을 만들어줘."

에이전트 수행 단계:
1. [manage_uc_objects] → Volume 생성
2. [upload_to_volume] → PDF 파일을 Volume에 업로드
3. [execute_sql] → 문서 파싱 + 청킹 테이블 생성
4. [create_or_update_vs_endpoint] → Vector Search Endpoint 생성
5. [create_or_update_vs_index] → 문서 벡터 인덱스 생성
6. [manage_ka] → Knowledge Assistant 생성 (VS Index 연결)

​

결과물

참고 에이전트는 agent-bricks 스킬과 vector-search 스킬을 참조하여 Databricks 권장 패턴에 맞는 RAG 파이프라인을 구성합니다.

​

시나리오 3: MLOps 파이프라인 구성

“모델 학습부터 배포까지 자동화 파이프라인을 구성해줘”

​

구현 전략

• Built-in Write 도구 로 Python 노트북 코드를 생성합니다 (MLflow 로깅, 모델 평가 등 포함)
• upload_file MCP 도구 로 생성된 노트북을 Workspace에 업로드합니다
• manage_jobs MCP 도구 로 멀티 태스크 DAG Job을 구성하고 스케줄을 설정합니다
• 에이전트는 태스크 간 의존성(피처 엔지니어링 → 학습 → 배포)을 자동으로 설정합니다

​

에이전트 수행 흐름

사용자: "고객 이탈 예측 모델을 매일 재학습하고
       배포하는 파이프라인을 만들어줘."

에이전트 수행 단계:
1. [Write] → 피처 엔지니어링 노트북 생성 (Python)
2. [Write] → 모델 학습 노트북 생성 (MLflow 로깅 포함)
3. [Write] → 모델 평가 및 등록 노트북 생성
4. [upload_file] → 노트북을 Workspace에 업로드
5. [manage_jobs] → 멀티 태스크 DAG Job 생성:
   - Task 1: 피처 엔지니어링
   - Task 2: 모델 학습 (Task 1 완료 후)
   - Task 3: 모델 평가 및 배포 (Task 2 완료 후)
6. [manage_jobs] → 매일 06:00 스케줄 설정

​

결과물

주의 에이전트가 생성한 노트북은 템플릿 수준입니다. 실제 프로덕션 적용 전에 데이터 소스, 피처 로직, 모델 하이퍼파라미터를 반드시 검토하세요.

​

시나리오 4: 데모 환경 빠른 구축

“고객 미팅용 데모 환경을 30분 안에 만들어줘”

​

구현 전략

• 카탈로그 격리: 데모용 전용 카탈로그/스키마를 생성하여 기존 데이터와 분리합니다
• 현실적 합성 데이터: synthetic-data 스킬이 업종별(리테일, 제조, 금융 등) 현실적인 데이터 패턴을 생성합니다
• 메달리온 아키텍처: sdp 스킬로 Bronze-Silver-Gold 패턴의 DLT 노트북을 생성합니다
• 엔드투엔드 스토리라인: 데이터 수집 → 정제 → 분석 → 시각화 → 자연어 질의까지 완전한 데모 흐름을 구성합니다

​

에이전트 수행 흐름

사용자: "리테일 고객에게 Databricks를 보여줄 데모 환경을 만들어줘.
       IoT 센서 데이터 → 파이프라인 → 대시보드 흐름으로 구성해줘."

에이전트 수행 단계:
1. [manage_uc_objects] → demo 카탈로그 + 스키마 생성
2. [execute_sql_multi] → IoT 센서 합성 데이터 테이블 생성
3. [Write + upload_file] → SDP 노트북 생성 및 업로드
   - Bronze: Raw 센서 데이터 수집
   - Silver: 데이터 정제 및 품질 검증
   - Gold: 집계 테이블 생성
4. [create_or_update_pipeline] → DLT 파이프라인 생성
5. [start_update] → 파이프라인 실행
6. [create_or_update_dashboard] → 실시간 모니터링 대시보드 생성
7. [publish_dashboard] → 대시보드 배포
8. [create_or_update_genie] → Genie Space 구성

​

결과물

팁 에이전트는 sdp 스킬을 참조하여 Spark Declarative Pipeline 패턴에 맞는 노트북을 생성합니다. 생성된 파이프라인은 실제 DLT 파이프라인으로 바로 실행할 수 있습니다.

​

시나리오별 난이도 및 소요 시간

참고 위 소요 시간은 에이전트가 자동 수행하는 시간입니다. 사람이 직접 구성하면 수 시간에서 수일이 걸리는 작업을 자연어 몇 문장으로 완료할 수 있습니다.

​

효과적인 활용을 위한 팁

​

에이전트에게 더 좋은 결과를 얻는 방법

​

주의사항

• 에이전트가 생성한 리소스는 프로덕션 적용 전 반드시 검토 하세요
• 합성 데이터는 데모/테스트 용도이며, 실제 데이터를 대체하지 않습니다
• 삭제 작업(delete_*)은 되돌릴 수 없으므로 신중하게 요청하세요
• 대규모 작업(수십 개 테이블 생성 등)은 단계별로 나누어 실행하는 것이 안정적입니다

​

참고 링크

• AI Dev Kit GitHub
• Databricks MCP Server Tools
• Genie Space 가이드
• Agent Bricks 가이드