Genie Code 프롬프트 쿡북 - Databricks 가이드

최종 업데이트: 2026-04-07

이 가이드의 목적

Genie Code는 Databricks 워크스페이스에 내장된 자율형 AI 파트너입니다. 하지만 “뭘 시킬 수 있는지” 를 모르면 그 잠재력의 10%도 활용하지 못합니다. 이 페이지는 Databricks의 모든 주요 기능 영역 에서 Genie Code에게 요청할 수 있는 자연어 프롬프트를 체계적으로 정리한 실전 레시피북 입니다. 각 영역별로 “이런 것도 되나요?”라는 질문에 구체적인 프롬프트 예시로 답합니다.

참고 모든 프롬프트는 Agent 모드 에서 사용하는 것을 기본으로 합니다. Chat 모드에서만 사용해야 하는 경우 별도로 표시했습니다. Agent 모드에서 Genie Code는 계획 수립 → 코드 생성 → 실행 → 결과 확인 → 오류 수정을 자율적으로 반복 합니다.

효과적인 프롬프트의 3가지 원칙

Genie Code에게 요청할 때 다음 원칙을 기억하면 응답 품질이 크게 향상됩니다:

원칙	설명	예시
`@` 참조로 컨텍스트 제공	테이블을 자연어로 언급하지 말고 `@catalog.schema.table` 형태로 직접 참조	”매출 테이블에서…” → “`@sales.prod.orders` 에서…”
목표 + 제약 조건 명시	단계별 지시 대신 최종 목표와 지켜야 할 제약만 전달	”PySpark만 사용하고, 결과를 Delta 테이블로 저장해줘”
출력 형태 지정	원하는 결과물의 형태를 구체적으로 명시	”인사이트를 마크다운으로 요약하고, 차트 3개를 포함해줘”

팁 프롬프트는 지시서가 아니라 계약서처럼 작성하세요. “1번 해, 2번 해, 3번 해”보다 “최종 결과물은 이것이고, 이 조건을 지켜”가 훨씬 효과적입니다. Agent는 실행 계획을 스스로 수립하므로, 목표만 명확하면 최적의 경로를 알아서 찾습니다.

1. 가상 데이터 생성 (Synthetic Data Generation)

데모, 테스트, PoC를 위한 샘플 데이터를 Genie Code로 빠르게 생성할 수 있습니다. 테이블 스키마를 직접 정의하거나, 기존 테이블의 패턴을 참조하여 유사한 데이터를 만들 수 있습니다.

기본 프롬프트

전자상거래 분석용 샘플 데이터를 생성해줘.
- customers (10,000행): 고객 ID, 이름, 지역, 가입일, 등급
- orders (50,000행): 주문 ID, 고객 ID, 주문일, 금액, 상태
- products (500행): 제품 ID, 카테고리, 가격, 제조사
모든 테이블을 my_catalog.sandbox에 Delta 테이블로 저장해줘.

시나리오별 프롬프트

시나리오	프롬프트
IoT 센서 데이터	”공장 설비 모니터링용 IoT 센서 데이터를 생성해줘. 온도, 진동, 압력 센서 100개, 1분 간격, 30일치 데이터. 10% 정도 이상치를 포함하고, 일부 센서는 점진적으로 값이 증가하는 패턴(고장 징후)을 넣어줘.”
금융 거래 데이터	”신용카드 거래 데이터를 생성해줘. 100만 건, 정상 거래 97%, 사기 거래 3%. 사기 거래는 심야 시간대, 고액, 해외 가맹점 패턴을 포함해줘.”
의료 데이터	”환자 진료 기록 샘플 데이터를 만들어줘. 환자 5,000명, 진료 기록 50,000건. 진단코드(ICD-10), 처방, 입퇴원일, 보험 정보를 포함하고, PII는 Faker로 가명 처리해줘.”
기존 테이블 기반	”@prod.sales.orders 테이블의 스키마와 데이터 분포를 분석해서 동일한 패턴의 테스트 데이터 10,000행을 dev.sandbox.orders_test에 생성해줘.”
시계열 데이터	”주식 시장 데이터를 생성해줘. 종목 50개, 일별 OHLCV(시가/고가/저가/종가/거래량), 5년치. 상승장, 하락장, 횡보장 패턴을 섞어줘.”
다국어 텍스트	”고객 리뷰 데이터를 생성해줘. 한국어 60%, 영어 30%, 일본어 10%. 긍정/부정/중립 분류 라벨과 별점(1~5)을 포함해줘.”

고급 프롬프트

@prod.retail.transactions 테이블의 통계적 특성(컬럼별 분포, 상관관계, 결측치 비율)을
분석하고, 동일한 통계적 특성을 유지하면서 PII가 제거된 합성 데이터 100,000행을 생성해줘.
원본과 합성 데이터의 분포 비교 차트도 만들어줘.

참고 Genie Code는 PySpark, Pandas, Faker, dbldatagen 등의 라이브러리를 활용하여 데이터를 생성합니다. 대용량(100만 행 이상) 생성 시 "Spark의 분산 처리를 활용해줘" 라고 명시하면 dbldatagen 기반 코드가 생성되어 클러스터 리소스를 효율적으로 사용합니다.

2. 데이터 파이프라인 구축 (Lakeflow / SDP)

Genie Code의 가장 강력한 기능 영역 중 하나입니다. Lakeflow Pipelines Editor에서 Agent 모드를 사용하면, Bronze → Silver → Gold 전체 Medallion 아키텍처 파이프라인을 한 번의 프롬프트로 생성할 수 있습니다. 파이프라인 파일 생성, 편집, 실행, 오류 수정까지 자율적으로 수행합니다.

기본 프롬프트

my_catalog.my_schema의 transactions와 customers 테이블을 사용하여
사기 탐지를 위한 Medallion 아키텍처 파이프라인을 빌드하고 실행해줘.

시나리오별 프롬프트

시나리오	프롬프트
전체 Medallion 구축	”S3의 raw_events 데이터를 Auto Loader로 수집하고, Bronze → Silver(정제/조인) → Gold(집계) 파이프라인을 SDP로 만들어줘. 데이터 품질 규칙도 각 레이어에 추가해줘.”
CDC 파이프라인	”@raw.cdc_events 테이블에서 CDC(Change Data Capture) 데이터를 읽어서 SCD Type 2로 고객 이력을 관리하는 SDP 파이프라인을 만들어줘.”
Auto Loader 수집	”S3 버킷 s3://my-bucket/logs/ 에서 JSON 로그를 Auto Loader로 수집하고, 중첩 JSON을 자동으로 플랫닝하는 Bronze 테이블을 만들어줘.”
데이터 품질 규칙	”@silver.orders 파이프라인에 다음 품질 규칙을 추가해줘: 1) order_amount > 0, 2) order_date는 미래가 아닐 것, 3) customer_id가 null이 아닐 것. 위반 행은 격리 테이블로 분리해줘.”
기존 파이프라인 설명	”이 파이프라인의 모든 단계를 설명해줘.”
파이프라인 오류 수정	”이 파이프라인의 실패를 수정해줘.”
증분 처리 전환	”이 배치 파이프라인을 Structured Streaming 기반 증분 처리로 전환해줘. 워터마크와 중복 제거 로직도 추가해줘.”

고급 프롬프트

다음 요구사항에 맞는 Lakeflow SDP 파이프라인을 만들어줘:

[데이터 소스]
- S3: s3://data-lake/raw/clickstream/ (JSON, 시간별 파티션)
- Kafka: broker01:9092 토픽 user_events

[파이프라인 구조]
- Bronze: Auto Loader + Kafka 수집, 원본 보존
- Silver: 두 소스 조인, 세션화(30분 비활동 기준), PII 마스킹
- Gold: 일별 활성 사용자(DAU), 세션당 평균 페이지뷰, 전환율

[품질 규칙]
- Bronze: 스키마 검증 (필수 필드 존재)
- Silver: timestamp 유효성, user_id NOT NULL
- Gold: DAU는 음수 불가

데이터 품질 위반은 quarantine 테이블로 분리해줘.

주의 파이프라인 생성 시 Genie Code는 Lakeflow Pipelines Editor에서 파일을 직접 생성하고 실행 합니다. 프로덕션 카탈로그를 대상으로 할 때는 반드시 Agent가 표시하는 계획을 검토한 후 승인하세요. 개발/테스트 시에는 "sandbox 카탈로그에만 저장해줘" 제약을 추가하는 것이 안전합니다.

3. AI/BI 대시보드 생성 (Dashboards)

Genie Code Agent 모드에서 대시보드를 생성하면, 데이터셋 생성 → SQL 작성 → 시각화 유형 선택 → 위젯 배치 → 필터 설정까지 전체 과정을 자동화 합니다. 손으로 그린 스케치 이미지를 첨부해서 대시보드를 만들 수도 있습니다.

기본 프롬프트

@sales.prod.transactions 테이블을 분석하고
매출 성과를 보여주는 대시보드를 만들어줘.

시나리오별 프롬프트

시나리오	프롬프트
경영진 대시보드	”@sales_data를 사용해서 경영진 보고용 대시보드를 만들어줘. 총매출/주문수/평균객단가 KPI 카드, 월별 매출 추이 라인차트, 지역별 매출 비교 바차트, 상위 10 제품 테이블을 포함해줘.”
운영 모니터링	”@system.billing.usage 데이터로 Databricks 비용 모니터링 대시보드를 만들어줘. 일별 DBU 소비 추이, 워크스페이스별 비용 분포, 가장 비싼 job Top 10을 보여줘.”
고객 분석	”@customers와 @orders를 조인해서 고객 분석 대시보드를 만들어줘. 리텐션율, 이탈률, 고객 생애가치(LTV) 분포, 코호트 분석을 포함해줘.”
시각화 추가	”이 대시보드에 시간대별 매출 추이를 보여주는 라인 차트를 추가해줘.”
필터 추가	”대시보드 전체에 날짜 범위 필터와 지역 선택 필터를 추가해줘.”
멀티페이지	”지역별 성과를 보여주는 새 페이지를 추가해줘.”
레이아웃 조정	”시각화들을 2열 레이아웃으로 정리해줘.”
데이터셋 생성	”@sales_transactions에서 주별/제품별 매출 집계 데이터셋을 만들어줘.”
스케치 기반 생성	(이미지 첨부 후) “이 스케치를 기반으로 대시보드를 만들어줘. 왼쪽 상단은 KPI 카드, 오른쪽은 추이 차트, 하단은 테이블이야.”

고급 프롬프트

다음 요구사항에 맞는 영업 성과 대시보드를 만들어줘:

[데이터 소스]
- @analytics.sales.daily_metrics
- @analytics.sales.customer_segments
- @analytics.sales.product_performance

[페이지 1: 요약]
- KPI 카드: 총매출(전월 대비 %), 신규 고객 수, 평균 객단가, 전환율
- 월별 매출 추이 (전년 동기 비교 오버레이)
- 지역별 매출 히트맵

[페이지 2: 제품 분석]
- 카테고리별 매출 비교 (바 차트)
- 상위 20 제품 테이블 (매출, 마진율, 재고 회전율)
- 제품 카테고리 파이 차트

[필터]
- 날짜 범위 (기본값: 이번 달)
- 지역 선택 (다중 선택)
- 제품 카테고리 (다중 선택)

대시보드 이름은 'Q2 2026 영업 성과'로 설정해줘.

팁 스케치 기반 생성 이 매우 강력합니다. 화이트보드에 그린 대시보드 레이아웃을 사진으로 찍어 Genie Code에 첨부하면, 스케치의 배치를 해석하여 실제 대시보드를 생성합니다. 고객 미팅에서 아이디어를 바로 프로토타입으로 전환하는 데 매우 효과적입니다.

4. Genie Space 활용 (MCP 연동)

Genie Code에서 MCP(Model Context Protocol)를 통해 Genie Space를 도구로 연동하면, 코드를 작성하면서 동시에 Genie Space에 자연어 질의 를 할 수 있습니다. 또한 Genie Space 구성을 위한 데이터 준비 작업을 Genie Code로 자동화할 수 있습니다.

Genie Space 연동 프롬프트

시나리오	프롬프트
Genie Space 데이터 준비	”@raw.orders와 @raw.customers를 조인하여 Genie Space용 분석 뷰를 만들어줘. 비기술 사용자가 자연어로 질의할 수 있도록 모든 컬럼에 한국어 COMMENT를 추가해줘.”
메트릭 뷰 생성	”영업팀 Genie Space에서 사용할 표준 KPI를 정의하는 뷰를 만들어줘. 총매출, 순매출, 주문 수, 평균 객단가, 반품률을 포함해줘.”
품질 기준 뷰	”경영진이 Genie Space에서 ‘이번 달 매출은?’ 같은 질문을 할 때 정확한 답을 주도록, 회계 기준에 맞는 매출 집계 뷰를 만들어줘. 세금, 할인, 반품을 정확히 반영해줘.”
MCP를 통한 질의	”(MCP Genie Space 연동 후) Genie Space에 ‘지난 주 상위 5개 고객의 매출은 얼마야?‘라고 질문하고, 결과를 이 노트북에 가져와서 추가 분석해줘.”

참고 Genie Code가 Genie Space를 직접 생성 하지는 않습니다. 하지만 Genie Space에 추가할 뷰, 메트릭 테이블, 컬럼 설명 을 자동으로 생성할 수 있으므로, Genie Space 구축의 가장 시간이 많이 걸리는 데이터 준비 단계를 크게 가속합니다. MCP로 Genie Space를 연동하면 Agent 모드에서 Space에 질의도 가능합니다.

5. Databricks Apps 개발 코드 생성

Genie Code로 Databricks Apps(Streamlit, Gradio, FastAPI 등)의 코드를 생성 할 수 있습니다. 앱 로직, UI 구성, 데이터 연결 코드를 노트북에서 작성한 후, 앱으로 배포하는 워크플로에 활용됩니다.

시나리오별 프롬프트

시나리오	프롬프트
Streamlit 앱	”@analytics.customer_360 테이블을 조회하는 Streamlit 대시보드 앱 코드를 만들어줘. 고객 검색, 세그먼트별 필터링, 매출 추이 차트를 포함해줘. Databricks SQL Warehouse에 연결하는 코드도 포함해줘.”
Gradio 챗봇	”RAG 체인을 호출하는 Gradio 챗봇 UI 코드를 만들어줘. 모델 서빙 엔드포인트 호출, 대화 히스토리 유지, 소스 문서 표시 기능을 포함해줘.”
FastAPI 백엔드	”@prod.ml.predictions 테이블에서 예측 결과를 조회하는 REST API를 FastAPI로 만들어줘. GET /predictions/{customer_id} 엔드포인트와 인증 미들웨어를 포함해줘.”
app.yaml 생성	”이 Streamlit 앱을 Databricks Apps로 배포하기 위한 app.yaml 설정 파일을 만들어줘. SQL Warehouse와 서빙 엔드포인트를 리소스로 추가해줘.”

고급 프롬프트

다음 요구사항의 Databricks App 코드를 만들어줘:

[프레임워크] Streamlit
[기능]
1. 사이드바: 날짜 범위, 제품 카테고리 필터
2. 메인 페이지: KPI 카드 3개 + 매출 추이 차트 + 제품별 비교 차트
3. 두 번째 탭: @prod.ml.churn_predictions의 이탈 위험 고객 목록
4. SQL Warehouse 연결 (databricks-sql-connector 사용)

[제약 조건]
- OAuth 인증 사용 (사용자 권한으로 데이터 접근)
- 한국어 UI
- 에러 핸들링 포함

주의 Genie Code는 앱 코드를 생성 하지만, Databricks Apps 플랫폼에 직접 배포 하지는 않습니다. 생성된 코드를 워크스페이스 파일이나 Git 리포지토리에 저장한 후, Databricks Apps UI 또는 CLI로 배포해야 합니다.

6. 노트북 생성 및 구성 (Notebooks)

Genie Code의 핵심 작업 공간 입니다. 노트북에서 Agent 모드를 사용하면, 셀 생성/실행/수정을 자율적으로 수행하며 완성된 분석 노트북을 만들어냅니다.

시나리오별 프롬프트

시나리오	프롬프트
EDA 노트북	”@sales.prod.transactions 테이블에 대해 종합 EDA를 수행해줘. 기본 통계, 결측치 분석, 분포 시각화, 상관관계 분석, 이상치 탐지를 포함하고, 각 단계마다 인사이트를 마크다운으로 요약해줘.”
데이터 정제 노트북	”@raw.events 테이블을 정제하는 노트북을 만들어줘. 중복 제거, null 처리, 날짜 포맷 통일, 이상치 제거를 순서대로 수행하고, 각 단계에서 변환 전후 건수를 표시해줘.”
비교 분석	”@prod.sales.orders_2025와 @prod.sales.orders_2024를 비교 분석해줘. 매출, 주문수, 고객수의 YoY 변화와 주요 드라이버를 식별해줘.”
노트북 정리	”이 노트북의 각 셀에 의미 있는 이름을 붙여줘.”
요약 셀 생성	”이 노트북의 분석 결과를 요약하는 새 셀을 만들어줘.”
코드 문서화	(셀 선택 후) “/doc”
코드 설명	(셀 선택 후) “/explain”
코드 최적화	(셀 선택 후) “/optimize”
단위 테스트	(함수 선택 후) “/test”
테이블 검색	”/findTables 고객 거래 데이터 관련 테이블 찾아줘”

고급 프롬프트

@prod.retail.transactions 테이블을 기반으로
완전한 RFM(Recency, Frequency, Monetary) 분석 노트북을 만들어줘.

1. 데이터 로드 및 기본 검증
2. RFM 점수 계산 (각 지표별 5분위)
3. RFM 기반 고객 세그먼트 정의 (Champions, Loyal, At Risk 등)
4. 세그먼트별 특성 비교 시각화
5. 각 세그먼트에 대한 마케팅 전략 제안
6. 결과를 analytics.marketing.rfm_segments 테이블로 저장

PySpark를 사용하고, 차트는 plotly로 만들어줘.
각 셀에 한국어 마크다운 설명을 포함해줘.

7. MLOps 워크플로 (모델 학습 → 평가 → 배포)

Genie Code는 전체 ML 라이프사이클을 자동화할 수 있습니다. 데이터 준비, 피처 엔지니어링, 모델 학습, 하이퍼파라미터 튜닝, 모델 평가, MLflow 로깅까지 Agent 모드에서 자율적으로 수행합니다.

시나리오별 프롬프트

시나리오	프롬프트
분류 모델	”@customer_data 데이터셋으로 고객 이탈 예측 모델을 만들어줘. target은 ‘churned’ 컬럼이야. 정확도와 AUC로 평가하고, MLflow에 기록해줘.”
회귀 모델	”@housing_prices 데이터셋으로 주택 가격 예측 회귀 모델을 만들어줘. 하이퍼파라미터 튜닝도 수행해서 예측 오차를 개선해줘.”
클러스터링	”@sales_leads 데이터셋으로 클러스터링 모델을 만들어서 고객 세그먼트를 식별해줘. 각 클러스터의 특성을 요약해줘.”
시계열 예측	”@incidents 데이터셋으로 향후 2주간 일별 사건 수를 예측해줘. 예측 결과를 데이터 테이블과 인터랙티브 차트로 보여줘.”
피처 엔지니어링	”이 데이터셋을 모델 학습에 적합하게 전처리해줘. 범주형 인코딩, 결측치 처리, 스케일링, 피처 선택을 수행해줘.”
하이퍼파라미터 튜닝	”이 XGBoost 모델의 하이퍼파라미터를 Optuna로 튜닝해줘. 50회 시도하고, 최적 파라미터와 성능 개선폭을 보고해줘.”
모델 비교	”LogisticRegression, RandomForest, XGBoost, LightGBM 4가지 모델을 학습하고 비교해줘. 각 모델의 AUC, 정밀도, 재현율을 표로 정리하고, 최적 모델을 MLflow에 등록해줘.”
피처 중요도	”학습된 모델의 피처 중요도를 시각화하고, 상위 10개 피처의 비즈니스 의미를 설명해줘.”

고급 프롬프트 — 전체 MLOps 파이프라인

다음 요구사항으로 전체 MLOps 워크플로를 구축해줘:

[데이터] @prod.manufacturing.sensor_readings
[목표] 설비 고장 예측 (failure 컬럼이 target)

[수행 단계]
1. EDA: 데이터 특성 파악, 클래스 불균형 확인
2. 피처 엔지니어링: 롤링 통계(1h, 6h, 24h), lag 피처, 피처 상호작용
3. 모델 학습: XGBoost + LightGBM + Random Forest 비교
4. 클래스 불균형 처리: SMOTE 또는 클래스 가중치 적용
5. 하이퍼파라미터 튜닝: 최적 모델에 대해 Optuna 100회
6. 평가: Precision/Recall/F1/AUC + 혼동 행렬 시각화
7. MLflow 로깅: 모든 실험, 최적 모델 등록

[제약 조건]
- PySpark로 피처 엔지니어링
- 모델 학습은 sklearn 또는 xgboost
- 한국어 주석

8. 모델 서빙 & 엔드포인트 관리

모델 서빙 페이지에서 Genie Code를 사용하면, 엔드포인트의 건강 상태 확인, 성능 분석, 장애 진단 을 할 수 있습니다. 현재는 읽기 전용 어드바이저 역할로, 구성 변경은 직접 수행해야 합니다.

시나리오별 프롬프트

시나리오	프롬프트
헬스 체크	”이 엔드포인트의 건강 상태를 확인해줘.”
구성 검토	”이 엔드포인트가 올바르게 구성되어 있는지 확인해줘.”
스케일링 검토	”이 엔드포인트의 스케일링 구성을 검토해줘.”
배포 실패 진단	”/diagnose” 또는 “왜 배포가 실패했어?”
레이턴시 분석	”왜 레이턴시가 이렇게 높은 거야?”
레이턴시 스파이크	”오늘 아침의 레이턴시 스파이크를 분석해줘.”
최근 성능	”지난 24시간 성능 메트릭을 보여줘.”
구성 변경 비교	”대기 중인 구성에서 뭐가 변경되었어?”
에러 패턴	”지난 주의 에러 패턴을 분석해줘.”
최근 요청 확인	”이 엔드포인트에 대한 최근 요청을 보여줘.”
동시성 검토	”이 동시성 설정이 프로덕션에 적합한가?”

주의 모델 서빙 영역의 Genie Code는 읽기 전용 어드바이저 입니다. 엔드포인트 구성을 변경하거나 배포를 직접 수행하지는 않습니다. 최적화 권장사항을 제시하면 사용자가 직접 적용해야 합니다. 현재 Custom 모델 서빙 엔드포인트 에서만 지원됩니다.

9. GenAI / RAG 개발

노트북에서 RAG 체인 구축, 프롬프트 엔지니어링, 벡터 검색 설정, 에이전트 디버깅까지 GenAI 워크플로 전반을 지원합니다. MLflow 페이지에서는 Trace 분석과 품질 평가를 수행합니다.

시나리오별 프롬프트

시나리오	프롬프트
RAG 체인 구축	”@prod.docs.knowledge_base 테이블을 기반으로 RAG 체인을 만들어줘. Vector Search 인덱스 조회 → 프롬프트 구성 → LLM 호출 → 응답 생성 파이프라인을 LangChain으로 구현해줘.”
임베딩 생성	”@raw.documents 테이블의 text 컬럼에 대해 임베딩을 생성하고, Vector Search 인덱스에 저장하는 코드를 만들어줘.”
청킹 최적화	”이 문서 데이터에 대해 여러 청킹 전략(고정 크기, 문장 기반, 의미 기반)을 비교하고, 검색 품질이 가장 높은 전략을 추천해줘.”
프롬프트 최적화	”이 RAG 체인의 시스템 프롬프트를 개선해줘. 환각을 줄이고, 소스를 인용하며, 모르는 것은 모른다고 답하도록 해줘.”
Trace 분석	”이 에이전트의 tool calling에서 문제가 있는 trace를 찾아줘.”
실패 패턴	”지난 주 가장 흔한 실패 패턴이 뭐야?”
사용자 만족도	”피드백 점수가 가장 낮은 세션은 어떤 거야?”
토큰 사용량	”토큰 사용량 패턴과 비용을 분석해줘.”
레이턴시 분석	”P50/P95/P99 레이턴시를 분석하고, 병목 지점을 찾아줘.”
평가 실행	”이 RAG 체인에 대해 faithfulness, relevance, toxicity 평가를 실행하고, 저품질 케이스의 원인을 분류해줘.”

고급 프롬프트

다음 요구사항으로 RAG 기반 Q&A 시스템을 구축해줘:

[데이터] @prod.docs.product_manuals (PDF 파싱된 텍스트)

[구축 단계]
1. 문서 청킹 (500 토큰, 50 토큰 오버랩)
2. 임베딩 생성 (Databricks Foundation Model)
3. Vector Search 인덱스 생성
4. LangChain RAG 체인 구성
5. 평가 데이터셋 20개 Q&A 쌍 생성
6. MLflow로 평가 실행 (faithfulness, relevance)
7. 결과 분석 및 개선 제안

시스템 프롬프트는 한국어로, 소스 문서를 반드시 인용하도록 설정해줘.

10. Unity Catalog 작업

Genie Code는 Unity Catalog의 메타데이터를 깊이 이해하며, 테이블/뷰/함수의 생성, 관리, 메타데이터 작성을 지원합니다.

시나리오별 프롬프트

시나리오	프롬프트
테이블 생성	”다음 스키마로 Delta 테이블을 만들어줘: customer_id (BIGINT), name (STRING), email (STRING), signup_date (DATE). Liquid Clustering을 signup_date로 설정해줘.”
뷰 생성	”@raw.orders와 @raw.customers를 조인하여 주문 상세 뷰를 만들어줘. 컬럼별 한국어 COMMENT를 추가해줘.”
메타데이터 작성	”@prod.sales 스키마의 모든 테이블에 대해 테이블 설명과 컬럼 설명(COMMENT)을 자동 생성해줘. 컬럼 이름과 샘플 데이터를 기반으로 의미를 추론해줘.”
테이블 검색	”/findTables 고객 구매 이력 관련 테이블”
스키마 분석	”@prod.analytics 스키마에 있는 모든 테이블의 구조, 행 수, 최종 업데이트 시간을 정리해줘.”
테이블 최적화	”@prod.sales.orders 테이블에 OPTIMIZE와 VACUUM을 실행하고, Z-ORDER 적용이 필요한 컬럼을 추천해줘.”
리니지 분석	”@gold.revenue_summary 테이블이 어떤 원본 테이블에서 왔는지 데이터 리니지를 추적해줘.”

11. Structured Streaming

노트북에서 Structured Streaming 코드를 생성하고, 스트리밍 파이프라인을 구성할 수 있습니다.

시나리오별 프롬프트

시나리오	프롬프트
Kafka 수집	”Kafka 토픽 ‘user_events’ (broker: kafka01:9092)에서 JSON 메시지를 읽어서 Bronze 테이블에 저장하는 Structured Streaming 코드를 만들어줘.”
윈도우 집계	”스트리밍 데이터에서 5분 텀블링 윈도우로 이벤트 수를 집계하는 코드를 만들어줘. 워터마크는 10분으로 설정해줘.”
스트림-스트림 조인	”주문 스트림과 결제 스트림을 order_id 기준으로 조인하는 스트림-스트림 조인 코드를 만들어줘.”
Auto Loader	”S3 경로 s3://data/incoming/ 에서 CSV 파일을 Auto Loader로 실시간 수집하는 코드를 만들어줘. 스키마 진화도 처리해줘.”
체크포인트 관리	”이 스트리밍 잡의 체크포인트가 손상된 것 같아. 안전하게 재시작하는 방법을 알려줘.”

12. Delta Lake 작업

Delta Lake 테이블의 최적화, 유지보수, 고급 기능을 활용하는 코드를 생성합니다.

시나리오별 프롬프트

시나리오	프롬프트
테이블 최적화	”@prod.sales.orders 테이블을 OPTIMIZE하고, order_date와 region으로 Z-ORDER를 적용해줘.”
VACUUM	”@prod.sales.orders의 오래된 파일을 정리해줘. 7일 이전 파일만 삭제하고, 실행 전에 dry-run으로 정리 대상을 먼저 보여줘.”
타임 트래블	”@prod.sales.orders 테이블의 이력을 확인하고, 3일 전 버전의 데이터와 현재 데이터를 비교해줘. 변경된 행 수를 알려줘.”
Liquid Clustering	”@prod.logs.events 테이블에 Liquid Clustering을 적용해줘. 자주 필터링되는 컬럼을 분석해서 최적의 클러스터링 키를 추천해줘.”
스키마 진화	”@bronze.raw_data 테이블에 새 컬럼을 추가하는 스키마 진화 코드를 만들어줘.”
MERGE	”@staging.daily_updates의 데이터를 @prod.master_table에 MERGE(upsert)하는 코드를 만들어줘. customer_id가 매칭 키이고, 변경된 행만 업데이트해줘.”

13. Job 스케줄링 & 워크플로

노트북에서 Job 실행 코드를 생성하거나, 워크플로 구성에 필요한 코드를 작성할 수 있습니다.

시나리오별 프롬프트

시나리오	프롬프트
노트북 스케줄링 코드	”이 노트북을 매일 오전 6시에 실행하는 Job을 Databricks SDK로 생성하는 코드를 만들어줘.”
멀티태스크 워크플로	”3개 노트북을 순차 실행하는 워크플로 Job 생성 코드를 만들어줘: 01_ingest → 02_transform → 03_aggregate. 각 태스크 사이에 의존성을 설정해줘.”
실패 알림	”Job 실패 시 Slack 웹훅으로 알림을 보내는 코드를 만들어줘.”
실행 모니터링	”현재 실행 중인 Job의 상태를 확인하는 코드를 만들어줘.”
재시도 로직	”이 노트북에 실패 시 3회 재시도하는 로직을 추가해줘. 재시도 간격은 지수 백오프로 해줘.”

레시피 14~20, Slash Commands, 기능 매트릭스, 운영 팁, 참고 자료는 다음 페이지에서 이어집니다. → Genie Code 프롬프트 쿡북 — 운영·디버깅·확장

​이 가이드의 목적

​효과적인 프롬프트의 3가지 원칙

​1. 가상 데이터 생성 (Synthetic Data Generation)

​기본 프롬프트

​시나리오별 프롬프트

​고급 프롬프트

​2. 데이터 파이프라인 구축 (Lakeflow / SDP)

​기본 프롬프트

​시나리오별 프롬프트

​고급 프롬프트

​3. AI/BI 대시보드 생성 (Dashboards)

​기본 프롬프트

​시나리오별 프롬프트

​고급 프롬프트

​4. Genie Space 활용 (MCP 연동)

​Genie Space 연동 프롬프트

​5. Databricks Apps 개발 코드 생성

​시나리오별 프롬프트

​고급 프롬프트

​6. 노트북 생성 및 구성 (Notebooks)

​시나리오별 프롬프트

​고급 프롬프트

​7. MLOps 워크플로 (모델 학습 → 평가 → 배포)

​시나리오별 프롬프트

​고급 프롬프트 — 전체 MLOps 파이프라인

​8. 모델 서빙 & 엔드포인트 관리

​시나리오별 프롬프트

​9. GenAI / RAG 개발

​시나리오별 프롬프트

​고급 프롬프트

​10. Unity Catalog 작업

​시나리오별 프롬프트

​11. Structured Streaming

​시나리오별 프롬프트

​12. Delta Lake 작업

​시나리오별 프롬프트

​13. Job 스케줄링 & 워크플로

​시나리오별 프롬프트

이 가이드의 목적

효과적인 프롬프트의 3가지 원칙

1. 가상 데이터 생성 (Synthetic Data Generation)

기본 프롬프트

시나리오별 프롬프트

고급 프롬프트

2. 데이터 파이프라인 구축 (Lakeflow / SDP)

기본 프롬프트

시나리오별 프롬프트

고급 프롬프트

3. AI/BI 대시보드 생성 (Dashboards)

기본 프롬프트

시나리오별 프롬프트

고급 프롬프트

4. Genie Space 활용 (MCP 연동)

Genie Space 연동 프롬프트

5. Databricks Apps 개발 코드 생성

시나리오별 프롬프트

고급 프롬프트

6. 노트북 생성 및 구성 (Notebooks)

시나리오별 프롬프트

고급 프롬프트

7. MLOps 워크플로 (모델 학습 → 평가 → 배포)

시나리오별 프롬프트

고급 프롬프트 — 전체 MLOps 파이프라인

8. 모델 서빙 & 엔드포인트 관리

시나리오별 프롬프트

9. GenAI / RAG 개발

시나리오별 프롬프트

고급 프롬프트

10. Unity Catalog 작업

시나리오별 프롬프트

11. Structured Streaming

시나리오별 프롬프트

12. Delta Lake 작업

시나리오별 프롬프트

13. Job 스케줄링 & 워크플로

시나리오별 프롬프트