AutoGenie — Genie Space 자동 생성 & 최적화

AutoGenie는 Genie Space를 자동으로 생성하고 성능을 최적화하는 Databricks App입니다. 요구사항 문서(PDF/Markdown)를 업로드하면 AI가 Genie Space 설정을 자동 생성하고, 벤치마크 기반으로 반복 개선합니다.

소스 코드: GitHub에서 전체 소스 보기

AutoGenie 소개 자료 (PDF)

AutoGenie의 아키텍처, 워크플로우, 데모 화면을 포함한 소개 슬라이드

왜 AutoGenie인가?

Genie Space를 수동으로 구성하려면 다음 작업이 필요합니다:

수동 작업	소요 시간
비즈니스 요구사항에서 테이블/컬럼 매핑	수 시간
인스트럭션 작성	수 시간
벤치마크 질문 작성 + 정답 SQL	수 일
테스트 → 개선 반복	수 주

AutoGenie는 이 전체 과정을 AI로 자동화합니다.

두 가지 워크플로우

Lamp — 새 Genie Space 생성

요구사항 문서에서 Genie Space를 자동 생성합니다.

Upload & Parse

PDF/Markdown 요구사항 문서를 업로드하면, LLM이 메트릭과 비즈니스 로직을 자동 추출합니다.

Generate

AI가 테이블 선택, JOIN 관계, 인스트럭션, 컬럼 설명을 포함한 완전한 Genie Space 설정을 생성합니다.

Validate

생성된 설정의 테이블/컬럼 참조를 Unity Catalog와 대조 검증합니다. 불일치가 있으면 인터랙티브하게 수정합니다.

Benchmark

요구사항에서 벤치마크 SQL 쿼리를 추출하고 검증합니다.

Deploy

검증된 설정으로 Genie Space를 워크스페이스에 배포합니다.

Enhancer — 기존 Genie Space 최적화

벤치마크 기반으로 기존 Genie Space의 답변 정확도를 자동 개선합니다.

Configure

최적화할 Genie Space, SQL Warehouse를 선택하고 벤치마크 파일을 업로드합니다.

Score

벤치마크 질문을 Genie에 실행하고, 정답 SQL과 비교하여 pass/fail 비율을 측정합니다.

Plan

AI가 실패한 질문을 분석하고, 인스트럭션 추가/예시 쿼리 등록/JOIN 수정 등 구체적인 개선안을 제안합니다.

Apply

승인된 개선안을 Genie Space에 적용합니다.

Auto-Loop 모드: Score → Plan → Apply 사이클을 목표 점수에 도달할 때까지 자동 반복합니다.

아키텍처

AutoGenie는 Databricks App으로 배포되며, FastAPI 백엔드 + Next.js 프론트엔드로 구성됩니다.

계층	기술	역할
Frontend	Next.js 14 + TypeScript + Tailwind CSS	Lamp/Enhancer 탭 UI
Backend	FastAPI + SQLite	API, 세션 관리, Job 실행
AI	Databricks Foundation Models	요구사항 파싱, 설정 생성, 실패 분석
Platform	Unity Catalog, Genie API, SQL Warehouse	테이블 검증, Space 배포, 쿼리 실행

인증

OBO(On-Behalf-Of) 인증을 사용합니다. 사용자의 Databricks 토큰으로 모든 API를 호출하므로, 사용자의 UC 권한이 자동 적용됩니다.

배포 방법

1. 사전 준비

항목	요구사항
Python	3.11+
Node.js	18+
Databricks CLI	설치 및 인증 완료
SQL Warehouse	Serverless 권장
Foundation Model	`databricks-gpt-5-2` 또는 동등 모델 접근 가능

2. 빌드 & 배포

# 1. 클론
git clone <repository-url>
cd AutoGenie

# 2. Python 의존성 설치
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# 3. 프론트엔드 빌드
cd frontend
npm install
npm run build
cd ..

# 4. Databricks Apps로 배포
databricks apps deploy . --name autogenie

3. app.yaml 설정

command:
  - uvicorn
  - backend.main:app
  - --host
  - '0.0.0.0'
  - --port
  - '8000'

env:
  - name: WAREHOUSE_ID
    valueFrom: validation-warehouse  # SQL Warehouse 리소스 바인딩
  - name: FRONTEND_EXPORT_DIR
    value: "frontend/out"

4. DABs 배포 (권장)

# databricks.yml
bundle:
  name: autogenie

sync:
  exclude:
    - ".venv"
    - "frontend/node_modules"
    - "frontend/.next"
    - "storage"
    - "__pycache__"

# DABs로 배포
databricks bundle deploy --target prod

벤치마크 파일 형식

Enhancer에 업로드하는 벤치마크 CSV 형식:

question,expected_sql
"이번 달 전체 매출 합계","SELECT SUM(amount) FROM gold.orders WHERE MONTH(order_date) = MONTH(CURRENT_DATE())"
"서울 지역 VIP 고객 수","SELECT COUNT(*) FROM gold.customers WHERE region = '서울' AND grade = 'VIP'"
"전분기 대비 매출 증가율","SELECT (curr.total - prev.total) / prev.total * 100 FROM ..."

필드	설명
`question`	자연어 질문 (사용자가 Genie에 물어볼 질문)
`expected_sql`	정답 SQL (결과 비교 기준)

팁: Genie 성능 튜닝 가이드의 벤치마크 설계 팁을 참고하세요.

핵심 API

Lamp (생성)

# 요구사항 파싱
POST /api/lamp/parse
Body: multipart/form-data (PDF/Markdown 파일)

# Genie Space 설정 생성
POST /api/lamp/generate
Body: {"session_id": "...", "options": {...}}

# Unity Catalog 검증
POST /api/lamp/validate
Body: {"session_id": "...", "catalog": "gold"}

# 배포
POST /api/lamp/deploy
Body: {"session_id": "...", "space_name": "my-genie-space"}

Enhancer (최적화)

# 벤치마크 점수 측정
POST /api/enhancer/jobs/score
Body: {"session_id": "...", "space_id": "...", "warehouse_id": "..."}

# AI 개선안 생성
POST /api/enhancer/jobs/plan
Body: {"session_id": "...", "iteration_id": "..."}

# 개선안 적용
POST /api/enhancer/jobs/apply
Body: {"session_id": "...", "iteration_id": "...", "approved_fixes": [...]}

# Auto-Loop (자동 반복)
POST /api/enhancer/sessions/{id}/auto-loop
Body: {"target_score": 0.85, "max_iterations": 10}

실전 활용 팁

1. 요구사항 문서 작성 팁

Lamp의 파싱 정확도를 높이려면 요구사항 문서를 구조화하세요:

## 분석 목표
- 고객 세그먼트별 매출 분석
- 신규 고객 유입 트렌드

## 사용할 테이블
- gold.customers (고객 마스터)
- gold.orders (주문 내역)

## 비즈니스 용어
- "우량 고객": 등급이 VIP 또는 우수인 당월 활성 고객
- "이탈 고객": 최근 90일간 거래가 없는 고객

## 예상 질문
1. 이번 달 VIP 고객 수는?
2. 지역별 매출 Top 5는?

2. Auto-Loop 활용

벤치마크 점수가 85% 이상이 될 때까지 자동 반복하도록 설정하면, 사람이 개입하지 않아도 Genie Space가 점진적으로 개선됩니다.

Auto-Loop 설정 예시:
- Target Score: 85%
- Max Iterations: 10
- 보통 3-5회 반복으로 70% → 85%+ 달성 가능

3. Enhancer + 수동 튜닝 조합

Auto-Loop으로 기본 최적화를 한 후, 남은 실패 케이스는 수동 Genie 튜닝 가이드를 참고하여 직접 개선하세요.

개요

Platform Setup

Data Engineering

한국어 RAG & Vector Search

Genie Space 운영

Apps & Lakebase

AI Agent 평가

Delta Lake 성능

부록 — Claude Code 사용 가이드

모범 사례

AutoGenie — Genie Space 자동 생성 & 최적화

AutoGenie 소개 자료 (PDF)

왜 AutoGenie인가?

두 가지 워크플로우

Lamp — 새 Genie Space 생성

Enhancer — 기존 Genie Space 최적화

아키텍처

인증

배포 방법

1. 사전 준비

2. 빌드 & 배포

3. app.yaml 설정

4. DABs 배포 (권장)

벤치마크 파일 형식

핵심 API

Lamp (생성)

Enhancer (최적화)

실전 활용 팁

1. 요구사항 문서 작성 팁

2. Auto-Loop 활용

3. Enhancer + 수동 튜닝 조합

관련 문서

AutoGenie 소개 자료 (PDF)

​왜 AutoGenie인가?

​두 가지 워크플로우

​Lamp — 새 Genie Space 생성

​Enhancer — 기존 Genie Space 최적화

​아키텍처

​인증

​배포 방법

​1. 사전 준비

​2. 빌드 & 배포

​3. app.yaml 설정

​4. DABs 배포 (권장)

​벤치마크 파일 형식

​핵심 API

​Lamp (생성)

​Enhancer (최적화)

​실전 활용 팁

​1. 요구사항 문서 작성 팁

​2. Auto-Loop 활용

​3. Enhancer + 수동 튜닝 조합

​관련 문서

왜 AutoGenie인가?

두 가지 워크플로우

Lamp — 새 Genie Space 생성

Enhancer — 기존 Genie Space 최적화

아키텍처

인증

배포 방법

1. 사전 준비

2. 빌드 & 배포

3. app.yaml 설정

4. DABs 배포 (권장)

벤치마크 파일 형식

핵심 API

Lamp (생성)

Enhancer (최적화)

실전 활용 팁

1. 요구사항 문서 작성 팁

2. Auto-Loop 활용

3. Enhancer + 수동 튜닝 조합

관련 문서