Agent Bricks — 사전 구축 에이전트

이 문서는 AI 에이전트 섹션의 일부입니다.

참고 이 페이지는 Agent Bricks의 기능 개요입니다. Knowledge Assistant, Genie Agent, Supervisor Agent의 상세 구성 및 평가 가이드는 Databricks 소개 → Agent Bricks 를 참고하세요.

​

Agent Bricks란?

💡 Agent Bricks 는 Databricks가 제공하는 사전 구축된 에이전트 템플릿 입니다. 코드 없이 또는 최소 코드로 AI 에이전트를 빠르게 구축할 수 있습니다. 문서 Q&A, SQL 데이터 분석, 멀티 에이전트 오케스트레이션의 세 가지 유형을 제공합니다.

​

Agent Bricks 유형

​

어떤 유형을 선택해야 할까요?

​

Knowledge Assistant

​

개념

​

생성 방법

1. Playground→ Create Knowledge Assistant
2. 이름 입력: 에이전트의 이름을 지정합니다 (예: hr-policy-assistant)
3. LLM 선택: 사용할 LLM을 선택합니다 (예: Llama 3.3 70B, GPT-4o 등). 응답 품질, 속도, 비용을 고려하여 선택합니다
4. 문서 소스 연결: Unity Catalog Volume 또는 Vector Search Index를 지정합니다. Volume을 선택하면 자동으로 인덱싱이 수행됩니다
5. 시스템 프롬프트 작성(선택): “당신은 XX 분야 전문가입니다. 한국어로 답변하세요.” 등의 지침을 입력합니다
6. 검색 설정: 검색할 문서 수, 유사도 임계값 등을 조정합니다
7. 테스트: Playground에서 바로 질문하여 답변 품질을 확인합니다
8. 배포: Model Serving 엔드포인트로 배포합니다. 자동으로 REST API가 생성됩니다

​

주요 설정 옵션

​

활용 시나리오

​

Genie (SQL Agent)

​

개념

​

동작 방식

👤: "이번 달 서울 지역 매출이 전월 대비 어떻게 됐어?"

🤖 Genie 내부 처리:
  1. 자연어 질문을 분석합니다
  2. 사용 가능한 테이블/컬럼 메타데이터를 확인합니다
  3. SQL 쿼리를 생성합니다:
     SELECT region, SUM(amount) AS total_sales, ...
  4. SQL을 실행하고 결과를 가져옵니다
  5. 결과를 자연어로 요약합니다

💬: "2025년 3월 서울 매출은 15.2억원으로, 전월(13.8억원) 대비 10.1% 증가했습니다."
    [차트: 월별 매출 추이]

​

Genie Space 설정

💡 팁: Genie의 SQL 생성 정확도를 높이려면 테이블과 컬럼에 상세한 설명(Comment) 을 추가하는 것이 가장 효과적입니다. 예를 들어, order_status 컬럼에 “주문 상태 코드 (1: 주문완료, 2: 배송중, 3: 배송완료, 4: 취소)“라고 설명을 달아두면 훨씬 정확한 SQL을 생성합니다.

​

Supervisor Agent (멀티 에이전트)

​

개념

💡 Supervisor Agent 는 사용자 요청을 분석하여 적절한 하위 에이전트에게 작업을 위임 하는 오케스트레이터입니다. 복잡한 요청을 여러 전문 에이전트가 협력하여 처리합니다.

​

동작 방식

1. 요청 분석: 사용자가 요청을 입력하면, Supervisor가 LLM을 사용하여 요청의 의도를 분석합니다
2. 에이전트 선택: 분석 결과를 바탕으로 적절한 하위 에이전트를 선택합니다. 하나 또는 여러 에이전트를 선택할 수 있습니다
3. 작업 위임: 선택된 하위 에이전트에게 질문을 전달하고, 각 에이전트가 독립적으로 작업을 수행합니다
4. 결과 종합: 모든 하위 에이전트의 결과를 Supervisor가 수집하고, 하나의 통합된 답변으로 종합합니다
5. 순차 호출: 필요한 경우 한 에이전트의 결과를 바탕으로 다른 에이전트를 추가로 호출 할 수도 있습니다

​

Supervisor Agent 구성

​

활용 시나리오 상세

👤: "주문 12345의 배송이 지연되고 있는데, 환불 가능한지 확인하고,
     이 고객의 전체 구매 이력도 알려주세요."

🧑‍💼 Supervisor:
  1. 주문 에이전트에게 주문 12345 상태 확인 요청
  2. 환불 에이전트에게 환불 정책 확인 요청
  3. 데이터 에이전트에게 고객 구매 이력 조회 요청
  4. 세 결과를 종합하여 답변

💬: "주문 12345는 현재 배송 지연 상태(예상 도착: 3/25)입니다.
     배송 지연 시 환불이 가능하며, 환불 절차는...
     해당 고객의 전체 구매 이력: 총 23건, 누적 금액 580만원..."

​

MAS(Multi-Agent System) 설계 모범 사례

​

현업 사례: Knowledge Assistant를 30분 만에 구축한 경험

🔥 실전 경험담 한 제조업 고객사에서 “사내 품질 관리 매뉴얼을 AI로 검색하고 싶다”는 요구사항을 받았습니다. 기존에는 500페이지 분량의 PDF를 사원들이 직접 검색하고 있었고, 평균 답변 찾기까지 15~20분이 걸렸습니다. 고객 미팅 시간이 1시간밖에 없었기 때문에, 미팅 도중에 라이브로 Knowledge Assistant를 구축 하기로 했습니다. 과정은 다음과 같았습니다:

1. 5분: PDF 5개를 UC Volume에 업로드
2. 10분: Playground에서 Knowledge Assistant 생성, LLM 선택(Llama 3.3 70B), 시스템 프롬프트 작성
3. 5분: Vector Search 인덱싱 대기 (문서 분량이 적어 빠르게 완료)
4. 10분: 고객이 직접 질문하며 테스트 (“FMEA 절차가 뭐야?”, “불량률 기준이 어떻게 돼?”)

고객의 반응은 “이게 진짜 30분 만에 된 거예요?”였습니다. 이 데모 하나로 Databricks 도입이 결정 되었고, 이후 커스텀 에이전트로 확장하여 ERP 시스템과 연동하는 프로젝트로 발전했습니다.

​

각 Brick의 실전 활용 시나리오

​

Knowledge Assistant — 현업에서 가장 많이 쓰는 시나리오

💡 현업 팁: Knowledge Assistant의 성능은 문서 품질에 80% 이상 의존 합니다. 아무리 좋은 LLM을 써도, 원본 문서가 스캔한 이미지 PDF이거나 구조가 없는 텍스트 파일이면 답변 품질이 떨어집니다. 구축 전에 반드시 원본 문서의 품질을 확인하세요.

​

Genie — 비개발자도 데이터를 분석할 수 있게

🔥 이것을 안 하면: Genie에 테이블만 연결하고 컬럼 설명을 안 달아두면, “이번 달 매출이 얼마야?”라는 질문에 revenue, sales_amount, total_price 중 어떤 컬럼을 써야 할지 LLM이 혼란스러워합니다. 컬럼 Comment 작성에 전체 구축 시간의 50%를 투자하세요. 이 작업이 정확도를 결정합니다.

​

Supervisor Agent — 멀티 에이전트의 실전 설계

​

Agent Bricks vs 커스텀 에이전트

​

커스텀으로 전환해야 하는 신호

💡 권장 전략: 대부분의 프로젝트에서 Agent Bricks로 먼저 PoC를 진행 하는 것을 권장합니다. 빠르게 동작하는 프로토타입을 만들어 비즈니스 가치를 검증한 후, 필요한 경우에만 커스텀 에이전트로 전환하면 개발 비용과 시간을 절약할 수 있습니다. Agent Bricks로 시작해도 나중에 커스텀 코드로 마이그레이션하는 것이 어렵지 않습니다. 실제로 현업에서는 PoC의 80%가 Agent Bricks로 충분 하고, 나머지 20%만 커스텀으로 전환합니다.

​

Agent Bricks 운영 시 주의사항

💡 현업 팁: Agent Bricks로 만든 에이전트도 프로덕션 배포 전에 반드시 Review App으로 테스트 해야 합니다. UI에서 10번 질문해 보는 것과, 실제 사용자 50명이 2주간 테스트하는 것은 완전히 다른 수준의 검증입니다. 자세한 내용은 Review App 문서를 참고하세요.

​

실습: Knowledge Assistant 빠른 시작

# 1. 문서 업로드 (Unity Catalog Volume에)
# 사전에 Volume에 PDF, MD, TXT 파일을 업로드해 두세요
# databricks fs cp ./docs/ /Volumes/catalog/schema/docs/

# 2. Playground에서 Knowledge Assistant 생성
# - 이름: hr-policy-assistant
# - LLM: databricks-meta-llama-3-3-70b-instruct
# - 문서 소스: /Volumes/catalog/schema/docs/
# - 시스템 프롬프트: "당신은 HR 정책 전문가입니다. 한국어로 답변하세요."

# 3. 배포 후 API 호출 테스트
import requests

endpoint_url = "https://<workspace>.databricks.com/serving-endpoints/hr-policy-assistant/invocations"
headers = {"Authorization": "Bearer <token>", "Content-Type": "application/json"}

response = requests.post(endpoint_url, headers=headers, json={
    "messages": [
        {"role": "user", "content": "연차 사용 규정을 알려주세요"}
    ]
})

print(response.json()["choices"][0]["message"]["content"])

​

정리

​

참고 링크

• Databricks: Agent Bricks
• Databricks: Knowledge Assistant
• Databricks: Supervisor Agent
• Databricks: Genie