네 사례에서 반복해서 보인 패턴, 과제가 달라도 똑같이 적용

현업 PoC 3개와 IT 팀 과제 3개, 패턴이 같으면 참고할 사례도 같음

루프는 SDK에 맡기고, 팀은 도구와 지식에 집중

# strands_agent.py
from strands import Agent, tool

@tool
def search_terms(query: str) -> str:
    """상품 약관에서 관련 조항을 찾는다"""
    return kb_search(query)  # 예시 함수

agent = Agent(
    model="<Bedrock 모델 ID>",
    tools=[search_terms],
    system_prompt="근거 조항을 인용해 답한다",
)
agent("ISA 중도 인출 조건 알려줘")

프레임워크와 모델 무관, Strands, LangGraph, OpenAI Agents SDK 등으로 만든 에이전트에 그대로

Runtime세션 격리 서버리스 실행, 장시간 비동기 작업

GatewayAPI와 Lambda를 MCP 도구로 변환, 기존 MCP 서버 연결

Memory멀티턴 단기 기억과 세션을 넘는 장기 기억

Observability단계별 실행 경로 추적과 디버깅 (OTel)

Harness모델, 도구, 프롬프트만 지정하면 도는 관리형 루프

Identity기존 IdP와 연동한 에이전트 인증과 접근 관리

Policy도구 호출을 규칙으로 결정적 통제 (Cedar 호환)

EvaluationsLLM-as-a-Judge와 커스텀 평가기로 자동 채점

Code Interpreter격리 샌드박스에서 분석 코드 실행

Browser관리형 클라우드 브라우저로 웹 작업

Optimizationtrace 기반 개선 추천과 A/B 테스트

같은 trace 위에서 운영 지표와 품질 점수를 함께 확인

사람이 쓰는 말과 시스템에 저장된 값 사이의 세 가지 간극

탭을 눌러 은행 예시로 확인

주어, 관계, 목적어(트리플)를 하나씩 쌓으면 지식 그래프

개념을 누르면 하위 개념과 해당 상품까지 함께 포함

대표 이름(prefLabel), 별칭(altLabel), 실제 값을 한 개념에 묶는 어휘(SKOS)

# etf_ontology.ttl (데모에 실제로 쓴 파일 일부)
ex:BdUSGov  a skos:Concept ;
    skos:broader   ex:BdOvsGov ;        # 상위: 해외국채
    skos:prefLabel "미국국채" ;
    skos:altLabel  "미국채", "미 국채", "US Treasury" ;
    ex:sqlFilter   "ast_cls = 'BD_OVS_GOV' AND rgn_cd = 'US'" .

# 업무 상식 (Semantic Layer)
ex:RuleFee  ex:trigger "보수" ;
    rdfs:comment "fee_bp 단위는 bp(1bp = 0.01%p)다. 0.1% = 10bp." .

질문이 들어와서 답이 나가기까지, 모델이 추측하던 일을 하나씩 결정적으로

경쟁이 아니라 역할 분담, 미래에셋증권은 세 가지를 동시에 조회

작게는 파일과 코드, 커지면 그래프 DB와 관리형 GraphRAG

미래에셋증권 실험을 작게 재현: 가상 ETF 22개, 질문 12개, Claude Haiku 4.5

D1 결과(12문항, 1회)와 미래에셋증권 결과(72문항)의 같은 방향

D2: 신한카드식 3속성 인텐트 분류를 소형 모델로 재현해 본 결과

미래에셋증권의 순서를 8주 PoC 크기로 줄이면

Data Rich, Insight Poor. 무엇을 물어야 할지부터 막히던 마케터의 데이터 분석

BEFORE

요구사항 정의부터 결과 해석까지 평균 2~3주, 데이터 과학자에게 의존

AFTER

데이터 분석 업무 3일 → 30분

초기 구조

Coordinator가 복잡도를 판단하고, Planner가 계획과 추적, Supervisor가 Coder와 Reporter에 배분

적용

워시콤보, 식기세척기 구매 고객 분석, CRM 캠페인 성과 비교 등 실무

8개 에이전트, 3계층. AgentCore Runtime 위의 Strands 그래프와 격리된 Code Interpreter

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

계획 계층이 계획하고 승인받은 뒤, 실행 에이전트는 도구처럼 호출

출처: AWS 기술 블로그, LG전자 Agentic AI 리포트 자동화 (2025-08), Deep Insight 아키텍처 설계 교훈 (2026-04)

과제 3(보고서), 4(서류 점검), 6(관제)에 그대로 적용 가능

작업별 소요시간, 토큰, Cache Hit을 같은 화면에서

온톨로지 인텐트 분류, 분산형 에이전트 워크플로우, 에이전트 간 대화 기반 self-healing

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06)

규제, 비용, 5초 응답 제약 속에서 소형 모델(sLLM)로 정확도를 올린 방법

1. 3속성 병렬 추출

sLLM이 Domain, Action, Tag를 각각 독립적으로 고른다

2. 그래프 매칭으로 후보 축소

Tag로 거르고, Domain과 Action이 맞는 인텐트만 남긴다

3. 남은 후보만 LLM이 비교

하나면 확정, 여럿이면 원문과 후보 설명을 비교해 선택

Qwen3 32B 기존84.2%

Qwen3 32B 온톨로지91.0%

Qwen3 235B A22B 기존77.4%

Qwen3 235B A22B 온톨로지88.7%

5초 이내요청당 응답

약 18배비용 절감 (Opus 4.5 대비)

~98%topic switching 감지

작은 32B 모델이 약 7배 큰 235B 모델보다 2.3%p 높음. 측정 조건 비공개 수치이므로 참고용. 2부 D2처럼 조건(51개, 유사 의도, sLLM)이 효과를 만든다는 점도 함께

각 전문 에이전트가 "내 일인가"만 병렬 판단, 에이전트가 늘어도 응답 시간은 거의 그대로

Router Agent, 전문 에이전트(AgentCore Runtime), AgentCore Gateway(MCP), Bedrock

출처: AWS 기술 블로그, 신한카드 온톨로지 기반 분산형 Agentic AI 챗봇 (2026-06). 다이어그램의 QWEN 30B 표기와 달리 본문 수치는 Qwen3 32B 기준

합성 고객이 테스트하고 에이전트가 고친다: 수일에서 수주 걸리던 멀티턴 테스트를 자동 루프로

5호망 AWS Private Cloud의 지식DB, 망분리 예외 구간에서만 LLM 호출

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

AI-Ready Data: 수집과 파싱, 온톨로지 설계, 지식 추출, 질의와 검색

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

법령과 업무 상식을 결정적인 규칙으로 옮기기

하나의 질문이 네 저장소를 동시에 조회하고, 근거로 합쳐짐

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

국내 ETF 도메인, 자체 벤치마크 72문항, 구성요소를 하나씩 더하며 측정

출처: 미래에셋증권 「AI-Ready Data: 온톨로지 기반 금융상품 지식 데이터 혁신 여정」 AWS FSI Forum 발표 (공개 링크 없음)

기술 트랙과 규제 트랙을 병렬로, 일정은 발표 시점 기준

Canva Code가 스케일 전에 먼저 만든 것, Amazon Bedrock 기반

Monolithic prompt

한 모델이 다섯 가지 일을 하며 최고가 모델 요금을 다섯 번 낸다

기계적 작업에 확률적 생성

CSS 클래스 하나 바꾸려고 HTML 8,000 토큰을 다시 생성

Vibes 기반 마이그레이션

평가가 없으니 신호도 없고, 새 모델이 나오면 hype로 배포

Architect(Opus)가 계획, Builder와 Editor(Haiku)가 실행

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

Sonnet 주 스레드, 평균 총비용 −46%, 사용자 성공 지표 +9%

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

모델은 확률적 권한, 주변 코드는 결정론적 권한

AWS Prescriptive Guidance, 과제의 어느 지점에 어떤 패턴을 쓸지

Agentic Loop를 먼저 제대로 만들고, 필요한 지점에만 패턴을 추가

출처: ANT105 Agentic Engineering, Lessons from Canva (Bryn Price, AWS); AWS Prescriptive Guidance, Agentic Design Patterns (2026-05); Canva 고객 사례

모델을 바꾸기 전에 세 가지를 먼저 설계

패턴이 같은 과제(1과 5, 2와 3, 4와 6)는 서로의 사례도 함께 보기

과제 목표: 합성 고객 페르소나로 자산 현황 진단, 근거와 함께 답하는 상담 봇, 품질 평가와 코칭

과제 목표: 모바일 뱅킹 앱 화면 자산 정리, 기획 초안, 와이어프레임, 대안 시안 생성 + 디자인 규칙 점검

멀티모달 캡셔닝으로 화면 자산을 검색 가능한 메타데이터로

벡터 DB 구축 (빨간 번호)

템플릿 썸네일을 Claude 3 Sonnet이 묘사 텍스트로, 임베딩 후 벡터 DB 저장

채팅 추천 (초록 번호)

ECS 챗봇이 RDS의 대화 이력을 보며 유형, 주제, 색상을 되물어 수집, 검색 쿼리 생성, 유사도 + 메타데이터 필터

모바일 뱅킹 앱에 적용하면

화면 캡처와 Figma 프레임을 같은 방식으로 캡셔닝해 화면 자산 DB를 먼저 구축

과제 목표: 공개 자료 조사와 구조화, 출처와 함께 보고서 초안, 품질 자동 점검

과제 목표: 제출 문서 판독과 분류, 필수 항목과 서명 누락을 항목 정의서와 대조해 검증

과제 목표: 운영 절차와 장애 대응 지식을 출처와 함께 답하고, 질의 이력으로 지식을 보강

과제 목표: 사내 컨테이너 플랫폼의 로그와 지표를 AI로 진단해 이상 징후와 대응을 돕는 관제 도구

ontology-assembly (assembly.whchoi.net): 22대 국회 의원, 의안, 표결, 주제, 기사를 하나의 온톨로지로

오늘 사례에서 뽑은 다섯 가지, 과제가 달라도 순서는 같음

링크는 공유 자료에서 클릭 가능

8주 PoC를 마무리하며