ADK 워크숍: AI 에이전트 개발로 사내 시스템 통합 성공!
LY Corporation은 사내 시스템 정보 검색의 어려움을 해결하고자 AI 에이전트 활용을 추진
ADK(Agent Development Kit)를 활용해 싱글/멀티 에이전트를 개발하고, MCP(Model Context Protocol)를 통해 사내 시스템과 연동
워크숍 참가자 68.2%가 실습 내용을 업무에 적용하거나 시도할 의향을 보이며 긍정적 반응을 얻음
싱글 에이전트의 한계와 멀티 에이전트의 복잡성, 프롬프트(Prompt) 최적화의 어려움 등 기술적 과제 존재
AI 에이전트 활용 문화 확산을 위해 지속적인 지식 공유와 성공 사례 전파의 중요성을 강조
ADK(Agent Development Kit) 소개
ADK는 에이전트 동작 정의 및 멀티 에이전트 시스템 구현을 위한 오픈소스 소프트웨어(Open Source Software)이다. Python, Java, Go에서 사용 가능하며, Python 함수를 에이전트가 도구로 인식하여 실행한다.
팀 단위 에이전트 구축: 팀원 간 프롬프트(Prompt) 조정 중복을 줄이고 생산성 향상
웹 UI 제공: 브라우저에서 에이전트 실행 및 프롬프트 변경을 통한 동작 제어
Python 함수 통합: 단순 Python 코드를 에이전트 도구로 쉽게 통합
ADK를 활용하면, 팀 내에서 AI 에이전트 활용 격차를 줄이고, 지식 사일로화 문제를 해결하는 데 기여할 수 있다.
MCP(Model Context Protocol)의 역할
MCP는 LLM(Large Language Model)을 외부 시스템과 연결하기 위한 오픈소스 표준 프로토콜(Open Source Standard Protocol)이다. 이를 통해 LLM은 과거 문의 내역, 자료 위치 등 정보를 능동적으로 탐색할 수 있다.
사내 시스템 연동: Jira, Confluence 등과 연동하여 정보 검색 자동화
프롬프트 최적화: LLM에 너무 많은 도구를 부여하면 응답 지연 및 정확도 저하 가능성
멀티 에이전트 활용: 컨텍스트 분리를 통해 프롬프트 비대화 문제 완화
MCP는 LLM의 활용 범위를 넓히고, 사내 시스템과의 연동을 통해 업무 효율성을 높이는 데 기여한다.
싱글 에이전트와 멀티 에이전트 비교
싱글 에이전트는 단일 LLM으로 구성되어 개발 비용이 낮지만, 복잡한 문제 해결에는 한계가 있다. 반면, 멀티 에이전트는 여러 LLM을 활용하여 복잡한 문제에 대응하고 작업 최적화 수준을 높일 수 있다.
싱글 에이전트: 개발 비용 낮음, 복잡한 문제 대응 제한적
멀티 에이전트: 복잡한 문제 대응, 작업 최적화, 토큰 사용량 증가, 개발 복잡도 증가
순차적 에이전트(Sequential Agent): ADK에서 제공하는 멀티 에이전트 구현 방식
멀티 에이전트는 싱글 에이전트의 한계를 극복하고, 보다 정교한 작업 수행을 가능하게 하지만, 설계 및 관리의 어려움이 따른다.
프로젝트 추적기 아키텍처 분석
워크숍에서는 MCP를 활용해 Jira와 연동하는 ‘프로젝트 추적기’를 구축하는 실습을 진행했다. 순차적 에이전트를 활용하여 4개의 에이전트(정보 수집, 분석, 리포트 생성, 번역)를 순차적으로 실행하는 구조이다.
정보 수집 에이전트: Jira에서 프로젝트 진행 상황 분석
분석 에이전트: 수집된 정보 분석
리포트 생성 에이전트: 분석 결과를 종합하여 리포트 생성
번역 에이전트: 리포트 번역
ADK의 순차적 에이전트를 활용하면, 복잡한 워크플로를 여러 에이전트로 분해하여 보다 쉽게 구현할 수 있다.
워크숍 성과 및 향후 과제
워크숍은 2,000명 이상의 실시간 참여를 기록했으며, 68.2%의 참가자가 워크숍 내용을 업무에 적용하거나 시도할 의향을 보였다. 이는 AI 에이전트 활용에 대한 긍정적인 인식을 보여주는 결과이다.
긍정적 반응: 68.2%가 실천 의향, 19%가 실천 단계
도입 장벽: 10%는 시도 계획 없음, 지원 정책 필요
지속적인 지식 공유: 성공 사례 공유 및 문서화, 워크숍/LT 개최
AI 에이전트 활용 문화 확산을 위해서는 지속적인 지식 공유와 성공 사례 전파를 통해, 조직 전체의 참여를 유도하는 노력이 필요하다.
