T-SQL 전문가를 위한 AI 비서: Amazon RDS for SQL Server 자동 진단 에이전트 구축

본문은 Strands Agents 프레임워크를 활용하여 기존 T-SQL 지식을 자율적인 데이터베이스 관리 시스템으로 전환하는 방법을 설명한다. 에이전트는 AI 모델(LLM)을 기반으로, 툴을 호출하고 결과를 해석하여 진단을 수행한다. AgentCore Runtime은 에이전트의 배포 및 실행 환경을 제공하며, VPC 내에서 안전하게 운영된다. AgentCore Memory는 세션 간 발견 사항을 유지하여 에이전트가 과거 조사 결과를 학습하고, 보다 정확한 진단을 내릴 수 있도록 지원한다. 이러한 아키텍처는 데이터 격리 아키텍처(Data Isolation Architecture)를 통해 보안을 강화하고, 확장성 및 유지보수성을 향상시킨다.

Strands Agents 프레임워크에서 툴은 @tool 데코레이터가 적용된 Python 함수로 정의된다. 함수의 docstring은 에이전트가 툴을 언제, 왜 호출해야 하는지 알려주는 런북(Runbook) 항목 역할을 한다. DBA가 사용하는 기존 T-SQL 진단 스크립트를 Python 함수로 래핑하고 @tool 데코레이터를 적용하면, 에이전트가 해당 툴을 호출하여 데이터베이스 상태를 분석할 수 있다. 툴은 get_deadlock_graphs, get_blocking_chains, get_session_details 등 다양한 기능을 수행하며, AWS Secrets Manager를 통해 데이터베이스 자격 증명을 안전하게 관리한다.

에이전트는 Deadlock 및 Blocking 문제를 조사하기 위해 다양한 툴을 활용한다. Deadlock은 system_health Extended Event 세션의 xml_deadlock_report 이벤트를 통해 획득한 그래프를 분석하여 근본 원인을 파악한다. Blocking은 DMV(Dynamic Management Views)를 사용하여 Head Blocker와 해당 SQL 문을 식별하고, 과거 Blocking 정보는 사용자 정의 Extended Event 세션을 통해 획득한다. 에이전트는 이러한 정보를 종합하여 심각도, 근본 원인, 해결 단계를 포함하는 진단 보고서를 생성하고, SNS를 통해 DBA 팀에 전송한다.

AgentCore Memory는 에이전트가 세션 간에 발견 사항을 유지하고, 지속적인 학습을 가능하게 한다. 단기 메모리(STM)는 세션 연속성을 위해 원시 대화 이벤트를 저장하고, 장기 메모리(LTM)는 여러 호출에 걸쳐 유지되는 인사이트를 추출한다. LTM은 의미론적(semantic) 전략과 요약(summary) 전략을 지원하며, 지속적인 패턴만 유지하여 메모리 효율성을 높인다. 이러한 기능을 통해 에이전트는 과거 조사 결과를 바탕으로 더욱 정확하고 효율적인 진단을 수행할 수 있다.

AgentCore Runtime은 에이전트의 배포 및 운영을 위한 관리형 환경을 제공한다. 배포를 위해서는 Amazon RDS for SQL Server, AWS Secrets Manager, Amazon SNS, Amazon Bedrock AgentCore 등 다양한 리소스가 필요하다. AgentCore CLI를 사용하여 에이전트를 VPC에 구성하고 배포하며, 관찰 가능성(Observability)을 위해 CloudWatch GenAI Observability 대시보드를 활용한다. 배포 후에는 에이전트를 테스트하고, 추가 툴 확장을 통해 기능을 확장할 수 있다. 배포 및 운영 과정에서 보안 및 성능 최적화를 위한 다양한 고려 사항이 존재한다.