챕터별 상세
AI와 자동화 연결하기: LLM 환경 구성
IDE와 LLM 사이에서 에이전트가 상호작용을 돕는 구조를 설계했다. Lastmile AI의 mcp-agent 오픈소스를 사용하여 MCP 서버와 LLM을 연결하는 가교 역할을 수행하도록 했다. 로컬 환경에서는 Ollama를 통해 Llama 3, Qwen 2.5 등의 모델을 서빙하며 OpenAI API 규격을 활용해 호환성을 확보했다. 이 구조는 모델에 독립적이며 MCP 서버의 생명주기를 내부적으로 관리하여 연동 편의성을 높였다.
MCP(Model Context Protocol)는 LLM 에이전트가 외부 도구 및 데이터와 표준화된 방식으로 통신할 수 있게 돕는 프로토콜이다.
빌드 실패 알림 자동화 구현
릴리즈 브랜치 머지 시 발생하는 빌드 에러의 담당자를 자동으로 찾아주는 시스템을 구축했다. 빌드 콘솔 로그에서 에러가 발생한 클래스와 라인을 LLM이 분석하고 해당 파일의 마지막 수정자를 Git Blame으로 조회한다. 분석된 에러 원인과 담당자 정보를 결합하여 Slack DM으로 자동 발송함으로써 병목 현상을 줄이고 빌드 안정성을 개선했다. 결과적으로 사람이 직접 로그를 분석하던 시간을 대폭 단축했다.
Git Blame은 소스 코드의 각 라인을 마지막으로 수정한 사람과 커밋 정보를 확인하는 명령어다.
크래시 모니터링 자동화 사례
배포 후 발생하는 수많은 크래시 로그를 LLM이 분석하여 유형별로 자동 분류한다. Android 네이티브, Unity, OS 이슈 등으로 크래시를 구분하고 StackTrace를 분석해 원인 코드 위치를 파악한다. 분석된 정보를 바탕으로 담당자를 배정하거나 이슈 티켓을 생성하는 과정을 자동화했다. 특히 전 세계 다양한 기기에서 발생하는 복잡한 시스템 예외 상황을 LLM이 효과적으로 필터링하여 실무자의 리소스를 절약했다.
StackTrace는 에러 발생 시 프로그램의 함수 호출 단계를 역순으로 보여주는 리포트다.
Slack 인터페이스와 LLM 융합
Slack의 Shortcuts, Modals, Block Kit 등 다양한 UI 요소를 활용해 LLM 인터페이스를 구축했다. 스레드 요약 봇을 만들어 긴 대화 내용을 세 가지 방식(선택 요약, 특정 지점 이후 요약, 전체 요약)으로 제공한다. 특정 이모지를 활용해 MCP 검색 기능을 트리거하고 위키나 지식 베이스의 정보를 검색할 수 있도록 구현했다. 사용자의 접근성을 높이기 위해 일상적인 메신저 환경에 AI 기능을 밀접하게 통합했다.
Slack Block Kit은 Slack 메시지 내에 버튼, 입력창 등 풍부한 UI 요소를 배치할 수 있게 해주는 프레임워크다.
LLM & MCP 활용의 한계와 하이브리드 전략
로컬 LLM의 성능 한계로 인해 복잡한 태스크에서 파라미터를 잘못 생성하거나 컨텍스트 윈도우를 초과하는 문제가 발생했다. 이를 해결하기 위해 하나의 큰 프롬프트 대신 단계별 에이전트로 나누어 질의하는 멀티 에이전트 워크플로우를 시도했다. 최종적으로는 일률적인 반복 처리는 파이썬 스크립트에 맡기고 판단이 필요한 핵심 부분만 LLM을 활용하는 하이브리드 방식을 채택하여 시스템의 안정성을 확보했다.
컨텍스트 윈도우는 LLM이 한 번에 처리할 수 있는 텍스트 데이터의 최대 양을 의미한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 11. 26.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
