이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
핵심 요약
단순한 RAG를 넘어 가상 테이블 구조와 멀티 에이전트 협업 체계를 구축해야 대규모 데이터 분석의 신뢰성을 확보할 수 있다. 특히 코드 생성 에이전트와 샌드박스 환경의 결합이 복잡한 문서 생성 자동화의 핵심이다.
배경
정성적 연구 데이터를 분석하는 스타트업 Listen의 CTO Florian Juengermann이 출연하여 자사 플랫폼의 에이전트 아키텍처를 설명한다.
대상 독자
AI 에이전트 시스템을 설계하는 엔지니어, 대규모 데이터 분석 자동화에 관심 있는 개발자
의미 / 영향
이 영상은 단순 챗봇 형태를 넘어 실제 비즈니스 워크플로우를 대체하는 고성능 AI 에이전트의 설계 표준을 제시한다. 가상 테이블과 코드 실행 샌드박스의 결합은 정성적 데이터 분석 시장의 자동화 수준을 한 단계 끌어올릴 것으로 예상된다. 엔지니어들에게는 단순 프롬프트 엔지니어링을 넘어 시스템 아키텍처와 관측성(Observability) 중심의 개발 역량이 필수적임을 시사한다.
챕터별 상세
01:25
Listen 플랫폼 내 3가지 핵심 에이전트
Listen 플랫폼은 연구 설계, 인터뷰 수행, 데이터 분석이라는 세 단계에 맞춰 특화된 에이전트를 운영한다. 첫째는 연구 가이드를 작성하는 'Composer' 에이전트이며, 둘째는 실제 사용자와 대화하며 멀티모달 입력을 처리하는 'Interviewer' 에이전트이다. 마지막 'Research Agent'는 수집된 수백 개의 인터뷰 트랜스크립트를 분석하여 차트, 요약 보고서, PowerPoint 슬라이드 등의 결과물을 생성한다.
06:37
가상 테이블 아키텍처와 데이터 구조화
수천 개의 인터뷰 답변을 효율적으로 처리하기 위해 '가상 테이블(Virtual Table)' 개념을 도입했다. 각 행(Row)은 개별 응답을 의미하고 각 열(Column)은 질문이나 추출된 특징을 나타내며, 에이전트가 필요에 따라 새로운 열을 동적으로 생성한다. 예를 들어 '사용자 감성'이라는 열을 추가하라고 명령하면, 에이전트가 모든 행을 순회하며 감성 분석 결과를 채워 넣는 방식이다. 이 구조는 Postgres 데이터베이스 상에서 논리적으로 구현되며 Pandas 데이터프레임 형태로 에이전트에게 전달되어 분석에 활용된다.
07:34
소형 모델을 활용한 대규모 응답 분류
모든 분석에 고성능 LLM을 사용하는 대신, 단순 분류 작업에는 GPT-4o mini나 Claude Haiku 같은 소형 모델을 맵리듀스(Map-Reduce) 방식으로 활용한다. 수천 개의 답변을 병렬로 분류하여 통계 데이터를 생성함으로써 비용을 절감하고 처리 속도를 높였다. 에이전트는 먼저 전체 데이터를 훑어 분류 기준을 세우고, 소형 모델들이 각 답변을 해당 기준에 따라 분류한 뒤, 최종적으로 구조화된 정량적 데이터를 출력한다.
10:05
E2B 샌드박스에서의 코드 실행 및 보안
에이전트가 Python 코드를 작성하여 복잡한 통계 분석이나 차트 생성을 수행할 때 보안을 위해 E2B 샌드박스 환경을 사용한다. 에이전트가 직접 코드를 실행하여 결과를 도출하므로 정형화된 도구(Tool)로 대응하기 어려운 롱테일(Long-tail) 질의를 처리할 수 있다. 보안을 위해 실제 API 키 대신 가짜 키를 샌드박스에 주입하고, 서버 측 프록시를 통해 실제 요청을 검증한 뒤 교체하는 방식을 적용했다. 이 과정을 통해 에이전트는 데이터 분석의 자유도를 높이면서도 시스템 안전성을 유지한다.
11:52
Claude Code SDK를 활용한 PowerPoint 생성기 재구축
기존의 하드코딩된 템플릿 기반 PowerPoint 생성 방식은 유연성이 떨어져 Claude Code SDK 기반의 서브에이전트 방식으로 완전히 재구축했다. 메인 에이전트가 보고서 내용을 결정하면, 서브에이전트가 Python 코드를 직접 작성하여 슬라이드 레이아웃을 구성하고 텍스트와 이미지를 배치한다. 이 방식은 사용자가 슬라이드 수정을 요청했을 때 에이전트가 코드를 다시 수정하여 반영할 수 있어 훨씬 동적인 사용자 경험을 제공한다. 결과적으로 복잡한 UI 조작 없이도 자연어 명령만으로 정교한 발표 자료를 생성할 수 있게 되었다.
16:32
피드백 서브에이전트를 통한 품질 관리
장시간 실행되는 비동기 분석 작업의 정확도를 보장하기 위해 'Reviewer' 서브에이전트를 도입했다. 이 에이전트는 메인 에이전트가 작성한 보고서를 읽고 데이터 근거가 명확한지, 논리적 오류는 없는지 사전에 정의된 기준에 따라 검토한다. 오류가 발견되면 메인 에이전트에게 수정을 요청하는 루프를 수행하여 최종 결과물의 신뢰성을 높인다. 이 시스템은 프로덕션 환경에서 에이전트의 성능을 평가하는 자동화된 Eval 시스템으로도 활용된다.
43:47
에이전트 엔지니어 채용 시 고려사항
에이전트 엔지니어에게 가장 중요한 역량은 대규모 시스템 설계 능력과 제품 감각(Product Sense)의 조화이다. 단순히 프롬프트를 잘 쓰는 것을 넘어, 에이전트가 도구를 호출하고 코드를 실행하는 전체 인프라의 작동 원리를 깊이 이해해야 한다. 특히 에이전트의 실행 로그(Trace)를 직접 분석하며 모델이 왜 실패했는지 파악하고 이를 시스템 아키텍처 개선으로 연결할 수 있는 '엔드 투 엔드(End-to-End)' 소유권 의식을 강조한다. 최근에는 AI 기술에 대한 지적 호기심과 실제 구현 경험이 없는 후보자는 채용에서 제외하는 추세이다.
실무 Takeaway
- 수천 개의 비정형 데이터를 분석할 때는 가상 테이블 구조를 통해 데이터를 행과 열로 추상화하여 에이전트의 조작 자유도를 높여야 한다.
- 정형화된 도구로 해결하기 어려운 복잡한 작업은 에이전트가 직접 Python 코드를 작성하고 E2B와 같은 격리된 샌드박스에서 실행하게 함으로써 해결 가능하다.
- 에이전트의 결과물 품질을 높이기 위해 별도의 '리뷰어 에이전트'를 두어 논리적 일관성과 데이터 근거를 자동 검토하는 루프를 설계해야 한다.
- PowerPoint와 같은 복잡한 문서 생성은 템플릿 방식보다 Claude Code SDK를 활용해 에이전트가 직접 코드로 레이아웃을 구성하게 하는 것이 훨씬 유연하다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 23.수집 2026. 04. 23.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.