

에이전트가 모든 문의를 환불로 보낼 때 — 요청 유형을 제어하는 여섯 가지 구조
환불로 편향된 LLM 에이전트의 요청 유형 제어 문제를 여섯 가지 구조로 비교했습니다. 요청 특성·위험도·운영 여건에 따른 라우터, 가드레일, 검토 조합을 제안합니다.


환불로 편향된 LLM 에이전트의 요청 유형 제어 문제를 여섯 가지 구조로 비교했습니다. 요청 특성·위험도·운영 여건에 따른 라우터, 가드레일, 검토 조합을 제안합니다.


블로그 발행 MCP 구현 경험으로 AI 에이전트의 구성요소와 단계적 도입 원칙을 정리했습니다. 운영 한계, 권한·데이터 거버넌스, 사람 승인 설계의 중요성을 설명합니다.


문서 질문에는 RAG가 충분하고 DB 조회·계산이 필요한 질문에는 Agent가 높은 정확도를 보였습니다. 다만 복합 질문의 오류와 비용 증가를 고려해 권한 통제와 도구 호출 기록 검증이 필요합니다.


데이터 거버넌스와 업무 맥락을 기반으로 AI 셀프서비스 분석 환경을 구축했습니다. 라우팅·역질문·평가 체계로 신뢰성을 높이고 데이터 요청 문의를 약 95% 줄였습니다.


경량 언어모델의 종류와 메모리·비용·로컬 배포 측면의 장점을 정리했습니다. 실제 업무 데이터로 성능을 측정하고 RAG·검증 구조를 병행하는 방법을 제안합니다.


생성형 AI로 파트너사의 제안서 작성부터 담당 부서 연결까지 지원하는 AI 비즈센터를 구축했습니다. 다단계 검색과 사용자 확인 절차로 부서 매칭 정확도를 83.72%까지 개선했습니다.

QUBA는 Jira 버그 티켓을 분석해 근거 기반 원인·수정 범위 리포트를 만드는 AI Agent를 설계했습니다. RAG 품질과 승인 절차를 강화해 조사 시간을 줄이고 비용 효과를 측정했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

Langfuse와 이중 평가 파이프라인으로 사내 Agentic RAG의 품질·비용·지연시간을 측정했습니다. FastMCP 명세와 instructions를 다듬어 도구 활용 정확도를 개선하고 운영 환경에 제공했습니다.

벡터 검색 한계를 보완하기 위해 LightRAG와 Neo4j 기반 Navigator를 결합했습니다. 프롬프트·청킹·적재 방식을 개선해 검색 정확도와 대규모 운영 효율을 높였습니다.


Amazon Bedrock AgentCore로 사내 데이터 연결·에이전트 실행·공유를 통합한 AX 플랫폼을 구축했습니다. MCP, 승인 워크플로, 사용량 관측으로 보안과 재사용성을 강화했습니다.

개발자의 인지 부담을 줄이기 위해 골든 패스와 Platform Portal 설계 방향을 정리했습니다. GitOps·정책 자동화와 RAG 기반 AI 도우미로 개발자 경험을 개선합니다.

A2A 역할 분리와 온톨로지 기반 RAG로 대화형 BI의 지표 해석 근거를 보강했습니다. Query Guardrail의 RLS·CLS 검증으로 LLM 생성 SQL의 실행 안전성을 통제했습니다.

AI 서비스 운영을 위한 AIDC 전력·클라우드·Composite AI 전략을 소개했습니다. RAG, 모델 선택, 추론 메모리 최적화와 MCP 활용 방안도 다뤘습니다.

AI 에이전트 도입 전 최신 문서, 접근 권한, 변경 이력을 통합 관리해야 하는 이유를 설명했습니다. 문서중앙화를 통해 잘못된 정보 참조와 권한 침해, 근거 추적 불가 위험을 줄이는 방안을 제시합니다.