AI 에이전트 프로젝트

SK E&S에서 진행한 에너지 도메인 AI 에이전트 프로젝트 강의입니다. 카테고리는 AI 에이전트 개발이며, 사내 시스템 연동과 운영 안정성에 무게를 두고 설계했습니다.

SK E&S 과정은 에너지 도메인의 업무를 AI 에이전트 프로젝트로 옮겨보는 실무형 교육이었습니다. 에너지 조직은 사내 시스템, 운영 데이터, 규제 문서가 함께 움직이기 때문에 단순 챗봇 예제로는 현업의 질문에 답하기 어렵습니다.

Agent 교육에서 먼저 봐야 할 것은 데모의 화려함이 아니라 운영 가능성입니다. 수강생이 데이터 흐름, 권한, 검증 지점을 함께 생각할 수 있어야 교육이 파일럿으로 이어집니다.

사내에 ChatGPT API는 붙여봤지만, 운영 환경에서 무엇이 깨질지 예측이 안 됩니다.

SCADA·운영 데이터를 LLM에 어떻게 붙여야 보안 정책 안에서 가능한지 정리되어 있지 않습니다.

Agent를 만들었을 때 정확도와 안정성을 무엇으로 측정해야 할지 기준이 없습니다.

그래서 이 과정은 에너지 업무의 흐름을 Agent 아키텍처와 연결해보는 프로젝트형 워크샵으로 구성했습니다.

교육 설계에서 중요했던 지점

에너지 도메인의 시스템·문서·운영 데이터를 전제로 AI 에이전트 프로젝트의 구조를 설계하는 과정입니다.

에너지 도메인 특유의 운영 데이터·규제 환경을 전제로 두고, 토이 프로젝트를 넘어 사내 시스템과 붙는 Agent를 설계하는 흐름으로 구성했습니다.

커리큘럼은 이렇게 풀었습니다

1. AI 에이전트 아키텍처 — 토이 데모와 운영 환경 사이의 거리

에너지 사업은 데이터가 SCADA·운영 시스템·외부 시장 가격으로 흩어져 있어, 단순 RAG 한 단계로는 답이 나오지 않는 질문이 대부분입니다. Agent 아키텍처 설계가 곧 사내 도입 가능 여부를 결정합니다.

이 모듈에서는 다음 내용을 도메인 시나리오에 묶어 다룹니다.

• Router · Planner · Executor 분리 패턴과 각각의 책임 범위
• 단일 LLM 호출 vs Agent loop의 트레이드오프 (지연·비용·정확도)
• 에너지 운영 시나리오에서 다단계 의사결정이 필요한 지점 식별
• 오류·타임아웃·재시도 정책을 아키텍처 레벨에서 박는 방법

Agent 실습에서는 결과보다 구조를 먼저 보게 했습니다. 어떤 단계에서 검색하고, 어떤 단계에서 도구를 호출하며, 어디에서 사람이 승인해야 하는지 그림으로 설명할 수 있어야 파일럿 프로젝트 이후 논의가 이어집니다.

2. RAG 시스템 설계 — 검색 품질이 곧 답변 품질입니다

RAG는 벡터 DB만 띄우면 끝나는 작업처럼 소개되지만, 실제로는 청크 단위·메타데이터·재랭킹·하이브리드 검색의 조합에서 답변 품질의 절반 이상이 결정됩니다.

이 모듈에서는 다음 내용을 다룹니다.

• 에너지 운영 매뉴얼·규제 문서 청크 단위 설계와 메타데이터 스키마
• 키워드 검색과 벡터 검색을 묶는 하이브리드 전략
• 재랭킹과 컨텍스트 압축을 통해 토큰 비용·지연 시간을 줄이는 패턴
• 검색 품질 자체를 평가하는 지표 (recall, MRR, hit rate)

검색 품질이 LLM 답변 품질의 천장을 결정합니다. RAG 모듈은 그 천장을 밀어 올리는 작업입니다.

3. function calling · tool use — Agent와 사내 시스템을 안전하게 잇는 법

Agent의 가치는 사내 시스템에 붙어 실제 동작을 트리거할 때 처음 나옵니다. 그 지점에서 보안과 안정성이 가장 자주 깨집니다.

이 모듈에서는 다음 내용을 실제 사내 API 스타일로 다룹니다.

• function schema 설계 패턴 — 인자·반환·에러 케이스를 LLM이 이해할 수 있는 단위로
• 내부 API 키·인증 토큰을 Agent에 노출하지 않으면서 호출하는 구조
• tool 호출 결과 검증과 사용자 confirm 단계 삽입 시점
• 권한·감사 로그를 한 줄에 박는 미들웨어 패턴

tool 호출 한 건이 사내 데이터를 변경할 수 있다면, 그 한 건에 대한 감사 추적이 함께 박혀야 운영팀이 받아들입니다.

커리큘럼은 이렇게 풀었습니다

데모 영상으로 끝나는 Agent와 운영 환경에서 살아남는 Agent의 차이는 평가·모니터링 모듈을 처음부터 박았는지 여부에서 갈립니다.

이 모듈에서는 다음 내용을 다룹니다.

• Agent 행동을 단위 테스트처럼 평가하는 시나리오 셋 설계
• 추론 모델·일반 LLM 혼합 시 비용·정확도 균형 측정
• 운영 환경 트레이싱 — 어떤 도구가 언제 호출됐는지 추적
• 롤백·점진 배포·rate limit 정책

평가 셋이 없는 Agent는 매주 운영자가 손으로 품질을 검증해야 합니다. 평가 모듈에 한 번 투자해 두면 그 시간이 사라집니다.

이런 분께 추천드립니다

• 사내 AI 에이전트 서비스를 처음부터 설계해야 하는 개발자·테크리드
• Agent 파일럿을 운영 환경까지 가져가야 하는 AI 업무 전환·DT 추진 임원
• 사내 데이터·API를 LLM과 안전하게 연결해야 하는 플랫폼·인프라 담당자

특히 SK·SK E&S처럼 운영 시스템·규제·보안 정책이 함께 걸리는 환경에서, 파일럿을 운영 가능한 Agent로 옮기는 다음 단계가 가장 큰 시간 절약이 됩니다.

다음 단계

회사 상황에 맞춰 16시간 과정을 그대로 진행하실 수도 있고, 8시간 또는 4시간 압축본으로 시작하셔서 차수를 늘려가시는 것도 가능합니다.

가장 빠른 길은 현재 회사 상황과 가능한 일정을 메일로 보내주시는 것입니다. 24시간 안에 비슷한 사례 2~3건과 견적 초안을 함께 회신드리겠습니다.

→ 상담 문의 보내기 | 강의 카탈로그 PDF 받기

내부 검토용으로 공유할 자료가 필요하다면, 카탈로그 PDF를 먼저 받아두시면 편합니다.

도입 전에 정리할 것

Agent 교육은 현업 시스템과 떨어져 있으면 금방 장난감이 됩니다. 권앤컴퍼니는 업무 흐름을 먼저 쪼개고, 그 위에 Agent 구조를 얹는 방식으로 교육을 진행합니다.

처음 설계할 때는 업종, 대상 직군, 보안 기준, 기대 산출물부터 맞추는 편이 좋습니다. 이 네 가지가 정리되면 표준 교안보다 훨씬 현실적인 과정으로 좁혀집니다.

Tags