당근페이의 Amazon Bedrock 기반 Text-to-SQL로 완성하는 데이터 혁신, Part 1: 브로쿼리 개요와 아키텍처

간단 소개

당근페이의 Text-to-SQL 챗봇 브로쿼리 개발 배경, 아키텍처, LangGraph 기반 워크플로우를 통해 데이터 혁신을 이루는 과정 소개.

AI Summary

브로쿼리 기획 배경 및 아키텍처
- 당근페이의 데이터 활용 장벽 해소를 위해 Text-to-SQL 기반 AI 데이터 분석 봇인 브로쿼리 개발.
- 비개발 직군의 데이터 접근성 향상, 개발 리소스 절감, 조직 전체의 데이터 활용 역량 강화를 목표.
브로쿼리 핵심 요구사항 및 아키텍처
- 접근성, 사용자 의도 파악, 대화 문맥 인식, SQL 점검 및 개선, 정확성 등 5가지 핵심 요구사항 정의.
- Slack 인터페이스, DynamoDB, Amazon Bedrock 기반 에이전트, OpenSearch 기반 RAG 시스템, Metadata 플랫폼, MCP 서버, Redshift, LangGraph 등 주요 컴포넌트로 구성.
LangGraph 기반 Agentic 워크플로우
- LangGraph를 활용하여 복잡한 워크플로우를 효율적으로 관리하고, 하이브리드 검색, Reranker, MCP를 통해 컨텍스트를 정제하여 LLM 성능 극대화.
- SQL 생성 후 Self-Reflection 단계를 거쳐 오류를 탐지하고 수정하여 정확성을 높임.