AI 요약
AI 에이전트가 Slack, Salesforce, Linear 등 다양한 워크플로우에 통합됨에 따라 인증, 페이지네이션, 스키마 처리 등 복잡한 API 연동 문제가 대두되고 있습니다. 기존의 MCP(Model Context Protocol)는 단순 API 래퍼 수준에 그쳐 에이전트가 수많은 API 호출을 반복하며 오답을 내놓는 경우가 많았습니다. Airbyte는 지난 6년간 축적한 데이터 커넥터 기술을 바탕으로 에이전트 전용 컨텍스트 계층인 'Airbyte Agents'를 구축했습니다. 핵심은 'Context Store'로, 에이전트 검색에 최적화된 데이터 인덱스를 통해 에이전트가 데이터를 구조적으로 탐색하고 필요 시 업스트림 시스템에 직접 접근할 수 있게 합니다. 이를 통해 과거 47단계의 API 호출이 필요했던 복잡한 질의를 단순화하고 응답의 정확도와 속도를 대폭 개선했습니다.
핵심 인사이트
- 토큰 소모량 획기적 절감: 자체 벤치마크 결과, 기존 공급자 MCP 대비 Zendesk는 최대 90%, Gong은 80%, Linear는 75%, Salesforce는 16%의 토큰 사용량을 줄였습니다.
- Context Store 도입: 에이전트가 무엇을 쿼리해야 할지 모르는 상태에서도 유의미한 데이터를 발견할 수 있도록 에이전틱 검색에 최적화된 데이터 인덱스를 제공합니다.
- 6년간의 기술 집약: Airbyte가 지난 6년 동안 개발해온 수많은 데이터 복제 커넥터를 에이전트용 컨텍스트 계층으로 재활용하여 강력한 연결성을 확보했습니다.
주요 디테일
- 47단계의 실패 사례: 특정 분기에 이탈 위험이 있는 고객을 찾는 작업에서 기존 에이전트가 47번의 API 호출을 거치고도 잘못된 답을 내놓았던 문제를 해결하기 위해 개발되었습니다.
- 복합 질의 처리: "이번 달 마감되는 기업 딜 중 열려 있는 지원 티켓이 있는 항목 확인"과 같이 여러 도구(Salesforce, Zendesk 등)에 걸친 복잡한 질문에 강점이 있습니다.
- 검증 가능성: Airbyte는 신뢰성을 위해 벤치마크 테스트 도구를 공개하여 사용자가 직접 성능을 측정할 수 있도록 했습니다.
- API 한계 극복: API가 요구하는 엔드포인트나 객체 ID를 미리 알지 못해도 에이전트가 데이터 구조를 스스로 파악할 수 있도록 돕습니다.
향후 전망
- 에이전트 효율화의 표준: 토큰 소모량이 곧 에이전트의 효율성과 비용으로 직결되는 만큼, 데이터 컨텍스트 계층이 LLM 애플리케이션 개발의 필수 요소가 될 것으로 보입니다.
- 엔터프라이즈 RAG 확장: 정형 데이터와 비정형 데이터를 아우르는 에이전트용 데이터 파이프라인 시장에서 Airbyte의 영향력이 더욱 커질 전망입니다.
출처:hackernews