QAgent AI 에이전트

Overview

사람이 찾고 정리하던 시간을, 근거 있는 판단에 돌려드립니다

QAgent는 업무 시스템과 사내 문서를 자연어로 조회·분석하는 AI 에이전트입니다.
답변을 리포트로 정리하고, 필요한 작업은 담당자 승인 후 실행합니다.

QAgent 데이터 분석 에이전트 화면 — 업무 데이터를 자연어로 분석 — QAgent — 자연어 기반 업무 데이터 분석 (예시 화면)

NL2SQL자연어 질문을 SQL로 변환 — 분산 시스템 데이터를 대화로 조회

근거 검색(RAG·GraphRAG)사내 문서·지식 검색에 근거 경로 제시로 환각 억제

실행 연동메신저·이슈트래커 등 사내 시스템 연계 자동화

온프레미스 운영반출이 어려운 데이터는 사내 서버의 소형 언어모델(sLLM)로 동일하게 운영

Features

에이전트를 완성하는 핵심 기능

데이터를 찾아 답하고, 확인 가능한 근거를 제시하며, 실행 전에는 담당자의 통제를 거칩니다.

NL2SQL

자연어 데이터 조회

자연어 질문을 SQL로 변환해 여러 시스템에 흩어진 데이터를 한 번에 조회합니다.
SQL을 몰라도 필요한 데이터를 직접 찾을 수 있습니다.

TAG · 테이블 증강 생성 자연어를 질의문으로 바꿔 직접 집계
분산 시스템 동시 조회 SQL·시계열 DB·MES·ERP를 한 번에
조회 조건까지 함께 제시 어떤 조건으로 뽑은 값인지 남김

NL2SQL 조회 — 프로토타입 예시 화면

근거 검색(RAG·GraphRAG)

근거를 제시하는 답변

사내 문서와 지식을 검색해 답하고, 답변마다 출처를 함께 인용합니다.
어디서 온 답인지 확인돼야 업무에 씁니다.

판단 파이프라인 자세히

GraphRAG 지식 검색 — 프로토타입 예시 화면

Guardrails

승인 기반 실행 통제

민감한 작업은 안전정책 정책과 사람의 승인을 거쳐 실행합니다.
에이전트에게 일을 맡기되, 통제권은 사람에게 남깁니다.

3단계 사람 개입 실행 전 승인 · 감시 중 개입 · 자동 실행
권한·역할 기반 승인 위험도별 승인권자 지정과 감사 기록
온프레미스 통제 반출 제한 데이터는 사내 sLLM으로 처리

안전정책 관리 — 프로토타입 예시 화면

Runtime Pipeline

근거 있는 답을 만드는 흐름

사내 자료를 먼저 찾고, 답변에 근거를 붙여 검증합니다.

STEP 1

질의 이해

자연어 질문을 데이터 조회문으로 변환(NL2SQL)

STEP 2

문서 검색

문서를 의미 기반으로 검색하고 관련도가 높은 순서로 재정렬

STEP 3

근거 결합

근거 검색(RAG·GraphRAG)로 근거 경로를 답변에 결합 · 지식그래프 관계 추론

STEP 4

추론 · 생성

상용 대규모 언어모델(LLM) API 또는 온프레미스 소형 언어모델(sLLM)으로 분석·리포트 생성

STEP 5

근거 검증 · 안전장치

검색한 자료와 답변이 일치하는지 확인하고 개인정보를 가려 안전성을 점검

STEP 6

실행 · HITL

담당자 검토·승인을 거친 후 생산관리(MES)·전사자원관리(ERP)·메신저·이슈트래커로 액션 실행

근거가 부족하면 답변 보류일치도가 기준에 못 미치면 답변 보류 후 재검색

권한 인지 검색권한 범위 안의 문서만 검색·인용

근거를 붙이는 세 가지 방식 질문의 성격에 따라 검색·캐시·데이터베이스 중 무엇으로 근거를 만들지 달라집니다.

RAG · 검색 증강 생성

질문마다 사내 문서·지식베이스에서 근거를 찾아 결합하고 출처 인용 — 자료가 자주 바뀌거나 범위가 넓은 질의에 적합

CAG · 캐시 증강 생성

범위가 정해진 지식은 미리 컨텍스트에 적재해 검색 단계 없이 응답 — 반복 질의 지연 감소, 온프레미스 sLLM도 동일

TAG · 테이블 증강 생성

자연어 질문을 질의문으로 바꿔 데이터베이스에서 직접 집계·계산 — 문서 검색으로는 못 푸는 수치·집계 질문 대응

Case

반복 조회·정리 시간을 줄인 적용 사례

대기업 제조 · 자재 관리

자재 조회 AI 에이전트

과제 재고·수급 데이터가 시스템마다 분산, 취합에 시간 소모

해결 자연어→SQL 변환 + 지식검색(RAG), 차트·표·메일 초안까지 대화형 응답

성과 분산 데이터 조회·정리 과정을 대화형 조회로 단순화

확장

AI 고객상담 지원으로 확장

영역 CS 자동응답, 사내 문서 Q&A, 리포트 초안 자동화

효과 반복 조회·정리 업무를 대화로 대체 — 사람은 판단에 집중

업무 질의응답 에이전트 예시 화면 — 근거 출처를 함께 제시하는 RAG 기반 답변 — 업무 에이전트 — 프로토타입 예시 화면

전체 구축 사례 보기

Optimization Scenarios

이런 상황에서 효과가 큽니다

복잡한 현장 조건에서 에이전트가 실제로 일하게 만드는 방식을 시나리오로 정리했습니다.

여러 시스템에 흩어진 데이터를 매번 조회·취합하는 업무

재고·수급·품질 데이터가 흩어져 여러 화면을 오가야 하는 업무 — 자연어 질의(NL2SQL)로 직접 조회하고 표·차트와 조회 조건을 함께 제시

사내 규정과 기술 문서가 여러 곳에 분산된 환경

부서별로 나뉜 작업표준서·점검 절차·설비 매뉴얼 — 의미 단위 구조화와 출처 표기로 업무 판단에 쓰는 지식베이스

답변의 근거와 책임 소재가 중요한 업무

안전·품질·인허가처럼 해석 정확성이 중요한 영역 — 근거 대조 후 부족하면 단정 대신 확인 필요로 표시

부서마다 열람 범위가 다른 조직

부서·직무마다 볼 수 있는 자료가 다른 환경 — 역할 기반 접근 제어(RBAC)를 지식 범위에 그대로 적용

데이터 반출이 제한된 폐쇄 환경

사내 데이터를 외부로 보낼 수 없는 조직 — 사내 서버 소형 언어모델(sLLM)로 온프레미스 운영, 검색·추론·실행이 내부에서 완결

같은 질문이 매일 반복되는 업무

범위가 정해진 지식은 캐시 증강 생성(CAG)으로 검색 단계 생략, 수치·집계 질문은 테이블 증강 생성(TAG)으로 직접 계산