BigQuery AI 에이전트 구축법: ADK와 MCP로 사내 데이터에 자연어 질문하기

핵심 메시지

• 많은 기업이 방대한 데이터를 쌓아두고도 SQL을 다루는 소수만 접근할 수 있어, 정작 의사결정을 하는 현업에는 데이터가 닫혀 있다.
• ADK와 BigQuery MCP 서버를 결합하면 자연어 질문을 실제 SQL 조회로 바꿔 답하는 '사서' 같은 에이전트를 만들 수 있다.
• 에이전트가 실제 테이블을 직접 조회해 답하기 때문에 숫자를 지어내는 환각의 여지가 줄어든다.
• 시스템 지침은 코드처럼 관리해야 하며, 스키마와 업무 규칙 설명이 부실하면 결과도 부실해진다.
• 배포는 Cloud Run과 Agent Engine 두 갈래이며, 통제권과 관리 편의 사이의 선택이다.

쉽게 이해하기

영상은 기업 데이터가 '금광'이지만 잠겨 있다는 문제의식에서 출발한다. 데이터는 쌓여 있는데 정작 그것을 꺼내 볼 수 있는 사람은 SQL을 아는 데이터팀 소수뿐이라는 것이다. 진행자와 게스트는 이 상황을 암호로 쓰인 책이 가득한 도서관에 비유하며, 필요한 것은 사람의 말을 하는 사서라고 정리한다.

시연에 쓰인 웹 앱은 2022년 월드컵 데이터가 담긴 BigQuery 데이터베이스를 대상으로 한다. 프랑스 대표팀의 최다 득점자가 누구인지 평범한 문장으로 묻자, 에이전트는 키워드를 훑는 대신 득점 컬럼을 찾아 SQL을 직접 작성해 실행하고 선수 이름을 돌려준다. 실제 테이블을 읽고 답하기 때문에 수치를 지어내지 않는다는 점이 강조된다.

구조의 핵심은 모델 컨텍스트 프로토콜(MCP)이다. BigQuery와 대화하는 방법을 에이전트에게 가르치는 맞춤 코드를 일일이 짜는 대신, 관리형 MCP 서버를 API 레지스트리에 등록하는 것으로 끝난다. 게스트는 MCP를 에이전트를 위한 공용어라고 표현하며, 프로젝트마다 접착제 코드를 새로 만드는 일에서 벗어날 수 있다고 설명한다.

에이전트가 어느 테이블을 봐야 하는지는 시스템 지침이 결정한다. 여기에 테이블과 컬럼을 평이한 문장으로 풀어 쓰고, 조회 절차와 팀 성적 평가지표를 어떻게 계산하는지 같은 업무 규칙까지 함께 적는다. 지침이 없으면 에이전트는 책이 어떻게 정리돼 있는지 모르는 신입 사서와 다를 바 없다는 비유가 이어진다.

배포 선택지는 두 가지로 제시된다. Cloud Run은 컨테이너 하나에 서비스 하나로 단순하고 통제권이 크며, Agent Engine은 세션 관리와 버전 관리, 테스트용 플레이그라운드 UI를 제공하는 관리형 환경이다. 다만 Agent Engine은 REST API를 직접 노출하지 않아 클라이언트 앞단에 프록시를 하나 두어야 한다는 조건이 붙는다.

주요 인사이트

• MCP의 진짜 이점은 기능이 아니라 재사용성이다. Cloud SQL, Pub/Sub, Cloud Storage용 관리형 서버가 이미 있어, 서버를 꽂는 순간 에이전트가 해당 서비스와 상호작용하는 법을 알게 된다.
• 지침을 파이썬 코드에 섞지 않고 별도 마크다운 파일로 분리하면, 업무 규칙이 바뀔 때 개발자가 아닌 사람도 직접 고칠 수 있다.
• 에이전트의 품질은 모델보다 지침의 정확도에 달려 있다는 것이 이 사례의 결론에 가깝다. 스키마와 규칙을 다듬는 시간이 곧 성능으로 돌아온다.
• 지침은 한 번 쓰고 끝나는 문서가 아니라 비즈니스와 함께 계속 바뀌는 자산이다. 새 지표나 새 테이블이 생기면 곧바로 반영할 수 있어야 에이전트가 계속 똑똑하게 유지된다.

자주 묻는 질문

관련 AI 소식