구글 데이터 에이전트 킷 실습: 코딩 에이전트로 BigQuery·Cloud SQL을 넘나드는 데이터 분석과 dbt 자동화

핵심 메시지

• 데이터 에이전트 킷은 구글이 하나로 묶어 내놓은 에이전트 스킬·MCP 서버·IDE 확장 꾸러미로, 안티그래비티 IDE와 클로드 코드처럼 이미 쓰던 도구에 그대로 붙는다.
• 스킬은 에이전트에게 '이 서비스는 이렇게 다루라'고 알려주는 안내서이고, MCP는 실제 데이터베이스에 연결해 조회와 실행을 담당하는 연결선이라는 역할 구분이 핵심이다.
• 평균 주문금액이 왜 떨어졌는지 묻자 에이전트가 BigQuery·Cloud SQL·Cloud Storage를 차례로 넘나들며 질의해 신규 B2B 도매 물량과 25% 할인 코드라는 원인을 찾아냈다.
• 일회성 분석에서 끝나지 않고 dbt 프로젝트를 만들어 같은 점검을 반복 실행할 수 있게 했으며, 테이블 조인 과정에서 생긴 매출 중복 오류도 에이전트가 스스로 진단해 고쳤다.
• 에이전트가 MCP 도구를 호출할 때마다 사용자 승인을 묻고 비용이 드는 질의 전에 문법 검사를 먼저 돌린다는 점이, 실무 도입에서 눈여겨볼 안전장치다.

쉽게 이해하기

구글 클라우드의 개발자 애드보킷 두 사람이 진행한 이 실습 영상은 '데이터 에이전트 킷'이라는 도구 묶음을 소개한다. 이름은 거창하지만 구성은 단순하다. 데이터 업무 요령을 정리한 에이전트 스킬, BigQuery·Cloud SQL·AlloyDB·Spanner 같은 데이터 제품에 안전하게 붙는 MCP 서버, 그리고 이것들을 개발 환경에 얹어 주는 확장 프로그램이다. 특정 IDE 전용이 아니라 안티그래비티 IDE는 물론 클로드 코드, 코덱스, 제미나이 CLI 등 여러 도구에서 같은 방식으로 쓸 수 있다는 점을 영상 내내 반복해 보여 준다.

진행자들이 특히 공들여 구분한 것은 스킬과 MCP의 차이다. 스킬은 결국 마크다운 문서다. 예컨대 'BigQuery로 개발하기' 스킬 안에는 특정 내장 함수의 문법처럼 범용 모델이 잘 모르는 구글 클라우드 고유의 지식이 담겨 있고, 에이전트는 필요할 때 이 문서를 꺼내 읽는다. 반면 MCP는 실제 연결이다. 데이터셋 목록 조회, 테이블 조회, 읽기 전용 SQL 실행 같은 도구를 제공해 에이전트가 데이터에 손을 대게 해 준다. 한쪽은 지도이자 안내서, 다른 한쪽은 연결선이라는 비유가 등장한다.

실습 사례는 반려동물 용품을 파는 가상의 회사다. 재무 책임자가 '평균 주문금액이 떨어지는 것 같다'고 물었고, 담당자는 그 이유를 찾아야 한다. 데이터는 한곳에 있지 않다. 주문 내역 약 200만 건은 분석용 BigQuery에, 고객과 반려동물 프로필은 거래용 Cloud SQL에, 마케팅 캠페인 정보는 Cloud Storage의 JSON 파일에 흩어져 있다. 진행자는 왜 업무 성격에 따라 데이터베이스를 나눠 쓰는지, 행 단위 갱신에 강한 저장소와 대량 집계에 강한 저장소가 어떻게 다른지도 함께 설명한다.

에이전트는 자연어 질문만 받고 스스로 단계를 밟았다. 먼저 월별 평균 주문금액을 계산해 1월에 약 110달러에서 103달러 수준으로 떨어진 것을 확인했고, 주문 유형별로 쪼개 보니 그전까지 없던 B2B 도매 주문이 1월에 새로 잡혀 있었다. 이어 Cloud SQL의 고객 테이블에서 이들이 100곳 남짓한 기업 계정임을 확인했고, BigQuery에서 이 주문들에 붙은 단일 할인 코드를 찾아냈으며, Cloud Storage의 캠페인 파일까지 열어 그것이 도매 확대용 25% 할인 행사였음을 맞췄다. 결론은 매출 악화가 아니라, 단가가 낮은 새 사업 라인이 평균을 끌어내린 것이었다.

마지막으로 진행자는 이 분석을 재사용 가능한 형태로 만들었다. 에이전트에게 dbt 프로젝트를 만들라고 시키자, 설치되어 있지도 않던 dbt를 내려받아 스테이징 모델과 설정 파일을 생성하고 빌드와 테스트까지 돌렸다. 여기에 고객·반려동물 프로필을 붙이는 과정에서 한 주문에 여러 반려동물이 딸려 매출이 부풀려지는 전형적인 조인 오류가 발생했는데, 주문 번호 고유성 테스트가 이를 잡아냈고 에이전트는 오류 로그를 읽고 미리 집계하는 SQL을 다시 써서 스스로 통과시켰다. 이어 사전학습된 시계열 모델을 쓰는 BigQuery 예측 함수로 다음 분기 전망까지 담은 보고서와 시각화 노트북을 만들어 냈다.

주요 인사이트

• 여러 저장소에 흩어진 데이터를 사람이 탭을 옮겨 다니며 확인하던 작업이, 에이전트가 필요한 곳을 스스로 골라 질의하는 방식으로 바뀐다. 이 실습에서 결정적이었던 단서는 정형 데이터베이스가 아니라 클라우드 스토리지에 놓인 마케팅팀의 JSON 파일에서 나왔다.
• 스킬과 MCP를 나눠 이해하면 에이전트 도구를 고를 때 기준이 분명해진다. 모델이 몰라서 틀리는 문제는 스킬 같은 문서로, 접근할 수 없어서 못 하는 문제는 MCP 같은 연결로 푸는 편이 맞다.
• 에이전트가 실행 전 승인을 묻고, 요금이 붙는 질의 앞에 문법 검사를 먼저 돌린다는 점은 단순한 편의가 아니다. 데이터 웨어하우스는 잘못된 질의 한 번이 곧 비용이고, 감사 기록이 남아야 나중에 결과를 신뢰할 수 있다.
• 가장 실질적인 대목은 분석을 dbt 파이프라인으로 굳힌 부분이다. 에이전트가 매번 다르게 답하더라도, 검증된 변환 로직을 코드로 남겨 두면 같은 지표를 매일 같은 방식으로 확인할 수 있다.
• 조인 하나로 매출이 세 배가 되는 실수를 테스트가 잡아낸 장면은, 에이전트가 코드를 대신 쓰는 시대일수록 자동화된 검증 장치가 더 중요해진다는 것을 보여 준다.

자주 묻는 질문

관련 AI 소식