n8n 멀티 에이전트로 만든 도로안전 AI 어시스턴트 구축 사례

핵심 메시지

• 클레어는 프랑스 10년치 교통사고 데이터를 담은 그래프 DB 위에, 시민이 자연어로 질문하는 도로안전 AI 어시스턴트를 n8n으로 구축했다.
• 하나의 거대한 에이전트 대신 온보딩·자가진단·데이터 질의·커뮤니티 연결 등 역할별 에이전트로 나눠 지연을 줄이고 확장성을 확보했다.
• 에이전트 설정을 깃허브로 관리해 개발·운영 워크플로우로 배포하고, 대화 이력과 상태는 슈파베이스에 기록한다.
• 가장 어려웠던 부분은 표준 프로토콜이 아닌 Neo4j 그래프 DB에 연결하기 위해 직접 만든 커뮤니티 노드였다.

쉽게 이해하기

이 영상은 n8n 커뮤니티의 사용자 클레어(Claire)가 자신의 지역사회를 위해 만든 도로안전 어시스턴트 구축기를 인터뷰 형식으로 다룬다. 파리에서 비영리단체를 돕는 프리랜서인 그는 약 2년 전부터 n8n을 사용했고, 교통사고를 줄이고 아이를 잃은 가족을 돕는 단체와 일하며 이 프로젝트를 시작했다.

시스템의 바탕에는 프랑스의 지난 10년치 교통사고 데이터와 사고를 줄일 수 있는 다양한 해법을 담은 Neo4j 그래프 데이터베이스가 있다. 시민과 인터넷에서 모은 데이터를 계속 채워 넣고, 시민·지역 당국이 이 데이터에 접근할 수 있게 왓츠앱(WhatsApp)을 인터페이스로 택했다. 널리 쓰이기 때문이다. 사용자는 자연어로 대화하며 실질적으로 행동에 옮길 수 있는 정보를 얻는다.

워크플로우는 여러 에이전트로 구성된다. 온보딩 에이전트가 호칭과 지역을 묻고, 자가진단 에이전트가 질문을 던지며, 데이터 질의 에이전트는 '내 도시에서 가장 위험한 장소는 어디이고 무엇을 할 수 있나' 같은 물음에 답한다. 클레어는 하나의 큰 에이전트에 여러 도구를 붙이는 대신 에이전트를 나눴다고 설명한다. 왓츠앱 대화에서 지연이 커지는 것을 막고, 운영팀이 새로운 에이전트를 쉽게 추가할 수 있게 하기 위해서다.

설정 관리와 배포도 체계적이다. 각 에이전트의 설정은 깃허브(GitHub)에 저장돼, 담당자가 직접 수정하면 개발 워크플로우를 거쳐 운영 워크플로우로 반영되고 서버에 로컬로도 보관된다. 사용자 정보와 상호작용 이력은 슈파베이스(Supabase)에 기록해 어떤 에이전트와 대화했는지 추적하고, 다음 메시지를 같은 에이전트로 이어가되 필요하면 다른 에이전트로 넘기도록 경로를 제어한다. 실제 도구 호출은 하위 워크플로우(sub-workflow)로 처리하며, 왓츠앱이 긴 답변을 못 보내는 제약 때문에 답을 여러 조각으로 나눠 보내고 대화는 메모리에 저장한다.

주요 인사이트

• 복잡한 대화형 AI를 만들 때, 하나의 만능 에이전트보다 역할별로 에이전트를 나누면 응답 지연을 줄이고 유지·확장이 쉬워진다.
• 도구 호출을 하위 워크플로우로 분리하면, 데이터 조회 같은 기능을 독립적으로 관리하고 재사용할 수 있다.
• 에이전트 설정을 깃허브로 버전 관리하고 개발·운영을 분리하면, 비전문가인 운영팀도 안전하게 에이전트를 수정할 수 있다.
• 가장 큰 기술적 난관은 AI 로직이 아니라 표준이 아닌 그래프 DB(Neo4j)에 연결하는 커스텀 노드였다는 점은, 실무 통합의 어려움이 어디서 오는지를 보여준다.
• 누군가 문제를 해결해 주길 기다리지 않고 직접 만든 개인의 시도가, 다른 나라로 복제하고 싶다는 요청으로 이어질 만큼 실제 영향을 냈다.

자주 묻는 질문

관련 AI 소식