본문으로 건너뛰기
각자의 프롬프트에서 팀의 에이전트로 이어지는 ADK 워크숍
목차

각자의 프롬프트에서 팀의 에이전트로 이어지는 ADK 워크숍 (2026-04)

원문 정보

같은 문제 앞에서 따로 다듬던 프롬프트

팀에서 마주치는 문제는 같은데, 프롬프트는 사람마다 따로 만들고 다듬고 있었습니다. LY Corporation이 Cline, Claude Code 같은 로컬 AI 에이전트 도구를 도입하며 겪은 문제입니다. 적극적으로 쓰는 사람과 그렇지 않은 사람 사이에 생산성 차이가 생기고, 활용 지식도 개인 단위에 머무르는 경향이 나타났습니다. 멀티 에이전트의 존재를 몰라 싱글 에이전트의 한계에 부딪힌 뒤 활용을 포기하는 사례까지 있었습니다.

AI의 도움이 필요한 일은 많았습니다. 여러 곳에 흩어진 문서 때문에 Jira나 Confluence에서 정보를 찾는 데 시간이 걸렸고, 세부 규정과 가이드라인은 내용을 이해하기도 어려웠습니다. PR 리뷰와 고객 지원 대응 역시 자동화하거나 보조할 수 있는 업무입니다. 회사는 향후 3년 내 업무 생산성 2배 향상과 지속적 혁신 창출을 목표로 AI 활용을 추진하고 있습니다.

FKE 팀의 Inoue Shuichi가 제안한 방향은 에이전트를 만들어 호스팅하고 팀 전체에 공유하는 것이었습니다. 팀원이 각자 프롬프트를 조정하는 수고를 줄이고, 중앙 집중형 에이전트에 지식을 모으려는 접근입니다. 그는 멀티 에이전트 도구를 개발해 사내 기술 컨퍼런스에서 발표하기도 했습니다. 이런 활동을 계기로 Orchestration 길드에 합류한 뒤, 에이전트 개발과 사내 시스템 연동을 직접 경험하는 워크숍을 준비했습니다.

사내 검색까지 연결한 ADK 에이전트

실습은 작은 동작에서 시작했습니다. 참가자는 ADK 웹 UI를 띄워 브라우저에서 기본 에이전트를 실행하고, 프롬프트를 바꾸며 응답이 어떻게 달라지는지 확인했습니다. 이어 미리 준비한 Python 함수를 실행하도록 만들어 도구 호출을 경험했습니다.

ADK(Agent Development Kit)는 에이전트 동작을 정의하고 멀티 에이전트 시스템을 구현하는 오픈소스 소프트웨어입니다. Python, Java, Go에서 사용할 수 있으며, Python으로 정의한 함수를 에이전트가 도구로 인식해 실행합니다. 인스트럭션으로 응답을 조정하는 데서 출발해, 코드로 작성한 동작까지 에이전트에게 맡겨 보는 흐름입니다.

사내 정보 검색에는 MCP(model context protocol)를 연결했습니다. MCP는 LLM을 외부 시스템과 잇는 오픈소스 표준 프로토콜로, LY Corporation에는 Jira와 Confluence 등에 연동할 수 있는 준비가 돼 있었습니다. 에이전트가 과거 문의 내역이나 자료 위치를 직접 탐색할 수 있는 환경입니다.

도구 연결만으로 끝나지는 않았습니다. 적절한 프롬프트가 없으면 LLM은 제공받은 도구를 제대로 활용하지 못했습니다. 참가자들은 프롬프트를 조정한 뒤 에이전트가 Confluence 같은 사내 시스템에서 능동적으로 정보를 찾아 활용하는 모습을 확인했습니다. 도구를 제공하는 일과 그 도구를 쓰도록 지시하는 일을 함께 경험한 실습입니다.

역할을 나눠 Jira 리포트를 만드는 프로젝트 추적기

연결할 수 있다고 도구를 계속 늘릴 수는 없습니다. LLM에 너무 많은 도구를 주면 프롬프트가 비대해져 응답이 지연되거나 정확도가 떨어질 수 있습니다. 워크숍에서는 이를 완화할 방법으로 멀티 에이전트의 컨텍스트 분리를 소개했습니다.

싱글 에이전트는 LLM 하나로 구성하므로 개발 비용이 낮지만, 복잡한 문제나 높은 전문성이 필요한 상황에는 제한적으로 대응합니다. 여러 LLM을 쓰는 멀티 에이전트는 복잡한 문제에 대응하는 능력과 작업 최적화 수준이 높습니다. 그만큼 토큰 사용량이 늘고 개발도 복잡해집니다. 사용량 제한에 걸리지 않도록 주의해야 한다는 조건도 붙습니다.

멀티 에이전트를 직접 구성해 보는 실습이 ‘프로젝트 추적기’였습니다. Jira 프로젝트의 진행 상황을 분석해 종합 리포트를 만드는 작업을 ADK의 순차 에이전트(SequentialAgent)로 구성했습니다. 네 에이전트를 정해진 순서대로 실행하는 방식입니다.

먼저 진행 중 작업을 분석하는 에이전트가 Jira 프로젝트 URL에서 프로젝트 키를 추출하고 해당 작업을 검색합니다. 다음 에이전트는 아직 시작하지 않은 작업을 찾아 우선순위와 의존성을 분석합니다. 이 둘에는 Jira MCP 도구를 제공했습니다. 리포트 생성 에이전트는 앞선 분석을 구조화된 Markdown 문서로 합치고, 마지막 번역 에이전트는 서식과 구조를 유지하며 지정한 언어로 옮깁니다. 각 에이전트의 모델은 LiteLlm으로 지정했습니다.

참가자들은 다소 복잡한 워크플로도 역할을 나누고 순차적으로 연결하면 수월하게 구현할 수 있다는 점을 경험했습니다. 스프린트 계획 때 진행 상황을 확인하거나 다른 부서에 공유할 진척 보고서를 자동으로 작성하는 데 응용할 수 있는 구성입니다.

초보자의 눈높이에서 고친 실습 워크숍

실습 순서에도 의도가 있었습니다. 싱글 에이전트의 응답을 바꿔 보고, MCP로 사내 정보를 가져온 뒤, 여러 에이전트가 협력하는 작업으로 난도를 높였습니다. 개념을 한꺼번에 설명하기보다 이론과 실습을 번갈아 배치해 초보자도 따라갈 수 있도록 설계했습니다.

제한된 시간은 체험에 우선 배분했습니다. 이론 설명을 줄이고, 참가자가 에이전트의 동작을 직접 보며 자기 업무에 적용할 장면을 떠올리도록 했습니다. 사내 시스템에서 정보를 가져오거나 여러 에이전트가 작업을 이어 가는 모습 자체가 학습 내용이었습니다.

길드 멤버들의 피드백은 설명과 진행 방식을 고치는 데 쓰였습니다. 서로 다른 배경을 가진 멤버들은 초보자에게 어려운 설명이나 더 단순하게 풀어야 할 부분을 짚었습니다. 준비와 리허설마다 회고를 거쳤고, 예상 밖 문제에 대응하는 방법과 참가자 지원 체계도 정비했습니다. 본 행사를 안정적으로 진행할 수 있었던 배경입니다.

실천 의지를 확인한 참가자 설문

실시간 참여자는 약 2,000명이었습니다. 이후 학습·실습 내용을 업무에 적용했는지, 앞으로 적용할 의향이 있는지 설문으로 확인했습니다. 이미 일부를 시도했거나 지속적으로 활용하고 있다는 응답은 약 19%였습니다. 가장 많은 68.2%는 아직 시도하지 않았지만 가까운 시일 내에 시도할 예정이라고 답했습니다.

시도할 계획이 없다는 응답도 10%였습니다. 저자는 이들에게 도입 장벽을 낮추는 지원 정책이나 성공 사례 소개가 효과적일 것으로 봤습니다. 이미 실천에 들어간 참가자들의 사례를 사내에 공유하면 다른 사람도 시도할 계기가 될 수 있다는 기대입니다.

ODW 2회 참가자의 활용 경험과 시도 의향
선택 항목비율
이미 지속적으로 활용하고 있음1.7%
이미 일부를 시도해 봄17.4%
아직 시도하지 않았지만 가까운 시일 내에 시도할 예정68.2%
아직 시도하지 않았고 시도할 계획도 없음10.0%
기타2.7%

함께 고쳐 나갈 팀의 작은 과제

저자가 권하는 실무 적용의 출발점은 팀 안의 작은 문제입니다. ADK 공식 문서로 환경을 갖추고 간단한 챗봇과 도구 연동을 경험했다면, 반복 작업이나 정보 검색처럼 팀이 공통으로 겪는 과제에서 싱글 에이전트로 해결할 범위를 찾아 적용합니다. 동작하는 에이전트를 팀에 공유하고 피드백을 받아 개선하는 과정입니다.

멀티 에이전트는 작업 중 싱글 에이전트의 한계를 느꼈을 때 검토합니다. 순차 에이전트부터 작업을 나누고 연결해 보며, 더 복잡한 워크플로로 확장할수록 실무에서 가치가 있는지 확인합니다. 성공 사례뿐 아니라 실패 사례도 공유 대상입니다. 다른 구성원이 참고할 문서와 지식 베이스를 정비하고, 워크숍이나 LT(lightning talk)로 경험을 나누는 단계까지 포함한 제안입니다.

마지막 수정 일자