최근 AI 기술의 발전으로 많은 전형적인 기능이 마이크로서비스화되어 API로 제공되고 있으며, 문서·텍스트 등의 비정형 데이터 처리는 대규모 언어 모델(LLM) 기반으로 대체되고 있습니다. 이러한 흐름 속에서 어시웍스(AssiWorks)는 다양한 AI 기능을 도구화(Tool)하고, 이를 연결하여 워크플로우(Flow)를 설계하며, 최종적으로 사용자의 요구에 따라 실행되는 에이전트(Agent)를 구축할 수 있도록 지원하는 플랫폼입니다.
어시웍스를 활용하면 코딩 없이도 사용자가 쉽게 AI 기반 워크플로우와 에이전트를 구성할 수 있으며, 이를 여러 개 조합하여 팀(Team) 단위의 협업이 가능한 AI 시스템을 설계할 수 있습니다.
1. 어시웍스의 핵심 개념
어시웍스는 AI의 주요 기능을 도구(Tool)화하여 워크플로우(Flow)로 연결하고, 이를 실행하는 에이전트(Agent)를 구성한 뒤, 에이전트가 협업할 수 있는 팀(Team)까지 구현할 수 있도록 지원하는 플랫폼입니다. 최근 AI 트렌드가 대규모 언어 모델(LLM)을 기반으로 API화된 마이크로서비스의 조합으로 업무 자동화를 지원하는 방향으로 발전하고 있으며, 어시웍스는 이런 흐름에서 코딩 없이(No-Code) 쉽게 자동화 시스템을 구축할 수 있도록 하는 솔루션입니다.
| 구성요소 | 설명 | 예시 |
|---|---|---|
| 도구(Tool) | LLM, API 등 기능을 모듈화하여 개별 단위로 정의 | 텍스트 번역, 요약, 검색 도구 |
| 워크플로우(Flow) | 여러 도구를 연결하여 자동화된 업무 프로세스를 구성 | 문서 요약 → 영어 번역 → 이메일 자동 발송 |
| 에이전트(Agent) | 상황을 인식하여 적절한 도구를 호출해 요청을 수행 | 개인 비서 AI, 법률 문서 분석 AI |
| 팀(Team) | 복수의 에이전트를 구성하여 협업 가능하게 함 | 고객응대 AI + 데이터분석 AI + 보고서작성 AI |
어시웍스는 4단계 계층 구조로 AI 기반 업무 자동화를 지원합니다.
① 도구 (Tools)
- AI 기능(API, LLM 등)을 모듈화하여 재사용할 수 있도록 설계
- 예시: 번역 도구, 검색 도구, 요약 도구, 이미지 생성 도구 등
② 워크플로우 (Flow)
- 여러 개의 도구를 조합하여 특정 업무를 자동화하는 프로세스 구축
- 예시: "문서 요약 → 핵심 내용 번역 → 보고서 자동 생성"
③ 에이전트 (Agent)
- 특정 목적을 가진 지능형 AI 실행 주체
- 사용자의 요청을 이해하고, 적절한 도구를 호출하여 실행하는 방식
- 예시: 개인 비서 AI, 법률 문서 분석 AI, 금융 데이터 분석 AI
④ 팀 (Team)
- 여러 개의 에이전트를 조합하여 협업 가능한 AI 팀 구성
- 예시: 고객 응대 AI + 데이터 분석 AI + 문서 작성 AI 조합
2. 어시웍스의 동작 방식
(1) 도구 호출 방식
어시웍스의 핵심은 도구를 호출하는 방식에 있습니다. 사용자가 입력하면 에이전트가 적절한 도구를 호출하여 응답을 생성합니다. 도구 호출 방식에는 다양한 형태가 존재합니다.
- 단독 호출 – 특정 도구 하나만 실행
- 순차 호출(Chained Call) – A → B → C 순서로 실행
- 병렬 호출(Parallel Call) – 여러 도구를 동시에 실행하여 빠른 결과 생성
- 조건부 호출(Conditional Call) – 특정 조건 충족 시 도구 실행
예시
"한국어로 작성한 보고서를 영어로 번역하고, 그 결과를 일본어로 다시 번역해서 보여줘."
호출 순서:
① 한국어 → 영어 도구
② 영어 → 일본어 도구(2) 에이전트 기반 업무 자동화
어시웍스의 에이전트(Agent)는 단순한 API 호출이 아니라 상황 인지(Context-aware) 기반으로 상황에 맞는 적절한 도구를 자동으로 선택하여 실행하는 기능을 수행합니다. 즉, 에이전트는 프롬프트 설계, LLM 호출, 벡터 검색, 데이터 분석 등 다양한 작업을 수행할 수 있습니다.
✔ 예시: 개인 비서 에이전트
- 사용자의 요청을 받아 일정 확인, 업무 정리, 요약 등을 수행
- 기억(메모리 기능)을 활용해 사용자 데이터를 저장 및 검색
- 요청 시 관련 정보를 분석하고 적절한 결과 제공
사용자가 "내 취미가 뭐였지?"라고 물어보면,
에이전트는 이전 대화에서 사용자가 "내 취미는 탁구야"라고 했던 내용을 기억하고 응답할 수 있음.
(3) 팀 빌딩 (멀티 에이전트 협업)
어시웍스는 단일 에이전트가 아닌 여러 개의 에이전트를 조합하여 팀을 구성할 수 있습니다. 이를 통해 대규모 협업 시스템을 구축할 수 있으며, AI들이 서로 정보를 공유하고 협력하는 방식으로 동작합니다.
✔ 예시: 기업 내 AI 협업 시스템
- 팀장 에이전트: 주요 업무 지시 및 일정 조율
- 데이터 분석 에이전트: 실시간 데이터 분석 및 시각화
- 문서 생성 에이전트: 보고서 자동 생성
- QA 에이전트: 생성된 문서 검토 및 보완
[팀장 AI] 업무 할당
→ [데이터 분석 AI] 데이터 분석
→ [문서 작성 AI] 보고서 작성
→ [QA AI] 검토 및 피드백 제공3. 어시웍스의 실제 활용 사례
① 스마트팜 IoT 챗봇 (서울경제진흥원)
- 목적: 스마트팜 관리자가 IoT 데이터를 분석하고 실시간 대응하도록 지원
- 특징: AI 기반 데이터 분석 및 자동 보고서 생성
- 적용 효과: 실시간 농작물 상태 모니터링 및 운영 효율성 증가
② 민원 지원 챗봇 (유성구청)
- 목적: AI 기반 민원 자동 응대 서비스 구축
- 특징: 온프레미스 운영, 보안 강화, 문서 임베딩 및 RAG 기반 검색 적용
- 적용 효과: 인건비 95% 절감, 민원 응대 속도 향상
③ 피부 질환 상담 챗봇 (우당네트웍)
- 목적: 아토피 피부염 관련 상담 AI 서비스 제공
- 특징: KO-GEMMA-2-9B-IT LLM 모델 및 벡터 검색 기술 활용
- 적용 효과: 의료 정보 제공 신뢰성 향상 및 사용자 편의성 개선
4. 어시웍스를 활용한 에이전틱 AI 구축 실습
어시웍스를 활용하여 "에이전틱 AI"를 구축하는 과정은 다음과 같은 단계를 따라 워크플로우를 구성하고 AI를 직접 빌드할 수 있습니다.
✔ 실습 단계
- 도구 생성 – API 및 LLM 기능을 도구로 정의
- 워크플로우 설계 – 다양한 도구를 연결하여 자동화 프로세스 생성
- 에이전트 구축 – 특정 역할을 수행하는 AI 에이전트 구성
- 팀 빌딩 – 여러 개의 에이전트를 조합하여 협업 시스템 설계
- 테스트 및 운영 – 실제 사용자 요청에 맞춰 최적화 및 배포
5. 보안 고려 사항 및 점검 포인트
기업 환경에서 어시웍스를 도입할 경우 아래 보안 요소들을 고려해 내부적으로 점검하고 관리해야 합니다.
| 점검 항목 | 점검 및 가이드 |
|---|---|
| 데이터 보안 | 개인정보나 민감정보는 마스킹 처리하고, 데이터 흐름 파악 |
| 인증 및 권한 관리 | API 호출 시 API Key 및 접근 권한 관리 철저히 점검 |
| 온프레미스 운영 | 클라우드가 아닌 자체 서버(On-premises) 운영으로 외부 유출 방지 |
| 감사 로그(Audit Log) | 모든 호출과 응답, 작업에 대한 감사 로그 보관 및 주기적 분석 |
| 프롬프트 보안 관리 | 에이전트의 프롬프트 설계 시 Injection 공격 방지 설계 적용 |
6. 기술적 예시 코드 (요약 및 번역 기능 구현 예시)
아래는 Python을 활용한 요약 및 번역 도구의 간략 예시입니다.
요약 도구
from langchain.llms import OpenAI
class TextSummarizer:
def __init__(self, api_key):
self.llm = OpenAI(api_key=api_key)
def summarize(self, text):
prompt = f"아래의 내용을 요약해 주세요:\n\n{text}"
return self.llm(prompt)번역 도구
class Translator:
def __init__(self, api_key):
self.llm = OpenAI(api_key=api_key)
def translate(self, text, target_language="English"):
prompt = f"Translate this text into {target_language}:\n\n{text}"
return self.llm(prompt)워크플로우 연결 예시
class Workflow:
def __init__(self, summarizer, translator):
self.summarizer = summarizer
self.translator = translator
def run(self, text):
summary = self.summarizer.summarize(text)
translated = self.translator.translate(summary, "English")
return translated7. 전망 및 기대 효과
어시웍스는 API와 LLM 기반의 AI 기능을 도구화하여 손쉽게 워크플로우, 에이전트 및 팀까지 구성 가능하게 합니다. 단순한 AI 챗봇이 아니라 "도구 → 워크플로우 → 에이전트 → 팀"이라는 구조를 통해 복잡한 AI 기반 협업 시스템을 구축할 수 있도록 지원하는 강력한 플랫폼입니다.
✅ 비즈니스 자동화 – AI를 활용한 업무 효율 극대화
✅ 유연한 확장성 – 다양한 API 및 LLM을 조합하여 맞춤형 에이전트 구성 가능
✅ 손쉬운 활용 – 노코드(No-Code) 방식으로 누구나 AI 시스템을 구축 가능
✅ 보안성 강화 – 온프레미스 기반 운영 및 데이터 보호 기능 제공
어시웍스는 AI 기능을 모듈화하여 API 및 LLM을 도구화하고, 이를 워크플로우로 구성하며, 에이전트를 생성하고, 최종적으로 팀 단위로 협업하는 에이전틱(AI+에이전트) AI 구축합니다. 이를 통해 코딩 없이도 AI 기반 업무 자동화 및 협업 환경을 손쉽게 구축할 수 있습니다.
어시웍스(AssiWorks)를 활용한 AI 기반 업무 자동화 구축 가이드
어시웍스(AssiWorks)를 처음 접하는 사용자가 기본적인 환경을 구성하고, 예제를 통해 직접 AI 기반 자동화 시스템을 구축할 수 있는 단계별 방법입니다.
1. 어시웍스의 개념 이해
어시웍스는 다음과 같은 4단계 구조로 이루어진 AI 자동화 플랫폼입니다.
1️⃣ 도구 (Tool)
- AI API 또는 LLM 호출 기능을 모듈화한 개별 요소
- 예시: 텍스트 요약 도구, 번역 도구, 데이터 분석 도구
2️⃣ 워크플로우 (Flow)
- 여러 개의 도구를 조합하여 자동화된 프로세스를 구성
- 예시: "문서 요약 → 번역 → 보고서 생성"
3️⃣ 에이전트 (Agent)
- 특정 업무를 수행하는 AI로, 사용자의 요청에 맞춰 적절한 도구를 실행
- 예시: 일정 관리 AI, 법률 문서 분석 AI, 데이터 분석 AI
4️⃣ 팀 (Team)
- 여러 개의 에이전트를 협업 형태로 운영하는 AI 시스템
- 예시: 고객 상담 AI + 데이터 분석 AI + 문서 작성 AI 조합
2. 환경 구성 및 설치
어시웍스를 직접 실행하기 위한 기본적인 환경을 구성합니다.
- Python 3.8 이상 설치
- 가상 환경(Virtual Environment) 사용 권장
- API 키 또는 LLM(대규모 언어 모델) 활용 가능 여부 확인
# 가상 환경 생성
python -m venv assiworks_env
source assiworks_env/bin/activate # (Windows는 assiworks_env\Scripts\activate)
# 필요한 패키지 설치
pip install langchain openai fastapi uvicorn requests3. 기본적인 "도구 (Tool)" 만들기
어시웍스에서 도구는 API 또는 LLM 호출을 통해 특정 기능을 수행하는 기본 단위입니다.
예제 1: 텍스트 요약 도구
from langchain.llms import OpenAI
class TextSummarizationTool:
def __init__(self, api_key):
self.llm = OpenAI(api_key=api_key)
def summarize(self, text):
prompt = f"다음 텍스트를 간결하게 요약해 주세요:\n{text}"
return self.llm(prompt)
# 사용 예시
api_key = "your-openai-api-key"
summarizer = TextSummarizationTool(api_key)
print(summarizer.summarize("어시웍스는 AI 기반 자동화를 지원하는 플랫폼입니다."))이 도구는 OpenAI의 LLM을 활용하여 주어진 문서를 요약하는 기능을 수행합니다.
4. "워크플로우 (Flow)" 만들기
워크플로우는 여러 개의 도구를 조합하여 하나의 업무 프로세스를 자동화하는 역할을 합니다.
예제 2: "문서 요약 → 번역" 워크플로우
class TranslationTool:
def __init__(self, api_key):
self.llm = OpenAI(api_key=api_key)
def translate(self, text, target_language="English"):
prompt = f"Translate the following text into {target_language}:\n{text}"
return self.llm(prompt)
class Workflow:
def __init__(self, summarizer, translator):
self.summarizer = summarizer
self.translator = translator
def process(self, text):
summary = self.summarizer.summarize(text)
translation = self.translator.translate(summary, "English")
return translation
# 실행 예시
translator = TranslationTool(api_key)
workflow = Workflow(summarizer, translator)
result = workflow.process("어시웍스는 AI 기반 자동화 플랫폼으로, 다양한 도구를 조합하여 업무를 자동화할 수 있습니다.")
print(result)이 워크플로우는
- 문서를 요약한 후
- 요약된 내용을 영어로 번역하는 과정으로 구성됩니다.
5. "에이전트 (Agent)" 만들기
에이전트는 사용자의 요청을 이해하고 적절한 도구를 실행하는 AI 시스템입니다.
예제 3: AI 개인 비서 에이전트
class AI_Agent:
def __init__(self, summarizer, translator):
self.summarizer = summarizer
self.translator = translator
def handle_request(self, request_type, text):
if request_type == "요약":
return self.summarizer.summarize(text)
elif request_type == "번역":
return self.translator.translate(text, "English")
elif request_type == "요약 및 번역":
summary = self.summarizer.summarize(text)
return self.translator.translate(summary, "English")
else:
return "지원되지 않는 요청입니다."
# 실행 예시
agent = AI_Agent(summarizer, translator)
response = agent.handle_request("요약 및 번역", "어시웍스는 AI 기반 자동화 플랫폼입니다.")
print(response)사용자의 요청에 따라 요약, 번역, 요약 후 번역을 수행하는 AI 에이전트입니다.
6. "팀 (Team)" 구성하기
여러 개의 에이전트를 조합하여 협업형 AI 시스템을 구성할 수 있습니다.
예제 4: 다중 에이전트 팀 구성
class AIAgentTeam:
def __init__(self, agents):
self.agents = agents # 여러 에이전트를 리스트로 관리
def assign_task(self, task_type, text):
for agent in self.agents:
result = agent.handle_request(task_type, text)
print(f"에이전트 결과: {result}")
# 실행 예시
team = AIAgentTeam([agent])
team.assign_task("요약 및 번역", "어시웍스는 다양한 AI 기능을 자동화할 수 있는 플랫폼입니다.")여러 개의 에이전트를 하나의 팀(Team) 으로 구성하여 협업 기반 자동화 시스템을 구축할 수 있습니다.
7. 최종 테스트 및 운영
이제 어시웍스를 활용하여 구축한 AI 자동화 시스템을 API 서버로 배포할 수 있습니다.
API 서버 실행 (FastAPI 활용)
from fastapi import FastAPI
import uvicorn
app = FastAPI()
@app.post("/process/")
def process_request(request_type: str, text: str):
return {"response": agent.handle_request(request_type, text)}
# 실행
if __name__ == "__main__":
uvicorn.run(app, host="0.0.0.0", port=8000)API 서버를 구축하여 외부 시스템에서도 요청을 보낼 수 있도록 함.
어시웍스를 활용하여 도구 (Tool) 생성 → 워크플로우 (Flow) 구축 → 에이전트 (Agent) 생성 → 팀 (Team) 구성 → API 서버 배포 전체적인 과정을 통해서 어시웍스를 활용한 AI 자동화 시스템을 직접 운영할 수 있습니다. 어시웍스(AssiWorks) 와 모델 컨텍스트 프로토콜(Model Context Protocol, MCP) 연계를 통해 실제 활용 가능한 기술적 예시입니다.
1. 모델 컨텍스트 프로토콜(MCP) 개요
모델 컨텍스트 프로토콜(Model Context Protocol, MCP) 은 AI 모델(LLM)이 작업 수행 시 활용할 수 있는 맥락 정보(Context) 를 표준화된 프로토콜로 정의하고 전달하여 AI가 더 정확하고 맥락에 맞는 응답을 생성할 수 있도록 지원하는 방식입니다.
즉, MCP는
- LLM이 프롬프트(prompt)를 처리하기 전, 컨텍스트를 구조화하여 전달하는 방식
- 프롬프트를 넘어서, 별도의 표준화된 포맷(JSON, YAML 등)으로 맥락을 정의하고 전달
- 사용자 정보, 이전 대화 기록, 사용자 의도, 보안정책 등 추가 정보 전달 가능
2. 어시웍스와 MCP 연계 필요성
어시웍스는 사용자 요청을 처리할 때 에이전트가 자동으로 도구를 선택하고 실행합니다.
이 과정에서 MCP를 활용하면
- 프롬프트만으로는 부족한 세부적인 맥락 정보를 전달하여 에이전트의 정확한 판단 지원
- 업무 프로세스 전반에 일관된 컨텍스트를 적용하여 보안·컴플라이언스 강화
- 에이전트가 더 효율적이고 정확한 의사결정을 내리도록 지원하여 결과 품질 향상
3. MCP와 어시웍스의 기술적 연계 방법 (구성요소)
(1) MCP 구성 정보 예시 (JSON 형식)
{
"user_context": {
"id": "user_1234",
"department": "IT 보안팀",
"role": "관리자",
"preferences": {
"language": "ko",
"response_style": "간결하고 기술적 설명"
}
},
"security_context": {
"allowed_actions": ["summarize", "translate"],
"disallowed_content": ["개인정보", "내부 기밀 정보"]
},
"conversation_context": [
{
"timestamp": "2025-03-17T14:00:00Z",
"user": "내가 지난번에 요청한 보안 점검 결과를 다시 한번 요약해줘.",
"response": "지난 보안 점검에서 발견된 취약점은 총 5건으로, 긴급 조치가 필요합니다."
}
]
}| MCP 필드 | 설명 및 용도 |
|---|---|
user_context |
사용자 정보와 선호도 등 개인화 정보 |
security_context |
보안정책 및 허용 작업 정보 |
conversation_context |
이전 대화나 상호작용 이력 |
4. 어시웍스에서 MCP 적용 방법
에이전트가 MCP 정보를 읽고 프롬프트에 반영하여 처리하는 방법입니다.
Python 코드 예시
import json
from langchain.llms import OpenAI
class MCPEnabledAgent:
def __init__(self, api_key, mcp_context):
self.llm = OpenAI(api_key=api_key)
self.context = mcp_context
def handle_request(self, request_type, text):
# MCP에서 컨텍스트 정보를 프롬프트에 반영
prompt_context = self.build_prompt_context(request_type, text)
return self.llm(prompt_context)
def build_prompt_context(self, request_type, text):
user_role = self.context['user_context']['role']
allowed_actions = self.context['security_context']['allowed_actions']
disallowed_content = self.context['security_context']['disallowed_content']
if request_type not in allowed_actions:
return "요청하신 작업은 보안정책상 허용되지 않습니다."
# MCP 기반 프롬프트 생성
prompt = f"""
당신은 '{user_role}'를 위한 AI 에이전트입니다.
요청받은 작업: '{request_type}'
사용자가 제공한 텍스트는 다음과 같습니다:
{text}
아래 내용은 답변에서 제외해야 합니다: {', '.join(disallowed_content)}
간결하고 기술적인 형태로 응답해 주세요.
"""
return prompt
# MCP 정보 불러오기
with open('mcp_context.json', 'r') as f:
mcp_context = json.load(f)
# 에이전트 실행
agent = MCPEnabledAgent(api_key='your-api-key', mcp_context=mcp_context)
# 예시 요청
result = agent.handle_request("summarize", "지난달 보안 점검에서 발견된 취약점 내역입니다. 개인정보 노출 가능성이 있는 부분이 존재합니다.")
print(result)- MCP 정보(JSON)를 읽어 사용자 정보, 허용된 작업, 금지된 컨텐츠 등을 확인
- 사용자의 요청이 MCP 규정에 부합하는지 확인하고, 프롬프트를 구성하여 LLM 호출
- 컨텍스트를 반영한 응답을 생성해 사용자에게 전달
5. 실제 활용 시나리오 예시 (보안 점검 보고서 생성)
| 단계 | 동작 설명 (MCP 연계) |
|---|---|
| 사용자 요청 | "최근 서버 점검 결과를 요약해줘." |
| MCP 적용 (에이전트 동작) | MCP의 사용자 권한, 보안 정책, 이전 대화 내용을 자동 참조하여 요청의 타당성 점검 |
| 어시웍스 에이전트 실행 | 에이전트는 MCP 맥락 기반 프롬프트를 LLM에 전달 |
| 결과 제공 | "서버 보안 점검 결과, 고위험 취약점 3건, 중위험 취약점 5건 발견. 즉시 대응 필요." |
이 과정에서 MCP가 없으면 사용자의 요청에 대한 보안정책 검증이나 맥락을 고려하지 못하고 단순히 요약 작업만 진행하게 됩니다. MCP 연계를 통해 보안정책 위반을 방지하고 보다 정확하고 효율적인 작업 처리를 지원합니다.
6. MCP 연계 시 보안 점검 포인트
내부 사용자를 위한 MCP 사용 시, 아래의 보안 요소 점검 필요
- MCP 파일(JSON, YAML 등) 접근 권한 관리 철저히 수행
- 민감한 정보가 포함된 MCP 데이터는 암호화 관리
- 에이전트의 MCP 처리 로직에 대한 보안 코드 리뷰 시행
- Audit Log에 MCP 컨텍스트 사용 내역을 기록 및 정기 검토
어시웍스에 MCP를 연계하면,
- 에이전트가 사용자와 상황 맥락을 깊게 이해하여 고품질 응답 생성
- 정책 위반 행위를 효과적으로 방지하고 규정 준수를 강화
- AI 업무 자동화 시 보안성과 신뢰성 대폭 향상
따라서, 보안이 중요한 기업 내 AI 자동화 환경에서는 MCP를 반드시 활용할 것을 권장합니다.
댓글