Google은 AI 기술을 사용하여 콘텐츠를 사용자의 기본 언어로 번역합니다. AI 번역에는 오류가 있을 수 있습니다.

에이전트 스킬로 데이터 제품 빌드

개요

이 가이드에서는 GitHub 저장소의 Cortex Framework에서 직접 제공하는 전문 Cortex Framework 에이전트 스킬을 AI 코딩 어시스턴트 (예: Gemini와 페어링된 Antigravity 에이전트 개발 프레임워크)와 함께 사용하여 Cortex Framework 권장사항을 따르는 맞춤 데이터 제품을 빌드하는 방법을 설명합니다.

Cortex Framework는 기능을 확장하는 전문 에이전트 스킬을 제공하여 AI 어시스턴트가 Cortex Framework 권장사항을 따르는 데이터 제품을 빌드하는 프로세스를 안내할 수 있도록 지원합니다. 이러한 기능을 사용하면 자연어를 사용하여 특정 비즈니스 요구사항에 따라 새 데이터 제품을 요청할 수 있습니다. 예를 들어 미지급액, 연체액, 매출액에 대한 유용한 정보를 얻기 위해 미지급금 소비 데이터 제품을 요청할 수 있습니다. 결과는 고객별 요구사항 및 데이터를 기반으로 빌드되어 실행할 준비가 된 완전히 통합된 Cortex Framework 데이터 제품입니다.

에이전트 스킬

에이전트 스킬은 전문 지식과 워크플로를 통해 AI 에이전트 기능을 확장하기 위한 경량의 개방형 형식입니다. 기본적으로 스킬은 에이전트가 특정 작업을 수행하는 방법을 지시하는 선택적 스크립트, 참조, 애셋과 함께 메타데이터 및 안내가 포함된 SKILL.md 파일이 포함된 폴더입니다. 스킬은 절차적 지식과 컨텍스트를 에이전트가 요청 시 로드하는 휴대용 폴더로 패키징하여 도메인 전문 지식과 반복 가능한 워크플로를 제공합니다. Cortex Framework 스킬은 .agent 디렉터리에 저장됩니다.

Cortex Framework 에이전트 스킬

에이전트 데이터 제품 빌더는 Cortex Framework 내에서 데이터 제품의 엔드 투 엔드 개발 수명 주기를 자동화합니다. AI 어시스턴트에게 구조화된 개발 워크플로를 실행하도록 지시하면 파일 구조를 수동으로 스캐폴딩하고, 복잡한 SAP 스키마를 탐색하고, 기초 레이어를 구성하고, 맞춤 네임스페이스를 관리하고, 상용구 Dataform SQLX 코드를 작성할 필요가 없습니다.

AI 어시스턴트는 다음과 같은 핵심 작업을 관리합니다.

계획 및 요구사항 매핑: 구체적인 비즈니스 요구사항을 실행 가능한 데이터 모델링 및 개발 계획으로 변환합니다.
라이브 스키마 조회: 복제된 SAP 데이터 딕셔너리 (DDIC) 테이블을 쿼리하는 스크립트를 실행하여 맞춤 Z-필드와 같은 고객별 컨텍스트 정보를 제공합니다.
상용구 스캐폴딩: 필요한 모든 구성 파일, 메타데이터, SQLX 또는 JavaScript 코드 아티팩트를 자동으로 생성합니다.
데이터 품질 게이트: 로컬 빌드를 실행하고, SQL 코드를 컴파일하고, 단위 및 통합 테스트를 실행하고, 이름 지정 표준 준수를 확인하여 데이터 제품을 검증합니다.
문서 만들기: 데이터 제품 모듈의 엔티티 관계 (ER) 다이어그램 및 기본 키 시각화를 비롯한 문서 애셋을 자동으로 만듭니다.

이러한 에이전트 스킬로 데이터 제품을 개발하는 것은 반복적인 프로세스입니다. 초기 목표로 시작하여 ER 다이어그램 및 스키마를 포함한 에이전트의 제안된 구현 계획을 검토하고, 진행하면서 AI 어시스턴트에게 대화형으로 로직을 구체화하도록 요청할 수 있습니다. 에이전트가 개발을 가속화하는 동안에도 저장소에 커밋하기 전에 생성된 모든 코드를 검토하고 승인할 수 있는 완전한 제어 권한을 유지합니다. 또한 이러한 에이전트 스크립트는 인증된 사용자 인증 정보를 사용하여 로컬에서 실행되므로 기존 Google Cloud 및 BigQuery 액세스 한도를 기본적으로 준수합니다.

기본 요건

에이전트 스킬을 사용하기 전에 개발 환경이 라이브 스키마 쿼리, 데이터 컴파일, 자동 검증을 사용 설정하기 위한 다음 요구사항을 충족하는지 확인하세요.

Google Cloud SDK (gcloud): 사용자 계정으로 (gcloud) CLI를 설치하고 인증합니다. 자세한 내용은 배포 문서를 참조하세요.
애플리케이션 기본 사용자 인증 정보 (ADC): 로컬 컴파일 도구 및 pytest 모음이 BigQuery와 통신할 수 있도록 로컬 ADC 및 프로젝트 대상을 구성합니다. 자세한 내용은 기본 프로젝트 준비 Google Cloud 를 참조하세요.
복제된 SAP 데이터 딕셔너리 (DDIC) 테이블: 에이전트가 대소문자를 구분하지 않는 스키마 검사를 실행하고 필드 길이를 정확하게 검증할 수 있도록 원시 대상 BigQuery 데이터 세트에서 다음 SAP 메타데이터 테이블을 복제합니다.
- DD03L (테이블 필드)
- DD04T (데이터 요소 텍스트)
- DD08L (테이블 관계)
- DD01L (도메인)
- DD07L (도메인 값 - 선택사항)
- DD07T (도메인 값 텍스트 - 선택사항)
로컬 Python 환경: 로컬 종속 항목을 설치하고 동기화 도구를 실행하여 검증 라이브러리 및 단위 테스트가 제대로 작동하는지 확인합니다.uv 자세한 내용은 문서를 참조하세요.

설정 및 IDE 구성

시작하기 전에 선호하는 AI 코딩 어시스턴트 (예: Antigravity)의 설치 및 설정 안내를 참조하세요.

필요한 설치 아티팩트를 수집하고 저장소를 클론합니다. 자세한 내용은 설치 아티팩트를 참조하세요.
지정된 AI 코딩 어시스턴트 내에서 클론된 Google Cloud Cortex Framework 소스 코드 공간을 엽니다.

Google Cloud Cortex Framework는 저장소의 .agents/skills/ 디렉터리에 있는 전문 스킬 집합을 통해 에이전트 기능을 노출합니다. 이러한 스킬은 여러 개발 환경에서 사용할 수 있습니다.

Antigravity 프레임워크: Antigravity는 시작 시 모든 작업공간 스킬을 자동으로 검색, 색인 생성, 활성화합니다. 추가 구성은 필요하지 않습니다. 확인하려면 어시스턴트에게 다음을 요청하세요.

사용 가능한 스킬은 무엇인가요?
Gemini Code Assist가 포함된 VSCode:
1. VS Code Marketplace에서 Gemini Code Assist 확장 프로그램을 설치합니다.
2. cortex-framework-core 폴더를 작업공간으로 엽니다. 어시스턴트가 .agents/skills/ 디렉터리에서 스킬을 자동으로 검사하고 로드합니다.
기타 AI CLI 도구: 안내 프롬프트에서 스킬 디렉터리를 기본적으로 참조합니다. 예를 들면 다음과 같습니다.

.agents/skills/ 디렉터리 내에서 create-data-product 스킬을 읽고 스캐폴딩합니다...

맞춤 데이터 제품 만들기

다음 단계에서는 에이전트 스킬을 사용하여 맞춤 데이터 제품을 만드는 구조화된 개발자 워크플로를 설명합니다.

1단계: 요구사항 및 컨텍스트 제공

AI 코딩 어시스턴트의 채팅 인터페이스를 사용하여 특정 데이터 요구사항을 설명하는 프롬프트를 제공합니다. 예를 들면 다음과 같습니다.

SAP S/4HANA 및 ECC를 대상으로 하는 미지급금 통계용 Cortex Framework 데이터 제품을 만듭니다. 네임스페이스 custom_finance를 사용합니다. 기본 비즈니스 요구사항은 공급업체 전체의 미지급액 및 연체액을 추적하고 회사 코드를 기준으로 미지급금 매출액 비율을 계산하는 것입니다.

프롬프트에서 기존 요구사항 또는 사양 문서를 직접 참조할 수도 있습니다. 이러한 문서 (Markdown 또는 기타 구조화된 형식일 수 있음)는 에이전트에게 다음과 같은 중요한 컨텍스트를 제공합니다.

비즈니스 컨텍스트 및 도메인: 세부 목표, 사용자 스토리, 타겟 소비자
입력 데이터 사양: 소스 테이블 목록 (예: LFA1, BSIK, BSEG, Z...), 버전 관리 세부정보 (ECC 대 S/4HANA), 제외 규칙, 맞춤 필드 등
변환 로직 및 비즈니스 규칙: 핵심 매핑 제약조건, 클라이언트 필터링 (mandt), 소프트 삭제 (loekz), 결제 차단 표시기 (zlspr) 매핑 처리, 조정 규칙 (예: 매출액 비율이 왜곡되지 않도록 회사 간 공급업체 거래 제외)
데이터 무결성 및 테스트 어설션: 검증 시나리오 (예: 세분성 고유성 검증 및 최종 출력의 미결제 송장 금액 합계가 원시 소스 테이블과 정확히 일치하는지 확인)

2단계: 구현 계획 검토

요구사항을 간략하게 설명하면 에이전트는 query-sap-ddic 스킬과 같은 여러 스킬을 사용하여 원시 BigQuery DDIC 메타데이터 테이블을 쿼리합니다. 이를 통해 에이전트는 필요한 소스 테이블을 식별하고 검증하여 필드 유형과 관계가 정확하도록 할 수 있습니다. 에이전트는 요구사항이 Cortex Framework 권장사항과 완벽하게 일치하도록 다른 스킬을 호출할 수도 있습니다.

구현을 시작하기 전에 에이전트는 검토를 위해 간단한 구현 계획을 제공합니다. 이 계획에는 식별된 소스 테이블, 매핑, 데이터 제품의 제안된 아키텍처 구조가 포함됩니다. 이 계획을 검토하고 확인하기 전에 필요한 조정을 요청합니다.

3단계: 데이터 제품 생성

구현 계획을 확인하면 에이전트는 create-data-product 스킬을 사용하여 디렉터리 구조를 스캐폴딩합니다. 이렇게 하면 지정된 맞춤 네임스페이스에서 새 맞춤 개발이 핵심 플랫폼 업데이트와 격리됩니다.

src/data_modules/<custom_namespace>/products/<dataproductname>/
├── manifest.yaml
├── table_settings.default.yaml
├── README.md
├── definitions/
│   └── [ecc|s4]/
│       └── <product_name>.js
└── annotations/
    └── [ecc|s4]/
        └── <product_name>.yaml

폴더 구조 및 개별 파일에 대한 자세한 내용은 확장성 가이드 문서를 참조하세요.

이 단계에서는 에이전트에게 generate-er-diagram 스킬을 사용하여 관계를 자동으로 시각화하거나 create-python-tests 스킬을 사용하여 어설션을 스캐폴딩하도록 요청할 수도 있습니다.

4단계: 품질 게이트 실행 및 데이터 검증

에이전트는 부여된 권한에 따라 다음 필수 검증 게이트를 자동으로 실행하거나 실행하라는 메시지를 표시합니다. 이 프로세스 전반에 걸쳐 에이전트는 결과를 검토할 수 있도록 세분화된 상태 보고서를 생성합니다.

빌드 검증: 생성된 모든 SQL 모델이 성공적으로 컴파일되고 빌드 요약이 생성되도록 uv run cortex-build --config config/config.yaml을 실행합니다.
Pytest 실행: 전체 Python 단위 테스트 모음을 실행하여 핵심 비즈니스 로직 및 어설션을 검증하는 테스트 실행 보고서를 출력합니다.
Linter 및 감사: validate-data-product 스킬을 활용하여 엄격한 필드 패리티 검사를 실행하고 이름 지정 규칙 준수를 검증하여 자세한 준비 보고서로 마무리합니다.

5단계: 배포 및 실행

검증 보고서를 검토하고 생성된 코드를 승인하면 데이터 제품 애셋을 배포할 준비가 된 것입니다.

애셋 배포: 로컬에서 배포 스크립트 (예: uv run cortex-deploy --config config/config.yaml)를 실행하여 컴파일된 데이터 제품 정의를 구성된 Dataform 작업공간으로 푸시합니다.
데이터 구체화: 최종 배포 후 워크플로를 완료하여 생성된 Dataform 파이프라인을 실행하고 BigQuery 내에서 새 테이블과 뷰를 직접 구체화합니다.
유용한 정보 제공: 구체화되면 맞춤 데이터 제품을 Gemini Enterprise와 같은 다운스트림 분석 앱에 완전히 연결하여 원래 비즈니스 질문에 대한 지능적이고 실행 가능한 답변을 제공할 수 있습니다.

기존 데이터 제품 업데이트

맞춤 데이터 제품이 빌드되면 처음부터 시작하여 수정할 필요가 없습니다. update-data-product 스킬을 활용하여 새 필드를 반복적으로 추가하거나, 비즈니스 로직을 조정하거나, 완전히 새로운 소스 테이블을 통합할 수 있습니다. 예를 들면 다음과 같습니다.

custom_finance AP 데이터 제품을 업데이트합니다. LFA1 소스 테이블에서 결제 조건 필드 (ZTERM)를 추가하고 최종 출력 뷰에 올바르게 매핑되었는지 확인합니다. 완료되면 빌드 검증을 실행합니다.

에이전트는 구성을 찾고, 정확한 필드 요구사항을 위해 BigQuery DDIC를 쿼리하고, Dataform 코드를 업데이트하고, 변경사항을 검증하는 데 필요한 빌드 검사를 실행합니다.

권장사항 및 제한사항

스키마 쿼리 실패: 에이전트가 SAP 메타데이터 스키마를 가져오지 못하는 경우 로컬 애플리케이션 기본 사용자 인증 정보 (ADC)가 활성 상태이고 대상 원시 데이터 세트에 대한 BigQuery 데이터 뷰어 IAM 역할을 보유하고 있는지 확인합니다.
컨텍스트 한도: 수십 개의 테이블이 포함된 매우 큰 데이터 제품을 빌드하는 경우 에이전트가 컨텍스트를 잃을 수 있습니다. 더 작은 원자적 안내를 제공하여 성공률을 높입니다 (예: 에이전트에게 먼저 헤더 수준 측정기준을 빌드한 다음 별도의 후속 프롬프트에서 항목 수준 팩트를 추가하도록 지시).