AgentQ AI 에이전트

Overview

데이터를 찾는 시간을 없앱니다

시스템마다 흩어진 데이터·지식을 자연어 하나로 — 조회·분석·리포트, 나아가 사내 시스템 실행까지 수행하는 업무 에이전트를 구축합니다.

AgentQ — 자연어 업무 에이전트 대화 화면 — AgentQ — 자연어 질의·리포트 (예시 화면)

NL2SQL자연어 질문을 SQL로 변환 — 분산 시스템 데이터를 대화로 조회

RAG·GraphRAG사내 문서·지식 검색에 근거 경로 제시로 환각 억제

실행 연동메신저·이슈트래커 등 사내 시스템 연계 자동화

Architecture

질의에서 실행까지, 3계층

AgentQ는 이해 → 추론 → 실행 3계층으로 동작하도록 설계합니다. 모든 답변에 근거 경로를 붙이고, 실행 자동화에는 사람 승인(HITL) 게이트를 둡니다.

실행 · 행동ExecutionMES·ERP·메신저·이슈트래커 연동 — 조회를 넘어 액션까지 · HITL 승인 게이트

추론 · 생성Reasoning상용 LLM API 또는 온프레미스 sLLM으로 분석·리포트 생성 · 가드레일 적용

이해 · 검색UnderstandingNL2SQL로 자연어를 구조화 쿼리로 · RAG·GraphRAG로 사내 지식 검색(근거 경로 동반)

DataQ가 표준화한 데이터를 소비하고, Cubeon Agents·Orchestrator 모듈 위에서 다중 에이전트로 확장하도록 구성합니다.

Runtime Pipeline

근거 있는 답을 만드는 흐름

질의부터 실행까지 각 단계에 검색·근거·검증을 넣어 환각을 억제하도록 설계합니다.

STEP 1

질의 이해

자연어 의도 파악 · NL2SQL로 구조화 쿼리 변환

STEP 2

검색 · 임베딩

벡터 검색으로 사내 문서·지식 후보 검색 · Reranking으로 재순위화

STEP 3

근거 결합

RAG·GraphRAG로 근거 경로를 답변에 결합 · 지식그래프 관계 추론

STEP 4

추론 · 생성

상용 LLM API 또는 온프레미스 sLLM으로 분석·리포트 생성

STEP 5

근거 검증 · 가드레일

근거성 검증(Groundedness) · PII 마스킹 등 가드레일로 안전성 확보

STEP 6

실행 · HITL

사람 승인 후 MES·ERP·메신저·이슈트래커로 액션 실행

근거 미달 시 답변 보류근거성(Groundedness) 점수가 기준에 못 미치면 답변을 보류하고 재검색하도록 설계합니다.

권한 인지 검색사용자 권한 범위 안의 문서만 검색·인용해 정보 접근 통제를 유지합니다.

Core Stack

에이전트를 이루는 기술

검색·추론·실행 전 구간을 산업 현장 요건에 맞춰 구성하도록 설계합니다.

NL2SQL자연어 질문을 SQL로 변환 — 분산 데이터 대화형 조회

RAG사내 문서·지식 검색증강 생성

GraphRAG지식그래프 기반 관계 검색·추론

sLLM온프레미스·폐쇄망용 경량 특화 언어모델

온톨로지·시맨틱 검색사내 용어·관계로 근거 경로 제시

벡터 검색 · Reranking임베딩 후보 검색·재순위화

MCP · Function Calling도구 호출 기반 에이전트 오케스트레이션

Guardrails · MLOpsPII 마스킹 · 지속 학습·감시·개선

멀티 에이전트 허브 예시 화면 — 업무 에이전트와 복합 업무 오케스트레이션(OCR·DB검색·보고서 자동 릴레이) — 멀티 에이전트 허브 — 프로토타입 예시 화면

Integrations

흩어진 시스템을 하나의 대화로

사내 데이터 소스와 협업·실행 도구를 표준 커넥터로 연결하도록 설계합니다.

데이터 소스

SQL DB시계열 DBMESERP사내 문서·지식베이스벡터 DB

협업 · 실행

메신저이슈트래커메일그룹웨어

인터페이스 · 프로토콜

REST / OpenAPISQLMCP · Function CallingsLLM 로컬 추론 엔드포인트

단순 조회를 넘어 거버넌스된 액션(승인·감사 추적)으로 실행하도록 구성합니다.

RAG 지식 연동 예시 화면 — VectorDB 연결·문서 보안등급·지식참조 근거 — 사내 지식 RAG 연동 — 프로토타입 예시 화면

Why not generic AI

범용 AI로는 부족한 이유

범용 LLM과 현장에 붙는 산업 AI는 요구 조건이 다릅니다.

항목	범용 LLM	오큐브 산업 AI
도메인 데이터 이해	일반 지식 기반 — 현장 용어·설비 맥락 약함	이기종 설비·공정 데이터를 표준화(DataQ)해 반영
온톨로지·시맨틱 그라운딩	모델 파라미터에만 의존 — 사내 의미 체계와 분리	온톨로지·시맨틱 레이어에 그라운딩해 사내 용어·관계로 해석, 환각 억제
근거·출처 제시	답의 출처가 불투명 — 환각 위험	RAG·GraphRAG로 근거 경로 함께 제시
온프레미스·폐쇄망	대개 외부 클라우드 API 의존	클라우드·온프레미스·폐쇄망 선택형
현장 시스템 연동	사내 시스템·설비와 분리	MES·ERP·메신저·설비 연동, 실행까지
지속 운영	모델 고정 — 현장 변화 반영 어려움	MLOps로 지속 학습·감시·개선

Human-in-the-Loop

위험도에 따라 사람이 개입합니다

실행 자동화의 신뢰는 단계적으로 확보합니다. 작업의 가역성·위험도에 따라 사람 개입 수준을 달리하도록 구성합니다.

자율성 단계	사람 개입 시점	적용 시나리오
Human-in-the-loop	모든 액션을 실행 직전 사람이 검토·승인	비가역·고위험 (발주·정산·설비 제어)
Human-on-the-loop	사람이 감시하며 필요 시 개입·중단	반복·중위험 (리포트 발송·티켓 생성)
Human-out-of-the-loop	사전 정의 정책 내 자동 실행 · 사후 감사	저위험·가역 (데이터 조회·요약)

임계값 기반 승인 라우팅과 정책 코드화(policy-as-code)로 자동 실행과 사람 판단의 경계를 관리하도록 설계합니다.

권한·역할 기반 승인업무·위험도별로 승인권자를 라우팅해 무단 실행을 차단

감사 추적모든 질의·액션을 로그로 남겨 사후 검증·규제 대응

롤백·보상 처리오실행 시 되돌리기·보상 트랜잭션으로 안전하게 복구

Deployment

데이터가 있는 곳에 배포합니다

데이터 주권·보안 요건에 따라 같은 에이전트를 세 형태로 배포하도록 설계합니다.

데이터가 밖으로 나가도 되는지, 얼마나 빨라야 하는지, 최신 모델이 필요한지 — 세 축으로 배포 형태를 결정합니다.

데이터 주권·보안반출 가능 여부·망분리 요건에 따라 클라우드 ↔ 온프레미스 ↔ 폐쇄망 선택

지연·비용실시간성이 중요한 현장은 로컬 추론, 범용 질의는 API로 역할 분담

모델 최신성최신 상용 LLM API와 내부 특화 sLLM을 요건에 맞춰 조합

클라우드

상용 LLM API 기반 · 빠른 구축과 최신 모델 활용

온프레미스

사내 서버 sLLM · 데이터 내부화 · 최신 GPU 인프라 추론

폐쇄망

망분리(에어갭) 대응 · 데이터 반출 없이 온프레미스 sLLM 운영

Case

업무 시간을 되돌려준 에이전트

대기업 제조 · 자재 관리

자재 의사결정 AI Agent

과제 재고·수급 데이터가 시스템마다 분산, 취합에 시간 소모

해결 자연어→SQL 변환 + 지식검색(RAG), 차트·표·메일 초안까지 대화형 응답

성과 분산 데이터 조회·정리를 대화 한 번으로 대체

확장

CS·문서 자동화로 확장

영역 CS 자동응답, 사내 문서 Q&A, 리포트 초안 자동화

효과 반복 조회·정리 업무를 대화로 대체 — 사람은 판단에 집중

업무 질의응답 에이전트 예시 화면 — 근거 출처를 함께 제시하는 RAG 기반 답변 — 근거 출처를 제시하는 업무 에이전트 — 프로토타입 예시 화면

Optimization Scenarios

이런 상황에서 효과가 큽니다

복잡한 현장 조건에서 에이전트가 실제로 일하게 만드는 방식을 시나리오로 정리했습니다.

여러 시스템에 흩어진 데이터를 매번 조회·취합하는 업무

재고·수급·품질 데이터가 시스템마다 따로 있어, 하나의 질문에 답하려면 여러 화면을 오가며 조회하고 다시 표로 옮겨야 합니다. AgentQ는 자연어 질의를 질의문(NL2SQL)으로 변환해 필요한 시스템에서 직접 데이터를 가져오고, 표·차트와 함께 근거가 된 조회 조건을 같이 제시합니다.

사내 규정과 기술 문서가 여러 곳에 분산된 환경

작업표준서·점검 절차·설비 매뉴얼이 부서별로 나뉘어 있어, 정보가 존재해도 상황에 맞는 답을 일관되게 얻기 어렵습니다. AgentQ는 문서를 의미 단위로 구조화하고 출처와 함께 답변해, 단순 문서 검색이 아니라 업무 판단의 근거로 쓸 수 있는 지식베이스로 동작합니다.

답변의 근거와 책임 소재가 중요한 업무

안전·품질·인허가처럼 해석의 정확성이 요구되는 영역에서는 출처가 불분명한 답변 자체가 리스크가 됩니다. AgentQ는 검색된 근거와 생성된 답변을 대조하고, 근거가 부족하면 단정하지 않고 확인이 필요하다고 표시하도록 설계합니다.

부서마다 열람 범위가 다른 조직

같은 질문이라도 부서와 직무에 따라 접근 가능한 자료가 다릅니다. AgentQ는 역할 기반 접근 제어(RBAC)를 지식 범위에 그대로 적용해, 하나의 창구를 쓰면서도 사용자마다 볼 수 있는 근거만 참조하도록 통제합니다.

AgentQ