플러스프로젝트 배경
축산 유통 실무에서 데이터 질문은 매일 쏟아지지만 답은 전부 PostgreSQL 시계열 테이블 안에 잠겨 있었다. 판매 집계, FTA TRQ 쿼터 소진율, 도매가 예측(VARX), 창고 재고 스냅샷, 축산 뉴스 — 이 모든 걸 SQL을 못 쓰는 실무진이 스스로 묻고 답할 수 없어 매번 데이터팀에 요청하는 병목이 있었다. 일반 LLM 챗봇에 그냥 물으면 숫자를 지어낸다(환각)는 게 정형 데이터의 근본 문제다.
프로젝트 성과
골든셋 30/30 정확도 달성
수치 25문항 + 행동 검증 5문항(되묻기·빈데이터·라우팅)을 그래프 전체(ask_agent)로 채점해 전부 통과. 정확도를 측정 가능한 지표로 고정.
숫자 환각 제거
Text-to-SQL + 실행 SQL 동봉으로 "지어낸 숫자"를 "검증 가능한 SQL"로 전환. 모든 답변을 사람이 재현·검증 가능.
채널 3종 단일 로직 공유
Slack·Claude 앱(MCP)·HTTP가 같은 그래프 하나를 호출 → 채널이 늘어도 검증·가드레일·품질이 자동 일관. N×M 구현 회피.
핵심 기능
Text-to-SQL 수치 응답
자연어 질문을 SQL로 변환·실행해 판매 집계·쿼터·예측·재고 등 정형 수치를 정확히 답변. 답변에 실행 SQL 동봉.
진행 단계
평가셋 & 데이터사전
2026.05.
골든 질문 세트(질문·정답SQL·기대값·난이도·유형) + 테이블·컬럼 데이터사전 구축. 코드보다 데이터 먼저.
프로젝트 상세
[배경] 축산 유통 실무진(영업·기획·MD)은 "지난달 제일 많이 팔린 품목", "호주산 소고기 쿼터 잔량", "다음 주 삼겹살 도매가 예측" 같은 질문을 매일 던진다. 답은 전부 PostgreSQL 시계열 테이블 안에 있지만, SQL을 못 쓰는 사람은 매번 데이터팀에 요청해야 했다. 이 병목을 자연어 에이전트로 없애는 게 목표였다. [핵심 설계 결정] - Text-to-SQL 채택, RAG는 보조
