AI 기반 제품 가격 보험 에이전트: LangGraph를 활용한 종단 간 구축 가이드

핵심 기술

이 글은 보험 청구 또는 대량 구매 의사 결정에 필요한 제품의 현재 시장 가치를 정확하게 파악하기 위해 AI를 활용하는 "AI-powered Product Price Insurance Agent"를 구축하는 과정을 상세히 소개합니다. LangGraph를 워크플로우 오케스트레이션 프레임워크로 사용하여 복잡한 AI 워크플로우를 효과적으로 관리하는 방법을 보여줍니다.

기술적 세부사항

• 문제 정의: 보험 청구 시 부정확한 과거 가격 정보 대신 정확한 대체 가치를 필요로 하며, 수동 작업의 비효율성을 AI로 자동화하고자 합니다.
• 아키텍처: 3단계 워크플로우 (상품 URL 검색 → 가격 데이터 추출 → 통계 및 보고서 생성)를 LangGraph 기반으로 구축했습니다.
  • LangGraph: 상태 관리, 오류 처리, 조건부 라우팅, 개별 컴포넌트 테스트 기능을 제공하는 스테이트풀(stateful), 멀티스텝 AI 워크플로우 구축에 최적화된 프레임워크입니다.
  • Bright Data (MCP Integration): 웹 스크래핑을 위한 강력한 도구로, 모델 컨텍스트 프로토콜(MCP)을 활용합니다.
  • Google Gemini: 구조화된 출력을 지원하는 LLM으로, 상품 정보 추출에 사용됩니다.
  • Streamlit: 실시간 진행 업데이트 기능을 갖춘 대화형 사용자 인터페이스를 구축하는 데 사용됩니다.
• 상태 관리: TypedDict를 사용하여 InsuranceState 정의 (product_query, search_results, price_data, final_report, error, confidence_score 등)
• 노드별 구현:
  • search_products: Bright Data의 MCP와 LangChain Adapter를 사용하여 Amazon, Walmart, Best Buy에서 상품 URL을 검색하고 ProductURLs Pydantic 모델로 구조화합니다.
  • extract_prices: 검색된 URL에서 상품 가격, 제목, 가용성 등의 정보를 ExtractedPrice Pydantic 모델을 사용하여 추출합니다.
  • generate_report: 추출된 가격 데이터를 기반으로 평균, 중앙값, 최소/최대 가격을 계산하고, 이를 바탕으로 전문적인 가격 분석 보고서와 신뢰도 점수를 생성합니다.
• 워크플로우 컴파일: LangGraph의 StateGraph를 사용하여 노드를 추가하고 엣지를 설정하여 워크플로우를 정의하고 컴파일합니다.
• 사용자 인터페이스: Streamlit으로 실시간 진행 상황을 보여주는 채팅 인터페이스를 구현했습니다.
• 테스트: 각 노드(예: test_search_products)를 개별적으로 테스트하여 기능 검증을 수행합니다.
• 핵심 개선점: with_structured_output() 사용으로 정규 표현식(regex)보다 훨씬 안정적인 데이터 추출이 가능해졌습니다.
• 성과: 3초 내 3개 플랫폼에서 상품 URL 검색, 85% 이상의 정확도로 가격 추출, 신뢰도 점수 포함 보고서 생성, 오류 처리 기능.

개발 임팩트

이 프로젝트는 AI를 활용하여 비효율적인 수작업 데이터를 처리하는 프로세스를 자동화함으로써 시간과 비용을 절감하고, 보다 정확하고 일관성 있는 데이터 기반 의사결정을 지원할 수 있음을 보여줍니다. 또한, LangGraph와 같은 최신 워크플로우 오케스트레이션 도구를 실제 문제 해결에 적용하는 방법을 배울 수 있습니다.

커뮤니티 반응

글에서는 with_structured_output() 사용이 정규 표현식보다 시스템 안정성을 극적으로 향상시켰다는 점을 강조하며, 이는 AI 모델 활용 시 데이터 구조화의 중요성을 시사합니다.