AI 에이전트와 MCP 서버 연동을 통한 고객 피드백 시스템 구축
카테고리
프로그래밍/소프트웨어 개발
서브카테고리
인공지능
대상자
- Python 및 비동기 프로그래밍 기초를 갖춘 개발자
- LLM(대규모 언어 모델)을 활용한 AI 시스템 구축을 목표로 하는 개발자
- 고객 피드백 분석 및 자동화 프로세스를 구현하는 팀
핵심 요약
- MCP 서버와 통합된 AI 에이전트 구축
- AsyncOpenAI 및 aiohttp 라이브러리 사용
- FeedbackAgent 클래스로 고객 대화 분석 및 피드백 수집 자동화
- LLM 활용한 피드백 처리 로직
- GPT-3.5-turbo 모델을 통해 extract_feedback 및 analyze_feedback_trends 수행
- JSON 형식으로 피드백 데이터 파싱 및 서버에 전달
- 자동화 워크플로우 구현
- WorkflowEngine 클래스를 통해 daily_analysis, negative_feedback_alert, weekly_report 자동 실행
섹션별 세부 요약
1. 설치 및 초기 설정
- 필요한 라이브러리 설치:
pip install openai python-dotenv aiohttp .env파일 생성:OPENAI_API_KEY=your-api-key-herefeedback_agent.py파일 생성: 에이전트 로직 정의
2. FeedbackAgent 클래스 구현
- MCP 서버 연결
- connect_to_server() 메서드로 stdio_client를 사용한 연결
- ClientSession을 통해 툴 및 리소스 목록 확인
- LLM 기반 피드백 분석
- collect_customer_feedback() 메서드: 대화 텍스트에서 이름, 피드백, 평가 추출
- analyze_feedback_trends() 메서드: 피드백 데이터를 기반으로 주요 트렌드 분석
- 고객 상호작용 처리
- handle_customer_interaction() 메서드: 메시지 의도 분류(give_feedback, check_status) 후 대응
3. 자동화 워크플로우 엔진
- 워크플로우 정의
- daily_analysis_workflow() 메서드: 매일 피드백 분석 및 즉각적인 문제 감지
- negative_feedback_workflow() 메서드: 부정적 피드백 발생 시 대응 계획 생성
- weekly_report_workflow() 메서드: 주간 보고서 생성 및 실행 요약 제공
- 스케줄러 통합
- WorkflowScheduler 클래스를 통해 특정 시간대(hour, minute) 또는 이벤트 기반 워크플로우 실행
4. 시스템 실행 및 통합
run_system.py파일 생성:asyncio.run(main())을 통해 전체 시스템 실행WorkflowEngine과FeedbackAgent연결:run_workflow()메서드로 작업 실행
결론
- 실무 적용 팁
GPT-3.5-turbo모델 사용 시temperature값 조정으로 분석 정확도 향상WorkflowScheduler를 통해daily_analysis와negative_feedback_alert자동화- 예외 처리(
try-except)로MCP 서버 연결 오류및LLM 응답 실패대응 .env파일 보안 관리: API 키를 외부 노출 방지해야 함