AI 기반 제품 가격 보험 에이전트 개발 가이드
카테고리
프로그래밍/소프트웨어 개발
서브카테고리
인공지능, 웹 개발
대상자
- 대상: AI 웹 애플리케이션 개발자, 보험 업무 자동화 담당자
- 난이도: 중급~고급 (Python, LangGraph, Streamlit, LLM 활용 기술 필요)
핵심 요약
- LangGraph 기반 3단계 워크플로우 구현:
search_products(브라이트데이터 MCP 활용)extract_prices(구조화된 Pydantic 모델 사용)generate_report(통계 분석 및 신뢰도 점수 계산)- 핵심 기술 스택:
LangGraph(워크플로우 오케스트레이션)Google Gemini(구조화된 출력 생성)Streamlit(실시간 UI 제공)- 신뢰도 점수 계산 방식:
confidence_score = min(10.0, (platforms_found / 3.0) * 8.0 + 2.0)
섹션별 세부 요약
1. 문제 정의 및 기존 접근 방식
- 전통적 방법의 한계:
- 다중 플랫폼 수동 검색
- 불일치된 데이터 포맷
- 신뢰도 점수 없음
- AI 자동화의 필요성 제시
2. 아키텍처 설계
- LangGraph 활용 3단계 워크플로우:
search_products: MCP 프로토콜 기반 브라이트데이터 활용extract_prices: Pydantic 모델을 통한 구조화된 가격 추출generate_report: 통계 분석 및 보고서 생성
- 상태 관리:
InsuranceStateTypedDict 사용
3. 핵심 구현 코드
- MCP 기반 URL 검색:
```python
class ProductURLs(BaseModel):
amazon: Optional[str]
walmart: Optional[str]
bestbuy: Optional[str]
```
- 가격 추출 로직:
```python
structured_llm = llm.with_structured_output(ExtractedPrice)
url_response = await structured_llm.ainvoke(...)
```
- 신뢰도 점수 계산:
```python
confidence_score = min(10.0, (platforms_found / 3.0) * 8.0 + 2.0)
```
4. UI 구현 (Streamlit)
- 실시간 진행률 표시:
```python
progress_bar = st.progress(0)
status_text = st.empty()
```
- 최종 보고서 출력:
```python
display_final_report(result["final_report"], result.get("confidence_score", 0))
```
5. 테스트 및 결과
- 단위 테스트 예시:
```python
async def test_search_products():
initial_state = {"product_query": "iPhone 16 256GB", ...}
result = await search_products(initial_state)
assert len(result.get('search_results', {})) > 0
```
- 성능 지표:
- 3대 플랫폼 URL 검색: 3~5초 소요
- 가격 추출 정확도: 85% 이상
- 보고서 생성: 95% 성공률
결론
- 구조화된 출력(
with_structured_output()) 사용이 정규식 대비 3배 이상 안정성 향상 - LangGraph + MCP 조합으로 복잡한 워크플로우 자동화 가능
- Streamlit으로 실시간 UI 제공 시, 보험 업무 자동화 효율성 극대화
> "AI 기반 가격 분석 에이전트는 보험 클레임 처리 시간을 70% 이상 절감할 수 있다."