AI Reporting App Development Guide with Python, LLM, and MCP
AI Store에서 AI코딩으로 만들어진 앱을 만나보세요!
지금 바로 방문하기

AI 기반 보고서 앱 개발 가이드: Python, LLM, MCP 활용

카테고리

프로그래밍/소프트웨어 개발

서브카테고리

인공지능

대상자

  • Python 개발자, 데이터 분석가, AI 시스템 구축 담당자
  • 중간~고급 수준의 프로그래밍 지식 보유자

핵심 요약

  • LLM(Anthropic)MCP(Model Context Protocol)을 활용한 AI 보고서 생성 시스템 구축
  • Postgres MCP 서버시각화 MCP 서버를 통한 데이터 처리 및 시각화
  • Python 3.12+, Node.js 23.10+, Postgres DB 설치 및 환경 설정

섹션별 세부 요약

1. AI 기반 보고서 시스템의 핵심 기술

  • LLM(Anthropic): 자연어 처리 및 분석을 위한 대규모 언어 모델
  • MCP(Model Context Protocol): AI 모델과 외부 시스템 간의 컨텍스트 유지 및 동적 상호작용 프레임워크
  • Postgres MCP 서버: 구조화 데이터 쿼리 수행
  • 시각화 MCP 서버: 데이터 시각화 생성 및 관리

2. 시스템 아키텍처

  • : 사용자 쿼리 처리 및 MCP 서버, LLM 간 중개
  • MCP 서버 연결: Postgres MCP 서버(데이터 쿼리), 시각화 MCP 서버(데이터 시각화)
  • LLM 도구 호출: 쿼리 분석 후 필요한 MCP 서버에 요청
  • 결과 통합: LLM 및 MCP 서버 결과를 사용자에게 반환

3. 개발 준비 사항

  • Python 3.12 이상 설치 (uvicorn, fastapi 등 사용)
  • Postgres DB 구성 및 테이블 스키마 설정
  • Anthropic API 키 발급 및 환경 변수 설정
  • Node.js 23.10 이상 설치 (Postgres MCP 서버 실행)

4. API 엔드포인트 예시

  • /servers: 연결된 MCP 서버 목록 조회
  • /tools: MCP 서버에서 추가된 도구 목록 조회
  • /query: 사용자 쿼리 기반의 분석 및 시각화 생성

- 예시 쿼리: "List the top 3 organization id with the highest average messages count from metrics_rooms. Please generate chart visualization with type bar and also please give me analysis for that result."

- 응답: base64 인코딩된 차트 이미지 포함

5. 분석 결과 예시

  • 상위 3개 조직의 평균 메시지 수:

- 1위: 51160f9a-253c-4db2-a564-80af1321874f (25 메시지)

- 2위: b223aab1-68cc-49e6-9b52-b459a0c917e4 (20 메시지)

- 3위: b462ea35-c804-4cc6-b7a5-535023924ee1 (18 메시지)

  • 핵심 관찰:

- 상위 3개 조직 간 평균 메시지 수 차이: 7 메시지

- 모든 조직의 평균 메시지 수가 고수준 유지

- 메시지 수 감소가 점진적으로 이루어짐

결론

  • LLM + MCP 아키텍처를 활용한 AI 보고서 시스템은 사용자 친화적인 데이터 분석을 가능하게 함
  • Python 3.12+, Postgres, Node.js 23.10+ 환경 구축이 필수적
  • base64 인코딩된 차트를 통해 API 응답에 시각화 포함 가능
  • 실제 구현 시 Anthropic API 키MCP 서버 구성에 주의해야 함