인프라 Context 주입을 통한 AI의 5천만 건 Scan 비용 낭비 방지

Give Your AI Assistant Infrastructure Eyes Before It Writes Another Query

Siddharth Pandey2026년 6월 9일5분intermediate

AI 요약

Context

AI 코딩 어시스턴트가 소스 코드만 분석하고 실제 인프라의 데이터 규모와 스키마를 인지하지 못해 발생하는 비효율적 쿼리 생성 문제. 특히 DynamoDB의 Scan과 Limit 메커니즘 오해로 인해 대규모 테이블에서 과도한 RCU 소모 및 비용 폭증 초래.

MCP(Model Context Protocol)를 통한 정적 분석 데이터와 LLM 간의 실시간 Context 연결 구조 설계
ts-morph 기반의 TypeScript AST 파싱을 통한 코드 그래프 및 데이터 접근 경로 분석
DB 스키마 Introspection을 통해 Partition Key, Sort Key, GSI 존재 여부를 확정적(Deterministic)으로 식별
룰 기반 분석기(Rule-based Analyzer)를 통해 Full Table Scan 및 Index 누락 등 고위험 패턴 사전 탐지
LLM을 분석 단계에서 배제하고 결과 전달자로만 활용하여 분석의 정확성과 결정론적 결과 보장
24시간 캐시 전략 및 세션 내 자동 파일 변경 감지를 통한 인프라 상태 최신성 유지

실천 포인트

1. AI가 제안한 DB 쿼리가 Table 규모에 상관없이 동작하는 범용 패턴인지 검토

2. DynamoDB 사용 시 Limit 파라미터가 실제 Read 비용을 줄이지 않는다는 점을 팀 내 공유

3. GSI(Global Secondary Index) 존재 여부를 AI가 인지하고 Query API를 제안하는지 확인

4. PostgreSQL 등 RDB 사용 시 Sequential Scan을 유발하는 필터 조건에 Index 적용 여부 교차 검증

태그