Schema context를 넘어선 Metric context 도입을 통한 AI SQL 정확도 확보

Your AI database agent does not know what revenue means

Mads Hansen2026년 5월 14일1분intermediate

AI 요약

Context

LLM 기반 DB 에이전트가 Raw Table Schema만으로는 복잡한 비즈니스 정의(Revenue, MRR 등)를 정확히 해석하지 못하는 한계 발생. 단순한 SQL 문법의 정답 여부와 상관없이 비즈니스 로직의 오해로 인한 잘못된 데이터 산출 위험 존재.

Prompt Engineering에 의존한 계산 방식에서 Infrastructure 기반의 정의 방식으로 전환
Raw Table 노출을 최소화하고 비즈니스 로직이 반영된 Approved View(예: reporting.monthly_recurring_revenue) 설계
Tenant Scope, Time Grain, Currency Assumptions 및 Test-account 필터링을 View 레벨에서 사전 처리
MCP(Model Context Protocol) Tool에 Metric Description, Allowed Dimensions, Freshness Timestamp 등 상세 Context 메타데이터 포함
모델의 추측을 배제하고 실행 가능한 정의(Executable Definition)를 통해 데이터 일관성 보장

실천 포인트

1. 리더십 보고용 핵심 지표(KPI)를 AI에게 맡기기 전 전용 View 또는 Semantic Layer 구축 여부 확인

2. AI 도구 전달 시 단순 스키마 외에 Dimension, Timezone, Exclusion 규칙을 포함한 Context 전송 설계

3. Raw Table 직접 접근 권한 대신 검증된 Reporting View 접근 권한 부여 검토

태그