Paperclip과 Railway를 활용한 Autonomous AI Agent 오케스트레이션 구축

Stop Hiring, Start Orchestrating: Running an AI Agent Company with Paperclip on Railway

Alphasec2026년 5월 16일5분intermediate

AI 요약

Context

기존의 AI 에이전트 활용 방식은 일회성 요청-응답 구조에 의존하여 지속적인 비즈니스 프로세스 자동화에 한계가 존재함. 이에 따라 단순 챗봇을 넘어 역할, 예산, 스케줄이 정의된 'Company' 단위의 자율 운영 체계 필요성이 대두됨.

Heartbeat 스케줄링 기반의 Agent 웨이크업 메커니즘을 통한 비동기 Task 처리 구조 설계
LLM Provider별 특성에 맞춘 Adapter 계층을 도입하여 Claude(판단), Gemini Flash(속도/비용) 등 최적의 모델 매핑
Railway의 Docker 기반 배포 환경에서 entrypoint.sh를 통한 config.json 동적 생성 및 초기화 자동화
Health Check 403 오류 해결을 위해 HTTP 응답 기반 체크 대신 Process Liveness 기반의 상태 감시 전략 채택
데이터 규모와 비용 요구사항에 따라 Embedded PostgreSQL($5-6/mo)과 External PostgreSQL($10-12/mo)로 구분한 DB 스토리지 전략 수립
Headless 환경 제약을 극복하기 위해 OAuth/WebSocket 인증이 필요 없는 opencode_local 어댑터 우선 적용

실천 포인트

1. Headless 컨테이너 환경 배포 시 인터랙티브 인증(OAuth 등)이 없는 Adapter 선택 여부 확인

2. Liveness Probe 설정 시 애플리케이션의 인증 필터로 인한 403 오류 가능성을 고려하여 체크 포인트 설정

3. 에이전트의 역할(Role)별로 판단력과 비용 효율성을 구분하여 서로 다른 LLM 모델을 할당하는 최적화 검토

태그