SQL 스키마를 Mermaid ER 다이어그램으로 자동 변환하는 워크플로우
데이터베이스 스키마 변경 시 수동으로 ER 다이어그램을 수정하면 실제 스키마와 문서가 일치하지 않는 문서 드리프트 현상이 발생한다. Amazon Bedrock AgentCore는 컨테이너화된 에이전트, 지속성 메모리, 보안 게이트웨이를 제공하는 런타임 인프라를 통해 AI 주도 개발 생명주기(AI-DLC, AI-driven Development Life Cycle)를 구현하여 이 문제를 해결한다. 개발자가 풀 리퀘스트로 스키마를 변경하면 별도의 수동 작업 없이 최신 다이어그램이 유지된다.
시스템은 이벤트 기반 아키텍처로 작동한다. 개발자가 SQL 코드를 저장소에 체크인하면 Amazon S3 트리거가 AWS Lambda 함수를 실행하고, Lambda는 AgentCore 런타임을 가동한다. 런타임 내부의 에이전트가 데이터 정의 언어(DDL, Data Definition Language)를 분석해 텍스트 기반 다이어그램 정의서인 .mmd 파일로 변환하여 다시 Amazon S3에 저장한다.
보안을 위해 최소 권한 원칙을 적용했다. 시스템은 테이블 구조, 제약 조건, 외래 키와 같은 스키마 메타데이터만 읽으며, 실제 테이블에 저장된 행(row) 데이터에는 접근하지 않는다. AI 에이전트가 논리적 구조 정보만 활용하도록 제한해 기업의 데이터 보안 정책을 준수한다.
실제 구현 단계에서는 BedrockAgentCoreApp 런타임 래퍼를 사용하며 `@app.entrypoint` 데코레이터를 통해 처리기인 핸들러를 등록한다.
@app.entrypoint
def handle_sql_to_mermaid(event, context):SQL 스키마 분석 및 Mermaid 다이어그램 생성 로직
pass
해당 자동화 구현체의 전체 소스 코드는 GitHub 저장소에서 확인할 수 있다.
AgentCore Gateway와 메모리를 활용한 멀티 에이전트 보안 분석
수동 보안 리뷰는 전문 인력이 CVE 데이터베이스와 조직 정책을 일일이 대조해야 하므로 배포 파이프라인의 병목 현상을 유발한다. 이 시스템은 Python과 Java 코드의 보안 취약점, 의존성 CVE(공통 취약점 및 노출) 및 정책 위반 사항을 자동으로 스캔하여 검토 지연을 제거한다.
분석 프로세스는 GitLab 파이프라인에서 Amazon S3로 코드가 푸시되는 시점에 트리거된다. S3에 저장된 코드를 Strands 기반 에이전트가 분석하며, Amazon Bedrock의 Anthropic Claude Sonnet 모델이 보안성을 평가한다. 에이전트는 AgentCore Gateway를 통해 AWS Lambda에서 실행되는 MCP(모델 컨텍스트 프로토콜) 도구를 호출하여 CVE 데이터베이스 대조 및 보안 정책 위반 여부를 판별한다.
분석 결과는 AgentCore memory에 저장되어 시맨틱 검색을 통해 빠르게 조회할 수 있다. 최종 출력은 1~10점 사이의 품질 점수와 구체적인 개선 권고 사항으로 구성되며, 이는 세션 기반 실시간 웹 대시보드로 전달된다.
운영 안정성은 Amazon Cognito 인증과 모니터링 체계로 유지한다. AgentCore Observability와 Amazon CloudWatch를 결합해 에이전트의 동작 상태를 실시간으로 추적한다. 전체 구현 세부 사항과 코드는 아래 GitHub 저장소에서 확인할 수 있다.
sample-agentic-secure-software-handoffs
이러한 개별 워크플로우를 통합하여 전체 개발 생명주기를 관리하기 위해 AgentCore는 로컬과 클라우드를 결합한 하이브리드 구조를 채택한다.
로컬 에이전트와 클라우드 런타임의 이원화 구조
배포 환경의 이벤트 기반 워크로드는 AgentCore가 전담하고, 설계 및 구현 단계는 로컬 에이전트가 보완한다. Kiro는 AI-DLC의 인셉션(Inception)과 컨스트럭션(Construction) 단계에서 구조화된 명세서와 커스텀 에이전트 스킬을 제공해 요구사항을 구체화하고 설계 오류를 줄인다.
Claude Code는 로컬 CLI(명령줄 인터페이스) 에이전트로 작동하며 AgentCore의 배포물을 보완한다. 서버 기반의 AgentCore가 정해진 이벤트에 따라 자동화 워크플로우를 실행한다면, Claude Code는 개발자의 즉각적인 개입이 필요한 구현 세부 사항을 처리한다. 개발자는 로컬에서 빠르게 검증한 결과물을 AgentCore의 배포 체계로 넘기는 방식을 사용한다.
시스템 확장성은 MCP와 커스텀 스킬을 통해 확보한다. 이를 통해 OpenAI Codex와 같은 외부 코딩 에이전트를 통합할 수 있다. 예를 들어 SQL 스키마 기반 ER 다이어그램 생성 워크플로우를 MCP 서버 통합을 통해 다른 코딩 에이전트에서도 동일하게 사용할 수 있다. 특정 모델에 종속되지 않고 표준화된 프로토콜로 스킬을 추가하는 개방형 구조다.
전체 작업 흐름은 Kiro의 구조 설계 $
ightarrow$ Claude Code의 로컬 구현 $
ightarrow$ AgentCore의 배포 및 자동화 관리로 이어지는 순차적 체인을 형성한다. 각 단계가 최적화된 에이전트 환경에서 이루어지므로 개발 주기의 속도가 빨라진다.
AI-DLC 구현을 위한 설계 원칙과 거버넌스 제약
AI-DLC 구축 단계에서 AI는 아키텍처 제안, 구현 계획 수립, 배포 아티팩트 생성을 주도한다. 기술적 결정은 팀원이 실시간으로 가이드를 제공하는 Human-in-the-loop 구조로 운영한다. AI가 제안한 계획을 인간이 검토하고 수정 방향을 결정함으로써 의사결정 주도권을 유지하고 기술적 정밀도를 확보한다.
전체 워크플로우는 모듈형 컴포넌트로 구성하여 특정 단계의 AI 모델을 변경하거나 로직을 수정할 때 시스템 영향을 최소화한다. 각 단계의 독립성과 교체 가능성을 확보해 유지보수 효율을 높였다.
실제 운영에서는 설계, 구현, 검증을 빠르게 반복하는 볼트(bolt) 패턴을 적용한다. 개발자는 로컬 에이전트 도구로 짧은 작업 주기를 반복하며 기능을 구현하고 즉시 검증한다. 이 피드백 루프를 통해 AI가 제안한 가설을 코드로 빠르게 확인하고 결함을 수정함으로써 대규모 설계 오류 리스크를 분산시킨다.
단계별 AI-DLC 도입 전략
첫 단계로 SQL-to-ER 다이어그램 샘플을 통해 단일 에이전트의 자동화 흐름을 검증한다. 제공된 배포 스크립트를 실행해 에이전트가 런타임 환경에서 정상 작동하는지 확인하고 출력 결과의 정확도를 측정하며 초기 진입 장벽을 낮춘다.
이후 멀티 에이전트 조정 기능과 MCP 도구 통합을 추가해 시스템 복잡도를 확장한다. AgentCore Gateway를 통해 도구 호출을 라우팅하는 관리 체계를 구축하고, MCP로 외부 데이터 소스를 연결해 에이전트가 참조하는 컨텍스트의 양과 질을 높인다.
최종 단계에서는 보안 소프트웨어 핸드오프 샘플을 적용해 CI/CD 트리거와 결합한 자동화 파이프라인을 구축한다. AI가 1차 보안 필터링을 수행하고 인간이 최종 결정만 내리는 구조로 전환하는 것이 핵심이다. Amazon Bedrock AgentCore 공식 문서와 API 레퍼런스를 참조해 기업 내부 보안 정책을 에이전트 판단 기준으로 삽입하면 실무 배포가 가능하다.
로컬 환경에서 빠르게 코드를 수정하고 반복하는 개발 단계에서는 CLI 기반의 Claude Code를 사용하고, 이벤트 기반의 자동화와 대규모 배포가 필요한 운영 단계에서는 클라우드 기반의 AgentCore를 배치하는 것이 효율적이다.
로컬 환경에서 빠르게 코드를 수정하고 반복하는 개발 단계에서는 CLI(Command Line Interface, 명령줄 인터페이스) 기반의 Claude Code를 사용하고, 이벤트 기반의 자동화와 대규모 배포가 필요한 운영 단계에서는 클라우드 기반의 AgentCore를 배치하는 것이 가장 효율적인 선택 기준이다.
