우아콘에서 얻은 아이디어를 n8n 자동화로 검증하기

개요

우아콘 2025에 다녀왔다. AI 에이전트에 대한 세션을 들으면서 현업에서 적용해볼 수 있는 아이디어를 얻었다. 특히 n8n을 활용한 워크플로우 자동화가 인상 깊었는데, 직접 사용해본 적이 없어서 이것저것 시도해보면서 친해지려고 한다.

우아콘에서 얻은 인사이트

리뷰 자동화에 대한 고민

요즘 드는 고민이 있다. 공통된 시스템과 다른 신규 기능이 추가되기 시작하면서 하나하나 체크하기 어려운 상황이 됐다. 일반적인 컨텍스트로는 린트 정리가 전부인데, 현재 상황에서는 도움이 되지 않았다.

AI에게 전체 아키텍처를 학습시키고 시스템에 위배되는 문제를 점검해보는 건 어떨까 하는 생각이 들었다. 리뷰어로서 AI가 원하는 동작을 하기 위해서는 필요한 컨텍스트를 학습시켜야 한다. 지식을 구조화해서 단계적으로 리뷰할 수 있도록 적용해보는 게 좋아 보였다.

예를 들어 이런 것들을 점검할 수 있다.

• ECS 적재하는 경우 AWS Secret Manager + Spring Config 조합을 사용하는지 확인
• HMAC 인증 헤더 필드가 공통 규격과 동일한지 점검

AI 에이전트란 무엇인가

세션에서 들은 내용을 정리하면, 에이전트는 다음 요소로 구성된다.

• Context: 컨텍스트 입력
• Plan: 계획 수립
• Memory: 기억 관리
• Model(LLM): 언어 모델

작업 지시 문서가 패키징된 게 에이전트다. 목표에 맞게 일을 하는 게 에이전트다.

온보딩 예시로 에이전트를 구축한 사례가 있었다. 온보딩은 가이드 → 작업 → 검증 과정을 거치는데, 에이전트도 동일하다. 가이드는 컨텍스트 입력, 작업은 AI 작업, 검증은 검증 및 피드백에 해당한다.

배포 직후 지표, 로그 등 활용해 모니터링 결과를 정리하고 이상이 있으면 알려달라.

AI한테도 이런 SDLC가 가능하지 않을까?

분석 → 설계 → 구현 → 테스트 → 배포 → 운영 및 유지보수

내가 원하는 목표

개선하고 싶은 프로세스는 에러 알림 대응 프로세스다. 에이전트를 도입하면 빠른 원인 파악이 가능하고, 어떤 상황인지 유관 부서에 전파할 수 있을 것으로 기대했다.

• Input: 에러 로그, 해당 서비스 소스 코드, 현재 맥락
• Output: 에러 로그 분석, 소스 코드 분석으로 해결 방안 제시, 현재 맥락 활용한 상황 공유

AI 네이티브란 AI 에이전트를 활용해 생산성을 높이는 것이다. AI 동료를 누구나 쉽게 만들고 적용할 수 있는 회사를 지향한다는 이야기가 인상 깊었다.

n8n과 친해지기 1: 파일 병합 기능 구현

상황

백오피스에서 일정 기간 포인트 거래 이력을 엑셀로 다운받으려고 하니 OOM이 발생했다. 포인트 서비스가 성장하면서 포인트 한 달치가 많아진 게 원인이었다. poi 라이브러리가 모든 데이터를 메모리에서 집계하려다 보니 발생하게 됐다.

해결

파일을 5분할해서 다운로드한 뒤, n8n으로 병합해서 전달했다.

워크플로우는 다음과 같이 구성했다.

1. Local File Trigger로 파일 감지
2. Read/Write Files from Disk로 파일 읽기
3. Loop Over Items로 반복 처리
4. Extract from XLSX로 데이터 추출
5. Convert to CSV로 변환
6. Read/Write Files to Disk로 최종 파일 저장

결과

제로 코드 기반으로 30만 건 데이터를 쉽게 병합할 수 있었다. 이 과정에서 n8n을 공부할 수 있었다.

n8n 친해지기 2: 공통 컨벤션을 위한 리뷰 자동화 기능 만들기

상황

공통 시스템과 신규 기능이 추가되면서 하나하나 체크하기 어려운 상황이다.

해결

AI에게 전체 아키텍처를 학습시키고 시스템 규칙 위배 여부를 자동 점검하는 것이다. 대표적인 예시로 두 가지가 있다.

첫째, ECS 환경에서 AWS Secret Manager + Spring Config 규격을 공통 컨벤션으로 유지하게 됐다. 해당 조합 사용 여부를 체크해서 공통 컨벤션에 위배되는지 확인할 수 있다.

둘째, 우리 팀은 보안 3요소를 지켜서 통신하는 것을 목표한다. 보안 3요소를 목표하기 위해 HMAC 인증 방식을 공통 컨벤션으로 사용하고 있다. HMAC 인증 방식을 사용하는지, 헤더 필드가 공통 규격과 일치하는지 검증할 수 있다.

워크플로우는 다음과 같이 구성했다.

1. PR Trigger로 PR 이벤트 감지
2. Get file’s Diffs from PR로 변경 사항 조회
3. Create target Prompt from PR Diffs로 프롬프트 생성
4. Code Review Agent + OpenAI Chat Model로 리뷰 생성
5. Code in JavaScript로 결과 처리
6. Loop Over Items + HTTP Request로 GitHub API 호출

첫 번째 결과

리뷰가 생성되긴 했지만, 수정이 필요한 라인과 함께 배치되지 않아서 가독성이 떨어졌다.

두 번째 결과

라인별로 코멘트가 달리도록 개선했다. 하지만 JSON 데이터가 깨져서 첫 번째 댓글이 정상적으로 노출되지 않는 문제가 있었다.

구조화된 JSON을 안정적으로 받기 위해 temperature를 0에 가깝게 낮출 필요가 있었다. temperature가 낮을수록 출력의 무작위성이 줄어 같은 형식을 유지하기 쉽다.

결론

원하는 위치에 리뷰를 남기는 데는 성공했지만, 실제 리뷰 내용은 활용하기 어려웠다. 워크플로우를 연결하는 것만으로는 부족했고, 어떤 규칙을 어떤 근거로 검사할지 컨텍스트를 구조화하고 결과를 평가하는 과정이 필요했다.

n8n 적용해보기: 에러 로그 분석 리포팅 자동화 기능 만들기

현재 상황

AWS에서 500 에러가 임계치를 넘으면 경보가 발생하도록 구성되어 있었다. 그중 실제 대응이 필요한 경보는 약 1%에 불과했다. 빈번한 경보로 피로도가 누적되며 간헐적으로 이슈 대응이 누락되는 경우도 있었다.

해결

현 문제에 대한 원인은 대응이 필요한 에러를 분류하지 않아 모든 경보가 발생하는 상황이다. 로그 분류 프로세스 구축이 필요해서 대응이 필요한 에러 로그만 경보가 발생하도록 개선했다. 추가로 해당 로그를 분석해 리포팅하도록 해서 팀의 이슈 파악 속도를 향상시키고자 했다.

과정을 정리하면 다음과 같다.

1. Grafana에서 error 로그를 식별하면 alerting을 전송한다. alerting 대상은 n8n webhook이다.
2. n8n은 webhook을 입력받고 Loki API로 대상 서비스(job) 로그 상세 정보를 조회한다.
3. AI 모델은 로그 상세 정보와 프롬프트를 입력받아 추론한다.
4. n8n은 추론 결과를 입력받아 mail을 전송한다.

첫 번째 결과

정보가 부족했다. 문제가 발생하면 당연히 지적되는 내용만 작성됐다. 원인은 입력한 컨텍스트가 부족하거나 프롬프트가 빈약하거나 둘 중 하나라고 봤다.

• 입력한 컨텍스트가 부족한가? -> 입력한 컨텍스트는 충분했다. 스택 트레이스 풀 로깅이 전달되고 있었기 때문이다.
• 프롬프트가 빈약한가? → 스택 트레이스 외에 분석 관점과 출력 기준이 부족했다.

두 번째 결과

프롬프트를 개선한 결과, 훨씬 더 유용한 분석 리포트가 생성됐다. 사용자 프롬프트와 시스템 프롬프트를 함께 수정했다.

사용자 프롬프트 개선 어떤 로직에서 에러가 발생했는지 작성하고, 추적이 쉽게 trace id를 통한 정보를 작성했다.

ASIS	TOBE

시스템 프롬프트 개선 템플릿 가독성을 개선하고 각 항목별로 자세하게 설명하도록 개선했다.

ASIS	TOBE

마무리

우아콘에서 얻은 인사이트를 바탕으로 n8n을 활용한 다양한 자동화를 시도해봤다. 파일 병합, 코드 리뷰 자동화, 에러 로그 분석 리포팅까지 세 가지 프로젝트를 진행하면서 몇 가지 교훈을 얻었다.

첫째, n8n은 제로 코드 기반으로 복잡한 워크플로우를 쉽게 구성할 수 있다. 파일 병합처럼 단순한 작업부터 AI 에이전트를 활용한 복잡한 분석까지 다양한 시나리오에 적용할 수 있었다.

둘째, AI 에이전트의 품질은 컨텍스트와 지시, 평가 기준을 얼마나 구체적으로 설계하는지에 달려 있었다. 코드 리뷰 자동화에서 경험했듯이, 시스템 프롬프트와 사용자 프롬프트를 구조화하고 결과가 실제로 유용한지 반복해서 평가해야 했다.

셋째, 컨텍스트만큼 중요한 건 없다. 에러 로그 분석에서 전체 스택 트레이스를 전달해도 분석 관점과 출력 기준이 부족하면 뻔한 내용만 나온다. 어떤 정보를 어떤 구조로 전달하느냐가 핵심이다.

앞으로 이 경험을 바탕으로 팀 내 에러 대응 프로세스를 개선하고, AI 에이전트를 활용한 생산성 향상 방안을 계속 모색해볼 계획이다.