SpigenLM AI 데이터 인텔리전스 플랫폼

핵심 흐름

사용자는 자연어만 입력한다

어떤 DB에, 어떤 테이블이 있는지 아는 것은 AI의 역할입니다. 사용자는 질문만 합니다.

자연어 → 데이터 시각화 파이프라인

💬

사용자

"이번 달 발주 현황 보여줘"

→

🧠
AI
의도 분류 + DB 선택

→

🔎
Semantic
GoldenQuery 유사 검색

→

⚡
SQL 생성
스키마 컨텍스트 주입

→

🛡️

검증

SqlValidator AST 파싱

→

📊

시각화

차트/테이블 위젯

절대 원칙 (CLAUDE.md에 명문화)

AI가 생성한 SQL은 반드시 SqlValidator를 통과해야 실행된다 — INSERT / UPDATE / DELETE / DROP → 파싱 단계에서 즉시 차단

DB 자격증명은 CryptoService로 암호화, 평문 저장 금지

모든 쿼리에 tenantId 조건 포함 필수 — 다른 테넌트 데이터 접근 불가

모든 쿼리에 LIMIT 10000 자동 추가 — 과도한 데이터 반환 방지

사고의 진화

만들고 싶다 → AI가 어디까지 할 수 있을까?

이 프로젝트는 스펙 문서 하나로 시작했지만, 실제 개발 과정에서 던진 질문들이 방향을 바꾸고 기능을 만들었습니다. 147개의 대화에서 추린 결정적 순간들입니다.

Phase 1 MVP 완성 후 — 처음으로 실제 데이터를 조회해보면서

개발자

프롬프트 쓸 때 DB를 선택하고 써야 해?
맥락상으로 이해해서 DB를 붙을 수 없나?

Claude

가능합니다. IntentClassifier로 요청 의도를 파악하고, 관련 BusinessProcess에 매핑된 DataSource를 자동 선택하는 방식으로 구현할 수 있어요. → Phase B 설계로 이어짐

개발자

예를 들어 판매 데이터를 보고싶어라고 했어.
그러면 여러 DB에서 맞는 정보를 유추해서 조합해서 보이게 할 수 있는 거잖아?

Claude

VirtualJoinService — 각 DB에서 데이터를 가져와 애플리케이션 레이어에서 메모리 조인하는 방식으로 구현 가능합니다. 실제 FK 없이도 동작합니다.

Phase 3 진행 중 — 프로세스 등록 UI를 보면서

개발자

이 시스템의 기본 기조는, 개발자들이 쓰는 게 아니라
개발 아무것도 모르는 사람들이 자연스럽게 생태계에서 사용할 수 있게 하는 게 기본이야.
정밀하게 진행해.

관계 발견 알고리즘 설계 중

개발자

FK가 없을 수도 있어.
데이터들을 보고 유기적으로 연관성을 판단하는 것까지도 가야해.
이해돼?

Claude

Level 1(FK) → Level 2(컬럼명 패턴) → Level 3(실제 데이터 값 겹침 분석).
1,000행 샘플에서 70% 이상 겹치면 관계로 판단합니다. FK 제약이 없는 레거시 ERP에도 동작합니다.

API 요금이 429 Rate Limit에 걸리기 시작한 시점

개발자

예를 들어서 GoldenQuery —
프로젝트에 있는 Mapper들을 분석해서 기존 쿼리들을 가지고 있다가,
프로세스에 맞게 각 쿼리들을 보관한 다음 너가 개선해서 저장시킬 수도 있나?

Claude

가능합니다. MyBatis XML 파일에서 #{param} 패턴 추출 → 컬럼-파라미터 매핑 저장 → GoldenQuery로 전환. 수만 개의 매퍼 파일에서 조직의 비즈니스 지식을 자동 추출합니다.

모든 서비스 코드 분석을 마친 후

개발자

내가 궁극적으로 원하는 건 —
"A라는 오더가 언제 데이터가 생겨서(주문이 와서)
생산 → 출고 → 배송 이런 모든 정보를
이 AI가 흐름을 인지하는 그런 정도를 원하거든?"
가능한가?

Claude

가능합니다. 각 DB의 테이블 간 관계를 BusinessProcess 그래프로 연결하면, 오더 번호 하나로 주문 → 생산계획 → 출고지시 → 배송 테이블을 순서대로 추적할 수 있습니다. Phase F의 크로스 테이블 통합 분석이 그 기반입니다.

개발자 주도 고도화

질문에서 탄생한 기능들

스펙 문서에 없던 기능들. 개발하면서 느낀 불편함, 떠오른 아이디어, 현실적 제약이 새 기능을 만들었습니다.

개발자 아이디어

이미지 업로드 → 위젯 자동 생성

"이런 형태로 매출 데이터 보여줘" — 이미지 첨부 + 텍스트로 동일 형태 위젯 자동 생성

Claude Vision API + 차트 형태 자동 매핑으로 구현

개발자 아이디어

Mapper에서 GoldenQuery 추출

"프로젝트에 있는 Mapper들을 분석해서 기존 쿼리들을 GoldenQuery로 저장시킬 수도 있나?"

수만 개 MyBatis XML → 비즈니스 쿼리 패턴 자동 학습

개발자 아이디어

AI 테마 생성 + 페이지 빌더

"배경색상, 모서리 둥글게, 애플 소프트웨어처럼 — 테마를 AI 입력으로 생성해볼 수 있게"

자연어 테마 → 팝업 미리보기 → AI 페이지 생성

개발자 아이디어

상태코드 자동 번역

"40-1, 43은 무슨 상태인지 어떻게 알 수 있지? KR/EN/CN 언어 설정으로 상태값 치환"

TableMeta 상태코드 의미 → 사용자 언어로 자동 번환

개발자 아이디어

비율 기반 일괄 관계 수락

"퍼센트 정해서, 예를 들면 90% 이상 수락 이런 식으로 일괄 수락할 수 있게 해줄래?"

유사도 임계값 슬라이더 → 조건 충족 관계 일괄 확정

개발자 아이디어

커스텀 위젯 빌더

"AI 요청 분류 — db_widget / embed_widget / custom_widget / new_widget_type으로 구분"

구글챗, Slack, 날씨, 타이머 등 외부 서비스 임베드 지원

버그에서 발견

Bastion 터널 지원

"Bastion이 있는 경우는 어떻게 설정하지? 창고세이버 DB PRD가 터널링이 되어야 하거든"

SSH 터널링 + PEM/Password 선택 입력 UI로 구현

실제 사용 중 발견

AI가 "불명확합니다"로만 응답

모호한 요청에 JSON 대신 대화체로 응답 → 시스템 파싱 오류 발생

Clarification Engine — confidence 계산 + 업무 선택지 제시로 전환

API 비용 문제에서 발견

Claude API 429 Rate Limit

Claude API 429 Rate Limit 에러 발생 — 매 요청마다 전체 스키마를 분석하는 게 문제

GoldenQuery 캐시 + 시맨틱 검색으로 AI 호출 90%+ 절감

사고의 깊이

이 고민이 설계를 바꿨다

첫 번째 전환

"일을 위한 일은
안 된다"

관리자가 직접 테이블을 입력해서 업무 프로세스를 등록해야 했다. 실제로 써보니 아무도 쓰지 않았다. "모든 업무 프로세스를 사용자가 등록해야 할까? 이 프로젝트가 일을 위한 일을 할 수는 없다." → AI가 DB를 분석해서 프로세스를 자동 발견하도록 설계 전환.

수동 등록 → AI 자동 발견 관리자는 확인/거절만

두 번째 전환

"사용자는 테이블을
왜 알아야 하지?"

초기 설계는 사용자가 어떤 DB, 어떤 테이블을 볼지 선택해야 했다. "사용자가 테이블을 왜 알아야 하지? 이것을 처리하는 게 AI여야 하잖아?" → DB 구조를 노출하지 않고 업무 개념으로만 대화하는 Clarification Engine 설계.

DB 구조 완전 추상화 업무 개념으로만 대화

세 번째 전환

"통합 DB가 되면
어떻게 찾을 수 있어?"

지금은 여러 DB에 파편화되어 있지만, 나중에 통합 DB로 이전할 때도 동일한 분류 체계로 찾을 수 있어야 한다. "나중에 통합 DB가 된다 — 이런 건 항상 고려가 되어야 해." → BusinessProcess + BusinessDomain 계층 구조로 데이터 분류 체계 설계.

DB 독립적 분류 체계 통합 DB 이전 시에도 동일 동작

네 번째 전환

"오더 흐름 전체를
AI가 인지해야 해"

여러 서비스(S2C, Sales, Emro SCM, AutoLabeler, Changgo) 코드를 모두 분석한 후. 단순히 데이터를 보여주는 것이 아니라, 오더 하나가 어떤 시스템을 거쳐서 생산→출고→배송까지 이어지는지 AI가 전체 흐름을 인식해야 한다는 비전. → Phase F~I 크로스 테이블 통합 분석 + 그래프 분석 로드맵의 출발점.

보여주는 플랫폼 → 발견하는 플랫폼 비즈니스 흐름 전체 인식

개발 과정

Phase별 점진적 고도화

각 Phase는 독립 배포 가능하며, 이전 Phase의 결과물 위에 쌓이는 구조입니다.

Phase 1~3

MVP 구축

완료

단일 DB 연결 + AI 위젯 생성 + 드래그앤드롭 대시보드. SqlValidator, 멀티 DB 커넥터, SSH 터널링까지.

SqlValidator Oracle/MySQL/PG/Snowflake SSH 터널링 드래그앤드롭 대시보드

Phase A

AI 프로세스 자동 발견

완료

FK가 없는 레거시 ERP에서도 동작하는 3단계 관계 발견. 관리자는 AI가 발견한 프로세스를 확인/거절만 하면 됨. GoldenQuery 시스템 도입.

3단계 관계 발견 GoldenQuery FK/컬럼패턴/값겹침

Phase B

의도 분류 + 시맨틱 검색

완료

IntentClassifier로 요청 의도 파악 → 관련 테이블만 AI에 제공. 유사도 90%+ 쿼리는 AI 호출 없이 즉시 반환. TableMetaSampler로 상태코드 의미 자동 학습.

IntentClassifier Voyage AI 임베딩 TableMetaSampler 코사인 유사도

Phase C

Clarification Engine

완료

모호한 요청에 DB 구조를 노출하지 않고 업무 개념으로 선택지 제시. confidence 임계값별 다른 처리 (바로생성 / 힌트 / 선택지).

confidence 계산 BusinessProcess 선택지 DB 구조 비노출

Phase A~C Enh.

파라미터 쿼리 + 위젯 재교정

진행중

AI가 {{PARAM_NAME}} 플레이스홀더로 SQL 생성 → 위젯에 FilterBar 자동 렌더링. 자연어로 위젯 SQL 수정 + undo 5단계. Mapper 분석으로 레거시 암묵지 추출.

{{PARAM}} 파라미터화 FilterBar 자동생성 위젯 SQL 재교정 Mapper XML 파싱

Phase F~I

AI 학습 고도화

설계완료 · 구현예정

크로스 테이블 통합 분석 → 연관 규칙 마이닝 → 시계열 이상 탐지 → 클러스터링. "보여주는 플랫폼"에서 "발견하는 플랫폼"으로.

크로스 테이블 관계 발견 연관 규칙 마이닝 시계열 + 이상 탐지 클러스터링 그래프 분석

버그 해결 사례

Claude Code와 함께 추적한 버그들

단순한 오류 수정이 아닌, 근본 원인을 함께 분석하고 방어 로직까지 적용했습니다.

사례 1

:param 문법 오류

AI가 크로스 DB 쿼리를 생성할 때 MySQL 준비 구문인 :sku, :item 형태로 SQL을 만들어 실행 오류 발생. 로그를 함께 분석해 근본 원인이 AI 프롬프트 지침 부재임을 파악.

프롬프트 강화 + VirtualJoinService 방어 로직 동시 적용

사례 2

{{PARAM}} 파서 충돌

{{PO_NO}}가 포함된 SQL을 node-sql-parser가 유효하지 않은 SQL로 거부. 파라미터 쿼리 시스템과 SQL 안전성 검증이 충돌하는 상황.

AST 파싱 전 {{PARAM}} → '__param__' 치환 후 파싱하도록 SqlValidator 수정

사례 3

AI가 JSON 대신 대화로 응답

사용자 요청이 모호할 때 AI가 SQL JSON 대신 "요청이 불명확합니다. 어떤 데이터를 원하시나요?" 형태로 응답. 시스템이 JSON을 기대하고 있어 파싱 오류 발생.

프롬프트에 "모호해도 JSON만 반환" 규칙 추가 + 대화체 감지 후 친화적 에러로 변환

데이터 활용

AI가 데이터를 스스로 이해하는 방법

파편화된 레거시 ERP 데이터를 AI가 스스로 이해하는 기반을 만드는 것이 이 프로젝트의 핵심입니다.

01

MyBatis Mapper 분석

레거시 ERP의 수만 개 XML 매퍼 파일에서 EBELN = #{poNo} 패턴을 추출. 개발자들이 수년간 쌓아온 비즈니스 지식을 AI가 학습 가능한 구조로 변환.

02

TableMetaSampler

각 테이블에서 실제 데이터 100행을 샘플링해 AI로 분석. 상태코드 의미 자동 추출 (01→대기, 02→진행중), 업무 카테고리 분류, 차트 타입 추천.

03

GoldenQuery 누적

검증된 쿼리를 자동 저장해서 재사용. 유사도 90%+ → AI 호출 없이 즉시 반환. 유사도 75~90% → few-shot 예시로 AI에게 제공.

04

파생 키 패턴 감지

EBELN=4500017893 ↔ PLAN_ID=450001789310_2026
값이 포함 관계인 파생 키는 정확한 값 매칭으로 절대 발견 불가. AI의 패턴 인식으로만 가능한 영역.

-- MyBatis Mapper에서 추출한 패턴
-- EBELN 컬럼 = PO번호 라는 사실이 담겨 있다
<if test="poNo != null">
  AND EBELN = #{poNo}   ← 이 패턴을 추출
</if>

-- 파이프라인이 변환한 결과
{
  "column": "EBELN",
  "paramName": "poNo",
  "template": "{{PO_NO}}"  ← GoldenQuery에 저장
}
  

아이디어의 진화

Phase F~I는 Claude가 제안한 게 아니다

군집화·연관규칙·이상탐지·그래프 분석 — 이 기술들은 개발자가 먼저 물어서 끌어낸 것입니다. "더 딥한 요구사항까지 추론해봐"라는 질문 하나가 새로운 DB 등록 파이프라인 설계 전체를 바꿨습니다.

1

출발점 — 데이터 분류

이런식으로 데이터를 분류하는 고도화를 통해서
"이게 어디에 필요한 정보다"라는 것을 분류해볼 수 있어?
정보가 있는 테이블들을 최신 100개 정도씩 끊어서 —
이런 값은 어떤 프로세스에 필요하다, 사용자가 이걸 요청하면 이걸로 어떻게 엮어서 보여줄지 학습이 가능할까?

2

확장 — 8개 시스템 전체 분석

이런 것들도 다 분석을 한번 해서
영업, 생산, 물류, 배송, 계약, 단가 등등으로 분석할 수 있는 것들을 다 분석해봐.

(S2C, Sales Portal, ChanggoSaver, Emro SCM, AutoLabeler, spigen-web
— 8개 시스템 코드 전체를 넘기며)

3

핵심 전환점 — 군집화를 직접 물다

이런식으로 더 딥한 요구사항정도까지를 너가 지금 추론해볼수있어?

FK가 없을 수도 있어 —
데이터들을 보고 유기적으로 연관성을 판단하는것까지도 가야해.
그래서 이게 군집화가 필요하지 않나?

맞습니다. FK 없는 환경에서 관계를 발견하려면 데이터 값 자체의 겹침(70%+ threshold)으로 판단해야 합니다. 이를 위해 새 DB 등록 파이프라인을 다음과 같이 설계합니다:

새 DB 등록 자동 파이프라인
Step 1: 스키마 수집 — 테이블 목록 + 컬럼 타입 + 샘플 100행
Step 2: 관계 발견 — FK → 컬럼명 패턴 → 데이터 값 겹침 70%+ threshold
Step 3: 클러스터링 → Claude Opus — 연관 테이블 묶음 → 프로세스 추론
"PO_HEADER + VENDOR_MASTER = 구매발주 프로세스"
→ BusinessProcess 저장 (confirmed=false)
Step 4: DOMAIN_MAP 확장 — 새 비즈니스 도메인 자동 추가
Step 5: GoldenQuery 생성 — 발견된 관계 기반 SQL 자동 작성

4

궁극의 비전 — 흐름을 인지하는 AI

"A라는 오더가 언제 데이터가 생겨서(주문이 와서)
생산 → 출고 → 배송 이런 모든 정보를
이 AI가 흐름을 인지하는 그런 정도를 원하거든?"

그 비전이 Phase I의 그래프 분석입니다. 군집화로 묶인 프로세스 단위들이 시간 순서 엣지(edge)로 연결되어 오더 흐름 그래프가 구성됩니다. 사용자가 "이 오더 어디까지 갔어?"라고 물으면, AI는 그래프를 탐색해 답합니다.

이 질문들이 Phase F~I로 연결된 방식

각 질문이 어떤 Phase로 이어졌는지

데이터 분류 가능해?

↓

Phase F

크로스 테이블 통합 분석
테이블 간 관계 자동 발견

같이 보는 데이터 패턴?

↓

Phase G

연관 규칙 마이닝
"발주→납기 72% 동반" 자동 발견

이상한 수치 자동 감지?

↓

Phase H

시계열 + 이상 탐지
z-score 기반 자동 마킹

"군집화가 필요하지 않나?"

↓

Phase I

군집화 + 그래프 분석
오더 흐름 자동 인지

앞으로

"발견하는 플랫폼"으로

Phase F~I는 사용자가 묻기 전에 AI가 먼저 발견하는 단계입니다.

Phase F

크로스 테이블 통합 분석

전체 스키마 + 컬럼별 샘플값을 AI에게 한 번에 제시. "이 7개 테이블이 구매 프로세스를 구성한다"를 스스로 파악.

Phase G

연관 규칙 마이닝

GoldenQuery SQL을 파싱해 "발주 조회 후 납기 조회가 72% 동반된다" 같은 패턴 자동 발견. 위젯 하단에 함께 자주 보는 데이터 추천.

Phase H

시계열 + 이상 탐지

날짜 컬럼이 있는 테이블에서 이동 평균 계산 → 추세 감지. z-score 기반으로 이상값 자동 마킹. "발주량 +34% / 단가 이상 2건" 자동 인사이트.

Phase I

클러스터링 + 그래프 분석

협력사 납기 데이터 클러스터링 → "위험 그룹 5개사, 우량 그룹 23개사" 자동 발견. 사용자가 묻기 전에 AI가 먼저 알려준다.

파편화된 데이터를 자연어로 잇다

파편화된 데이터를
자연어로 잇다