몇 시간이 걸리던 업무를 단 몇 분 만에: EDB Postgres® AI의 에이전틱 데이터베이스 기능을 활용하는 DBA 가이드

Charly Batista · 2026년 6월 23일

DBA라면 누구나 이런 아침을 겪어봤을 겁니다. 오전 9시 14분, 개발자가 슬랙으로 메시지를 보냅니다. “저기요, DB가 느려요. 결제(checkout)가 자꾸 타임아웃 나요.”

콘솔을 열고 느린 쿼리 로그를 뒤지기 시작합니다. pg_stat_statements를 확인하고, 실행 시간을 최근 스키마 변경과 대조하며, 통계가 오래된 것은 아닌지 살펴봅니다. 누군가 어젯밤에 인덱스를 지운 것은 아닌지 의심하다가 활성 커넥션을 확인하려고 터미널을 하나 더 엽니다. 그렇게 헤매다 오전 10시 30분쯤, 드디어 원인을 찾습니다. 필터링되는 컬럼에 인덱스가 빠져 있었고, 지난 배포 이후 모든 결제 쿼리의 성능에 영향을 주고 있었습니다.

문제를 찾는 데 걸린 시간은 1시간 20분입니다. 그동안 개발자는 발이 묶였고 고객은 답답함을 겪었습니다. 그러나 정작 문제를 해결하는 데는 10초 정도면 충분했습니다. CREATE INDEX CONCURRENTLY 한 줄이면 끝났기 때문입니다.

문제를 찾는 것과 해결하는 것 사이의 이러한 간극은 과거에는 다소 불편한 정도였습니다. 하지만 에이전트(agent)가 본격적으로 등장하면서 이제는 무시할 수 없는 위험이 됐습니다. 에이전틱 시대는 기업이 만드는 애플리케이션의 종류뿐 아니라 인프라를 운영하는 방식 자체를 바꾸고 있습니다. 전통적인 데이터베이스 인프라만으로는 에이전트가 움직이는 속도를 따라가기 어렵습니다.

해답은 사람에게 더 빠른 대응을 요구하는 것이 아니라 데이터베이스가 스스로 운영되도록 만드는 것입니다. EDB Postgres® AI(EDB PG AI)는 지능을 엔진에 직접 통합합니다. 에이전트가 움직이는 속도에 맞춰 스스로 튜닝하고(self-tune), 스스로 확장하며(self-scale), 스스로 복구합니다(self-heal). 모든 것을 최적화된 엔터프라이즈급 상태로 유지해 에이전트와 개발자가 신뢰할 수 있는 운영 기반을 제공합니다. 동시에 복잡성을 더하거나 사용자의 통제권을 빼앗지 않습니다. 모든 자율 동작은 조직이 정한 가드레일(guardrail) 안에서만 실행되며, 필요한 경우 사람이 직접 승인하도록(human-in-the-loop) 설정할 수 있습니다.

이 글에서는 EDB Postgres AI의 에이전틱 데이터베이스가 무엇을 하고 어떻게 작동하는지, 그리고 PostgreSQL 운영 방식을 어떻게 바꾸는지 살펴봅니다.

에이전틱 데이터베이스란? EDB Postgres AI의 작동 방식

“에이전틱(agentic)”이라는 용어는 폭넓게 사용되지만, EDB Postgres AI에서는 구체적인 의미를 갖습니다. 시스템이 클러스터를 지속적으로 관찰하고, 관찰 결과를 바탕으로 추론하며, 추천을 생성하고, 사용자가 정한 거버넌스 수준 안에서 직접 조치까지 수행할 수 있다는 뜻입니다. 이 모든 기능은 20년 이상 축적된 EDB의 Postgres 전문성을 기반으로 합니다. 일반적인 벤치마크가 아니라 실제 워크로드를 대상으로 패턴과 튜닝 노하우를 적용하는 자동화 계층입니다. 이를 통해 데이터베이스 운영은 문제가 발생한 뒤 해결하는 사후 대응 방식에서 문제가 발생하기 전에 해결책을 제시하는 사전 예방 방식으로 바뀝니다.

추천 스코어카드로 PostgreSQL 상태 진단하기

EDB Postgres AI 콘솔에서 클러스터를 열면 가장 먼저 추천 스코어카드(Recommendation Scorecard)를 확인할 수 있습니다. 잠들지 않고 계속 작동하는 데이터베이스 건강검진과 같은 기능입니다.

클러스터의 Postgres 상태는 다음 다섯 가지 차원에서 평가됩니다.

1. 인덱스(Indexes) — 워크로드가 적절한 인덱스를 실제로 사용하는지, 누락된 인덱스는 없는지 평가합니다.
2. 통계(Statistics) — 쿼리 플래너가 최신의 정확한 통계를 사용하고 있는지 확인합니다.
3. 설정(Configuration) — Postgres 설정이 환경과 워크로드 특성에 맞게 튜닝돼 있는지 살펴봅니다.
4. 보안(Security) — 열려 있는 역할, 취약한 인증, 암호화되지 않은 연결과 같은 보안 취약점이 있는지 점검합니다.
5. 워크로드(Workload) — 곧 추가될 차원으로, 런타임 분석을 한층 더 심층적으로 제공할 예정입니다.

각 항목은 A부터 F까지 등급을 받아 문제의 심각도를 한눈에 보여줍니다. 단순히 경고만 표시하는 대시보드와 달리, 스코어카드는 무엇을 발견했는지와 정확히 어떻게 해결할 수 있는지까지 제시합니다.

금융 거래 워크로드를 실행하는 예시 클러스터 LedgerDB가 인덱스 등급 D를 받았다고 가정해 보겠습니다. 시스템은 약 10분 동안 워크로드를 관찰합니다. 이 과정에서 pg_stat_statements를 읽고, 가장 느린 쿼리 패턴을 식별하며, 해당 쿼리가 어떤 컬럼으로 필터링하는지 분석합니다. 그 결과 특정 인덱스가 누락됐다는 결론을 내리고 다음과 같이 구체적인 SQL을 추천합니다.

CREATE INDEX CONCURRENTLY idx_transactions_status_account
ON public.transactions (status, account_id);

시스템은 이 인덱스 하나만으로 관찰된 워크로드의 쿼리 비용이 90% 넘게 줄어들 것으로 추정합니다. 로그를 직접 탐색하거나 쿼리 플랜을 일일이 대조하고 추측할 필요가 없습니다. 시스템이 관찰하고 추론한 뒤 정확한 SQL까지 제시하기 때문입니다. 사용자는 그 자리에서 적용을 승인할 수 있으며, 자세한 내용은 아래 자동화 섹션에서 설명합니다.

LedgerDB 사례는 일회성 결과가 아닙니다. 모든 추천은 일반적인 규칙집이 아니라 실제 워크로드를 기반으로 생성됩니다. EDB PG AI가 워크로드당 최대 8배 빠른 애플리케이션 성능과 더 낮은 리소스 비용을 제공할 수 있는 비결도 여기에 있습니다(내부 벤치마크 기준). 일반적으로 속도와 비용은 서로 상충하지만, EDB PG AI는 문제에 더 많은 리소스를 투입하는 대신 워크로드 자체를 최적화해 두 요소를 함께 개선합니다. 수백 개의 클러스터를 운영하는 플릿(fleet) 규모에서는 이러한 효율이 실질적인 비용 절감으로 누적되며, 에이전트가 기계의 속도로 데이터베이스에 요청을 보내는 환경에서 더욱 중요해집니다.

그렇다면 시스템은 이러한 분석 결과를 어떻게 도출할까요? 그 답은 AI 챗봇에서 확인할 수 있습니다.

AI 챗봇을 활용한 실시간 PostgreSQL 워크로드 분석

AI 챗봇은 더 깊은 인사이트를 제공하는 대화형 계층입니다. 이 챗봇은 일반적인 Postgres 문서만을 기반으로 답하는 것이 아닙니다. 운영 중인 클러스터에 실시간으로 연결돼 pg_stat_statements를 직접 읽기 때문에 모든 답변은 현재 데이터베이스에서 실제로 실행되는 작업을 기반으로 합니다.

여러 탭을 열어 직접 쿼리를 작성하는 대신 “LedgerDB에서 실행되는 쿼리를 기준으로 어떤 스키마 변경이 성능을 가장 크게 개선할 수 있나요?”라고 질문할 수 있습니다. 답변은 일반적인 모범 사례 목록이 아니라 해당 워크로드에 대한 분석으로 구성됩니다. 총 실행 시간 기준 상위 쿼리를 식별하고, 각 접근 패턴을 이해하기 쉬운 언어로 설명하며, 우선순위에 따라 추천을 번호로 정리합니다. 추천에는 복합 인덱스, 부분 인덱스, 그리고 18개월 안에 INTEGER 한계를 넘어설 account_id 같은 항목이 포함될 수 있습니다.

각각의 추천에는 근거가 된 구체적인 쿼리와 판단 이유가 함께 제공됩니다. 시니어 DBA라면 동일한 분석을 수행할 수 있지만, 30초가 아니라 45분에서 1시간 정도가 걸릴 수 있는 작업입니다.

추천의 근거, 관련 쿼리, 현재 실행 계획, 적용 위험도 추가로 질문할 수 있습니다. 챗봇은 빌드 시간과 락(locking) 동작, 향후 워크로드 패턴이 바뀔 때 발생할 수 있는 변화까지 전체 흐름을 설명합니다. 과거에는 DBA가 쿼리를 다시 실행하고 EXPLAIN ANALYZE 결과를 확인한 뒤 수동으로 문서화해야 했던 작업이지만, 이제는 후속 질문으로 확인할 수 있습니다.

Automations로 PostgreSQL 운영 작업 자동화하기

챗봇과 스코어카드가 수행해야 할 작업을 알려준다면, 자동화(Automations)는 정해진 일정과 사용자가 정의한 가드레일 안에서 해당 작업을 실행합니다. 일부 작업은 완전 자율 방식으로 운영할 수 있고, 일부 작업에는 사람의 승인을 요구할 수 있습니다. 이 경계는 자동화별로 직접 설정합니다. 현재 릴리스에는 다음 다섯 가지 유형이 포함돼 있습니다.

1. 디스크 자동 확장(Disk Autoscale) — 사용률이 임계치를 넘으면 정해진 단위로 설정된 상한선까지 스토리지를 확장합니다. 새벽 2시에 담당자를 호출할 필요가 없습니다.
2. 인덱스 추천(Index Recommendations) — 일정한 간격으로 워크로드를 평가하고 인덱스 적용 작업을 큐에 추가합니다. 빌드는 CREATE INDEX CONCURRENTLY로 실행되므로 트래픽은 계속 처리됩니다.
3. 마이너 버전 업그레이드(Minor Version Upgrades) — 새로운 마이너 버전 이미지가 제공되는지 확인하고, 사용자가 지정한 유지보수 윈도(maintenance window)에 맞춰 업그레이드를 큐에 추가합니다.
4. CPU 자동 확장(CPU Autoscale) — 수요에 맞춰 규모를 적정하게 조정하는 임계치 기반 스케일링으로, 상한선을 설정할 수 있습니다.
5. 메모리 자동 확장(Memory Autoscale) — 수요에 맞춰 규모를 적정하게 조정하는 임계치 기반 스케일링으로, 상한선을 설정할 수 있습니다.

각 자동화에는 승인 방식을 선택할 수 있습니다. 완전 자율로 실행하거나 사람의 승인을 반드시 거치도록 설정할 수 있어, 환경에 맞춰 속도와 통제의 균형을 조정할 수 있습니다.

태스크 매니저와 활동 로그로 실행 과정 통제하기

모든 자동화 동작은 플랫폼의 태스크 매니저(Task Manager)를 거칩니다. 사용자는 작업의 내용과 실행할 정확한 SQL, 승인 상태, 승인이 필요한 이유를 확인할 수 있습니다. 승인이 필요한 작업은 검토한 뒤 승인하면 됩니다.

모든 내역은 변경할 수 없고 타임스탬프가 기록되는 활동 로그(Activity Log)에 남습니다. 감사 담당자가 “지난 화요일 LedgerDB에서 무엇이 변경됐고 누가 승인했나요?”라고 질문하면 활동 로그에서 답을 확인할 수 있습니다. 자동화 동작에는 어떤 자동화가 작업을 수행했고 누가 승인했는지가 모두 귀속돼 기록됩니다. 이 로그는 시스템과 함께 작동하는 AI 에이전트의 컨텍스트 윈도(context window) 역할도 합니다.

MCP 서버로 외부 AI 에이전트와 연동하기

챗봇과 스코어카드를 지원하는 자문(advisory) 기능은 MCP(Model Context Protocol) 서버로도 제공됩니다. Claude, 자체 제작한 코파일럿, 기타 MCP 호환 도구 등 외부 에이전트는 동일한 인터페이스와 전문성, 가드레일을 통해 클러스터 상태를 조회하고, 추천을 받고, 활동 로그를 읽고, 승인된 동작을 실행할 수 있습니다. 이를 통해 EDB PG AI의 자문 계층을 다른 AI 도구 체인과 결합해 활용할 수 있습니다.

EDB Postgres AI 도입 전후의 생산성 비교

이러한 기능이 실제 운영 생산성에 어떤 차이를 만드는지 구체적으로 살펴보겠습니다.

이전: 느린 쿼리 경보가 들어오면 DBA가 조사를 시작합니다.

이후, EDB Postgres AI 콘솔 사용 시:

이는 단순한 점진적 개선이 아니라 프로덕션 클러스터를 최적화하는 속도가 최대 10배 빨라진 것입니다. 데이터베이스 운영 방식 자체가 구조적으로 바뀐 것입니다. 누적 효과도 큽니다. 일상적인 인덱스 조사에 사용하던 시간을 용량 계획이나 스키마 설계처럼 전문가의 판단이 필요한 업무에 활용할 수 있습니다. 여러 클러스터를 운영하는 팀이라면 과거에는 팀 전체가 관리해야 했던 환경도 DBA 한 명이 가시성과 대응력을 유지하며 관리할 수 있습니다.

DBA뿐 아니라 개발자에게도 중요한 이유

지금까지는 DBA의 관점에서 설명했지만, 이 기능의 활용 대상은 DBA에 한정되지 않습니다.

추천 스코어카드와 챗봇은 데이터베이스를 한 번도 튜닝해 본 적 없는 개발자도 사용할 수 있도록 설계됐습니다. 지난주에 배포한 새 기능의 쿼리가 현재 pg_stat_statements 상단에 표시되는 상황이라면, B-트리 인덱스의 내부 구조를 알지 못해도 “이 쿼리는 왜 느리고, 어떻게 고치면 되나요?”라고 질문할 수 있습니다.

시스템은 이해하기 쉬운 언어와 문제를 해결할 SQL을 함께 제공합니다.

이처럼 Postgres 전문성을 누구나 활용할 수 있게 만든 점은 EDB가 제공하는 기능 중 잘 드러나지 않지만 중요한 부분입니다. 과거에는 수년의 경력이나 값비싼 컨설팅, 또는 숙련된 시니어 DBA의 도움이 있어야 얻을 수 있던 전문성을 이제 대화를 통해 활용할 수 있기 때문입니다.

EDB PG AI 에이전틱 데이터베이스 시작하기

추천 스코어카드, AI 챗봇, 다섯 가지 자동화, 태스크 매니저, 활동 로그, MCP 연동은 모두 현재 EDB Postgres AI에서 사용할 수 있습니다. 실제 변화를 확인하는 가장 확실한 방법은 워크로드가 실행되는 클러스터에 연결해 10분 동안 관찰한 뒤, 챗봇에 어떤 항목을 변경해야 하는지 질문하는 것입니다. 직접 한 시간 동안 조사해야 발견할 수 있는 정보를 시스템이 이미 파악하고 있을 수 있습니다.

지금 바로 데모를 확인해 보세요. 이 기능을 더 자세히 다루는 심층 분석도 곧 EDB 웹사이트에 공개될 예정입니다.

EDB Postgres AI 에이전틱 데이터베이스 FAQ

에이전틱 데이터베이스란 무엇인가요?

에이전틱 데이터베이스는 클러스터를 지속적으로 관찰하고, 실제 워크로드를 기반으로 추론과 추천을 수행하며, 사용자가 정한 거버넌스 범위 안에서 조치까지 실행할 수 있는 데이터베이스 운영 방식입니다. EDB Postgres AI에서는 이를 통해 사후 대응 중심의 운영을 사전 예방 중심으로 전환합니다.

추천 스코어카드는 어떤 항목을 평가하나요?

추천 스코어카드는 인덱스, 통계, 설정, 보안 항목을 평가하고 각 항목에 A부터 F까지 등급을 부여합니다. 본문 기준으로 워크로드 차원은 곧 추가될 예정이며, 런타임 분석을 더 심층적으로 제공하는 역할을 합니다.

EDB Postgres AI 챗봇은 실제 워크로드를 어떻게 분석하나요?

AI 챗봇은 운영 중인 클러스터에 실시간으로 연결돼 pg_stat_statements를 직접 읽습니다. 총 실행 시간 기준 상위 쿼리와 접근 패턴을 분석하고, 구체적인 쿼리와 판단 근거를 바탕으로 우선순위가 지정된 개선안을 제시합니다.

EDB Postgres AI가 제공하는 자동화 유형은 무엇인가요?

현재 릴리스에는 디스크 자동 확장, 인덱스 추천, 마이너 버전 업그레이드, CPU 자동 확장, 메모리 자동 확장의 다섯 가지 유형이 포함돼 있습니다. 각 자동화는 정해진 일정과 사용자가 정의한 가드레일 안에서 실행됩니다.

자동화 작업에 사람의 승인을 적용할 수 있나요?

가능합니다. 자동화별로 완전 자율 실행 또는 사람의 필수 승인을 선택할 수 있으며, 태스크 매니저에서 실행할 SQL과 승인 상태, 승인 필요 사유를 확인할 수 있습니다. 실행 내역과 승인자는 변경할 수 없는 타임스탬프 기반 활동 로그에 기록됩니다.

MCP 서버를 통해 외부 AI 에이전트와 연동할 수 있나요?

EDB Postgres AI의 자문 기능은 MCP 서버로 제공됩니다. MCP 호환 외부 에이전트는 동일한 인터페이스와 가드레일을 통해 클러스터 상태 조회, 추천 확인, 활동 로그 조회, 승인된 동작 실행을 수행할 수 있습니다.

EDB Postgres AI 에이전틱 데이터베이스, 더 알아보기

도입이나 PoC가 궁금하시다면 EDB Korea로 문의해 주세요.

• 이메일: salesinquiry@enterprisedb.com
• 전화: 02-501-5113
• 문의하기 →

원문: Stop Spending Hours on What Should Take Minutes: A DBA’s Guide to EDB Postgres® AI’s Agentic Database Capabilities (EDB Blog)