네트워크 아키텍처 계획에서 LLM 환각을 넘어서

AWS Direct Connect (DX) 요구 사항 추정은 엄격한 수학적 제약 조건과 용납할 수 없는 물리적 한계가 특징인 작업입니다. 기존 워크플로우에서는 아키텍트가 대역폭 요구 사항과 이중화 모델(1:1 또는 N:1 아키텍처 선택 등)을 수동으로 균형 맞추고, AWS 문서를 교차 참조하여 지역 용량 제한이나 VIF(Virtual Interface Attachment) 한계에 걸리지 않도록 합니다.

위험은 단순히 수학 계산을 틀리는 것이 아닙니다. 프로비저닝 단계에 도달했을 때 물리적으로 불가능한 배포를 설계하는 것입니다. 종이에 완벽한 이중화 루프를 설계했더라도, 나중에 선택한 엣지 위치가 지정한 1 Gbps 연결 수량을 지원할 수 없다는 것을 깨닫게 될 수도 있습니다.

인프라 엔지니어링의 코파일럿 역할을 하는 AI 에이전트가 등장함에 따라, 우리는 새로운 문제에 직면했습니다. Large Language Models (LLMs)는 특정 하드웨어 제약 조건과 관련된 결정론적 조합 논리(deterministic combinatorial logic)에 매우 취약합니다. LLMs는 Direct Connect 연결이 무엇인지 설명하는 데는 능하지만, 여러 지역에 걸쳐 특정 가동 시간 SLA를 충족하는 데 필요한 정확한 물리 포트 개수는 어려워합니다.

이 간극을 메우기 위해, 우리는 추론 엔진이 보통 실패하는 곳에서 결정론적 답변을 제공하도록 설계된 전문 커넥터인 AWS Direct Connect Bandwidth Calculator를 구축했습니다.

에이전트 워크플로우에서의 결정론 문제

LLM에게 '이중화 네트워크 연결을 계획하라'고 요청하면, 이는 훈련 과정에서 학습된 확률적 패턴에 의존합니다. LLMs는 이중화 개념을 이해하지만, 특정 목적을 위해 설계된 도구를 사용하도록 명시적으로 지시받지 않는 한 현재 AWS 서비스 할당량이나 물리 포트 가용성에 대해 실시간 검증을 수행하지 않습니다. 이는 '환각된 아키텍처(hallucinated architecture)'로 이어집니다. 즉, 산문으로는 기술적으로 건전해 보이지만 근본적인 AWS 제약 조건을 위반하는 계획입니다.

계산기는 Model Context Protocol (MCP)을 통해 노출되는 세 가지 매우 구체적인 도구를 사용하여 이 문제를 해결합니다:

1. calculate_connection_requirements: 추측하는 대신, 에이전트는 트래픽 수요(Gbps), 목표 지역 수, 선택된 이중화 모델(1:1 대 N:1), 개별 연결 속도와 같은 입력 매개변수를 기반으로 핵심 물리적 연결 수를 결정하기 위해 이 도구를 사용합니다.
2. get_mtu_configuration: 연결 유형과 관련하여 정확한 MTU 설정을 제공함으로써 패킷 크기에 대한 오류를 제거합니다(예: jumbo frames가 활성화된 경우 8500 바이트 식별).
3. validate_architectural_limits: 아마도 가장 중요한 구성 요소일 것입니다. 이는 가드레일 역할을 하여, 제안된 계획이 특정 위치의 최대 연결 수 또는 지역 용량 제한과 같은 AWS의 물리적 및 논리적 경계를 위반하는지 확인합니다.

실제 실패 사례는 단일 위치에 20개의 1 Gbps 링크를 배포하려고 시도하는 경우인 경우가 많습니다. 일부 상황에서는 논리적으로 가능하지만, 많은 위치에는 하드 캡(hard caps)이 있습니다. 예를 들어, 단일 위치의 연결을 네 개의 1 Gbps 연결로 제한하는 식입니다. validate_architectural_limits가 없으면 에이전트는 이 구성을 자신 있게 제안할 수 있지만, 이것이 있으면 에이전트는 위반 사항을 즉시 인정하도록 강제됩니다.

연결성에 엔지니어링 신뢰성 구축하기

이러한 종류의 기술적 커넥터를 구축하려면 단순히 API를 래핑하거나 스크립트를 실행하는 것 이상의 것이 필요합니다. 제가 모든 Vinkius 커넥터를 구축하는 데 사용되는 오픈 소스 TypeScript 프레임워크인 MCPFusion을 개발하면서, 초점은 항상 Claude나 Cursor와 같은 다양한 MCP 클라이언트 전반에 걸친 일관성과 예측 가능한 동작에 맞춰져 있었습니다.

'로컬 테스트'에서 '프로덕션 에이전시'로 이동하는 데 있어 중요한 장애물은 AI와 기본 시스템 간의 인터페이스를 관리하는 것입니다. 대부분의 개발자들은 단순히 에이전트가 계산을 실행하거나 데이터베이스를 쿼리할 권한을 부여하기 위해서 OAuth 흐름이나 로컬 환경 보안 문제에 너무 많은 시간을 소비합니다.

Vinkius는 연결성을 파편화된 스크립트의 집합이 아닌 관리되는 계층으로 취급하여 이 문제를 해결합니다. 저희 AWS Direct Connect 커넥터를 사용할 때, 모든 마이크로서비스나 유틸리티에 대한 개별 자격 증명을 관리할 필요가 없습니다. 대신 카탈로그를 통해 제공되는 단일 게이트웨이와 하나의 연결 토큰을 사용합니다. 이는 복잡한 엔지니어링 작업 중 동력을 떨어뜨리는 지속적인 재구성의 마찰을 제거해 줍니다.

더 나아가, AI 에이전트에게 인프라 도구에 대한 '쓰기(write)' 접근 권한나 심지어 과도한 '읽기(read)' 접근 권한을 부여하는 것은 막대한 보안 문제를 야기합니다. Vinkius에서는 거버넌스를 사후 고려 사항이 아닌 아키텍처 요구사항으로 다룹니다. 모든 커넥터는 격리된 V8 샌드박스 내에서 작동하며, 데이터 손실 방지(DLP) 및 SSRF 방지 등 여덟 가지의 개별 정책에 의해 통제됩니다. 만약 에이전트가 한 도구 호출을 통해 얻은 정보를 다른 곳에서 승인되지 않은 방식으로 사용하려고 시도한다면, 저희의 HMAC 감사 체인과 킬 스위치가 해당 행동을 가로채도록 설계되어 있습니다.

실질적인 적용: 이중화 링크 설계

자연어 프롬프트를 사용하여 이러한 도구와 상호 작용할 수 있으며, 이는 구조화된 도구 호출로 변환됩니다. 정확성이 발휘되는 몇 가지 예시는 다음과 같습니다:

• 요구사항 계산:

여기서 목표는 단순히 AI를 '더 똑똑하게' 만드는 것이 아닙니다. 엄격한 프로토콜 준수를 통해 정확성을 강제하는 도구로 기존의 전문 지식을 보강하는 것입니다.

AI 에이전트는 실제 시스템에 도달했을 때만 의미가 있습니다. 저희가 커넥터 카탈로그를 구축했습니다. Vinkius에서 확인해 보세요.