데이터베이스를 AI Agent에 연결한 후, 매번 '기억 속의 프로세스'에 의존하여 데이터를 조회하고 파일을 내보내게 하면 토큰 (token) 소모가 매우 빨라집니다.

더 안정적인 방법은 워크플로우 (workflow)를 메모리 (Memory)에서 분리하여 스킬 (Skill) + 스크립트 (Script) 형태로 고착화하는 것입니다.

LLM은 단 한 가지 일만 수행합니다: 자연어를 SQL로 번역하는 것.

SQL 실행, 형식 정리, 파일 업로드와 같은 결정론적인 단계들은 Python / Shell 스크립트가 실행하도록 맡깁니다.

그리고 테이블 구조 설명과 자주 사용되는 SQL 템플릿을 스킬 (Skill)에 심어두어, Agent가 매번 처음부터 추론할 필요 없이 빈칸 채우기 방식으로 쿼리를 생성하게 만듭니다.

한 줄 요약: 스크립트화할 수 있는 것은 LLM에게 맡기지 마세요. LLM은 번역을 담당해야 하며, 실행을 담당해서는 안 됩니다.

과거에는 모두가 CRUD를 작성할 때 ORM을 우선적으로 사용했습니다.

그 원칙은 데이터베이스 독립성을 유지하여 특정 데이터베이스에 종속되는 것을 방지하는 것이었습니다.

하지만 이제 모두가 기꺼이 PostgreSQL에 종속되어, 방언 (dialect)을 마음껏 사용하고 있습니다.