별도 앱 없이 이메일 하나로 AI 비서와 자연스럽게 소통하며, 문서 요약부터 주식 정보까지 모든 업무를 자동화하는 LangGraph 기반 개인 AI 에이전트 구축 방법을 소개합니다.
AI 비서를 사용하려고 매번 새로운 앱을 열거나 복잡한 인터페이스를 익혀야 한다면 얼마나 번거로울까요? 한 개발자가 이런 불편함을 해결하기 위해 독창적인 방법을 고안했습니다. 바로 AI에게 이메일 주소를 주고, 평범한 이메일로 소통하는 것입니다.
이 글은 Smartlab의 개발자가 공유한 실제 구현 사례를 바탕으로, LangGraph를 활용해 이메일 기반 개인 AI 비서를 만드는 과정을 상세히 소개합니다.
이메일로 AI와 협업한다는 것
“문서 요약 부탁해”, “내일 회의 일정 정리해줘”, “이 링크 내용 분석해줘”. 이런 요청을 이메일로 보내면 몇 시간 후 정성스럽게 정리된 답변이 돌아옵니다. 마치 믿음직한 동료와 협업하는 것처럼 말입니다.
이메일 기반 AI 에이전트의 핵심은 비동기 협업입니다. 실시간 채팅창에 매달려 있을 필요 없이, 언제든 이메일을 보내고 나중에 확인하면 됩니다. AI가 24시간 대기하며 요청을 처리하죠.
더 놀라운 점은 AI가 능동적으로 정보를 제공한다는 것입니다. 매일 아침 주식 시장 요약을 보내거나, 중요한 뉴스가 있으면 알림을 보냅니다. 단순한 도구가 아니라 진짜 개인 비서처럼 동작합니다.
왜 LangGraph를 선택했을까?
AI 에이전트를 만들 수 있는 프레임워크는 여러 가지가 있습니다. OpenAI Agent Toolkit, Google Agent Toolkit, 그리고 LangGraph가 대표적입니다. 각각의 특징을 살펴보겠습니다.
OpenAI Agent Toolkit은 가장 사용하기 쉽습니다. Assistants API와 메모리, 함수 호출 기능이 기본으로 제공되어 빠르게 에이전트를 만들 수 있습니다. 하지만 OpenAI 생태계에 종속되는 단점이 있습니다. 다른 모델을 사용하거나 내부 작동 방식을 세밀하게 제어하기 어렵습니다.
Google Agent Toolkit은 Gemini 모델과 Google 서비스와의 연동에 특화되어 있습니다. Google Calendar, Drive 등과 쉽게 연결할 수 있지만, 역시 Google 생태계에 의존적입니다.
반면 LangGraph는 다릅니다. 특정 모델이나 플랫폼에 종속되지 않으면서도 복잡한 워크플로우를 그래프 형태로 설계할 수 있습니다. 오늘은 빠른 분류 작업에 Gemini Flash를 사용하고, 내일은 세밀한 텍스트 생성에 GPT-4o를 사용할 수 있습니다.
이메일 에이전트처럼 장기적으로 운영하며 다양한 모델을 활용해야 하는 시스템에는 LangGraph가 최적의 선택입니다.
모듈형 두뇌: LangGraph + 교체 가능한 LLM
이 시스템의 핵심 아키텍처는 모듈형 두뇌입니다. LangGraph가 전체적인 논리 흐름을 제어하고, 작업 성격에 따라 최적의 LLM을 선택해서 사용합니다.
예를 들어, 이메일 분류나 간단한 질의응답에는 빠르고 저렴한 Gemini Flash를 사용합니다. 복잡한 문서 분석이나 창의적 글쓰기가 필요할 때는 GPT-4o를 선택합니다.
이런 방식의 장점은 세 가지입니다:
비용 최적화: 작업에 맞는 모델을 선택해 불필요한 비용을 줄입니다.
성능 향상: 각 작업에 특화된 모델의 장점을 최대한 활용합니다.
미래 확장성: 새로운 모델이 나오면 쉽게 교체하거나 추가할 수 있습니다.
실제 구현: 기본 LangGraph 에이전트
기본적인 LangGraph 에이전트를 만드는 코드를 살펴보겠습니다:
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain.tools import Tool
# 간단한 도구 정의
def multiply(a: int, b: int) -> int:
"""두 수를 곱합니다."""
return a * b
tools = [
Tool(
name="multiply",
func=lambda x: multiply(*map(int, x.split())),
description="두 정수를 곱합니다. 입력은 공백으로 구분된 두 숫자여야 합니다."
)
]
# LLM 초기화
llm = ChatOpenAI(model="gpt-4o-mini")
# 에이전트 실행기 생성
agent_executor = create_react_agent(
llm=llm,
tools=tools,
state_modifier="도구를 사용해 수학 문제를 해결하는 도움이 되는 비서입니다."
)
# 에이전트 실행
result = agent_executor.invoke({"messages": [("user", "12 곱하기 7은?")]})
print(result["messages"][-1].content)이 기본 구조에 이메일 처리 기능과 다양한 도구들을 추가하면 완성됩니다.
실용적인 도구들: 웹 브라우징부터 금융 정보까지
단순한 계산기를 넘어서 실제로 유용한 AI 비서를 만들려면 다양한 도구가 필요합니다.
웹 브라우징 및 요약 도구가 가장 유용합니다. 이메일에 링크를 첨부하면 AI가 해당 페이지를 읽고 핵심 내용을 정리해서 보내줍니다. 긴 기사를 읽을 시간이 없을 때 특히 도움이 됩니다.
금융 정보 모듈도 인기가 높습니다. 관심 있는 주식을 물어보면 최신 뉴스와 주가 동향을 분석해서 보고합니다. 더 나아가 관심 종목에 급격한 변화가 있으면 능동적으로 알림을 보내기도 합니다.
이런 도구들이 이메일 에이전트를 단순한 질문-답변 봇에서 디지털 비서로 격상시킵니다. 요청한 일을 처리할 뿐만 아니라 필요한 정보를 미리 준비해서 제공하죠.
능동적 AI: 스케줄링으로 한 단계 더
지금까지는 이메일을 받으면 반응하는 수동적 AI였습니다. 하지만 진짜 개인 비서라면 능동적으로 업무를 처리해야 합니다.
스케줄링 기능을 추가하면 AI가 정해진 시간에 자동으로 작업을 수행합니다:
매일 오전 8시: 관심 주식의 시장 동향과 주요 뉴스를 정리해서 전송
매주 금요일 오후: 한 주간 받은 뉴스레터를 요약해서 주말 읽을거리로 제공
매주 일요일 저녁: 다음 주 일정을 미리 검토해서 중요한 회의나 마감일 알림
실제 스케줄링 구현은 Python의 schedule 모듈을 사용합니다:
import schedule
if __name__ == "__main__":
schedule.every().friday.at("18:00").do(check_opportunities)
schedule.every().minute.at(":00").do(check_new_emails)
while True:
schedule.run_pending()
time.sleep(30)이렇게 능동적인 기능이 추가되면 AI는 더 이상 도구가 아니라 협업 파트너가 됩니다.
실무 활용 팁과 고려사항
이메일 AI 에이전트를 실제로 구축할 때 몇 가지 주의할 점이 있습니다.
보안과 개인정보 보호가 가장 중요합니다. 이메일 계정 접근 권한을 설정할 때는 최소한의 권한만 부여하고, 민감한 정보는 로컬에서 처리하는 것이 좋습니다.
비용 관리도 신경써야 합니다. 능동적 알림 기능이 많아질수록 API 호출 비용이 증가합니다. 작업 우선순위를 정하고 꼭 필요한 기능만 자동화하세요.
신뢰성 확보를 위해서는 충분한 테스트가 필요합니다. 특히 금융 정보나 중요한 업무 관련 알림은 잘못된 정보를 제공할 위험이 있으니 주의깊게 검증해야 합니다.
마지막으로 점진적 구축을 권장합니다. 처음부터 모든 기능을 구현하려 하지 말고, 기본적인 이메일 처리부터 시작해서 하나씩 기능을 추가해나가세요.
비동기 협업의 진정한 가치
이메일 AI 에이전트의 핵심은 “fire and forget” 방식의 협업입니다. 복잡한 작업을 이메일로 요청하고 나서 다른 일을 하다가, 나중에 깔끔하게 정리된 결과를 받아보는 것입니다.
이런 방식은 단순히 편리함을 넘어서 업무 집중도를 높입니다. 실시간 채팅이나 복잡한 인터페이스에 신경쓸 필요 없이, 정말 중요한 일에 몰입할 수 있습니다.
LangGraph의 유연한 아키텍처는 이런 시스템을 구축하기에 최적화되어 있습니다. 모델에 종속되지 않으면서도 복잡한 워크플로우를 안정적으로 처리할 수 있기 때문입니다.
이메일 하나로 AI와 자연스럽게 협업하는 미래가 이미 현실이 되었습니다. 이제 여러분도 나만의 디지털 동료를 만들어보세요.
참고자료:
Comments