AI 경제 뉴스 요약 에이전트

개요

매일 아침 국내외 경제 뉴스, 거시 지표, 시장 주도주 데이터를 모아 역할별 AI 에이전트 9개가 일간 리포트를 작성하는 사람 손이 필요 없는(Zero-touch) 리서치 시스템입니다. 완성된 리포트는 Obsidian 마크다운으로 저장되고, 저장과 동시에 Vector DB(ChromaDB)에 임베딩됩니다. 주말에는 RAG 기반 주간 결산을 쓰고, 모바일 앱에서 부를 수 있는 검색 API도 제공합니다.

전부터 만들어 보고 싶던 에이전트였습니다. 라즈베리파이라는 작은 서버와 무료 API 한도라는 제약 안에서 성능을 최대한 끌어내는 데 집중했습니다.

주요 기능

• 멀티 에이전트 일간 파이프라인: 기사 선별(A) → 노이즈 제거와 번역(E) → 과거 맥락 합성(F) → 심층 분석(B) → 조판(C) → 검수(D) → 포트폴리오 액션 제안(H) 순서로 진행합니다.
• 자가 수정 루프: 검수 에이전트(D)가 리포트를 채점하고, 기준에 못 미치면 편집장(C)에게 돌려보내 다시 쓰게 합니다(LLM-as-a-Judge).
• 장기 기억: SQLite에 매일 요약을 저장하고, 분석할 때 최근 5일 치 흐름을 프롬프트에 넣어 추세의 변곡점을 추론하게 합니다.
• RAG 주간 결산: 테마 추출(I)이 이번 주 핵심 키워드를 뽑으면, 전략가(G)가 Vector DB에서 관련 기사를 찾아 테마별 주간 리포트를 씁니다.
• 모바일 연동 API: FastAPI로 /api/report/today, /api/search(의미 기반 검색)를 제공하고, ngrok 고정 도메인으로 외부에 노출합니다.
• 보안과 방어 로직: API Key 인증, 프롬프트 인젝션 방어, HTML escaping(XSS 방어), 입력 길이 제한을 적용했습니다.
• 운영 자동화: crontab으로 주 5일 실행하고, Discord Webhook으로 알림을 보내며, 리포트를 연-월 폴더로 나눠 저장합니다.

아키텍처

flowchart TD
  subgraph Collect["데이터 수집"]
    N["뉴스 RSS / API + 본문 크롤링"]
    M["거시 지표 · 실적 (yfinance, Alpha Vantage)"]
  end
  Collect --> A["Agent A 데스크: 기사 선별 (Lite)"]
  A --> E["Agent E 전처리 · 번역 (Lite)"]
  MEM[("SQLite 장기 기억")] --> F["Agent F 기억 합성 (Lite)"]
  E --> B["Agent B 분석가 (Heavy)"]
  F --> B
  B --> C["Agent C 편집장 (Lite)"]
  C --> D{"Agent D 검수 (Lite)"}
  D -->|"반려"| C
  D -->|"통과"| H["Agent H 포트폴리오 설계 (Heavy)"]
  H --> OUT["Obsidian 마크다운 리포트"]
  OUT --> VDB[("ChromaDB 임베딩")]
  OUT --> MEM
  VDB --> I["Agent I 주간 테마 추출 (Lite)"]
  I --> G["Agent G 주간 RAG 결산 (Heavy)"]
  VDB --> API["FastAPI 서버 (ngrok)"]
  API --> APP["모바일 앱"]

기술 스택

영역	기술
Language / 패키지	Python 3.11+, uv
LLM / 임베딩	Google Gemini API (google-genai), gemini-embedding-001
DB	ChromaDB (Vector DB), SQLite3 (장기 기억)
API 서버	FastAPI, Uvicorn, ngrok
데이터 수집	yfinance, Alpha Vantage, feedparser, trafilatura, Naver API
운영	Raspberry Pi, crontab, systemd, Discord Webhook

담당 역할 / 기여

개인 프로젝트라서 설계, 구현, 배포, 운영을 모두 혼자 했습니다.

• 병렬 처리: ThreadPoolExecutor로 기사 분석 요청을 동시에 보내 순차 처리 병목을 줄였습니다.
• Rate Limit 대응: smart_gemini_call 래퍼를 만들었습니다. 429 오류는 백오프 후 재시도하고, 503 오류가 반복되면 하위 모델로 넘어갑니다(fallback). 임베딩은 배치로 처리합니다.
• 모델 티어링: 선별, 조판, 검수는 Lite 모델에, 분석과 결산은 Heavy 모델에 맡겨 모델별 한도를 나눠 썼습니다. 그 결과 기사 수집 풀을 50개(선별 8~10개)로 늘렸습니다.
• 수치 데이터 직접 주입: 환율, 금리, 지수는 LLM이 읽게 하지 않고 수집기가 직접 가져와 프롬프트에 넣었습니다. 토큰을 아끼고 환각을 줄이기 위해서입니다.
• 동적 키워드: 고정 검색어를 쓰지 않고 데스크 에이전트가 그날의 핵심 키워드를 뽑게 해서, 예상 못 한 이슈도 놓치지 않게 했습니다.
• 안정화: 에이전트 응답 정규화와 파싱 함수를 넣었고, 파일명 특수문자를 치환했으며, 무인 운영 중 생긴 버그를 고쳤습니다.
• Vector DB와 RAG 검색을 추가해 주간 리포트 품질을 개선했습니다.

배운 점

• 무료 API의 RPM, TPM, RPD 한도 같은 제한된 자원 안에서 아키텍처를 설계하는 경험을 했습니다. 모델 티어링, 배치, 재시도, fallback이 모두 그 결과입니다.
• 에이전트끼리 줄글 대신 **구조화된 출력(JSON)**을 주고받게 하면 토큰도 줄고 파싱도 안정적입니다.
• LangGraph 같은 무거운 프레임워크를 쓰지 않고 SQLite와 Vector DB만으로 기억과 RAG를 가볍게 구현할 수 있었습니다.
• 앞으로 MCP, LangGraph 등으로 확장할 계획입니다.