금융 분석 AI 시스템 구축을 위한 LangGraph와 Strands Agents 통합 아키텍처 가이드

금융 분석 AI 에이전트 구축: LangGraph, Strands Agents, MCP를 활용한 아키텍처 가이드

서론

금융 산업은 복잡한 분석을 요구하고, 실시간으로 적응 가능한 의사결정 시스템이 필요합니다. 이와 같은 요구에 대응하기 위해 최근 주목받고 있는 기술이 바로 에이전틱 AI입니다. 이 글에서는 LangGraph, Strands Agents, MCP(Model Context Protocol)를 결합하여 금융 분석을 위한 AI 워크플로우를 어떻게 구축하고 자동화할 수 있는지, 실제 아키텍처와 구현 가이드를 중심으로 설명합니다.

본론

LangGraph: 유연한 금융 분석을 위한 워크플로우 오케스트레이션

LangGraph는 복잡하고 비선형적인 금융 분석 흐름을 구조화하고 자동화하는데 이상적입니다. 분석 과정에서 사용자 쿼리를 기반으로 필요한 데이터 수집, 비교 분석, 인사이트 도출 등의 단계를 순차적 또는 반복적으로 구성할 수 있습니다.

예를 들어, 사용자가 “A사와 B사의 1년간 분기 실적을 비교해 차이를 해석하라”고 요청하면 LangGraph는 쿼리를 이해하고 데이터를 조회한 후 결과 비교까지 순차적으로 수행합니다.

LangGraph는 각 분석 노드의 상태를 GraphState로 관리하므로, 단계별 결과에 따른 반복 분석이 가능하며, 이를 기반으로 정교하고 재사용이 가능한 분석 흐름을 만들 수 있습니다.

Strands Agents: 정밀한 재무 판단을 위한 도구-기반 추론

Strands Agents는 각 노드에서 필요에 따라 외부 도구를 사용하여 데이터를 수집하고 판단을 내립니다. 예를 들어 분기별 매출 비교 분석 요청이 들어오면 다음과 같이 동작합니다.

1. 필요한 재무 지표 파악 (예: 매출 성장률, 업계 평균 등)
2. 뉴스 수집 및 정량 지표 확보
3. 관련 요인 분석 및 요약 작성

예를 들어 “Amazon의 실적 보고서를 기반으로 투자자를 위한 문서를 작성하라”는 요청이 들어오면, Strands Agents는 문서 양식에 맞춰 요약, 표 생성, 차트 시각화 등을 자동 처리합니다. 분석 목적에 따라 다양한 도구와 연결 가능한 구조가 Strands Agents의 핵심 강점입니다.

MCP(Model Context Protocol): 도구 통합을 위한 표준 인터페이스

MCP는 다양한 금융 도구를 표준화된 방식으로 연결할 수 있는 프레임워크입니다. 분석 에이전트는 필요한 도구만 선택적으로 호출하여 성능을 최적화할 수 있습니다.

예: MCP 서버 구성

• 주식 서버: Yahoo Finance 기반 시세 제공
• 분석 서버: PER, 성장률, 기술 지표 기준 투자 분석
• 뉴스 서버: 시장 심리 추출, 키워드 테마 분석

예를 들어 “Amazon의 2025년 3분기 실적을 분석하라”는 요청은 LangGraph에 의해 Strands Agents로 전달되고, MCP 서버는 필요한 도구를 제공합니다. 결과적으로 다음과 같은 구조로 분석 리포트가 생성됩니다.

• 매출 성장: +11.2%
• AWS 성장: +19%
• 운영 마진: 7.8%
• 뉴스 심리: 긍정적 (0.74), 주요 테마: AI 투자, 물류 혁신

개발 가이드: 환경 구축 및 배포 가이드

개발 환경 배포

1. GitHub 리포지토리 클론

git clone https://github.com/your-organization/financial-agent.git

2. 프론트엔드 및 백엔드 의존 패키지 설치

npm install
cd py-backend
pip install -r requirements.txt

3. 전체 시스템 구동

npm run dev

MCP 설정을 통해 도구 활성화 여부를 실시간 제어할 수 있습니다.

운영 환경 배포 가이드

운영 환경에서는 AWS 기반 컴포넌트를 활용하여 확장성과 안정성을 확보합니다.

• 프론트엔드: AWS Amplify 기반 배포
• 백엔드: FastAPI 기반 컨테이너를 Amazon ECS에서 실행
• AI 모델: Amazon Bedrock 사용
• 데이터 저장: DynamoDB 기반 상태 및 기록 저장
• 도구 처리: MCP 서버 클러스터 운영

이런 모듈형 배포 구조는 기능 확장성과 유지보수가 뛰어나며, 다양한 금융 기관의 내부 요구사항에도 유연하게 대응할 수 있습니다.

결론

LangGraph, Strands Agents, MCP를 조합한 아키텍처는 금융 분석의 복잡성과 실시간성 요구에 효과적으로 대응할 수 있습니다. 이 구조는 단순한 챗봇이 아닌, 전문 에이전틱 AI 시스템 구축을 위한 실질적인 기틀을 마련하며 다음과 같은 강점을 지닙니다.

• 복잡한 문제를 구조적으로 분해하여 해결
• 추론과 실행의 책임을 분리하여 유연한 시스템 구현
• 외부 도구와의 유연한 통합으로 기능 확장성 확보

이를 바탕으로 금융 포트폴리오 분석기, 리서치 지원 시스템, 투자 설명 문서 자동생성 등 다양한 응용 솔루션을 개발할 수 있습니다. 특히 기업 내부 데이터와 연계된 전용 MCP 서버를 구성하면 더욱 정밀한 분석이 가능해집니다.

향후 적용을 위해 우선은 단일 MCP 도구부터 시작해서 점진적으로 확장하는 것이 지능형 금융 에이전트를 효율적으로 도입하는 유용한 방법입니다.

https://aws.amazon.com/blogs/machine-learning/build-an-intelligent-financial-analysis-agent-with-langgraph-and-strands-agents/