[한영자막] Vercel은 어떻게 AI 에이전트 개발 문제를 해결했을까요?

한 줄 핵심

Vercel은 데이터 질문 처리에서 출발해 단일 프롬프트→에이전트 체인→파일시스템 기반 단일 에이전트로 진화했고, 결국 에이전트를 쉽게 만들고 배포하는 프레임워크 Eve와 사내 스킬 체계를 통해 실사용 수준의 생산성을 확보했다.

시간별 요약

0:00
Vercel과 AI SDK Vercel은 웹 앱 인프라에서 출발했지만, 이제는 에이전트 개발을 쉽게 만드는 인프라와 AI SDK를 제공하는 방향으로 확장하고 있다. 여러 모델 제공자에 대해 같은 인터페이스를 쓰게 하고, 폴백·안전한 코드 실행·유휴 비용 절감·지속성과 재개 기능까지 지원한다.
1:22
모든 책상 위의 에이전트 회사 내 모든 직무의 반복 업무를 줄일 방법을 찾다가, “모든 책상 위에 에이전트가 있다면?”이라는 가설로 실험이 시작됐다. 초기에는 주로 코딩용으로 쓰이던 에이전트가 디자인, 제품 관리, 다양한 직무로 확장될 가능성을 탐색했다.
2:32
데이터 팀이 사내 병목이 된 이유 마케팅·세일즈·재무 등에서 오는 데이터 질문이 모두 데이터 팀으로 몰리면서, 소규모 팀이 쿼리 작성과 분석에 계속 묶이는 병목이 생겼다. 이에 따라 질문을 받으면 데이터 팀이 수작업으로 처리하는 방식 대신, 더 자동화된 데이터 에이전트를 만들 필요가 커졌다.
3:26
버전 1: 하나의 거대한 메가 프롬프트 첫 시도는 Snowflake 스키마를 시스템 프롬프트에 넣고, 질문에 대해 SQL을 생성하게 하는 단순한 메가 프롬프트 방식이었다. 이 방식은 가능성을 보여줬지만, 실제 업무에는 실행·재시도·보고 같은 단계가 더 필요하다는 점도 드러냈다.
4:38
버전 2: 역할별 에이전트 체인 연결 질문 처리, 계획, SQL 실행, 보고를 각각 다른 에이전트가 맡도록 분업 체인을 만들었고, 각 에이전트에는 전용 프롬프트와 제한된 도구만 부여했다. 이 구조는 end-to-end 흐름을 가능하게 했지만, 단계가 늘수록 앞선 맥락이 잘려 나가며 한계가 나타났다.
5:45
버전 3: 자체 상태를 관리하는 단일 에이전트 여러 에이전트 대신 하나의 에이전트가 자신의 상태와 진행 단계를 스스로 관리하도록 바꾸자, 계획·구현·실행·보고를 한 흐름 안에서 더 자연스럽게 수행할 수 있었다. 오류가 나면 스스로 되돌아가 더 탐색하거나 다시 읽어보는 능력도 좋아졌지만, 초기에는 제한된 대상에게만 배포해야 할 만큼 민감한 도구였다.
7:04
쓰라린 첫 배포와 파일 시스템 돌파구 초기 배포는 기대와 달리 질문을 제대로 못 풀어내며 실패에 가까웠고, 수동으로 시나리오를 늘리는 방식도 확장성이 없었다. 그러나 Claude Code와 Opus 4.5, 그리고 핵심적으로는 파일 시스템형 에이전트라는 발상이 돌파구가 되었고, sandbox 안에서 list file, read file, run bash 같은 최소 도구만으로도 훨씬 강한 성능을 얻었다.
10:01
반복 질의를 스킬로 자동 정제하기 Vercel 안에서 쏟아지는 수천 건의 데이터 질의는 형태가 반복된다는 사실을 발견했고, 최근 질의를 자동으로 정제해 약 100개의 스킬로 축적했다. 새 에이전트 실행이 처음부터 시작하는 대신, 이미 검증된 회사별 지식을 스킬 폴더로 불러오게 하면서 정확도와 재사용성이 크게 높아졌다.
11:51
에이전트를 위한 Next.js, Eve 에이전트도 Next.js처럼 파일 시스템 기반으로 선언적으로 구성할 수 있어야 한다는 생각에서 Eve가 만들어졌다. runtime, channels, durability, 격리 실행, 외부 연결을 프레임워크가 표준화하고, Vercel의 workflow·sandbox·connect와 자연스럽게 통합되도록 설계했다.
14:05
초기 도입 성과와 시작하는 방법 Eve를 사용한 초기 고객은 오프더셸프 Claude code보다 더 적은 단계로 더 좋은 성공률과 인사이트를 얻었고, Vercel에서는 실행 이력·도구 호출·비용까지 관찰할 수 있었다. 결국 회사별 지식이 깊게 들어간 자체 에이전트를 직접 만들수록 효과가 크며, HR·재무·세일즈 같은 반복 업무도 충분히 자동화할 수 있다는 결론에 도달했다.

실무 인사이트

에이전트 성능은 모델 자체보다도 파일 시스템, sandbox, 최소 도구셋 같은 하네스 설계에서 크게 좌우된다.
사내 반복 질의는 즉석 프롬프트로 처리하기보다, 검증된 패턴을 스킬로 축적해 컨텍스트 자산으로 바꾸는 편이 장기적으로 유리하다.
범용 에이전트보다 회사 고유 지식이 깊게 들어간 도메인 특화 에이전트가 실제 업무 자동화에서 더 높은 ROI를 낸다.