AI 구독관리 비서 'AegisButler' 개발기 1편

1. 프로젝트 개요

항목	상세 내용
프로젝트명	AegisButler (신의 방패 `Aegis` + 집사 `Butler`)
개발 목적	전체적인 정기 구독 서비스 관리를 위한 중앙 집중형 대시보드 및 LangChain AI Agent 기반의 대화형 챗봇 서비스 구현
타겟 사용자	개발자 본인 전용

2. 기획 배경

기획 축	현실적 문제	프로젝트를 통한 목표
구독 서비스 파편화	OTT, 음악 스트리밍, AI 등 정기 결제 플랫폼의 확장으로 인해 지출 현황, 다음 결제일, 서비스별 계정 자산 정보를 한눈에 파악하기 어렵고, 하나하나 결제 취소 URL 찾기 귀찮음	중앙 집중형 대시보드를 구축하여 고정 지출을 가시화하고, 결제 취소의 복잡성을 해소하여 개인 자산 관리 편의성 극대화
AI 보안 역량 강화	개인 비서를 활용하여 최신 AI Agent 아키텍처 도입 시 프롬프트 인젝션, 권한 남용 등의 독특한 AI 취약점 존재 가능	발생 가능한 공격 표면을 정의

3. 요구사항 정의서

시스템 요구사항

OS: Windows 11 인프라: 로컬 개발 환경 (외부 클라우드 의존성 최소화)
AI 백엔드: 로컬 컴퓨터에서 구동되는 경량 LLM (Ollama - Llama 3 8B) 및 LangChain 프레임워크 기반 에이전트

기능적 요구사항

기능 요구사항 명칭	상세 요구사항 내용
로컬 데이터베이스 구축	구독 서비스 목록, 카테고리, 결제 금액, 결제일, 계정 정보(ID/PW), 각 서비스의 환불/해지 링크 정보를 관리하는 데이터 모델 설계
대화형 AI Agent	사용자의 자연어 질문을 해석하여 로컬 DB를 조회하고 답변하는 정교한 엔진 탑재
중앙 집중형 대시보드	이번 달 총 지출, 서비스별 유지 상태, 다가오는 결제일 등을 시각화 차트로 한눈에 볼 수 있는 UI 제공
스케줄러 기반 자동화 알림	매일 아침 결제일이 임박한(예: 3일 전) 구독 서비스를 탐지하여 사용자에게 브리핑하는 백그라운드 자동화 루틴 실행

전체 시스템 아키텍처 초안 (Architecture)

alt text

4. 개발 환경 구축 및 로컬 LLM 연동

4-1. Ollama 설치 및 Llama 3 모델 다운로드

외부 클라우드 API를 사용할 때 발생할 수 있는 민감 정보의 사외 유출 리스크를 원천 차단하기 위해, 로컬에서 독립적으로 추론이 가능한 Ollama 인프라를 구축

인프라 구축 단계	수행 가이드 및 주요 확인 사항
1) Ollama 엔진 다운로드	Ollama 공식 홈페이지에 접속하여 Windows용 인스톨러 설치
2) Llama 3 (8B) 모델 가동	터미널(CMD/PowerShell)에서 `ollama run llama3` 명령어를 실행하여 메타의 경량 LLM 자산 확보
3) 하드웨어 요구사항 검토	로컬 컴퓨터의 그래픽카드 메모리(VRAM)가 8GB 이상일 경우 안정적이고 쾌적한 추론 환경 보장

alt text Download for Windows 클릭 cmd 창에서 ollama run llama3 실행하여 llm 다운로드

설치 후 /exit로 대화창에서 탈출

4-2. 파이썬 가상환경 구성 및 보안 우회 트러블슈팅

프로젝트의 독립된 패키지 관리를 위해 C:\projects\AegisButler 경로에 가상환경(venv) 생성 및 라이브러리 설치 진행

C:\projects\AegisButler 프로젝트 폴더 생성

alt text

# 가상환경 생성 및 활성화
cd C:\projects\AegisButler
python -m venv venv
.\venv\Scripts\activate

# 초기 설치 시도
pip install langchain langchain-community langchain-ollama streamlit

alt text 차단 발생

에러 원인 : 윈도우 11의 애플리케이션 제어 정책인 Device Guard(WDAC)가 가상환경 내부 경로의 pip.exe 실행 파일을 신뢰할 수 없는 바이너리로 규정하여 실행 권한을 강제 차단

python -m pip 형태로 우회하여 pip 모듈 형태로 실행

python -m pip install langchain langchain-community langchain-ollama streamlit

alt text

설치 성공

5. 첫 가동 테스트

C:\projects\AegisButler 하위에 main.py 생성

# main.py
from langchain_ollama import OllamaLLM

# 1. 로컬에 구동 중인 Llama3 모델 백엔드 로드
llm = OllamaLLM(model="llama3")

# 2. 에이전트 아이덴티티 부여 및 프롬프트 주입
question = "너는 지금부터 개인 보안 비서 '이지스 버틀러'야. 사용자에게 첫인사를 건네줘."

print("이지스 버틀러 가동 중...\n")
response = llm.invoke(question)
print(response)

alt text

첫 테스트 결과

로컬 LLM 자산이 사용자의 시스템 지침을 정확히 인지하여 정해진 컨텍스트 안에서 무결한 첫 응답을 정상 출력하는 것을 확인

6. 아키텍처 빌드 프로세스 및 향후 계획

AegisButler은 아래의 개발 단계를 거쳐 순차적으로 고도화할 예정

개발 단계	주요 구현 테스크
Phase 1 (완료)	로컬 LLM 환경 세팅 및 가상환경 구축
Phase 2 (예정)	로컬 SQLite DB 구축 및 스키마 설계
Phase 3 (예정)	LangChain SQL Agent 인프라 연동
Phase 4 (예정)	Streamlit 대시보드 UI 통합