안녕하세요, 저는 HolySheep AI의 기술 엔지니어입니다. 이번 포스트에서는 HolySheep AI를 활용한 AI 여행 어시스턴트 구축 방법을 상세히 다룹니다. 도구 호출(Function Calling) 패턴부터 실시간 예약 시스템 연동까지, 프로덕션 레벨의 아키텍처를 단계별로 설명드리겠습니다.
1. 아키텍처 설계: Travel AI Agent 개요
여행 일정规划的 핵심은 도구 호출(Function Calling)을 통한 외부 시스템 연동입니다. 사용자의 자연어 요청을 분석하고, 적절한 도구를 선택하여 실시간 데이터를 조회하고 예약을 완료하는 구조가 필요합니다.
1.1 시스템 구성 요소
┌─────────────────────────────────────────────────────────────┐
│ User Request (Natural Language) │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ LLM + Function Calling │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ hotel_search│ │ flight_book │ │ weather_api │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
└─────────────────────────────────────────────────────────────┘
│
┌────────────────────┼────────────────────┐
▼ ▼ ▼
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Hotel APIs │ │ Flight APIs │ │ Weather API │
│ (实时库存) │ │ (实时价格) │ │ (예报) │
└─────────────┘ └─────────────┘ └─────────────┘
저는 이 아키텍처를 프로덕션에 배포할 때 3-tier 구조를 권장합니다. 첫 번째 티어에서 자연어 파싱, 두 번째 티어에서 도구 호출 및 외부 API 연동, 세 번째 티어에서 예약 확정 및 결제 처리로 분리하면 확장성과 유지보수성이 크게 향상됩니다.
2. Function Calling 구현
2.1 도구 정의 (Function Definitions)
OpenAI 호환 Function Calling 스펙을 활용하여 여행 도구를 정의합니다. HolySheep AI의 gpt-4o 모델은 정확한 도구 선택 능력을 보여줍니다.
import openai
from typing import Optional, List
from pydantic import BaseModel, Field
HolySheep AI 클라이언트 설정
client = openai.OpenAI(
api_key="YOUR_HOLYSHEEP_API_KEY",
base_url="https://api.holysheep.ai/v1"
)
도구 정의 (Function Calling)
tools = [
{
"type": "function",
"function": {
"name": "search_hotels",
"description": "특정 지역에서 호텔 검색. 실시간 가용성과 가격 조회 가능",
"parameters": {
"type": "object",
"properties": {
"destination": {
"type": "string",
"description": "목적지 도시 또는 지역 (예: 서울, 도쿄, 파리)"
},
"checkin_date": {
"type": "string",
"description": "체크인 날짜 (YYYY-MM-DD 형식)"
},
"checkout_date": {
"type": "string",
"description": "체크아웃 날짜 (YYYY-MM-DD 형식)"
},
"guests": {
"type": "integer",
"description": "투숙객 수",
"minimum": 1
},
"budget_range": {
"type": "string",
"description": "예산 범위 (예: $100-200, $200-500)",
"enum": ["$50-100", "$100-200", "$200-500", "$500+"]
}
},
"required": ["destination", "checkin_date", "checkout_date", "guests"]
}
}
},
{
"type": "function",
"function": {
"name": "search_flights",
"description": "항공편 검색. 실시간 가격과 좌석 가용성 포함",
"parameters": {
"type": "object",
"properties": {
"origin": {
"type": "string",
"description": "출발지 공항 코드 (예: ICN, NRT, CDG)"
},
"destination": {
"type": "string",
"description": "도착지 공항 코드"
},
"departure_date": {
"type": "string",
"description": "출발 날짜 (YYYY-MM-DD)"
},
"return_date": {
"type": "string",
"description": "귀국 날짜 (YYYY-MM-DD, 편도인 경우 생략)"
},
"passengers": {
"type": "integer",
"description": "탑승객 수",
"minimum": 1,
"maximum": 9
},
"cabin_class": {
"type": "string",
"description": "좌석 등급",
"enum": ["economy", "premium_economy", "business", "first"]
}
},
"required": ["origin", "destination", "departure_date", "passengers"]
}
}
},
{
"type": "function",
"function": {
"name": "book_hotel",
"description": "호텔 예약 확정. 결재 정보 포함 필요",
"parameters": {
"type": "object",
"properties": {
"hotel_id": {"type": "string"},
"room_type": {"type": "string"},
"checkin_date": {"type": "string"},
"checkout_date": {"type": "string"},
"guest_info": {
"type": "object",
"properties": {
"name": {"type": "string"},
"email": {"type": "string"},
"phone": {"type": "string"}
},
"required": ["name", "email"]
}
},
"required": ["hotel_id", "room_type", "checkin_date", "checkout_date", "guest_info"]
}
}
}
]
class TravelRequest(BaseModel):
user_message: str
user_context: Optional[dict] = Field(default_factory=dict)
def process_travel_request(request: TravelRequest) -> dict:
"""사용자 요청을 처리하고 도구 호출 결과를 통합합니다."""
messages = [
{
"role": "system",
"content": """당신은 전문 여행 어시스턴트입니다.
사용자의 여행 일정을 최적의 비용으로 계획합니다.
- 항상 비용 대비 효율성을 고려
- 실시간 가용성 확인 후 예약 제안
- 다중 옵션 제시로 사용자 선택 허용"""
},
{
"role": "user",
"content": request.user_message
}
]
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools,
tool_choice="auto",
temperature=0.7
)
return response
실제 프로덕션에서 저는 이 패턴을 사용하여 사용자의 대화형 여행 플래닝 경험을 구현했습니다. 중요한 점은 tool_choice="auto" 설정으로 LLM이 적절한 도구를 자율적으로 선택하게 하는 것입니다. 강제 지정 시意图 파악 오류가 발생할 수 있습니다.
2.2 도구 실행 로직 (Tool Executor)
import