BigValue Insight <4>💡
2025년 8월 27일
[BigValue Insight] 는 다양한 산업 분야에 대한 깊은 이해를 바탕으로 업계 전문가로 성장할 수 있도록,
트렌드·실무 인사이트·산업 지식·그리고 성장에 필요한 모든 이야기들을 공유하기 위해 운영되고 있습니다.
네 번째 세션은 <바이브코딩으로 Flow 개발하기>를 주제로, 김선재 부책임님께서 연사로 나서 LLM을 활용한 개발 사례를 심도있게 다루어주셨습니다.
핵심만 살펴보는 오늘 아티클, 함께 살펴보실까요?
잠깐! BigValue Flow는 처음 들어봐요!
플로우(FLOW)는 빅밸류 플랫폼의 맞춤형 AI 데이터 분석 도구입니다.
이용자가 원하는 주제에 맞게 ‘데이터 흐름’을 설정하면,
AI가 자동으로 전국 부동산 시세·상권·배후지 데이터 등을 불러와 분석 결과를 제공합니다.
쉽게 말해, 필요한 데이터 소스를 통해 하나의 분석 과정을 만든 것이 플로우입니다.
예를 들어, 특정 아파트 후보지의 주변 시세를 확인하고 싶다면
‘적정 분양가 실험실’ 플로우를 실행해 합리적인 분양가를 계산할 수 있습니다.
또는 창업을 준비하는 사람이 ‘24시간 움직이는 상권’ 플로우를 실행하면,
특정 지역 편의점·카페 매출 추이, 경쟁 강도, 시간대별 이용률까지 한눈에 확인할 수 있습니다.
BigValue Insight - 1. LLM 기반 플로우 코드 개발, 왜 필요할까요?
코드를 자동으로 써주는 LLM은 이미 익숙한 기술처럼 느껴집니다.
여기서 한 단계 더 나아가, LLM이 직접 데이터를 분석하고, 오류를 수정하며, 웹페이지를 검증하는 프로세스를 실험했습니다.
이 프로세스를 통해 달성하고자 하는 목표는 세 가지였습니다.
- 생산성 향상: 반복 업무를 자동화하여 핵심 과제에 집중
- 유연한 작업 환경: 언제 어디서든 코드 생성·테스트가 가능한 체계
- 사람의 개입: LLM이 초안을 만들고, 사람이 검증·수정하며 완성도 확보
LLM이 사용자를 대체하는 것이 아니라, 사용자의 역량을 증폭하는 협업 파트너로 기능할 수 있도록 하였습니다.
BigValue Insight - 2. 시행착오와 개선 방안
물론, 모든 과정이 순탄했던 것은 아닙니다.
LLM을 통해 Flow를 개발하다 보니 대표적으로 세 가지 문제에 부딪혔습니다.
- 요구사항 모호 → 부정확한 코드
- 임의 코드 생성 → 예상치 못한 오류
- 모델별 특성 차이 → 결과물 편차 발생
이를 해결하기 위해 다음과 같은 개선 원칙을 세웠습니다.
- 태스크를 세분화하고 요구사항을 명확히 정의한다.
- 구조화된 모듈·클래스를 제공해 불필요한 코드 생성을 줄인다.
- Git으로 버전을 관리해 신뢰도를 확보한다.
- GPT, Claude, Gemini 등 모델별 특성을 이해하고 목적에 맞게 활용한다.
BigValue Insight - 3. 직접 운영해본 3단계 LLM 활용 프로세스
시행착오를 토대로, LLM을 실제 개발 프로세스에 적용하였습니다.
- 데이터 기획
먼저, 데이터 기획 단계에서는 Gemini 모델이 빅밸류 DB를 직접 분석했습니다.
기자처럼 질문을 던지는 '기자 페르소나' 기법을 적용해,
수도권 체류 시간 데이터에서 도시의 요일별 변화, 특정 지역의 업무 효율성 등 기사 초안에 가까운 인사이트를 도출했습니다. - 비즈니스 로직 작성
다음으로 비즈니스 로직 작성 단계에서는 PostgreSQL MCP 등 레퍼런스를 제공했습니다.
이를 기반으로 Claude Sonnet 모델이 코드를 생성하고, 스스로 테스트·수정하는 과정을 반복하며 점차 완성도를 높였습니다. - 분석 결과 검증
마지막으로 분석 결과 검증 단계에서는 Playwright MCP를 활용해 웹페이지를 스크린샷으로 캡처했습니다.
LLM은 생성된 결과물을 직접 평가하며, 문제가 발견되면 다시 코드를 수정하는 '생성 → 검증 → 재생성'의 루프를 수행했습니다.
그리고 이를 통해 최종 결과물의 정확성과 디자인 적합성을 모두 확보할 수 있었습니다.
BigValue Insight - 4. 성공적인 LLM 활용의 핵심 요소
해당 프로세스를 BigValue Flow에 적용하며 얻은 교훈은 다음과 같습니다.
LLM을 효과적으로 쓰려면 명확한 기준을 마련하고, LLM이 이를 보조하는 역할을 맡아야 한다는 것입니다.
- 명확한 요구사항 정의
- 원하는 기능과 목적을 구체적으로 설명할수록 LLM이 더 정확한 결과를 냅니다.
- 이와 함께, 테스트 주도 개발(TDD) 환경을 구축해 LLM이 스스로 결과를 확인·수정할 수 있게 하는 것이 효과적입니다. - 데이터 구조와 레퍼런스 제공
- 빅밸류의 데이터 표준화 작업은 LLM의 복잡한 데이터 구조 이해도를 크게 높였습니다.
- 사람이 직접 만든 레퍼런스 코드를 기반으로 할 때 안정적이고 신뢰할 수 있는 결과가 나옵니다.
동일한 LLM이라도 어떤 맥락과 방식으로 활용하느냐에 따라 전혀 다른 결과가 나오며, 결국 이를 어떻게 설계하고 운영하느냐가 중요한 포인트 였습니다.
BigValue Insight - 🗨️후기 Talk
💡LLM을 데이터 기획부터 검증까지 연결한 사례는 업무와도 맞닿아 있어 흥미로웠습니다..!
💡표준화된 데이터 구조가 중요하다는 부분이 많은 공감이 되었습니다.
💡직접 부딪히며 겪었던 시행착오와 개선 과정을 모두 살펴볼 수 있어 좋았습니다. 모두가 참고할 만한 사례라고 생각해요.
빅밸류는 데이터로 세상을 풍요롭게 만들기 위해, 동료의 무한한 성장을 지원합니다 🚀