Postman의 AI 에이전트, 170개 넘는 도구에서 약 15개만 고릅니다

Postman과 AWS가 2026년 10월 9일 Agent Mode의 운영 구조를 공개했습니다. 눈에 띄는 부분은 AI에게 보여주는 도구를 고르는 과정입니다. 170개가 넘는 도구 중 요청에 관련된 약 15개를 찾아, 작업별로 분리된 에이전트에 전달합니다. AWS 기술 사례

Agent Mode의 신규 출시 소식은 아닙니다. Postman은 도구와 맥락 설계에서 얻은 교훈을 3월 24일 글에서도 설명했습니다. 이번 AWS 글은 Amazon Bedrock에서 이를 운영하는 구조까지 함께 다룹니다. 제목의 ‘4천만 개발자’는 Postman 개발자 커뮤니티 규모를 가리키며, Agent Mode의 활성 사용자 수로 읽어서는 안 됩니다.

도구가 많으면 선택도 어려워집니다

Postman은 자체 테스트에서 모델에 보이는 도구가 약 40개를 넘자 잘못된 선택이 늘었다고 설명합니다. 존재하지 않는 도구를 호출하거나, 인자를 틀리게 전달하거나, 문맥에 맞지 않는 도구를 고르는 문제가 나타났습니다. 약 40개라는 수치는 이 팀의 관찰이며 모든 모델에 적용되는 한계는 아닙니다. Postman의 개발 회고

현재 구조에서는 루트 에이전트가 도구 임베딩을 저장한 벡터 데이터베이스를 검색합니다. 요청에 필요한 도구를 추린 다음, 별도의 작업 맥락을 가진 하위 에이전트가 이를 사용합니다. 약 15개 역시 이 사례의 구성이지 권장 표준값은 아닙니다. 도구 선택 구조

AWS 기술 사례를 바탕으로 VECTORLOG가 제작한 설명용 도식입니다. 숫자는 Postman 사례의 설명값이며 성능 비교 결과가 아닙니다.

화면용 데이터가 그대로 작업 맥락이 되지는 않습니다

Postman이 더 큰 문제로 꼽은 것은 빠지거나 불완전한 맥락이었습니다. 사용자가 어떤 대상을 선택했는지, 이미 어떤 상태가 만들어졌는지 모르면 올바른 도구도 엉뚱한 대상에 쓰일 수 있습니다.

팀은 화면을 그릴 때 쓰는 데이터 객체를 통째로 넘기는 대신, 대상별로 필요한 정보를 추리는 처리기를 만들었습니다. API Catalog처럼 구조화된 정보를 읽는 작업은 ClickHouse 스키마를 이해하는 질의 도구로 묶었습니다. 질문마다 별도 조회 도구를 늘리는 부담을 줄이려는 설계입니다. 맥락 처리와 스키마 기반 조회

현재 사용 문서에서도 맥락을 직접 고를 수 있습니다. 채팅에서 @를 입력해 컬렉션, 폴더, 요청, 환경, API 명세를 선택하며, 활성 탭도 맥락에 포함됩니다. Postman 시작 안내

공식 설명을 재구성한 개념도입니다. 실제 Postman 화면이나 내부 구현을 복제한 이미지는 아닙니다.

Bedrock은 모델 호출을 맡습니다

이번 AWS 글은 Agent Mode가 Amazon Bedrock을 통해 지원되는 Claude 모델을 작업에 맞춰 선택하는 구조도 소개합니다. 시스템 지침처럼 안정적인 프롬프트 앞부분은 1시간, 더 자주 바뀌는 맥락은 5분 캐시 계층으로 다룹니다. 지원되는 캐시 기간과 동작은 모델별로 확인해야 합니다. Bedrock 운영 설명

사용자가 확인할 설정도 있습니다. Postman 문서에 따르면 Auto-run을 끄면 도구 실행 전에 승인을 요구합니다. 실제로 시험할 때는 이 설정과 변경할 대상을 먼저 살펴보는 편이 좋습니다. Agent Mode 설정

작은 업무 자동화에도 적용할 수 있을까요

이 사례에서 가져올 수 있는 점검 질문은 구체적입니다. AI가 할 수 있는 기능 목록에 더해, 이번 작업에 필요한 대상과 근거가 정확히 전달됐는지 확인하는 것입니다.

예를 들어 주간 문의 보고서를 만든다고 가정해 보겠습니다. AI에게 모든 연락처와 문서 기능을 한꺼번에 연결하기 전에, 집계 기간과 대상 문의, 분류 기준, 결과를 저장할 위치부터 정할 수 있습니다. 누락된 문의를 어떻게 처리할지, 기존 보고서를 바꿔도 되는지까지 정하면 결과를 검토할 기준도 생깁니다.

시험할 때는 도구 호출 횟수만 세지 말고, 대상을 잘못 고른 경우와 필요한 자료를 빠뜨린 경우를 따로 기록해 보는 것이 좋겠습니다. 도구를 추가해야 하는 문제인지, 이미 있는 도구에 전달할 맥락을 고쳐야 하는 문제인지 구분하는 데 도움이 됩니다.

자료 확인: 2026년 10월 10일. 공식 기술 사례와 사용 문서를 정리한 기사이며, 자체 성능 측정이나 직접 사용한 결과는 포함하지 않았습니다. 표지는 AI로 제작한 설명용 이미지입니다.

자동화가 실패할 때 기능 부족과 맥락 부족을 나눠 살펴볼 필요가 있습니다. 도구를 늘리기 전에 작업 대상과 현재 상태, 완료 조건이 정확히 전달되는지 확인할 수 있습니다.