Skele-Code: 도메인 전문가도 노코드 자연어로 저비용·고신뢰 AI 워크플로우를 구축하는 혁신적 그래프 노트북

안녕하세요 여러분! 최근에 공개된 흥미로운 AI 논문, JPMorgan Chase의 “DON’T VIBE CODE, DO SKELE-CODE: INTERACTIVE NO-CODE NOTEBOOKS FOR SUBJECT MATTER EXPERTS TO BUILD LOWER-COST AGENTIC WORKFLOWS”을 살펴보려 합니다. 제목부터 독특한 이 논문은 ‘스켈레-코드(Skele-Code)’라는, 기술적 배경이 적은 전문가도 손쉽게 AI 워크플로우를 만들 수 있게 해주는 도구를 제안하는데요. 이 글에서 여러분께 그 핵심 기술과 기존 접근법 대비 차별점, 그리고 현업 개발자와 SME(도메인 전문가) 모두에게 주는가치를 풀어 설명드릴게요.

---

1. Skele-Code, 그게 뭐길래?

기존 AI 워크플로우 개발 방법론을 보면 크게 세 가지가 있었습니다:

• vibe coding : 텍스트 채팅으로 LLM(대형언어모델) 에이전트와 대화하며 코드를 만드는 방식이죠. 그러나 긴 대화 속에서 컨텍스트가 쉽게 흐려지고 업데이트가 어려워 생산성 저하가 큽니다.
• 멀티 에이전트 시스템 : 각 작업 단계를 여러 에이전트들이 담당하는 구조예요. 강력하지만 실행 시 매 단계마다 LLM 호출이 이뤄져 비용 폭증과 예측 불가능한 동작 위험이 있습니다.
• 로우코드/드래그 앤 드롭 UI : 비교적 쉽지만, 여전히 모듈 이해와 데이터 구조 지식이 요구되어 비기술 전문가에게 진입장벽이 높아요.

---

Skele-Code는 이런 한계들을 뛰어넘는 얼개를 갖췄습니다. 사용자(특히 도메인 전문가)가 자연어로 각 작업 노드를 정의하면, 백엔드의 에이전트는 그 노드에 필요한 코드를 한 번만 생성하고, 이후에는 정해진 코드 흐름에 따라 결정론적으로 실행되도록 설계되어 있습니다. 즉, LLM 기반 에이전트는 ‘코드 작성과 에러 복구’에만 개입하고, 오케스트레이션(작업 순서 관리)이나 실행은 코드가 맡으니 실행 비용과 예측 가능성이 훨씬 좋아진 거죠.

---

2. 기술적 핵심: 그래프 기반 인터페이스와 마르코프 블랭킷 Context Engineering

Skele-Code의 UI는 자연어 입력이 가능한 그래프 기반 워크플로우 에디터를 바탕으로 합니다. 노드를 시각화하고 dependency를 한눈에 보여주니, 복잡한 선형 채팅 대화로 흐름을 파악하던 vibe coding과 다릅니다.

 

코드 생성에도 중요한 차별점이 있는데, 기존 LLM 노트북 도구(예: Jupyter AI)는 셀 간 데이터 공유가 자동화되어 있지 않거나, 같은 셀에서 여러 작업을 처리해 컨텍스트 혼란이 발생할 수 있습니다. 반면 Skele-Code 백엔드는 워크플로우 JSON 구조를 활용해 마르코프 블랭킷 원리에 따라 필요한 바로 옆 이웃 노드(선행 및 인접 노드)의 컨텍스트만 에이전트에 제공해, 컨텍스트 경량화와 token 비용 절감(=저비용 운영)을 동시에 실현했습니다.

---

3. 기존 도구와의 비교, 왜 더 좋을까요?

• LangFlow: 비슷한 그래프 UI지만 사용자가 데이터 타입과 모듈 간 데이터 전달을 직접 관리해야 해서 여전히 기술 장벽이 높습니다.
• PocketFlow: 자연어로 워크플로우 정의 가능하지만, 그래픽 인터페이스와 고급 토큰 비용 관리 기법(Markov blanket context limit)이 부재합니다.
• AutoGen 멀티 에이전트: 유연하지만 모든 워크플로우 실행 단계에서 LLM을 호출해 비용과 안정성이 문제입니다.
• Jupyter AI: 좋은 인터랙티브 노트북 환경이지만, 완전 자동화된 그래프 워크플로우 생성과 실행 오류 복구 기능은 없습니다.

즉, Skele-Code는 SME가 자연어만으로도 각 작업을 정의하고 관계 설정하면, LLM이 자동으로 적절한 Python 코드를 생성해 코드 관리가 편리하며—가장 중요한 것은—비용 효율성과 실행 예측 가능성까지 모두 만족시킵니다.

---

4. Skele-Code의 기술적 가치 요약

• 저비용․저리스크 실행: LLM 인터벤션을 코드 생성 및 오류 수정에 국한해, 완전 멀티 에이전트 대비 토큰 비용 대폭 감소.
• 투명하고 확장 가능한 워크플로우: JSON과 Python 코드 간 명확한 1:1 매칭, 사용자 직접 편집도 가능해 IT 전문가와 SME 모두 활용 가능.
• 증분 개발과 디버깅 지원: 인터랙티브 UI로 단계별 개발·수정 가능, 노드 단위 변환과 테스트 지원.
• 도메인 친화적 프로그래밍 경험: 비전문가도 자연어로 프로세스 정의 가능, 기술 장벽을 최소화함.

---

5. 앞으로의 발전 가능성도 기대해볼 부분

• 루프와 조건부 분기 지원: 비기술자도 이해하기 쉬운 반복 제어 UI 개발 예정
• 코드 저장소 연동으로 재사용성과 규제 강화
• 하위 워크플로우 포함한 계층적 설계 지원
• 실증 연구를 통한 기존 방식과의 성능, 비용 비교 데이터 확보

---

마치며

“스켈레-코드”는 AI 워크플로우 개발 생태계에 ‘노코드’와 ‘코드-퍼스트’의 절묘한 균형점을 제시합니다. 복잡한 AI 자동화를 SME가 실질적으로 주도하게 하고, 비용과 품질 관리까지 가능케 하는 혁신적인 설계 덕분에 꼭 주목해볼 만한 기술입니다. 여러분도 AI 에이전트와 자동화 프로젝트를 고민하신다면, 본 논문의 접근법에서 영감을 얻으셔서 ‘노코드가 공존하는 코드 중심 AI 자동화’가 가져올 미래를 체험해보시길 권합니다!

---

가볍게 훑으면서도 차별적 가치를 알아보는 시간이 되었길 바랍니다. 더 궁금한 점이나 실무 적용 사례에 대한 질문은 언제든 환영합니다. 다음에도 재미있는 AI 트렌드와 논문으로 찾아뵐게요!

감사합니다!