nexFLOW 데이터 기술 가이드

AI 코딩 에이전트로 데이터베이스 스키마를 설계·검토하는 방법

Fri, 16 Oct 2026 00:00:00 GMT

에이전트 코딩으로 주문, 회원, 결제 같은 기능을 구현할 때 SQL 파일을 먼저 만들면 놓치기 쉬운 문제가 있습니다. 한 행의 의미, 참조 대상, NULL과 기본값, 삭제 후 보존 정책이 정해지지 않으면 그럴듯한 테이블도 실제 업무와 어긋납니다. 이 가이드는 코딩 에이전트의 DB 설계 제안을 검토 가능한 변경안으로 만드는 절차입니다.

기존 스키마와 마이그레이션, 애플리케이션의 읽기·쓰기 경로를 먼저 확인하고, 새 기능의 불변조건을 적습니다. 에이전트에게는 확인된 사실과 미확인 가정을 구분하도록 요청한 다음 엔터티, 키, 관계, 제약조건, 전환 방법을 검토합니다. 데이터 모델을 그림으로 표현하는 일과 운영 DB에 DDL을 적용하는 일은 서로 다른 단계입니다.

ERFit으로 논리·물리 모델과 역공학 결과를 검토하고, ContextMeta로 의미·표준·품질 기준을 대조합니다. 아래 고객·주문 구조는 가상 예시입니다.

활용 목표

기존 DB와 충돌하지 않는 변경 범위 정리
키·관계·NULL·보존 규칙을 코드 생성 전에 검토
DDL·마이그레이션과 애플리케이션 변경을 함께 확인

준비사항

대상 DBMS·버전과 현재 schema-only 구조
관련 migration과 실제 데이터를 읽고 쓰는 코드
새 기능의 업무 규칙 및 보존·접근 정책
운영 적용 전 검증 환경과 백업·복구 절차

적용 절차

기존 구조와 코드의 사실 수집

코딩 에이전트에게 현재 테이블·컬럼·PK·FK·인덱스·제약조건과 최근 migration을 먼저 읽게 합니다. 관련 API가 INSERT·UPDATE·DELETE 시 어떤 값을 사용하는지도 대조합니다. 컬럼 이름에서 유추한 의미는 확인된 업무 규칙으로 취급하지 않습니다.

한 행의 의미와 불변조건 명시

예를 들어 주문 한 행이 주문 시점의 스냅샷인지 현재 고객 상태의 반영인지 결정합니다. 고객을 삭제했을 때 주문을 보존하는지, customer_id가 NULL일 수 있는지, 상태 변경의 주체와 금액 단위가 무엇인지 확인받습니다. 모르는 사항은 생성 코드에 임의 기본값을 넣는 대신 질문으로 남깁니다.

에이전트에게 설계안과 근거 요청

아래는 제품별 명령이나 MCP 도구 호출이 아닌 자연어 요청 예시입니다. 실제 저장소와 DBMS에 맞게 조정하고, 운영 데이터·자격증명을 프롬프트에 넣지 않습니다.

가상 주문 기능의 DB 설계를 검토해줘.
1. 현재 schema-only 구조, 관련 migration, 주문/회원 API의 읽기·쓰기 경로를 먼저 정리해줘.
2. 확인된 사실·추정·담당자에게 물어볼 업무 규칙을 구분해줘.
3. 고객과 주문의 PK/FK, UNIQUE, NULL, 기본값, 금액 단위, 삭제·보존 정책을 제안하고 근거를 밝혀줘.
4. 대상 DBMS에 맞는 DDL 변경안과 기존 행 처리·인덱스·롤백 검토 사항을 따로 제시해줘.
5. SQL을 실행하거나 운영 DB를 수정하지 말고 사람의 검토를 기다려줘.

DDL과 모델의 일치 여부 검토

PostgreSQL 예시의 PK·FK를 확인하고, 실제 설계의 금액 단위·삭제 정책·인덱스·트랜잭션 경계와 대조합니다.

-- 가상 설계 예시 · 실제 운영 DB에 실행하지 마세요.
CREATE TABLE customer (
  customer_id BIGINT PRIMARY KEY
);

CREATE TABLE orders (
  order_id BIGINT PRIMARY KEY,
  customer_id BIGINT NOT NULL REFERENCES customer(customer_id)
);

격리 검증 후 변경 범위 결정

기존 데이터가 있는 복원본에서 migration을 검증하고, 구조 전후의 행·제약·거래 금액 보존을 확인합니다. 애플리케이션의 새 코드와 이전 코드가 전환 시점에 어떤 스키마를 요구하는지 대조한 뒤 사람의 승인에 따라 적용합니다. ERFit 모델의 Apply나 파일 저장은 운영 DB에 SQL을 적용하는 절차가 아닙니다.

업무 흐름

현행 파악

스키마·마이그레이션·API 대조

업무 정의

행·키·NULL·보존 의미 결정

설계 제안

모델·DDL·가정 구분

격리 검증

데이터 보존과 전환 경계 확인

적용 범위와 한계

에이전트가 생성한 DDL만으로 기존 데이터의 의미·개인정보 보유 정책·성능이 검증되지는 않습니다.
가상 SQL은 DBMS별 마이그레이션 템플릿이나 바로 적용할 수 있는 운영 스크립트가 아닙니다.
ERFit의 모델 변경·저장은 운영 DB의 DDL 자동 실행 또는 Repository 업로드를 의미하지 않습니다.

AI 코딩 에이전트에게 DB 테이블 설계를 바로 맡겨도 되나요?

초안을 요청할 수 있지만, 기존 스키마와 코드에서 확인한 사실 및 업무 담당자에게 확인할 규칙을 먼저 분리하세요. PK·FK·NULL·보존·기존 행 전환 방식은 검토 후 확정해야 합니다.

ERFit의 MCP로 만든 모델을 Apply하면 운영 DB도 바뀌나요?

아닙니다. 연결된 ERFit 모델의 변경과 실제 DB에 대한 DDL 적용은 별개입니다. 결과를 검토하고 모델 파일을 저장한 뒤, DB 적용은 백업·복원 검증과 별도 배포 절차를 따르세요.

기존 DB에서 ERD를 먼저 만들고 싶다면 어디서 시작하나요?

기존 SQL이나 DB 구조에서 모델을 만드는 DB 역공학 가이드를 참고하세요. 추출된 관계와 코드·업무 문서에서 확인한 의미를 구분해야 합니다.

ERFit 제품 정보

ERFit MCP 등록 및 사용 방법

Sun, 11 Oct 2026 00:00:00 GMT

ERFit MCP는 AI 에이전트와 브라우저에서 열어 둔 ERFit 모델을 연결합니다. 모델 조회부터 새 모델 초안 작성, 기존 모델 변경, Apply와 Undo까지 사용할 수 있습니다. ERFit Desktop이나 별도 MCP 프로그램을 사용자 PC에 설치할 필요는 없습니다.

홈페이지 로그인은 회원 편집기를 여는 데 사용합니다. 에이전트에는 MCP 주소를 등록하고, 앱이 여는 브라우저에서 nexFLOW 로그인 후 접근 권한을 허용합니다. 연결한 편집기 탭은 작업하는 동안 열어 두세요.

일반 모델 도구는 MCP 크레딧을 사용합니다. 서버 운영자가 AI 공급자를 연결한 환경에서는 analyze_model_ai로 열린 모델의 구조를 읽기 전용으로 분석할 수 있으며, 이 호출은 AI 크레딧과 일일 한도를 사용합니다. 공급자 연결이 없는 환경에는 해당 도구가 표시되지 않습니다. AI 분석 결과는 모델에 자동 반영되지 않습니다. 외부 에이전트의 구독료나 자체 AI 사용료는 nexFLOW 크레딧과 별개입니다.

아래 설정은 https://nexflow.im/mcp/erfit 기준입니다. OAuth와 My Account에서 발급한 개인 토큰 중 하나로 인증할 수 있습니다. 개인 토큰 하나는 ERFit·ContextMeta에 함께 사용하며, OAuth는 서비스·앱별로 연결을 허용하고 연결된 앱에서 해제합니다.

활용 목표

회원 모델의 MCP 자동 연결
하네스에서 편집을 결정하고 Apply·Undo
앱별 연결 권한 확인·해제

준비사항

nexFLOW 회원 계정
원격 MCP와 OAuth를 지원하는 Codex·Claude Code·Cursor·OpenCode
회원 편집기에 열어 둔 작업 모델
작업에 필요한 플랜과 사용할 수 있는 크레딧

적용 절차

MCP 주소 등록 후 브라우저에서 연결 허용

사용하는 앱에 아래 주소를 등록합니다. 인증을 시작하면 열리는 nexFLOW 화면에서 연결 계정·앱·조회/편집/AI 권한을 확인하고 “연결 허용”을 누르세요. 편집 또는 AI 권한에는 조회 권한도 포함되며, 실제 작업에는 현재 플랜·크레딧과 편집기 연결 조건을 함께 적용합니다.

https://nexflow.im/mcp/erfit

연결된 앱 관리

Codex에 등록

Codex 설정의 MCP 서버에서 Streamable HTTP 주소를 등록하거나 ~/.codex/config.toml에 아래 항목을 추가합니다. 조회·편집 권한으로 연결하려면 codex mcp login erfit_web --scopes erfit:read,erfit:edit를 실행합니다. AI 기능도 사용할 때는 --scopes 값에 erfit:ai를 추가합니다.

[mcp_servers.erfit_web]
url = "https://nexflow.im/mcp/erfit"
tool_timeout_sec = 120

Codex 공식 MCP 설정

Claude Code에 등록

아래 명령으로 HTTP 서버를 추가한 뒤 Claude Code의 /mcp에서 ERFit 인증을 시작합니다. 브라우저에서 로그인과 권한 동의를 마치고 앱으로 돌아옵니다.

claude mcp add --transport http erfit_web https://nexflow.im/mcp/erfit

Claude Code 공식 MCP 설정

OpenCode 설정 예시

opencode.json 또는 opencode.jsonc에 아래 설정을 병합하고 opencode mcp auth erfit_web을 실행합니다. 조회·편집 권한을 요청하는 예시이며 AI 기능도 사용할 때는 oauth.scope에 erfit:ai를 추가합니다. 브라우저에서 로그인·동의하면 앱이 인증을 보관하고 갱신합니다.

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "erfit_web": {
      "type": "remote",
      "url": "https://nexflow.im/mcp/erfit",
      "oauth": {
        "scope": "erfit:read erfit:edit"
      },
      "enabled": true
    }
  }
}

OpenCode 공식 MCP 설정

Cursor에 등록

Cursor의 MCP 설정에 아래 원격 서버를 추가하고 연결 인증을 선택합니다. 브라우저 동의를 마친 뒤 서버 상태와 도구 목록을 확인하세요.

{
  "mcpServers": {
    "erfit_web": {
      "url": "https://nexflow.im/mcp/erfit"
    }
  }
}

Cursor MCP 문서

개인 토큰으로 연결하기 · Codex

OAuth 대신 키를 사용하려면 My Account → MCP 연결에서 개인 토큰을 발급합니다. 발급 직후 한 번만 표시되며 ERFit·ContextMeta에서 함께 사용할 수 있습니다. 실행 환경의 ERFIT_MCP_TOKEN에 원문을 보관하고 Codex 설정을 아래처럼 사용합니다. 키를 교체하면 양쪽 서비스의 이전 키 연결이 중단됩니다.

[mcp_servers.erfit_web]
url = "https://nexflow.im/mcp/erfit"
bearer_token_env_var = "ERFIT_MCP_TOKEN"
tool_timeout_sec = 120

개인 토큰 발급·관리

개인 토큰 설정 · Claude Code

키 방식을 선택했다면 .mcp.json에 아래 설정을 사용합니다. ${ERFIT_MCP_TOKEN}은 환경변수 참조입니다. 실제 원문을 파일에 넣거나 공유하지 않습니다.

{
  "mcpServers": {
    "erfit_web": {
      "type": "http",
      "url": "https://nexflow.im/mcp/erfit",
      "headers": {
        "Authorization": "Bearer ${ERFIT_MCP_TOKEN}"
      }
    }
  }
}

개인 토큰 설정 · OpenCode

OpenCode의 키 방식은 oauth:false와 환경변수 헤더를 함께 사용합니다. OAuth 방식을 선택한 경우에는 앞의 OAuth 설정만 사용합니다.

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "erfit_web": {
      "type": "remote",
      "url": "https://nexflow.im/mcp/erfit",
      "oauth": false,
      "headers": {
        "Authorization": "Bearer {env:ERFIT_MCP_TOKEN}"
      },
      "enabled": true
    }
  }
}

ERFit Web에서 작업 모델 열기

로그인한 회원이 ERFit Web을 열면 현재 모델이 MCP에 자동 연결됩니다. 툴바의 MCP 연결에서 대상 모델과 주소를 확인할 수 있습니다. 조회만 할지 편집할지는 코딩 에이전트의 모드·도구 권한에서 정하세요. 에이전트의 Apply·Undo 요청은 ERFit에서 다시 승인받지 않고 실행됩니다. 작업 중에는 편집기 탭을 열어 두세요.

ERFit Web 열기

도구 목록 확인 후 모델 작업 요청

MCP 연결 상태와 실제 도구 목록을 확인합니다. 조회·미리보기는 모델을 바꾸지 않습니다. 하네스가 편집을 결정하고 Apply를 요청하면 모델 버전·해시와 접근 권한을 확인한 뒤 반영합니다. 아래는 가상 모델로 연습하는 요청 예시입니다.

1. ERFit MCP의 list_models로 연결된 모델을 확인해줘.
2. 이 모델에 고객 테이블 초안을 만들어줘.
   컬럼: 고객번호(기본키), 고객명, 이메일.
3. 변경 전후를 미리보기로 검증해줘.
4. 실제 ERFit 모델에 Apply해줘.
5. 적용 결과의 모델 버전과 테이블을 다시 확인해줘.

모델 저장·앱 연결 해제

Apply는 브라우저의 ERFit 모델을 변경합니다. 결과를 확인하고 파일을 저장하세요. 실제 데이터베이스 DDL 실행이나 Repository 자동 업로드는 아닙니다. 다른 앱 연결을 사용할 때는 ERFit 편집기를 다시 연결합니다. 앱의 접근 권한을 끝내려면 My Account → 연결된 앱에서 해당 연결을 해제하세요. 홈페이지 로그아웃이나 편집기 탭 종료와 앱 연결 해제는 별개입니다.

업무 흐름

에이전트 등록

MCP 주소 추가

로그인·동의

브라우저에서 앱 권한 허용

모델 자동 연결

회원 편집기에서 모델 열기

작업·저장

하네스에서 편집 결정·Apply 후 파일 저장

적용 범위와 한계

연결은 앱별로 허용하며 최대 30일 후 다시 인증합니다. My Account에서 해제하면 기존 인증으로 더 이상 실행할 수 없습니다.
사용할 모델의 온라인 연결 하나만 남기세요. 다른 앱 연결이 기존 초안·승인 내용을 이어받을 수 없으며 편집기를 다시 연결해야 합니다.
MCP 도구 조회와 실제 모델 작업은 구분됩니다. 게스트 편집기나 연결이 종료된 탭에는 모델 변경을 수행할 수 없습니다.

401 / MCP_AUTH_REQUIRED가 나옵니다.

OAuth는 앱에서 인증을 다시 시작하고 브라우저 동의를 완료하세요. 키 방식은 개인 토큰이 폐기·교체됐는지, 앱 실행 환경에 원문이 전달됐는지 확인합니다. OAuth와 개인 토큰 설정을 섞지 말고 선택한 방식으로 다시 연결하세요.

403 / insufficient_scope가 나옵니다.

조회 권한만 허용한 OAuth 연결에서는 편집·AI 기능을 실행할 수 없습니다. 사용할 권한으로 앱 인증을 다시 진행하세요. 편집은 erfit:read erfit:edit, AI는 erfit:read erfit:ai가 필요합니다. 하네스의 모드와 도구 허용 설정도 확인하세요.

“Apply 도구가 없다”거나 미리보기 전용이라고 합니다.

Codex가 이전 도구 목록이나 대화의 설명을 유지할 수 있습니다. 실제 주소와 enabled_tools/disabled_tools 필터를 확인하고 MCP를 재연결한 새 채팅에서 tools/list를 확인하세요. 현재 웹은 apply_changeset, apply_model_draft와 Undo를 지원하며 ERFit에서 별도로 편집 허용을 선택하지 않습니다.

EDITOR_DISCONNECTED 또는 MULTIPLE_EDITORS가 나옵니다.

회원 편집기에서 작업 모델을 열면 자동 연결됩니다. 연결을 직접 해제했다면 MCP 연결 → 다시 연결을 누르세요. MULTIPLE_EDITORS는 같은 회원의 온라인 연결이 여러 개라는 뜻이므로 사용할 편집기 하나만 남깁니다.

모델 버전 충돌이 발생합니다.

미리보기 이후 수동 편집 등으로 모델이 달라졌을 수 있습니다. 최신 모델을 조회해 새 변경안을 만들고 다시 검토하세요. 추가 승인 창이 없어도 버전·해시 검사는 유지됩니다.

Apply하면 파일도 자동 저장되나요?

Apply는 연결된 브라우저 모델을 변경합니다. 결과를 확인한 뒤 파일 저장은 별도로 수행합니다.

ERFit 제품 정보

AI로 기존 데이터베이스의 데이터 모델을 분석하는 방법

Mon, 28 Sep 2026 00:00:00 GMT

데이터 모델 분석은 테이블 목록을 수집하는 일에서 끝나지 않습니다. 각 테이블이 어떤 업무 대상을 나타내는지, 어떤 키로 연결되는지, 한 행이 무엇을 의미하는지 설명할 수 있어야 합니다. 운영 시스템의 문서가 오래되었거나 담당자가 바뀐 상황에서는 실제 DB 구조와 업무 설명을 함께 검토하는 것이 출발점입니다.

AI는 테이블·컬럼·관계를 함께 살펴 모델을 이해하는 데 활용할 수 있지만, 이름만으로 업무 의미를 확정해서는 안 됩니다. CUSTOMER_ID가 같은 이름으로 존재해도 같은 고객 체계를 참조한다는 보장은 없습니다. DB에서 확인한 사실, AI가 제안한 해석, 담당자가 확인해야 할 항목을 구분하면 분석 결과를 관리 가능한 지식으로 만들 수 있습니다.

ContextMeta의 모델 분석·메타데이터·표준·품질 관리를 활용한 적용 방법론입니다. 고객·주문 구조는 가상 예시입니다.

활용 목표

분석 범위와 근거를 명시한 현행 모델 이해
미확인 업무 의미를 별도 검토 항목으로 관리
AI 에이전트가 참조할 구조·정의의 출발점 마련

준비사항

분석할 스키마·테이블 범위와 기준 시점
테이블·컬럼·키·제약조건 메타데이터
업무 정의와 관계를 확인할 담당자
표준사전 및 기존 설계 문서가 있다면 함께 준비

적용 절차

분석 질문과 대상 범위 정의

“주문 한 건은 어느 테이블에 기록되는가?”, “탈퇴 고객의 주문은 어떻게 남는가?”처럼 답해야 할 질문을 먼저 정합니다. 대상 DB·스키마·테이블과 수집 시점을 기록해 서로 다른 버전의 구조가 섞이지 않게 합니다.

관계의 근거 정리

PK·FK·UNIQUE·NULL 허용 여부를 확인합니다. 선언된 외래키와 이름·업무 문서로 추정한 관계는 따로 표시합니다. 외래키가 없다는 사실은 업무 관계가 없다는 뜻이 아닙니다.

가상 분석 기록 예시
대상: CUSTOMER, ORDERS
확인된 구조: ORDERS.CUSTOMER_ID → CUSTOMER.CUSTOMER_ID (FK)
업무 질문: 고객 탈퇴 후 주문 보관 기준은 무엇인가?
미확인 항목: ORDER_AMOUNT의 통화·세금 포함 기준
검토 담당: 고객·주문 업무 담당자

AI 분석 요청을 근거 중심으로 구성

대상 메타데이터와 확인된 업무 정의를 함께 사용해 엔터티·속성·관계에 대한 설명을 검토합니다. 근거가 없는 의미를 확정하지 않고, 추론과 추가 질문을 분리하도록 요청합니다. 실제 값이 필요하지 않은 분석에는 구조와 정의부터 사용합니다.

업무 담당자와 해석 검토

AI가 설명한 관계·식별자·상태 코드의 의미를 업무 문서와 대조합니다. 컬럼명만 보고 금액 단위나 삭제 정책을 확정하지 않습니다. 승인된 설명과 아직 확인하지 못한 설명을 구분하여 기록합니다.

분석 결과를 관리 기준으로 연결

확인된 정의는 모델·메타데이터 관리에 반영하고, 표준 용어와 품질 검토 항목에 연결합니다. 구조나 업무 정의가 바뀌면 해당 범위를 다시 검토할 수 있도록 기준 시점과 변경 사유를 남깁니다.

업무 흐름

범위 선정

업무 질문과 대상 구조 정리

근거 수집

메타데이터·문서·표준 대조

AI 분석·검토

사실과 추론 분리

정의 관리

확인된 모델 맥락 유지

적용 범위와 한계

스키마 분석만으로 업무 의미나 데이터 값의 품질까지 확정할 수 없습니다.
여기서 다루는 모델은 테이블·속성·관계로 이루어진 데이터 모델이며, 머신러닝 모델의 학습·배포 관리가 아닙니다.
실제 분석 범위와 연결 방식은 적용 제품 버전 및 데이터베이스 환경에 맞춰 확인해야 합니다.

AI가 데이터 모델을 분석하면 담당자 검토가 필요 없나요?

필요합니다. 구조에 드러나지 않는 업무 규칙·보관 기준·코드 의미는 담당자 확인을 통해 보완해야 합니다.

분석과 데이터 모델링은 어떻게 다른가요?

분석은 기존 구조와 의미를 이해하는 일이고, 모델링은 업무 개념과 구현 구조를 설계하는 일입니다. ContextMeta의 분석 결과는 ERFit으로 모델링할 때 검토할 근거가 될 수 있습니다.

ContextMeta 제품 정보

표준·메타데이터·품질 규칙을 연결하는 데이터 거버넌스

Mon, 28 Sep 2026 00:00:00 GMT

데이터 거버넌스는 표준사전을 등록하는 작업만을 뜻하지 않습니다. 누가 정의를 검토하고 승인하는지, 실제 DB에 어떤 기준을 적용하는지, 예외와 품질 문제를 어떻게 개선하는지까지 이어져야 운영 가능한 기준이 됩니다.

예를 들어 “고객 구분 코드”라는 표준 용어가 있어도 테이블마다 허용값과 NULL 처리 방식이 다르면 같은 기준으로 활용하기 어렵습니다. 용어의 의미, 도메인의 타입·길이, 코드 집합, 적용 컬럼과 진단 규칙을 연결해서 검토해야 합니다. 정의가 같은 항목과 업무상 다른 항목을 구별하는 것도 중요합니다.

ContextMeta의 표준사전·메타데이터·품질 관리로 조직의 관리 기준을 정리합니다. 코드값과 항목은 가상 예시입니다.

활용 목표

용어 정의와 실제 컬럼 사이의 적용 기준 명확화
진단 결과를 담당자·개선 작업으로 연결
사람과 AI가 참조할 데이터 기준 관리

준비사항

표준 용어·도메인·코드의 초안 또는 기존 사전
표준을 적용할 DB 메타데이터
정의 검토·승인 및 품질 개선 담당자
진단 허용 범위와 업무별 예외 기준

적용 절차

용어·도메인·코드를 구분하여 정의

용어에는 업무 의미를, 도메인에는 표현 방식과 제약을, 코드에는 허용값과 의미를 정리합니다. 같은 이름을 쓰는 항목이 실제로 같은 개념인지부터 담당자와 확인합니다.

메타데이터와 표준의 대응 검토

테이블·컬럼의 정의를 표준과 대조합니다. 미정의 항목이나 예외는 억지로 기존 표준에 맞추지 않고 신청·검토·승인 대상으로 분리합니다. ContextMeta의 검증·승인 이력을 관리 기준으로 활용할 수 있습니다.

품질 규칙을 구체화

“코드가 올바르다”는 표현을 허용값, NULL 허용 여부, 적용 범위처럼 확인 가능한 조건으로 바꿉니다. 아래 예시의 A·B는 임의 값이며 업무 담당자가 승인한 코드 집합으로 대체해야 합니다.

가상 규칙 정의 예시
표준 용어: 고객 구분 코드
대상 컬럼: CUSTOMER.CUSTOMER_TYPE
허용값: A, B (예시)
NULL: 업무 담당자 확인 후 결정
품질 관점: 유효성 / 완전성
예외: 과거 데이터 적용 범위 별도 검토
개선 담당: 고객 데이터 관리 담당자

AI 어드바이저와 진단 기준 검토

정의와 실제 구조를 바탕으로 점검할 사항을 정리합니다. 완전성·유효성·일관성·정확성·유일성 중 어떤 관점의 문제인지 구별하고, 업무 규칙이 필요한 항목은 담당자가 기준을 확인합니다. MCP 연계를 사용할 때도 같은 정의와 범위를 바탕으로 업무를 수행합니다.

진단·개선·재진단으로 마감

읽기 전용 진단 결과를 검토하여 규칙 오류와 실제 데이터 오류를 구분합니다. 원인·담당자·개선 범위를 정리하고 재진단 결과를 비교합니다. 표준이 바뀌면 해당 규칙과 적용 대상도 함께 재검토합니다.

업무 흐름

정의

용어·도메인·코드 관리

연결

실제 DB와 적용 범위 검토

진단

값·관계·업무 규칙 점검

개선

담당자 확인과 재진단

적용 범위와 한계

품질 점수가 높다는 사실만으로 모든 업무 데이터가 정확하다고 판단할 수 없습니다.
표준이나 코드 변경이 운영 DB 값을 자동으로 수정한다는 의미는 아닙니다.
조직의 승인 권한·예외 정책과 실행 범위는 도입 환경에 맞게 정해야 합니다.

메타데이터 관리와 데이터 거버넌스는 같은 것인가요?

메타데이터 관리는 구조와 정의를 다루는 중요한 기반입니다. 거버넌스는 여기에 책임·승인·품질·개선 절차를 더해 데이터 관리 기준을 운영하는 범위입니다.

AI 어드바이저가 표준을 최종 승인하나요?

이 가이드는 AI의 분석을 검토 근거로 사용하는 흐름을 설명합니다. 실제 승인 주체와 절차는 조직의 정책과 제품 구성에 따라 정해야 합니다.

ContextMeta 제품 정보

SQL DDL과 기존 DB에서 논리·물리 데이터 모델을 만드는 방법

Mon, 28 Sep 2026 00:00:00 GMT

데이터베이스 역공학은 기존 SQL 또는 DB 구조를 읽어 데이터 모델로 전환하는 작업입니다. 설계 문서가 현재 시스템과 다르거나, 새 시스템을 설계하기 전에 현행 관계를 이해해야 할 때 출발점이 됩니다.

역공학으로 얻는 것은 우선 구현 구조입니다. 컬럼명·타입·키는 확인할 수 있지만 업무 개념, 관계의 필수성, 코드 의미까지 언제나 복원되는 것은 아닙니다. 물리 구조를 읽은 뒤 업무 의미를 보완해야 논리 모델과 연결된 설계로 발전시킬 수 있습니다.

ERFit의 SQL·DB 역공학, 논리·물리 모델링, DDL·문서 생성을 활용합니다. 아래 코드는 PostgreSQL 가상 모델 예시입니다.

활용 목표

현행 구조와 모델의 차이를 확인할 기준 확보
AI와 사람이 읽을 관계·제약조건의 명시
새 설계와 구현 산출물의 검토 출발점 마련

준비사항

대상 DBMS와 스키마 또는 DDL 파일
역공학 대상·제외 대상 목록
DB 구조 접근 권한과 실행 환경 확인
모델 병합·교체 전략 및 기존 모델 사본

적용 절차

기준 DDL 또는 DB 범위 확정

추출 시점과 대상 테이블을 정하고 뷰·인덱스·제약조건 등 검토할 범위를 기록합니다. 서로 다른 시점의 스크립트를 섞으면 관계나 컬럼 정의가 불일치할 수 있습니다.

키와 관계를 포함한 입력 확인

가상 예시에서 ORDERS의 외래키는 주문과 고객의 연결 근거입니다. 외래키가 없는 시스템이라면 업무 문서로 확인한 관계를 추가로 검토해야 합니다.

-- PostgreSQL 가상 모델 예시: 실제 고객 데이터가 아닙니다.
CREATE TABLE customer (
  customer_id BIGINT PRIMARY KEY,
  customer_name VARCHAR(100) NOT NULL
);

CREATE TABLE orders (
  order_id BIGINT PRIMARY KEY,
  customer_id BIGINT NOT NULL REFERENCES customer(customer_id),
  order_amount NUMERIC(15, 2) NOT NULL
);

역공학 결과의 물리 구조 검토

대상 테이블·컬럼 수, PK·FK·UNIQUE·CHECK, 타입·길이·기본값을 기준 DDL과 대조합니다. 스크립트 역공학과 데스크톱 DB 역공학 중 환경에 맞는 방식을 사용하고, 기존 모델에 병합할지 교체할지 먼저 결정합니다.

논리 의미와 관계 보완

CUSTOMER를 “고객”으로 정의하는 것뿐 아니라 한 행이 개인인지 계약 주체인지 확인합니다. 식별·비식별 관계, 카디널리티, 선택성을 검토하고 물리 제약과 업무 관계가 다른 부분을 기록합니다.

DDL·문서 산출물 검증

모델을 수정했다면 생성할 DDL과 문서를 검토합니다. 생성 DDL은 검증용 환경에서 적용 가능성을 확인하고, 데이터 변환이나 운영 반영 절차는 별도로 계획합니다. 설계한 구조를 AI가 활용할 때에도 확정된 정의와 관계를 기준으로 합니다.

업무 흐름

구조 확보

DDL·메타데이터의 기준 시점 결정

역공학

테이블·컬럼·관계 모델화

설계 검토

논리 의미와 물리 제약 정리

산출물 확인

DDL·문서 검증

적용 범위와 한계

선언되지 않은 업무 관계는 DDL만으로 확정할 수 없습니다.
DDL 생성은 운영 데이터 이관이나 변경 스크립트의 무중단 실행을 보장하지 않습니다.
DBMS별 문법과 버전 차이는 실제 대상 환경에서 검증해야 합니다.

DB에서 ERD를 만들면 논리 모델도 완성되나요?

물리 구조를 모델화한 후 업무 용어·정의·관계 의미를 보완해야 합니다. 스키마에 담기지 않은 업무 의미까지 자동으로 완성되었다고 간주하면 안 됩니다.

SQL 파일만 있어도 시작할 수 있나요?

ERFit은 SQL 스크립트 역공학을 지원합니다. 대상 DBMS의 문법, 테이블과 제약조건의 포함 범위를 먼저 확인하는 것이 좋습니다.

ERFit 제품 정보

MCP를 활용한 AI 에이전트의 데이터 모델링과 구조 관리

Mon, 28 Sep 2026 00:00:00 GMT

MCP(Model Context Protocol)는 AI 애플리케이션과 외부 도구·데이터를 연결하는 프로토콜입니다. 데이터 모델링에 적용하면 AI가 단순히 ERD 이미지를 설명하는 데서 나아가, 제품과 연결된 작업 흐름에서 데이터 구조를 다루도록 구성할 수 있습니다.

ERFit은 AI를 위한 데이터 모델링 솔루션이며 사람도 직접 모델을 설계·검토할 수 있습니다. ContextMeta는 AI 데이터 모델 분석·관리와 AI 어드바이저 기반 거버넌스를 다룹니다. 두 제품 모두 MCP를 활용하지만, 연결 프로토콜이 같다는 사실이 두 제품의 역할이나 제공 도구가 같다는 뜻은 아닙니다.

대상 모델·업무 정의·변경 범위를 에이전트에 전달하고 결과를 검토합니다. 클라이언트 등록은 ERFit MCP 설정 가이드를 참고하세요.

활용 목표

AI 에이전트의 작업 범위와 기대 결과 명확화
사람이 검토할 수 있는 관계·제약 중심의 모델링
모델 설계와 거버넌스 역할의 구분

준비사항

사용할 AI 클라이언트와 제품 버전의 MCP 연결 지원 확인
대상 데이터 모델과 확정된 업무 정의
제품이 제공하는 도구 목록과 실행 범위 확인
변경 전 모델 사본 및 결과 검토 담당자

적용 절차

연결 가능 범위 확인

현재 설치 버전에서 어떤 모델링·거버넌스 도구를 제공하는지 확인합니다. 클라이언트 연결, 인증, 조회·변경 권한은 제품과 환경의 실제 설정을 따릅니다. MCP 사용 자체가 DB 전체에 대한 변경 권한을 의미하지는 않습니다.

구조와 업무 맥락 준비

모델 이름, 대상 엔터티, 키·관계, 표준 용어와 미확인 사항을 정리합니다. 기존 DB 분석이나 역공학 결과를 활용하되 아직 검토되지 않은 관계는 추정임을 표시합니다.

작업 요청을 구체적으로 작성

아래는 고객·주문 가상 모델을 검토하기 위한 자연어 요청 예시입니다. MCP 도구 호출이나 제품이 보장하는 응답 형식이 아니며, 사용하는 클라이언트의 작업 요청에 맞춰 조정합니다.

가상 작업 요청 예시

대상: 고객·주문 데이터 모델
목표: 고객과 주문의 연결 관계를 검토한다.
근거: 엔터티 정의, PK·FK, NULL 허용 여부
요청: 확인된 관계와 추정한 관계를 구분해 설명한다.
범위: 검토 결과를 먼저 제시하고 변경 필요 항목을 정리한다.
확인할 사항: 주문 보관 기준과 고객 삭제 처리 규칙

모델링 결과를 사람이 검토

엔터티·속성·관계·카디널리티·선택성 및 제약조건이 업무 정의와 일치하는지 확인합니다. AI가 같은 이름의 컬럼을 임의로 같은 개념으로 처리하지 않았는지 살펴보고, 변경이 필요한 경우 합의한 범위로 작업을 진행합니다.

구조 관리와 거버넌스로 연결

검토한 모델은 ERFit의 모델링·산출물 업무에 활용합니다. 데이터 정의·표준·품질 기준은 ContextMeta의 거버넌스 관점에서 함께 관리할 수 있습니다. 변경한 구조가 어떤 기준과 연결되는지 설명을 남겨 다음 작업의 맥락으로 사용합니다.

업무 흐름

연결 확인

클라이언트·도구·범위 확인

맥락 준비

모델·정의·표준 제공

AI 모델링

구체적인 작업 요청 수행

검토·관리

사람의 검토와 구조 관리

적용 범위와 한계

연결 가능한 클라이언트·도구·인증 방식은 실제 제공 버전을 확인해야 합니다.
MCP는 연결 규약이며 모델 품질이나 업무 정의의 정확성을 자동으로 보장하지 않습니다.
AI의 추정과 조직에서 승인한 모델 정의를 구분하여 관리해야 합니다.

ContextMeta와 ERFit의 역할은 무엇이 다른가요?

ContextMeta는 모델 분석·의미·표준·품질과 거버넌스가 중심이고, ERFit은 논리·물리 모델과 관계·제약조건의 설계가 중심입니다.

ERFit 제품 정보