축구 예측 챗봇

지능형 예측 어시스턴트

우리의 목표는 명확했습니다. 사용자의 질의(예: 팀명 등)를 받아 Sportradar에서 다양한 데이터를 수집하고, 이를 AI로 분석해 구조화된 예측 결과를 제공하는 챗봇을 만드는 것이었습니다.

복잡성 관리하기

아래의 플로우 다이어그램에서 볼 수 있듯, 여러 데이터(다가오는 경기 정보, 과거 맞대결, 팀 통계 등)를 통합하고 이를 AI 분석에 활용하려면, 단일 구조로 워크플로우를 만들 경우 매우 방대하고 관리하기 어려워질 수 있습니다.

이렇게 방대한 단일 플로우를 구축 및 유지하는 것은 어려울 수 있습니다. 우리는 어떻게 해결했을까요? 바로 분해해서 접근했습니다.

‘Run Flow’로 구현하는 맞춤형 도구 기반 모듈형 설계

하나의 거대한 플로우 대신, 강력한 FlowHunt 기능인 Run Flow 컴포넌트를 활용한 모듈형 방식을 채택했습니다. 이 컴포넌트는 한 플로우(“부모”)가 다른 플로우(“자식” 또는 “서브플로우”)를 실행하고 그 결과를 받을 수 있도록 해줍니다.

각각의 맞춤형 도구 역할을 하는 더 작고 전용의 플로우들을 여러 개 만들었습니다. 각 도구는 하나의 작업만을 담당합니다:

1. “다가오는 경기 정보 가져오기” 도구 (서브플로우):

   • 입력: 팀 ID나 경기 ID 등 파라미터를 받음
   • 동작: HTTP 요청 노드를 통해 다가오는 경기 일정과 세부 정보를 가져오는 Sportradar API 엔드포인트 호출
   • 출력: 특정 경기의 구조화된 정보 제공(날짜, 시간, 장소, 대회 등)
   • [이미지: 입력 → HTTP 요청(Sportradar 일정) → 출력의 단순화된 플로우 다이어그램 또는 개념 스크린샷]

2. “과거 맞대결 정보 가져오기” 도구 (서브플로우):

   • 입력: 두 팀의 ID 등 파라미터를 받음
   • 동작: HTTP 요청 노드를 통해 해당 팀들 간의 과거 경기 결과를 가져오는 Sportradar API 엔드포인트 호출
   • 출력: 날짜, 점수, 승자 등이 포함된 과거 경기 리스트 반환
   • [이미지: 입력 → HTTP 요청(Sportradar 기록) → 출력의 단순화된 플로우 다이어그램 또는 개념 스크린샷]

3. (선택) 기타 도구: 현재 팀 폼, 리그 순위, 선수 통계 등과 같은 데이터도 각기 관련 Sportradar 엔드포인트를 호출하는 유사한 서브플로우로 확장 가능

1단계: 맞춤형 도구 서브플로우 만들기

각 서브플로우는 독립적으로 구축되어 오로지 특정 데이터 수집 작업에 집중합니다. 따라서 만들고, 테스트하고, 관리하기가 훨씬 쉬워집니다.

2단계: 메인 플로우에서 오케스트레이션

이제 메인 챗봇 플로우는 훨씬 더 깔끔해집니다. 오케스트레이터 역할을 하게 됩니다:

1. 채팅 입력: 사용자의 초기 질의(예: 팀명 등) 캡처
2. AI 에이전트: 핵심 AI 에이전트(예: Tool Calling Agent) 노드는 두 개의 Run Flow 컴포넌트로부터 출력값을 받음
3. Run Flow(다가오는 경기 가져오기): 각기 다른 sportradar API 엔드포인트 기반의 맞춤형 도구 생성
4. 채팅 출력: AI 에이전트의 최종 분석 결과 출력

3단계: 도구 출력을 활용하도록 AI 프롬프트 작성

메인 플로우의 AI 에이전트는 이제 원시 API 데이터 대신, 맞춤형 도구들의 구조화된 출력을 받습니다. 프롬프트에서는 이들 도구의 출력 값을 기반으로 정보를 종합하도록 안내합니다:

당신은 자신의 도구를 활용해서 사용자의 질문에 답하고, YOURCOMPANY.xyz에 대한 질문뿐만 아니라 축구 경기와 관련된 정보 및 예측을 제공하는 유용한 어시스턴트입니다. 당신은 베팅 웹사이트의 어시스턴트이므로 YOURCOMPANY.xyz, 베팅, 스포츠, 카지노와 관련된 질문만 답변하세요.

TOOLS:

사용자가 도구 사용이 필요한 정보(competitor_id, competition id, season id 등)를 요청하면 팀 이름을 영어로, 영어가 아니라면 번역해서 seasons_tool에 입력하면 해당 팀의 모든 id를 제공합니다.

사용자가 오늘 경기나 이에 관련된 정보를 요청하면 추가 질문 없이 todays_matches 도구를 반드시 사용하여 아직 진행되지 않은 모든 경기와 팀명, competitor id를 제공합니다. 단, 이 도구를 사용할 때는 이미 종료된 경기는 결과를 절대 제공하지 않습니다.

사용자가 다가오는 경기의 예측을 원하면 predictions_tool에 두 팀의 competitor id만 전달하세요. (이 id는 seasons_tool을 통해 얻은 값입니다. 형식: competitor_id_1=ABC, competitor_id_2=XYZ) 받은 정보를 바탕으로 상세 예측 및 sr:sport_event id도 함께 제공합니다. 만약 사용자가 이 경기와 관련해 더 많은 질문을 한다면 match_info 도구에 sr:sport_event id를 입력하여 해당 경기 정보를 추출하세요. 가지고 있는 데이터를 바탕으로 상세 예측과 누가 이길 확률이 더 높은지, 어느 팀에 베팅해야 할지 비율로 안내하세요. competitor id가 없다면 사용자에게 팀명을 요청할 수 있습니다.

일반 질의에는 DOCUMENT RETRIEVER를 활용해 답변하고, 만약 답변이 없으면 GOOGLE SEARCH TOOL과 URL RETRIEVER를 이용하세요.

특정 팀의 정보를 원하면 team_info 도구에 해당 팀의 competitor id를 입력해 정보를 받아보세요.

현재 리그의 순위, 다음 라운드 진출팀, 특정 시즌의 팀 정보를 원하면 seasons_tool에서 season id를 얻어 standings_tool에 입력하세요. 단, 두 팀의 특정 경기에서 통계나 옐로카드 정보를 물으면 predictions_tool을 반드시 사용해야 합니다.

코너킥, 레드카드 등 상세 정보를 원하면 seasons tool에서 season id와 competitor id를 얻어 detail_stats tool에 입력해 정보를 받아보세요. 도구 내에서 답을 찾지 못하면 구글 검색을 활용하세요. 도구의 결과를 사용자에게 보고할 때는 입력과 상관없이 반드시 모든 세부 정보를 빠짐없이 제공하세요. 다음의 데이터가 접근 가능하다면 포함하세요: YELLOW CARD corner_kicks offsides OWN GOALS substituted_out substituted_in shots_on_target shots_off_target shots_blocked red_cards own_goals goals_scored

결과: 복잡성 관리 완료

Run Flow를 활용해 모듈형 맞춤 도구를 만들면서, 잠재적으로 거대하고 디버깅이 어려운 워크플로우를 관리하기 쉬운 체계로 바꿀 수 있었습니다. 메인 플로우는 데이터 수집을 명확히 조율하고, AI 에이전트는 전용 서브플로우가 제공하는 구조화된 데이터만을 분석합니다. 이를 통해 원하는 상세 예측 결과를 제공하면서도 개발 과정은 체계적이고 효율적으로 유지할 수 있었습니다.

결론: 더 똑똑하게, 더 쉽게 구축하세요

이 Sportradar 예측 챗봇 사례는 FlowHunt가 외부 데이터와 상호작용하는 정교한 AI 애플리케이션을 어떻게 쉽게 구축할 수 있는지 보여줍니다. 특히 Run Flow 컴포넌트와 같은 기능이 모듈형 설계를 통해 복잡성 관리에 얼마나 중요한 역할을 하는지 강조합니다. 대규모 작업을 작고 재사용 가능한 “맞춤 도구” 플로우로 분해하면, 더욱 강력하고 유지보수 및 확장성이 뛰어난 AI 솔루션을 효과적으로 만들 수 있습니다.

복잡한 워크플로우에 도전할 준비가 되셨나요? FlowHunt.io에서 모듈형 설계의 힘을 경험하고, 다음 AI 애플리케이션을 구축해보세요!

첫 번째 플로우를 바로 시작하세요

Flowhunt에는 AI 자동화 구현을 도와드릴 AI 플로우 엔지니어 팀이 준비되어 있습니다.

Flowhunt 체험하기
전문가와 상담하기