zioinfo-mail/workspace/guardia-docs/31_AI_플랫폼_제안서.md

GUARDiA AI 플랫폼 최적 오픈소스 제안서

서버: zio-server (zioinfo.co.kr) | 작성일: 2026-05-30
현재 사양: 2 vCPU / 7.8GB RAM / 99GB Disk / Ubuntu 24.04
기설치: Ollama 0.24.0 + Llama3:8b (4.7GB)

---

1. 제안 아키텍처

사용자/메신저 명령
      ↓
[GUARDiA ITSM FastAPI]
      ↓
[LangChain Orchestration Layer]  ← 에이전트 체인, 툴 호출
      ↓
┌─────────────────────────────────────┐
│  RAG 파이프라인                      │
│  ChromaDB (벡터 검색)               │
│  ← GUARDiA KB, 코드베이스, 문서 임베딩 │
└─────────────────────────────────────┘
      ↓
[Ollama] → Llama3:8b (온프레미스 LLM)

---

2. LLM / sLLM 추천

순위	모델	RAM 요구	특징	GUARDiA 적합성
⭐1	llama3:8b (기설치)	~5GB	범용 추론, 한국어 양호	✅ 현재 운영 중
2	qwen2.5:7b	~5GB	한국어 성능 우수, 코드 생성	✅ 권장 추가
3	codellama:7b	~4GB	코드 리뷰, SSH 명령 생성	✅ 코드 분석용
4	mistral:7b	~5GB	빠른 응답, 영어 최적	보조 모델
5	llama3.2:3b	~2.5GB	경량, 빠름	빠른 응답 전용

현재 서버 RAM 7.8GB 제한으로 동시 2개 모델 한계 → llama3:8b + codellama:7b 조합 권장

---

3. AI 프레임워크 추천

3-1. LangChain (핵심 추천 ⭐)

항목	내용
용도	에이전트 체인, 툴 호출, RAG 파이프라인
GUARDiA 연동	FastAPI 내부에서 ChatOllama 사용
패키지	langchain, langchain-community, langchain-ollama

from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessage

llm = ChatOllama(model="llama3:8b", base_url="http://localhost:11434")
response = llm.invoke([HumanMessage(content="서버 재시작 명령 생성")])

3-2. LangGraph (에이전트 워크플로우)

항목	내용
용도	복잡한 멀티 에이전트 상태 머신
GUARDiA 연동	SR 처리 → 승인 → 배포 플로우 구현
패키지	langgraph

3-3. Haystack (RAG 파이프라인)

항목	내용
용도	문서 검색, Q&A, KB 기반 응답
GUARDiA 연동	KB, 운영 메뉴얼 RAG 검색
패키지	haystack-ai, farm-haystack

---

4. 벡터 DB 추천 (별도 문서: 32_벡터DB_제안서.md)

순위	DB	특징	설치 방식
⭐1	ChromaDB	경량, Python native, 로컬 파일	pip install
2	Qdrant	고성능, REST API, Docker	Docker 컨테이너
3	Weaviate	풍부한 기능, 무거움	Docker 컨테이너
4	FAISS	Meta제작, 초고속, 메모리 전용	pip install

서버 사양(7.8GB RAM) 고려 → ChromaDB (로컬 파일 기반) 1차 권장

---

5. 임베딩 모델 추천

모델	크기	한국어	용도
nomic-embed-text	274MB	양호	Ollama 내장, 온프레미스
all-MiniLM-L6-v2	80MB	미흡	영어 최적, 빠름
bge-m3	570MB	우수	다국어 최고 성능

GUARDiA 권장: nomic-embed-text (Ollama 내장, 외부 API 불필요)

---

6. 설치 계획 (zio 서버)

Phase 1: LangChain + RAG 기반

pip install langchain langchain-community langchain-ollama \
            langchain-chroma chromadb sentence-transformers
ollama pull nomic-embed-text

Phase 2: 추가 모델

ollama pull qwen2.5:7b    # 한국어 강화
ollama pull codellama:7b  # 코드 리뷰

Phase 3: GUARDiA 코드베이스 학습

from langchain_community.document_loaders import DirectoryLoader
from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings

loader = DirectoryLoader("/opt/guardia/app", glob="**/*.py")
docs = loader.load()
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectordb = Chroma.from_documents(docs, embeddings,
    persist_directory="/opt/guardia/vectordb")

---

GUARDiA ITSM v2.0.0 | (주)지오정보기술 | 2026-05-30