같은 공공데이터,
우리가 만들면 다릅니다.
에이전트 스토어의 서버는 공개 데이터를 단순히 감싼 래퍼가 아닙니다. 서버 하나하나를 깊이 다시 설계한 개별 서비스예요. 누구나 만들 수 있는 단순 연결을 넘어, 고객사의 토큰 비용을 아끼고 AI 검색의 정확도와 속도를 끌어올리려고 — 우리는 이렇게까지 합니다.
API를 단순히 감싸지 않습니다.
원천 데이터는 그대로는 AI가 쓰기 어렵습니다. 우리는 한 서버를 내놓기 전에 적어도 일곱 가지를 합니다. 각각이 고객사의 비용·정확도·속도로 돌아옵니다.
제각각인 데이터를 한 형식으로 — 수십~수백 개로 흩어진 필드를 AI가 바로 읽는 한 형식으로 다시 정리합니다.
의미로 찾는 검색(임베딩)과 단어로 찾는 전문검색을 한데 묶어, 평소 말로 던진 질문을 정확한 표·지표로 연결합니다.
요약 먼저, 필요할 때만 상세 — 처음엔 핵심만 짧게 주고, AI가 더 필요하다고 할 때만 세부 필드를 펼칩니다.
단순 조회가 아니라 계산까지 — 원문을 받아오는 데서 멈추지 않고, 재무비율과 부실예측 같은 분석을 서버가 직접 끝냅니다.
잘린 조각이 아니라 조문 전문을 복원하고, 모든 답에 어디서 왔는지 출처를 붙입니다.
데이터마다 갱신주기에 맞춰 미리 정리해 두고(인덱싱·캐시), 기본 응답은 작게 유지해 빠르게 돌려줍니다.
모든 호출이 단 하나의 안전한 통로를 지나도록 했습니다. 누가·무엇을·얼마까지 쓰는지 한곳에서 통제합니다.
정확히 고객이 찾는 정보를 드리기 위해 연구합니다.
데이터마다 생긴 모양이 다르니, 같은 방식을 똑같이 붙이지 않습니다. 한국은행·금융감독원·통계청·법제처·조달청 — 서버마다 무엇을 어떻게 다시 짰는지 정리했습니다.
도구만 노출하지 않습니다. 게이트웨이가 '사용법'을 주입합니다.
도구 192개를 그대로 노출하면 LLM은 어떤 도구를 어떤 순서로 쓸지에서 자주 틀립니다. 그래서 연결되는 순간, 게이트웨이가 작업(task) 단위 스킬을 자동 주입합니다. MCP 표준 채널만 사용해, 어떤 클라이언트에서든 설치 없이 동일하게 작동합니다.
{
"capabilities": {
"tools": {}, "resources": {}, "prompts": {}
},
"instructions":
"Route → dart__ · law__ · bok_stats__ · naramarket__ …
Deep flows → DART: search→ratios→peers;
reports: create_job→poll→deliver"
}MCP initialize 응답에 라우팅 플레이북을 실어 보냅니다 — 어떤 질문에 어떤 서버를, 다단계 흐름은 어떻게 엮을지.
작업 단위 스킬 7종을 resources/read로 노출. 평소엔 컨텍스트에 안 실려 토큰 0, 깊이가 필요할 때만 끌어갑니다.
agent-store-guide 프롬프트로 사용 가이드를 언제든 불러올 수 있게 했습니다.
고객의 토큰을 대신 아껴드립니다.
토큰은 곧 고객사의 AI 비용입니다. 그래서 응답 하나의 무게를 끝까지 줄였습니다. 점진적 접근(요약 먼저, 필요할 때만 상세)과 자동 압축으로, 더 많은 대상을 한 번에, 더 싸게 비교합니다.
래퍼가 멈추는 곳에서, 우리는 더 들어갑니다.
오픈소스 래퍼는 데이터에 빠르게 닿게 해 주는 훌륭한 출발점입니다. 다만 비용·정확도·속도를 끝까지 끌어올리는 단계는 서버마다 따로 깊이 파고들어야 닿습니다. 우리는 고객사를 위해 거기까지 합니다 — 한 서버, 한 서버.
더 적은 토큰으로 더 많이 묻고, 더 정확한 답을 더 빠르게 받습니다. 직접 만들었다면 소스마다 수개월이 들었을 깊이를, 켜는 순간 그대로 씁니다.
근거: 본문의 모든 절감률·필드 수·바이트 수치는 에이전트 스토어 운영 서버의 자사 실측 기준입니다. 데이터 원천의 갱신·필드 구성에 따라 수치는 달라질 수 있습니다.