AI Agent 모니터링 및 운영

2026-02-05 작성2026-07-17 수정12분 읽기

이 문서에서는 Agentic AI 애플리케이션의 모니터링 아키텍처, 핵심 메트릭 설계, 알림 전략을 개념 수준에서 다룹니다.

실전 배포 가이드

Langfuse Helm 배포, AMP/AMG 구성, ServiceMonitor YAML, Grafana 대시보드 JSON 등 실전 구성은 모니터링 스택 구성 가이드를 참조하세요.

1. 개요

Agentic AI 애플리케이션은 복잡한 추론 체인과 다양한 도구 호출을 수행하기 때문에, 전통적인 APM(Application Performance Monitoring) 도구만으로는 충분한 가시성을 확보하기 어렵습니다. LLM 특화 관측성 도구인 Langfuse와 LangSmith는 다음과 같은 핵심 기능을 제공합니다:

트레이스 추적: LLM 호출, 도구 실행, 에이전트 추론 과정의 전체 흐름 추적
토큰 사용량 분석: 입력/출력 토큰 수 및 비용 계산
품질 평가: 응답 품질 점수화 및 피드백 수집
디버깅: 프롬프트 및 응답 내용 검토를 통한 문제 진단

대상 독자

이 문서는 플랫폼 운영자, MLOps 엔지니어, AI 개발자를 대상으로 합니다. Kubernetes와 Python에 대한 기본적인 이해가 필요합니다.

2. 모니터링 아키텍처

Langfuse 아키텍처 개요

Langfuse v3 (2024-12+)는 다음 컴포넌트로 구성됩니다. v3는 ClickHouse+Redis+S3 아키텍처로, v2 대비 셀프호스팅 복잡도가 증가했습니다:

AMP/AMG 통합 데이터 흐름

모니터링 데이터 계층

계층	수집 도구	메트릭 패턴	확인 가능 항목
LLM 추론	Langfuse	trace, generation	토큰 사용량, 비용, TTFT, 사용자별 패턴
모델 서버	vLLM Prometheus	`vllm_*`	요청 수, 배치 크기, KV cache 사용률, TPS
GPU	DCGM Exporter	`DCGM_FI_DEV_*`	GPU 활용도, 온도, 전력, 메모리 사용량
인프라	Node Exporter	`node_*`	CPU, 메모리, 네트워크, 디스크 I/O
게이트웨이	kgateway	`envoy_*`	요청 수, 레이턴시, 에러율, 업스트림 상태

3. 핵심 모니터링 메트릭

Agentic AI 애플리케이션에서 추적해야 할 핵심 메트릭을 정의합니다.

메트릭 카테고리

Latency 메트릭

메트릭	설명	목표값	알림 임계값
agent_request_duration_seconds	전체 요청 처리 시간	P95 < 5s	P99 > 10s
llm_inference_duration_seconds	LLM 추론 시간	P95 < 3s	P99 > 8s
tool_execution_duration_seconds	도구 실행 시간	P95 < 1s	P99 > 3s
vector_search_duration_seconds	벡터 검색 시간	P95 < 200ms	P99 > 500ms

Token Usage 메트릭

메트릭	설명	모니터링 목적
llm_input_tokens_total	입력 토큰 총합	프롬프트 최적화
llm_output_tokens_total	출력 토큰 총합	응답 길이 분석
llm_total_tokens_total	전체 토큰 총합	비용 추적
llm_cost_dollars_total	추정 비용 (USD)	예산 관리

Error Rate 메트릭

메트릭	설명	알림 임계값
agent_errors_total	에이전트 오류 총합	오류율 > 5%
llm_rate_limit_errors_total	Rate Limit 오류	분당 10회 이상
tool_execution_errors_total	도구 실행 오류	오류율 > 10%
agent_timeout_total	타임아웃 발생	분당 5회 이상

4. PromQL 쿼리 레퍼런스

GPU 메트릭

# 전체 GPU 평균 활용도
avg(DCGM_FI_DEV_GPU_UTIL)

# 노드별 GPU 활용도
avg(DCGM_FI_DEV_GPU_UTIL) by (Hostname)

# GPU 메모리 사용률
avg(DCGM_FI_DEV_FB_USED / DCGM_FI_DEV_FB_FREE * 100) by (gpu)

vLLM 메트릭

# 전체 TPS (초당 생성 토큰)
rate(vllm_generation_tokens_total[5m])

# 모델별 TPS
sum(rate(vllm_generation_tokens_total[5m])) by (model)

# TTFT P99 (Time to First Token)
histogram_quantile(0.99, rate(vllm:time_to_first_token_seconds_bucket[5m]))

# TTFT P95
histogram_quantile(0.95, rate(vllm:time_to_first_token_seconds_bucket[5m]))

# E2E 지연 P99
histogram_quantile(0.99, rate(vllm_e2e_request_latency_seconds_bucket[5m]))

# 배치 크기 평균
avg(vllm_num_requests_running)

Gateway 메트릭

# 5xx 에러율 (%)
rate(envoy_http_downstream_rq_xx{envoy_response_code_class="5"}[5m]) 
/ 
rate(envoy_http_downstream_rq_total[5m]) * 100

# 업스트림 헬스 체크 실패율
sum(rate(envoy_cluster_upstream_cx_connect_fail[5m])) by (envoy_cluster_name)

비용 메트릭

# 일별 총 비용
sum(increase(llm_cost_dollars_total[24h]))

# 테넌트별 일별 비용
sum(increase(llm_cost_dollars_total[24h])) by (tenant_id)

# 모델별 비용 비율
sum(increase(llm_cost_dollars_total[24h])) by (model)
/ ignoring(model) group_left
sum(increase(llm_cost_dollars_total[24h]))

# 예산 대비 사용률 (월간)
sum(increase(llm_cost_dollars_total[30d])) by (tenant_id)
/ on(tenant_id) group_left
tenant_monthly_budget_usd

5. 알림 전략

알림 임계값 설계

알림	조건	심각도	지속 시간
Agent High Latency	P99 지연 > 10초	Warning	5분
Agent High Error Rate	에러율 > 5%	Critical	5분
LLM Rate Limit	Rate limit 에러 > 10건/5분	Warning	2분
Daily Cost Budget	일일 비용 > $100	Warning	즉시
GPU High Temperature	GPU 온도 > 85도	Warning	5분
GPU Memory Full	GPU 메모리 > 95%	Critical	3분
vLLM High Latency	P99 E2E 지연 > 30초	Warning	5분

알림 계층 구조

인프라 계층: GPU 온도, 메모리, 전력 이상
모델 서버 계층: vLLM 지연 증가, KV cache 부족
애플리케이션 계층: Agent 에러율, Rate limit
비즈니스 계층: 비용 초과, SLA 위반

모니터링 베스트 프랙티스

계층별 메트릭 연결: LLM 요청 증가 -> GPU 활용도 상승 -> 인프라 부하 증가 상관관계 분석
이상 탐지: P99 지연이 갑자기 증가하면 GPU 온도나 메모리 사용량 동시 확인
용량 계획: 평균 GPU 활용도가 70% 이상이면 추가 GPU 노드 프로비저닝 고려
비용 최적화: TTFT가 낮은 모델을 우선 사용하여 사용자 경험 개선 + 처리량 증가

6. Cascade Fallback 전략

Self-hosted 모델(vLLM/llm-d)이 과부하이거나 장애일 때, Amazon Bedrock의 관리형 모델로 자동 폴백하는 Cascade Routing을 구성하면 GPU 장애·Spot 중단 시에도 무중단 서비스를 유지할 수 있습니다. Bifrost(또는 LiteLLM)가 Gateway 역할을 하며, 응답 실패·타임아웃 시 Bedrock으로 요청을 전환합니다.

Fallback 조건 설정

Bifrost는 요청 본문의 fallbacks 배열과 governance routing_rules(CEL 표현식 + weighted targets)로 폴백을 구성합니다. 폴백 트리거는 5xx/429 등 재시도 가능한 에러로 하드코딩되어 있습니다(status code/latency/error-rate 기반 조건부 폴백은 2026-05 기준 feature request, issue #3261).

# bifrost Helm values - governance routing_rules 예시
routing_rules:
  - name: cost-optimized-cascade
    match: "request.model == 'qwen3-32b'"
    targets:
      - provider: "self-hosted"
        model: "qwen3-32b"
        weight: 80
      - provider: "bedrock"
        model: "claude-sonnet"
        weight: 20
    fallbacks:
      - "bedrock/claude-sonnet"  # 순서대로 시도

가용성·비용 관점 비교

관점	Self-hosted 단독	Cascade (Self-hosted + Bedrock)
가용성	GPU 장애 시 서비스 중단	Bedrock 폴백으로 무중단
비용	GPU 고정 비용	평시 Self-hosted(저비용) + 피크 Bedrock(종량제)
용량 계획	피크 트래픽 기준 GPU 확보	기본 트래픽만 GPU, 초과분 Bedrock
Cold Start	Spot 중단 시 수 분 지연	Bedrock 즉시 응답

비용 최적화 패턴

평시 트래픽의 80%를 Self-hosted로 처리하고 피크 시 20%를 Bedrock으로 오프로드하는 하이브리드 패턴은 GPU를 피크 기준으로 프로비저닝할 필요를 줄입니다. 실제 절감률은 트래픽 패턴에 따라 크게 달라지며(제3자 추정 30-70%), 일반화는 어렵습니다.

온프레미스 GPU 팜까지 포함한 3-Tier Cascade(On-Prem → Cloud → Bedrock) 구성은 EKS Hybrid Nodes 완전 가이드 — 온프레미스 GPU 추론, Gateway 레벨 라우팅 튜닝은 Cascade 라우팅 튜닝을 참조하세요.

7. 비용 추적

비용 추적 개념

LLM 사용 비용을 다음 기준으로 추적합니다:

모델별: 모델별 총 비용 및 요청 수, 가장 비용이 높은 모델 식별
테넌트별: 테넌트/팀별 일일 토큰 사용량 및 예산 대비 사용률
시간별: 피크 시간대 분석, 비용 추세

모델별 비용 참조 (2026-04 기준)¹

Tier	모델	입력 ($/1M tok)	출력 ($/1M tok)	특징
Frontier	Claude Opus 4.7 / 4.8	$5	$25	최고 품질 추론
Frontier	GPT-4.1 / o3	$2	$8	복잡한 reasoning (o3는 2025-06 80% 인하, GPT-5로 승계)
Frontier	Gemini 2.5 Pro	$1.25	$5	멀티모달 강화
Balanced	Claude Sonnet 4.6	$3	$15	품질-비용 균형
Balanced	GPT-4.1 mini	$0.40	$1.60	빠른 추론
Balanced	Gemini 2.5 Flash	$0.10	$0.40	높은 처리량
Fast/Cheap	Claude Haiku 4.5	$0.80	$4	간단한 작업
Fast/Cheap	GPT-4.1 nano / o4-mini	$0.15	$0.60	초저비용
Fast/Cheap	Gemini 2.5 Flash-Lite	$0.05	$0.20	최소 지연
Open-weight	DeepSeek V3.1	Self-hosted	Self-hosted	오픈 라이선스
Open-weight	Llama 4 Scout	Self-hosted	Self-hosted	Meta 공식
Open-weight	Qwen3-32B	Self-hosted	Self-hosted	Alibaba Cloud (Qwen3 최대 dense 모델)

비용 최적화 팁

모델 선택 최적화: 간단한 작업에는 저렴한 모델(GPT-4.1 nano, Haiku 4.5, Gemini 2.5 Flash-Lite) 사용
프롬프트 최적화: 불필요한 컨텍스트 제거로 입력 토큰 절감
캐싱 활용: 반복적인 쿼리에 대한 응답 캐싱 (Prompt Caching, Semantic Caching)
Cascade Routing: 저비용 모델 우선 시도 후 실패 시 고성능 모델로 Fallback — 66% 비용 절감 가능
Open-weight 모델: 자체 호스팅 시 DeepSeek V3.1, Llama 4, Qwen3로 고정 비용 전환

8. 운영 체크리스트

일일 점검 항목

점검 항목	확인 방법	정상 기준
GPU 상태	`kubectl get nodes -l nvidia.com/gpu.present=true`	모든 노드 Ready
모델 Pod	`kubectl get pods -n inference`	Running 상태
에러율	Grafana 대시보드	< 1%
응답 시간	P99 레이턴시	< 5초
GPU 사용률	DCGM 메트릭	40-80%
메모리 사용	GPU 메모리	< 90%

주간 점검 항목

점검 항목	확인 방법	조치 사항
비용 분석	Kubecost 리포트	이상 비용 식별
용량 계획	리소스 트렌드	스케일링 계획
보안 패치	이미지 스캔	취약점 패치
백업 검증	복구 테스트	백업 정책 확인

9. 모니터링 성숙도 모델

모니터링 성숙도 모델

Level 1

기본

로그 수집, 기본 메트릭

Level 2

표준

Langfuse/LangSmith 트레이싱, Grafana 대시보드

Level 3

고급

비용 추적, 품질 평가, 자동 알림

Level 4

최적화

A/B 테스트, 자동 튜닝, 예측 분석

10. 다음 단계

모니터링 스택 구성 가이드 - AMP/AMG 배포, Langfuse Helm 설치, ServiceMonitor, Grafana 대시보드 실전 구성
LLMOps Observability 비교 가이드 - Langfuse vs LangSmith vs Helicone 심층 비교
Agentic AI Platform 아키텍처 - 전체 플랫폼 설계
RAG 평가 프레임워크 - Ragas를 활용한 품질 평가

참고 자료

2026-04-17 기준. 최신 가격은 공식 pricing 페이지를 참조하세요: OpenAI Pricing, Anthropic Pricing, Google AI Pricing ↩

1. 개요​

2. 모니터링 아키텍처​

Langfuse 아키텍처 개요​

AMP/AMG 통합 데이터 흐름​

모니터링 데이터 계층​

3. 핵심 모니터링 메트릭​

메트릭 카테고리​

Latency 메트릭​

Token Usage 메트릭​

Error Rate 메트릭​

4. PromQL 쿼리 레퍼런스​

GPU 메트릭​

vLLM 메트릭​

Gateway 메트릭​

비용 메트릭​

5. 알림 전략​

알림 임계값 설계​

알림 계층 구조​

6. Cascade Fallback 전략​

Fallback 조건 설정​

가용성·비용 관점 비교​

7. 비용 추적​

비용 추적 개념​

모델별 비용 참조 (2026-04 기준)1​

8. 운영 체크리스트​

일일 점검 항목​

주간 점검 항목​

9. 모니터링 성숙도 모델​

10. 다음 단계​

참고 자료​

Footnotes​