데이터 엔지니어 Punya Saryar가 1950~2024년 F1 데이터(14개 테이블)를 Neon PostgreSQL에 적재해 자연어 질의 에이전트를 바닥부터 구축한 과정을 공개했다. 도구는 `list_tables`와 `query_sql` 딱 2개뿐으로, 벡터 검색·의미 레이어 없이 스키마 자동 탐색 + 읽기 전용 SQL 실행만으로 폭넓은 질문을 처리한다. Azure AI Foundry의 수동 tool approval 제약에 막혀 에이전트 루프를 직접 구현했고, 오히려 매 반복을 디버깅·로깅할 수 있어 블랙박스 프레임워크보다 배움이 컸다고 말한다. GPT-4o-mini 기반으로 대부분 3회 루프로 답이 나왔으며, 단일 집계에는 강하고 다중 쿼리 종합·스키마 모호성에는 취약했다. 교훈: 관계형 DB와 깔끔한 문서화가 있으면 에이전트 품질은 자연스럽게 따라오며, 데이터 엔지니어 역할의 중요성은 오히려 커진다.

• •14개 테이블·75년치 F1 데이터를 Neon 무료 티어 PostgreSQL에 적재하고, 에이전트는 스키마를 런타임에 list_tables로 탐색한다.
• •도구는 list_tables와 query_sql 두 개뿐 — 벡터 검색·의미 레이어·복잡한 RAG 없이 대부분 질문을 3회 루프로 해결한다.
• •Azure AI Foundry MCP 연동이 수동 tool approval을 강제해 막혔고, 결국 Node.js HTTP MCP 서버 + 직접 구현 루프로 전환했다.
• •단일 집계(최다 승·가장 빠른 피트스톱)는 강하지만 '여러 쿼리 종합 비교'와 스키마 모호성(points 컬럼 중복 등)에서 약하다.
• •다음에 한다면 get_sample_rows 툴 추가, 공통 JOIN 패턴을 시스템 프롬프트에 명시, 모든 루프 단계에 구조화 로깅 추가.