DSPy로 AI 평가를 더 나은 응답으로 전환하기 — Dropbox Dash Chat 사례

Dropbox가 Dash Chat 에이전트의 응답 품질을 높이기 위해 DSPy 최적화 프레임워크를 도입한 과정을 다룬다. 인간 레이블로 LLM 평가자(judge)를 보정하고, 보정된 judge로 에이전트의 시스템 프롬프트를 자동 최적화하는 두 단계 전략으로 불완전 답변 26% 감소와 토큰 사용 5.4% 절감을 달성했다.

핵심 포인트

에이전트 평가는 멀티스텝 과정 전체(의도 파악 → 도구 호출 → 컨텍스트 선택 → 응답 합성)를 판단해야 하므로 전통적 검색 관련성 평가보다 본질적으로 복잡하다.
5개 차원(의도 파악, 의미적 관련성, 도구 호출, 지시 따르기, 컨텍스트 선택)으로 평가 프레임워크를 구성하고 1~5점 척도 + 실패 코드로 인간 레이블을 수집했다.
DSPy의 GEPA, MIPROv2 알고리즘으로 LLM judge 프롬프트를 자동 최적화해 인간 판단과의 일치도를 높였다.
보정된 judge를 사용해 과거 채팅을 재현 실행하고 특정 실패 모드에 집중한 타겟 프롬프트 최적화를 수행했다.
2주 만에 프롬프트 후보 6개를 생성 — 이전 달 수동 변경 5회와 대비.

상세 정리

배경: Dash Chat은 사용자 의도를 파악하고 도구를 활용해 응답을 구성하는 멀티스텝 AI 에이전트로, 멀티턴 대화 전체를 평가해야 한다는 과제가 있었다.
평가 차원 설계: 의도 파악, 의미적 관련성, 도구 호출, 지시 따르기, 컨텍스트 선택 5개 차원으로 구조화했다.
인간 레이블 수집: 1~5점 척도 평가와 함께 실패 코드(stale evidence, missing context, unsupported claims, incomplete coverage, personalization failures)를 기록해 단순 점수보다 풍부한 애노테이션을 만들었다.
이 풍부한 레이블은 judge 훈련뿐 아니라 실패 원인 디버깅에도 활용되었다.
DSPy 최적화: GEPA와 MIPROv2 알고리즘이 인간 레이블 예시와 비교하며 자동으로 프롬프트 변경안을 제안하고 테스트했다.
에이전트 개선 루프: 보정된 judge로 과거 채팅을 재현 실행하고, 프로덕션과 유사한 점수로 평가 후 특정 실패 모드에 집중한 프롬프트 최적화를 수행했다.
안전 장치: 프롬프트 편집을 소규모 타겟 지시 업데이트로 제한하고 자동 리뷰 체크를 추가해 최적화 루프가 무분별하게 동작하지 않도록 했다.
결과 수치: 불완전 답변 26% 감소, 핵심 누락 13% 감소, 토큰 사용 5.4% 절감, 응답 길이 9.8% 단축, 개선 효과는 24시간 내에 가시화되었다.

왜 읽나LLM 에이전트 응답 품질을 체계적으로 측정하고 DSPy로 자동 최적화하려는 AI/ML 엔지니어에게 실전 파이프라인 사례.

Dropbox Tech 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청

DSPy로 AI 평가를 더 나은 응답으로 전환하기 — Dropbox Dash Chat 사례

이 글과 비슷한

에이전틱 SDLC를 QA 엔지니어링 마인드셋으로 구축하기

보안 업무를 위한 AI 에이전트 플랫폼 「SAGE」 개발기 1편: 판단은 사람에게 남기는 설계

실리콘투의 사내 지식 MCP 게이트웨이 구축기