24시간 부동산 분석
2026.08.13
소개
시도하고자 했던 것과 그 이유를 알려주세요.
부동산 정보(실거래가, 청약, 아파트 단지 정보 등)만 전문적으로 다루는 "부동산 전용 홈랩 AI"를 로컬 환경에 구축하고자 했습니다. 범용 AI는 다양한 질문에 답할 수 있지만, 홈랩(HomeLab) 환경을 활용해 나와 내 가족의 투자 및 실거주 목적에 맞춘 부동산 특화 비서를 만들고 싶었습니다. 이를 통해 사적인 질문이나 외부로 유출되기 꺼려지는 개인적인 자산 분석을 로컬 환경에서 안전하게 처리하는 것이 목표였습니다.
진행 방법
어떤 도구를 사용했고, 어떻게 활용하셨나요?
프론트엔드는 빠른 챗봇 UI 구축을 위해 Streamlit을, 백엔드는 API 제공을 위해 FastAPI를 사용했습니다. AI 파이프라인과 RAG(검색 증강 생성) 구성에는 LangChain과 벡터 데이터베이스인 ChromaDB를 활용했습니다. 마지막으로 이 모든 환경을 한 번에 쉽게 구동하기 위해 Docker Compose를 사용했습니다.
시스템 프롬프트 (System Prompt) AI가 부동산 이외의 질문에 답하지 못하게 강력하게 제한하기 위해 아래와 같은 프롬프트를 사용했습니다.
text당신은 '부동산 홈랩 AI' 입니다.
오직 부동산, 실거래가, 청약, 아파트 단지 정보, 지역 분석, 부동산 투자 등 부동산과 관련된 질문에만 답변해야 합니다.
사용자의 질문이 부동산과 관련이 없다면, "저는 부동산 전문 AI입니다. 부동산과 관련 없는 질문에는 답변할 수 없습니다."라고 정중하게 거절하십시오.
현재 주어진 컨텍스트(문서)가 있다면 이를 바탕으로 답변하고, 없다면 기본 지식을 활용하세요.
Context: {context}
활용 이미지 (여기에 Streamlit으로 구동된 웹 브라우저 채팅 화면 캡처 이미지를 삽입해 주세요)
주요 구현 코드 전문
1. AI 에이전트 및 프롬프트 설정 (FastAPI - agent.py) LangChain을 이용하여 모델을 연결하고 프롬프트를 주입하는 핵심 코드입니다.
pythonimport os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
def get_llm():
return ChatOpenAI(
model=os.getenv("MODEL_NAME", "llama3"),
base_url=os.getenv("OPENAI_API_BASE", "http://localhost:11434/v1"),
api_key=os.getenv("OPENAI_API_KEY", "ollama"),
temperature=0.2
)
def get_realestate_agent():
llm = get_llm()
system_template = """당신은 '부동산 홈랩 AI' 입니다.
오직 부동산, 실거래가, 청약, 아파트 단지 정보, 지역 분석, 부동산 투자 등 부동산과 관련된 질문에만 답변해야 합니다.
사용자의 질문이 부동산과 관련이 없다면, "저는 부동산 전문 AI입니다. 부동산과 관련 없는 질문에는 답변할 수 없습니다."라고 정중하게 거절하십시오.
현재 주어진 컨텍스트(문서)가 있다면 이를 바탕으로 답변하고, 없다면 기본 지식을 활용하세요.
Context: {context}
"""
prompt = ChatPromptTemplate.from_messages([
("system", system_template),
("human", "{question}")
])
chain = prompt | llm | StrOutputParser()
return chain
def ask_realestate_ai(question: str, context: str = "") -> str:
chain = get_realestate_agent()
return chain.invoke({"question": question, "context": context})
2. Streamlit 챗봇 UI (app.py) 사용자가 AI와 채팅을 주고받을 수 있도록 구성한 프론트엔드 코드입니다.
pythonimport streamlit as st
import requests
import os
st.set_page_config(page_title="부동산 홈랩 AI", page_icon="🏠")
st.title("🏠 부동산 홈랩 AI")
st.markdown("부동산, 실거래가, 청약 등과 관련된 질문만 답변하는 AI입니다.")
BACKEND_URL = os.getenv("BACKEND_URL", "http://backend:8000")
if "messages" not in st.session_state:
st.session_state.messages = []
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.markdown(message["content"])
if prompt := st.chat_input("부동산과 관련된 질문을 해주세요... (예: 서울 아파트 시세 어때?)"):
st.chat_message("user").markdown(prompt)
st.session_state.messages.append({"role": "user", "content": prompt})
try:
response = requests.post(
f"{BACKEND_URL}/chat",
json={"message": prompt},
timeout=30
)
response.raise_for_status()
ai_response = response.json().get("response", "응답을 받지 못했습니다.")
with st.chat_message("assistant"):
st.markdown(ai_response)
st.session_state.messages.append({"role": "assistant", "content": ai_response})
except requests.exceptions.RequestException as e:
st.error(f"백엔드 연결에 실패했습니다: {e}")
결과와 배운 점
배운 점과 나만의 꿀팁을 알려주세요. 프롬프트 설계 시 "부동산 관련 내용만 답변하라"는 지시를 넣는 것만으로도, 범용 LLM을 훌륭한 도메인 특화 챗봇(Domain-Specific AI)으로 탈바꿈시킬 수 있다는 점을 실감했습니다. 특히 Docker Compose를 통해 백엔드(FastAPI), 프론트엔드(Streamlit), 모델 서버(Ollama 등)를 한 번에 올리는 구조를 잡아두면 홈랩 구축이 훨씬 수월해진다는 꿀팁을 얻었습니다.
과정 중에 어떤 시행착오를 겪었나요? 초기에는 AI가 자꾸 일상 대화나 날씨 질문 등에도 친절하게 대답해버리는 문제가 있었습니다. 이를 해결하기 위해 LangChain의 SystemMessage를 활용해 페르소나를 강제하고, "거절하는 방식"까지 구체적으로 프롬프트에 명시해 주어야 비로소 '부동산 전용 AI'다운 모습을 갖추게 되었습니다.
도움이 필요한 부분이 있나요? 향후 국토교통부 아파트 실거래가 API나 네이버 부동산 뉴스 RSS 등 실시간 데이터를 ChromaDB 벡터 DB에 자동으로 적재(Crawling & Embedding)하는 파이프라인을 자동화하고 싶은데, 효과적인 데이터 수집 및 업데이트 스케줄링 방법에 대한 아이디어가 필요합니다.
앞으로의 계획이 있다면 들려주세요. 현재는 뼈대와 기본 동작만 구현되어 있으나, 다음 단계로는 한국 부동산 문서 전용 임베딩 모델(예: Ko-sroberta 기반)을 적용하여 RAG 검색 품질을 높일 계획입니다. 최종적으로는 내가 관심 있는 아파트 단지가 특정 가격 이하로 떨어지면 홈랩 서버에서 알림을 보내주는 기능까지 확장해 보려 합니다.



