에이전트가 데이터베이스를 쓰는 시대에서,
데이터베이스가 에이전트를 관리하는 시대로

VLDB 2026의 workshop 지형은 이미 “agentic era”를 전제한다

VLDB 2026 공식 Workshop Proceedings에는 ADS/DATAI(Agentic Data Systems + Data-Centric AI), DASHSys(Systems for Data-centric Agents with Human-in-the-loop), NOVAS(Novel Optimization for Visionary AI Systems), AIDB(Applied AI for Database Systems and Applications)가 나란히 자리 잡는다. 중요한 것은 이름보다 논문 주제의 중첩이다. 같은 연구공간에서 Text-to-SQL, multi-agent automation, context assembly, provenance, state recovery, semantic operator optimization, enterprise data agents가 동시에 논의된다.

따라서 이번 업데이트를 단순한 “신작 논문 목록”으로 읽는 것은 충분하지 않다. 더 유용한 독법은 서로 다른 논문들이 어떤 공통 abstraction을 요구하는지 보는 것이다. 그 공통분모는 workflow, state, provenance, semantic contract, recovery, cost이다.

Text-to-SQL을 일회성 생성에서 경험 기반 검색으로

ExpeSQL: An Efficient, Experience-Guided Decompositional Search Framework for Text-to-SQL은 ADS/DATAI proceedings에 포함되었다. 공개 초안에서 제시하는 핵심 구조는 schema-aware decomposition → 검증 가능한 sub-SQL 생성 → 결과 기반 filtering/voting → failure diagnosis와 backtracking → persistent experience memory의 순환이다.

공개 초안은 BIRD-dev에서 67.5% execution accuracy를 보고하며, 유사 정확도의 Alpha-SQL과 비교해 token generation을 최대 87%, inference latency를 96% 줄였다고 기술한다. 이 수치는 공개 초안의 실험 결과이며 workshop 최종본과 동일한 설정인지 확인할 필요가 있다.

ChatBI를 workflow engine으로 다시 설계하다

DeepEye: A Workflow-Centric Agentic Data System for Steerable Data Analytics은 heterogeneous structured/unstructured data를 하나의 workflow로 orchestration하고, 복잡한 사용자 의도를 autonomous AgentNodes와 deterministic ToolNodes로 분해한다. 관련 공개 시스템 논문은 database-inspired Workflow Engine을 Compiler → Validator → Optimizer → Executor로 구성한다.

이 구조의 중요성은 “에이전트가 분석을 잘한다”는 데 있지 않다. LLM이 생성한 계획을 typed DAG로 만들고, 실행 전에 구조를 검증하며, 독립 노드를 병렬화하고, 실행 상태를 추적한다는 데 있다. 즉 자연어 분석을 query plan과 유사한 중간 표현으로 바꾼다.

에이전트 로그를 provenance graph로 바꾸다

AgentTrails: Towards Trust and Reuse for Agentic Tasks는 DASHSys에 포함된 agent provenance 연구다. raw trajectory를 단순한 chronological log로 보지 않고, tool call을 computational action으로, input/output과 intermediate artifact를 data artifact로 표현하는 structured provenance graph로 변환한다.

여러 실행을 비교할 때는 recurring tool, artifact, dependency structure를 정렬한 joined quotient graph를 구성한다. 이는 debugging과 pattern extraction, skill reuse를 가능하게 한다. 데이터베이스 연구에서 provenance가 “결과가 어디서 왔는가”를 설명했다면, agentic provenance는 “어떤 도구 호출과 중간 산출물의 의존관계가 최종 행동을 만들었는가”를 설명하는 방향으로 확장된다.

에이전트 성능을 모델이 아니라 데이터 환경에서 최적화하다

“Skill Issues”: Data-Centric Optimization of Lakehouse Agents는 agent의 성능을 LLM 자체보다 skill/environment artifact와 lakehouse state의 관점에서 최적화한다. task–verifier pair를 만들고 isolated sandbox에서 candidate skill을 실행한 뒤, trajectory 신호와 실제 lakehouse state를 함께 검증한다.

공개 preprint의 25개 task 초기 평가에서는 optimized skills가 accuracy를 31.9% 개선했다고 보고한다. 여기서 더 중요한 생각은 평가 방식이다. write-path agent는 텍스트 답안이 아니라 실제 데이터 상태를 바꾼다. 그러므로 agent evaluation 역시 output matching이 아니라 state verification으로 이동해야 한다.

실행 성공과 올바른 분석은 다른 문제다

Exploring the Semantic Gap in Agentic Data Systems: A Formative Study of Operationalization Failures in Analytical Workflows는 agent-generated workflow가 정상 실행되어도 사용자 의도를 제대로 operationalize하지 못할 수 있음을 보여 준다.

연구는 finance, HR, public safety의 236개 analytical intent에서 153개의 반복적 실패를 분석하고, comparative grounding, process reasoning, quantitative reasoning, role confusion, policy grounding의 다섯 failure class를 제시한다. 이 결과는 schema와 value만으로는 분석 의도의 의미를 충분히 표현하지 못한다는 문제를 드러낸다.

새 workload의 공통 구조

Agent trajectory를 query plan과 transaction 사이의 새로운 객체로 보라

전통적인 query plan은 operator와 dependency가 명시적이다. 반면 agent trajectory는 prompt, tool call, API response, generated code, intermediate file, human feedback가 섞인 이질적 기록이다. AgentTrails는 이 기록을 provenance graph로 되돌리고, DeepEye는 실행 전에 workflow를 typed DAG로 만들며, Structured State Management는 상태와 복구 경계를 다시 정의한다.

이들을 함께 읽으면 앞으로 필요한 시스템 abstraction이 보인다. agent workflow는 단순 대화 로그가 아니라 plan + state + artifact + side effect + evidence를 갖는 실행 객체가 되어야 한다.

여기서 \(G\)는 task/tool dependency graph, \(S\)는 지속 상태와 memory, \(A\)는 생성·수정되는 artifact, \(E\)는 외부 환경에서 발생하는 side effect, \(C\)는 schema·policy·semantic constraint로 볼 수 있다. 이 표기는 이번 연구들을 통합하기 위한 분석적 모델이며 특정 논문에서 제안한 공식은 아니다.

오래된 DB 개념이 agent 시대에 다시 핵심이 된다

“새 논문”과 “새 공식 상태”를 구분해야 한다

이번 추적은 새로 공개된 논문뿐 아니라 preprint가 공식 학회 program/proceedings에 들어갔는지를 확인하는 방식으로 진행했다. 그 기준에서 가장 큰 변화는 VLDB 2026 Workshop Proceedings가 공개되어 여러 agentic data systems 논문의 accepted/proceedings 상태를 공식적으로 확인할 수 있게 된 점이다.

2026년 8월 22일 확인에서는 SIGMOD 2026과 ICDE 2026 쪽에 이전 기준선 이후 별도의 의미 있는 main-track acceptance 변화가 확인되지 않았다. 따라서 이번 업데이트의 중심은 VLDB 2026 workshop program이다. 이는 “SIGMOD/ICDE에 관련 연구가 없다”는 뜻이 아니라, 이번 모니터링 구간의 신규 공식 상태 변화가 VLDB 쪽에서 가장 두드러졌다는 의미이다.

VLDB 2026 본회의는 2026년 8월 31일–9월 4일 Boston에서 열린다. workshop은 8월 31일과 9월 4일에 배치되어 있으며 ADS는 9월 4일 full-day workshop으로 예정되어 있다.

워크플로 전체를 데이터시스템으로 만들려면

1. Workflow-level correctness

개별 tool call이 맞는 것과 전체 workflow가 맞는 것은 다르다. semantic gap 연구가 보여 주듯 실행 성공만으로 analytical correctness가 보장되지 않는다. 따라서 agent DAG 전체에 end-to-end semantic contract를 부여하는 방법이 필요하다.

2. First-class state semantics

memory와 intermediate artifact에는 freshness, ownership, schema version, confidence, lineage가 붙어야 한다. “memory”라는 하나의 bucket으로 장기 상태를 관리하면 재현성과 복구가 어렵다.

3. Provenance-aware optimization

AgentTrails의 provenance graph를 단지 사후 시각화에 사용하지 않고 optimizer 입력으로 사용할 수 있다. 반복되는 성공 경로를 materialized workflow로 만들고, low-value branch를 pruning하며, 실패 provenance를 재계획 cost에 반영하는 방식이다.

4. Selective recovery instead of restart

장기 agent task의 실패를 전체 재실행으로 처리하면 비용과 side effect가 폭증한다. dependency와 state contract를 이용해 최소 재실행 범위를 계산하는 selective recovery가 핵심 시스템 문제로 떠오른다.

5. Cost model for agents

기존 DB cost model이 I/O와 CPU를 다뤘다면 agent cost model은 token, GPU time, context length, retrieval depth, tool latency, failure probability, semantic risk를 함께 다뤄야 한다.

다섯 문장으로 정리하는 이번 업데이트

• ExpeSQL은 Text-to-SQL을 경험을 축적하고 재사용하는 adaptive synthesis 문제로 확장한다.
• DeepEye는 data agent의 계획을 compiler–validator–optimizer–executor를 거치는 workflow로 구조화한다.
• AgentTrails는 chronological agent log를 queryable provenance graph로 바꾸며 trust와 reuse의 기반을 만든다.
• “Skill Issues”는 agent 평가를 output matching에서 실제 lakehouse state verification으로 이동시킨다.
• Semantic Gap 연구는 실행 가능한 workflow와 의미적으로 올바른 workflow가 다르다는 것을 정량적 사례로 보여 준다.

ContextPipe, DemandPrep, Structured State Management, TransForm, SemJoin, RUBICON까지 함께 보면 방향은 더 분명하다. agentic workload는 더 이상 “LLM 응용”이라는 느슨한 범주로 묶이기 어렵다. 데이터와 상태를 읽고 쓰며, 도구를 호출하고, 중간 산출물을 축적하고, 실패하며, 다시 계획하는 새로운 실행 모델이다.

데이터베이스 연구의 오래된 질문—무엇을 저장할 것인가, 어떤 순서로 실행할 것인가, 무엇을 신뢰할 것인가, 실패하면 어디까지 되돌릴 것인가—가 에이전트 시대에 새로운 형태로 돌아오고 있다. 이번 VLDB 2026 workshop proceedings가 흥미로운 이유는 바로 그 접점을 한눈에 보여 준다는 데 있다.