OpenAPI 컬렉션

OpenAPI collection은 하나 이상의 Swagger/OpenAPI source에서 만든 저장형 tool catalog입니다. Agent가 큰 API surface를 검색, plan, 실행해야 하지만 모든 endpoint를 LLM에 그대로 넘기면 안 될 때 사용합니다.

Collection은 raw endpoint 목록이 아니라 build artifact로 다뤄야 합니다. 쓸모 있는 artifact에는 normalized tools, request/response contract, deterministic semantic metadata, graph edges, readiness diagnostics, validation results, provenance가 함께 들어갑니다.

Collection Lifecycle

register source
  -> build artifact
  -> inspect readiness
  -> run search/plan quality cases
  -> enable execute
     when auth and safety are ready
  -> preserve manual metadata
     and learning metadata during rebuild

엔진은 product-neutral graph evidence를 책임집니다. 애플리케이션은 source storage, auth profile, tenant policy, UI, execution, audit logging, operator approval을 책임집니다.

이 가이드를 써야 하는 경우

다음 상황에서는 이 가이드를 기준으로 collection을 설계합니다.

하나의 API source에 수백~수천 개 operation이 있음
OpenAPI 문서가 Swagger UI, JSON, YAML, 여러 spec에서 들어옴
operation name이 한국어/영어/RPC-style name/path module로 섞여 있음
search quality가 field, response shape, auth, workflow order에 의존함
product UI에서 사용자가 API call을 실행하기 전에 collection quality를 설명해야 함
rebuild 중 manual metadata, Quality Lab case, promoted trace learning suggestion을 보존해야 함

단일 quick search라면 OpenAPI Ingestion부터 보면 됩니다. product-facing stored catalog라면 이 collection workflow를 사용합니다.

권장 Pipeline

Stage	Engine Output	Product Decision
Source registration	source manifest와 discovered spec URL	source를 어디에 저장하고 누가 refresh할 수 있는지
Contract extraction	`api_contract.consumes`, `produces`, `links`	execute 전에 missing schema를 보정해야 하는지
Semantic build	action/resource/module/result-shape metadata	alias나 manual curation이 필요한지
Graph build	structural, contract, semantic, manual, trace edge	어떤 edge를 UI에 보이고 ranking에 반영할지
Readiness	score, status, issue code, recommendation	search, plan, execute를 열 수 있는지
Validation	Quality Lab과 benchmark result	artifact를 promote할 수 있는지
Rebuild	새 source-derived fact와 보존된 product field	source 변경이 호환되는지

Artifact Build

CLI
Python
Multiple specs

graph-tool-call \
  build-openapi-collection \
  openapi.json \
  -o collection.json \
  --context-field tenantId,siteNo \
  --paging-field page,size \
  --search-filter-field keyword,searchText

from graph_tool_call.graphify import (
    build_openapi_collection_artifact,
)

artifact = build_openapi_collection_artifact(
    "openapi.json",
    workflow_sources=["arazzo.yaml"],
    derive_semantic_metadata=True,
    promote_contract_signals=True,
    context_field_names={"tenantId", "siteNo"},
    paging_field_names={"page", "size"},
    search_filter_field_names={"keyword", "searchText"},
    metadata={"collection_id": "commerce-readonly"},
)

print(artifact["semantic_summary"])
print(artifact["readiness_report"]["summary"])

artifact = build_openapi_collection_artifact(
    [
        "orders.openapi.json",
        "members.openapi.json",
        "payments.openapi.json",
    ],
    derive_semantic_metadata=True,
    promote_contract_signals=True,
)

product naming convention은 option으로 전달합니다. customer-specific field dictionary를 library에 넣지 않습니다.

Artifact Sections

Section	목적
`graph`	`ToolGraph.load()`와 호환되는 serialized graph payload
`tools`	tool name 기준으로 저장된 normalized `ToolSchema` row
`metadata`	build option, source identity, version, summary copy
`semantic_summary`	action/resource/module/result-shape coverage
`edge_quality_summary`	graph edge의 evidence 분포
`workflow_summary`	Arazzo workflow, step, relation, binding 수
`readiness_report`	deterministic OpenAPI readiness diagnostics
`source_snapshot_manifest`	source label, URL, hash, operation count
`ingest_summary`	duplicate 처리와 operation count
`quality_lab`	optional product-side search/plan/execute case
`learning`	optional scrubbed trace-learning attempt와 suggestion

artifact 전체를 저장하는 것을 권장합니다. graph만 저장하면 readiness와 rebuild behavior를 설명하는 diagnostics를 잃게 됩니다.

명시적 호출 순서 추가

OpenAPI는 operation과 contract를 설명하지만 비즈니스 호출 순서는 생략하는 경우가 많습니다. 해당 근거가 있다면 Arazzo 문서를 함께 전달합니다.

graph-tool-call build-openapi-collection openapi.json \
  --workflow arazzo.yaml \
  -o collection.json

엔진은 dependsOn, 순차 step, runtime output reference를 arazzo 근거로 병합합니다. $steps.lookup.outputs.orderId 같은 참조는 실행 순서뿐 아니라 다음 요청 필드가 사용할 response path도 기록합니다. artifact에는 operation, step, binding metadata만 저장하고 literal request 값이나 credential은 저장하지 않습니다.

Arazzo가 없으면 기존 structural/contract 추론은 그대로 동작합니다. 추론 edge는 가설로, 명시된 Arazzo edge는 강한 deterministic evidence로 취급합니다.

Contract Index

Adapter가 full graph build 전이나 외부에서 operation-level fact를 확인해야 한다면 extract_openapi_contract_index()를 사용합니다.

from graph_tool_call.graphify import extract_openapi_contract_index

index = extract_openapi_contract_index("openapi.json")

for operation in index["operations"]:
    print(
        operation["method"],
        operation["path"],
        operation["operationId"],
        operation["content_types"],
        operation["security"],
    )

Contract index는 source preview, contract repair, migration check, UI diagnostics에 유용합니다. runtime credential은 이 object에 넣지 않습니다.

Readiness Gate

Readiness는 build 직후와 source refresh 이후마다 실행합니다.

summary = artifact["readiness_report"]["summary"]
issues = artifact["readiness_report"]["issues"]

if summary["status"] == "blocked":
    disable_execute()

print(summary["readiness_score"])
print(issues[:5])

안정 issue code는 다음과 같습니다.

Code	의미	대표 조치
`missing_request_schema`	request field가 보이지 않음	source repair 또는 adapter metadata 추가
`generic_request_body`	body가 너무 generic해서 안전하게 plan하기 어려움	schema 구체화 또는 user input 요구
`missing_response_schema`	result field를 produce할 수 없음	response schema 또는 body view mapping 추가
`duplicate_operation_id`	tool name이 충돌할 수 있음	operation id 또는 source label 보정
`missing_operation_id`	stable identity가 약함	method/path 기반 name 파생 후 mapping 보존
`auth_required`	execution에 adapter auth가 필요함	auth profile과 session header resolution 설정
`unsupported_content_type`	body type을 모델링하기 어려움	execution adapter handling 추가
`array_leaf_alignment_required`	nested array/body alignment가 불확실함	body view extraction 검증
`response_envelope_detected`	result가 envelope 아래에 감싸져 있음	planning 전에 유효한 body view 선택
`low_graph_connectivity`	producer expansion evidence가 약함	contract와 edge quality 확인
`no_contract_fields`	consumes/produces가 추출되지 않음	plan/execute 전에 schema repair

warning은 search를 허용할 수 있지만 blocker는 명시적 override 없이 execute를 막아야 합니다.

Search And Target Selection

Artifact가 만들어지면 graph retrieval로 작은 candidate set을 만들고, target selection으로 LLM의 최종 target 선택을 guard합니다.

from graph_tool_call import ToolGraph
from graph_tool_call.graphify import (
    retrieve_graphify,
    select_target_candidate,
)

graph = ToolGraph.load("collection.json")
retrieval = retrieve_graphify(
    graph,
    "환불 가능한 주문을 찾아줘",
    top_k=8,
    include_evidence=True,
)

selection = select_target_candidate(
    query="환불 가능한 주문을 찾아줘",
    candidates=[row["name"] for row in retrieval["results"]],
    tools=graph.tools,
    retrieval_results=retrieval["results"],
    llm_target=llm_intent.target,
)

print(selection["selected_target"])
print(selection["candidate_evidence"])

product는 나쁜 결과를 디버깅할 수 있도록 충분한 evidence를 저장해야 합니다.

query text 또는 query fingerprint
retrieval Top-K와 score breakdown
LLM target
selector target
override flag와 reason code
selected tool contract summary

Plan And Execute Gate

Search와 plan quality가 확인된 뒤에만 execution을 열어야 합니다.

필수 조건은 다음과 같습니다.

readiness report에 blocker issue가 없음
대표 search case가 Top-K target을 통과함
target selector diagnostics가 보임
대표 plan case가 예상 step으로 synthesize됨
auth readiness가 runtime header를 만들 수 있음
write tool에는 mutation safety와 cleanup policy가 있음

read-only case는 더 일찍 사용할 수 있습니다. mutating case는 explicit allowlist, confirmation, cleanup step, assertion을 요구해야 합니다.

Rebuild Policy

Source refresh가 product-owned metadata를 삭제하면 안 됩니다.

보존해야 하는 항목:

manually curated ai_metadata
context_defaults
enum_mappings
manual edge와 promoted trace edge
Quality Lab case와 last summary
suggested, promotable, promoted, rejected 상태의 learning suggestion
auth profile reference와 execution policy

다시 계산해야 하는 항목:

source-derived tool과 schema
manual override가 없는 deterministic semantic metadata
contract field
readiness report
weak structural/name-based edge
edge quality summary

새 source에서 promoted target이 사라졌다면 preserved evidence를 조용히 적용하지 말고 stale로 표시합니다.

UI Checklist

Product UI는 실행 전에 collection quality를 분명하게 보여줘야 합니다.

source URL, source count, tool count, graph version
readiness score와 top blocker/warning issue
semantic coverage와 unknown sample
edge quality summary
auth readiness state
Quality Lab last run result
실패 case의 target selector evidence
대형 catalog용 map view와 선택 module/tool용 scoped graph
rebuild history와 보존된 manual change

대형 collection에서는 모든 edge를 기본 렌더링하지 않습니다. map summary에서 시작하고, 사용자가 module, resource, target, workflow path로 scope를 좁힌 뒤 detailed graph edge를 렌더링합니다.

Adapter 책임

엔진은 product-neutral evidence를 만듭니다. 애플리케이션은 다음을 책임집니다.

DB row와 collection lifecycle
source access permission과 tenant policy
auth profile과 runtime session header
model/provider routing
readiness, graph, Quality Lab, learning result UI
safe execution policy와 audit logging
manual operator override
rebuild 중 product field 보존

raw token, cookie, API key, session id, user identifier는 graph artifact, learning record, public diagnostics에 저장하지 않습니다.

Collection Lifecycle​

이 가이드를 써야 하는 경우​

권장 Pipeline​

Artifact Build​

Artifact Sections​

명시적 호출 순서 추가​

Contract Index​

Readiness Gate​

Search And Target Selection​

Plan And Execute Gate​

Rebuild Policy​

UI Checklist​

Adapter 책임​

관련 문서​