PALDYNAI LAB
자격증
Databricks

해외해외 벤더 자격Databricks

Databricks Context Engineer Associate

Databricks Certified Context Engineer Associate

난이도
응시자격은 없지만 실무 6개월을 권장하고 영어로만 봅니다.
취업
같은 어소시에이트 등급이지만 갓 생긴 시험이라 국내에서 쓰이는 자리를 아직 확인할 수 없습니다.
공식 페이지에서 일정·접수 확인

개요

Databricks를 써서 AI 에이전트 시스템이 추론 시점에 받는 정보를 설계하고 조립하고 통제하는 능력을 잰다(인증 페이지 "design, assemble, and govern the information that AI agent systems receive at inference time"). 범위는 지시문·시스템 프롬프트 구성, AI Search 같은 검색 시스템 설정, Lakebase와 MLflow로 세션을 넘어 상태를 남기는 메모리 설계, MCP 같은 프로토콜로 도구·데이터 원천 연결, 컴팩션과 트리밍으로 컨텍스트 창 제약 관리다. 컨텍스트에 무엇이 들어가는지의 통제는 Unity Catalog 메타데이터 층(데이터 품질·PII 처리·정책 적용)에 기댄다. 멀티에이전트·장기 작업의 컨텍스트 전략과, 컨텍스트를 조정했을 때 에이전트가 나아졌는지 나빠졌는지를 실험으로 판단하는 일까지 본다. 합격자는 에이전트가 일을 믿을 만하게 해낼 기업 컨텍스트를 받도록 Databricks 위에서 그 정보 환경을 만들고 관리할 수 있는 사람으로 본다.

Databricks를 배우는 만 18세 이상 개인이 대상이며, 공식 FAQ는 잠재 고객·고객·파트너·Databricks 임직원을 함께 든다. 권장 경험은 시험 가이드에 적힌 컨텍스트 엔지니어링 작업을 6개월 이상 직접 해 본 것이다("6+ months of hands-on experience performing the context engineering solutions tasks outlined in the exam guide").

과목

과목비중다루는 것
Foundations of Context Engineering (컨텍스트 엔지니어링 기초)16%
  • 에이전트 실패를 보고 가장 직접적인 컨텍스트 관리 기법 고르기
  • 최소 도구 집합·just-in-time 검색·도구 결과 범위 좁히기처럼 컴팩션이 필요해지기 전에 창 압력을 덜어 주는 선제 전략
  • 에이전트 트레이스로 context poisoning·distraction·confusion·clash 진단
  • 시나리오에 맞는 Databricks 도구(Unity Catalog·Lakebase·MCP·MLflow 3) 고르기
  • 주의 예산(attention budget)을 과하게 먹는 컨텍스트 요소 찾기
  • 토큰 예산과 창 영향을 근거로 추론 모드(standard·extended thinking·reduced thinking) 고르기
  • 긴 상호작용에서 컨텍스트 길이가 검색 정확도·추론 품질을 떨어뜨리기 시작하는 지점과 성능을 되돌리는 개입
System Prompt and Instruction Design (시스템 프롬프트와 지시 설계)9%
  • Genie 스페이스를 운영 수준으로 만드는 지시(instructions)·예시 질문·trusted SQL 자산의 선택과 검증
  • 토큰 예산 안에서 few-shot 예시를 성능 기여도로 넣고 빼기(테스트 안 된 도구 경로·출력 구조 시연·모호한 입력 처리)
  • 관찰된 실패 패턴에 맞춰 시스템 프롬프트를 토큰 비용과 유지보수 부담이 가장 덜 늘게 고치기
  • 실험 추적 결과로 토큰이 더 드는 프롬프트 구성이 값어치를 하는지와 그 차이를 만드는 프롬프트 요소 판단
Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성)20%
  • 가장 배점이 큰 영역. Unity Catalog 메타데이터의 빠지거나 부실한 요소가 만드는 정확도 차이와 영향이 가장 큰 구성 변경
  • Genie 스페이스에 담을 UC 객체(managed table·view·parameterized query·SQL 함수) 고르기
  • Databricks AI Search 구성의 근본 원인 진단과 검색 신호 품질 개선
  • UC로 관리되는 문서 코퍼스에서 청크를 검색해 에이전트 컨텍스트에 넣는 RAG 파이프라인 설계
  • 문서 구조·임베딩 모델 컨텍스트 길이·질의 유형에 맞는 청킹
  • 과제 범위를 정하고 실행하는 데 필요한 컨텍스트 요소
  • 사전 적재 검색(pre-inference)과 just-in-time 에이전트 검색(도구 호출·동적 Delta 테이블 질의)의 구분
  • MLflow 평가 로그와 UC 메타데이터로 검색 실패 갈래를 찾고 UC 거버넌스 조치 고르기
  • 권위 있는 자산과 파생 자산이 섞인 환경에서 배포 전에 검색 범위를 권위 있는 출처로 묶는 거버넌스 전략
Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계)18%
  • 부적절한 메모리 원천(세션 안에 있는 정보를 장기 저장소에서 꺼내거나 세션을 넘어야 할 정보를 세션 이력에 기대는 것)이 낳는 성능 저하와 메모리 전략 교정
  • 다단계 작업에서 컨텍스트 안 스크래치패드 대신 Delta 기반 상태 객체가 필요한 때
  • Lakebase에 남긴 메모리를 AI Search로 찾을지 구조화 질의로 찾을지
  • MLflow 3 실험 결과로 가장 안정적인 컨텍스트 구성 찾기
  • Lakebase에서의 정적·동적 검색 트레이드오프
  • 과잉 검색(context pollution)과 과소 검색(관련 이력 누락) 위험
  • Lakebase 기반 영속 저장소로 세션을 넘는 메모리 구성
  • 컨텍스트 검색 전에 사용자 의도를 풀어야 할 파이프라인 단계
Tool Design, MCP, and Agent Context (도구 설계·MCP·에이전트 컨텍스트)13%
  • MCP 도구 접근의 점진적 공개(progressive disclosure — 단계적 도구 발견과 컨텍스트 효율적 실행)로 원시 도구 덤프보다 토큰 줄이기와 그 원리
  • 에이전트가 계속 헷갈리는 두 MCP 도구 설명의 겹침 찾기
  • 창이 차 갈 때 지울 원시 도구 출력 고르기
  • Unity Catalog에 등록된 도구(이름·설명·파라미터 스키마) 가운데 기능 적합성·입출력 호환성·과제 요구로 가장 맞는 도구 고르기
  • 드물게 쓰는 능력 지시로 부푼 시스템 프롬프트에서 Agent Skills로 묶을 후보와 기본 컨텍스트 비용을 줄이는 적재 전략
Context Compression and Compaction (컨텍스트 압축과 컴팩션)11%
  • 컴팩션 뒤 하류 일관성이 무너질 때 잘못 버려진 정보 갈래를 찾고 요약 토큰 비용을 크게 늘리지 않게 컴팩션 프롬프트 고치기
  • 에이전트 트레이스로 컴팩션 프롬프트를 재현율 먼저·정밀도 다음 순서로 튜닝
  • 하드코딩한 트리밍 휴리스틱으로 충분한지 더 정교한 컴팩션이 필요한지 판단
  • 지워도 하류 작업 실행에 영향이 없는 내용 가리기
  • 공격적 컴팩션(낮은 토큰 비용·미묘한 맥락 손실)과 보수적 컴팩션(높은 충실도·높은 비용)의 트레이드오프
Multi-Agent and Long-Horizon Task Design (멀티에이전트·장기 작업 설계)13%
  • 공유 컨텍스트 부족이 멀티에이전트 시스템에 낳는 실패(불일치 출력·상충 결정·신뢰도 저하)
  • 조정 에이전트가 하위 에이전트에 전체 에이전트 트레이스 대신 개별 과제 메시지만 보낼 때의 근본 원인과 하위 에이전트 창을 늘리지 않는 해결
  • 상충 출력을 막는 컨텍스트 전파 변경
  • 오케스트레이터 컨텍스트 포화를 줄이는 하위 에이전트 출력 설계
  • 에이전트 경계를 잘못 그어 생기는 핸드오프 압축 부담 또는 개별 에이전트 창 팽창 진단
  • 장기 작업에서 전략 불일치를 찾고 과제의 의존 구조에 맞는 대체 전략을 근거와 함께 고르기

시험 정보

치르는 방식

시행 주기시행처가 회차나 접수 기간을 못 박아 둔 문장이 공식 페이지 어디에도 없다.공식 안내가 밝히는 것은 예약 방식뿐이다 — 시험은 Kryterion이 시행하고("Databricks Certification exams are delivered via Kryterion"), 인증 페이지는 등록을 "To register for a certification exam, please log in or create an account on our exam delivery platform" 한 문장으로 안내하며 그 링크가 webassessor.com/databricks다.일정 변경은 Webassessor에 로그인해서 하며, 공식 FAQ는 기한을 응시 방식에 따라 가른다 — 온라인 감독 시험은 예약 시각 24시간 넘게 전, 시험센터 시험은 72시간 넘게 전까지 바꿔야 하고 그 뒤에는 변경 수수료가 붙는다("For online proctored exams, you must reschedule your exam more than 24 hours before your scheduled exam time.For testing center exams, you must reschedule your exam more than 72 hours before your scheduled exam time.").약관은 응시 방식을 가르지 않고 72시간 미만 통보로는 변경·취소를 할 수 없으며 변경·취소하려면 test sponsor에 연락해야 한다고 적는다("I cannot reschedule or cancel my scheduled test session with less than seventy-two (72) hours notice and rescheduling or canceling will require contacting my test sponsor").불합격하면 14일 뒤에 다시 등록해 응시할 수 있고 횟수 제한은 없으나 모든 응시 사이에 14일을 두어야 한다("There is a 14-day wait between all attempts").응시자가 날짜를 골라 예약하는 방식이라 실제 응시 가능한 날짜·시간은 공식 예약 페이지(webassessor.com/databricks)에서 확인한다.
형식채점 문항 45개, 제한 시간 90분.참고 자료 반입 불가(Test aides: None allowed).감독형 시험이다(Type: Proctored certification).문항 수와 유형은 두 문서의 표기가 조금 다르다 — 인증 페이지는 "Total number of scored questions: 45"와 "Question types: Multiple choice"를 적고, 시험 가이드는 "approximately 45 multiple-choice or multiple-selection items"로 복수 선택을 함께 든다.통계 수집용 비채점 문항이 섞여 나올 수 있는데 문제지에 표시되지 않고 점수에 반영되지 않으며, 그만큼 시간이 더 배정되어 있다.합격 기준 점수는 통계 분석으로 정하고 문항이 바뀌면 함께 바뀌기 때문에 Databricks가 공개하지 않는다(공식 FAQ).시험 직후 비공식 결과를 바로 알려 주고, 합격이면 프록터 녹화를 검토한 뒤 credentials.databricks.com에 디지털 배지가 게시되며 Accredible에서 공유용 배지 메일이 온다.시험의 코드는 전부 Python이고, 머신러닝 과제에 한정되지 않는 워크플로나 코드에서는 데이터 조작 코드가 SQL로 나올 수 있다(인증 페이지).언어는 영어 하나다("Languages: English").

응시 조건

응시자격없음.시험 가이드는 "Prerequisite: None is required; related course attendance and six months of hands-on experience are highly recommended."로, 인증 페이지는 "Prerequisites: None, but related training highly recommended"로 적는다.가이드가 권하는 준비는 Databricks Academy 자기주도 과정 두 묶음 — Generative AI Engineering with Databricks(Building RAG Agents with Agent Bricks, Building Agentic Applications on Databricks, Agent Evaluation on Databricks, Deploying and Monitoring Agent Applications on Databricks, Building Reliable Conversational Agents with Genie)와 Data Engineering with Databricks(Get started with Databricks for Data Engineering, Get Started with Data Governance, Data Governance at Scale) — 그리고 LLM 컨텍스트 창과 길이가 성능에 주는 영향, 프롬프트 엔지니어링·시스템 프롬프트 설계·few-shot 예시 구성, 에이전트 프레임워크와 MCP, Agent Bricks·Semantic Search·임베딩 모델, 에이전트 메모리용 Lakebase와 평가용 MLflow 3, 에이전트 도구·검색 원천에 대한 Unity Catalog 거버넌스 지식이다.공식 연습 시험은 제공하지 않는다(공식 FAQ).시험 가이드 끝에 예시 문항 열 개와 정답이 실려 있다.
응시료US$200(인증 페이지·시험 가이드 "Registration fee: $200", 응시 1회 기준).공식 FAQ가 "All Databricks Certification exams cost 200 USD"로 모든 Databricks 인증 시험이 같은 금액이라고 적고, 재응시도 첫 응시와 같은 금액이며("Each attempt is charged at the same price as the original exam") 무료 재응시는 없다("there are no free retakes for any Databricks Certification exam").약관도 응시할 때마다 결제한다고 적는다("Payment is required each time you take an exam").바우처 코드가 있으면 결제 화면(exam checkout page)에서 입력한 뒤 Submit, Check Out 순으로 진행하며, 재응시 바우처는 발급하지 않는다.

환불 비율을 못 박은 공식 문장이 없다. 주관사 Databricks 약관은 온라인·시험센터를 가리지 않고 72시간 미만 통보로 변경·취소하려면 test sponsor에 연락해야 하고 그때 추가 비용을 낼 수 있다고만 적으며("I may be required to pay an additional fee"), 온라인 감독 시험에서 장비 고장이나 인터넷 연결 불량으로 등록이 정지·취소되면 이미 낸 응시료를 잃을 수 있다고 적는다("any exam fees paid may be forfeited").

자격 유지

유효기간2년.인증 페이지가 "Validity period: 2 years"로 적고, 자격을 유지하려면 2년마다 재인증해야 한다.재인증은 그 시점의 현행 시험을 다시 치르는 방식이다(인증 페이지 "you must take the current version of the exam", 시험 가이드 "you must take the full exam that is currently live").공식 FAQ는 인증에 딸린 디지털 배지도 발급 2년 뒤 만료되고, 인증이 만료되기 전에 미리 알려 준다고 적는다.부분 갱신이나 갱신 전용 시험을 안내한 문장은 없다.

시험 노트

0 / 30편개념 0/25 · 모의고사 0/5

개념 정리0 / 25

  1. 01컨텍스트 엔지니어링과 Databricks 도구 지도예정Foundations of Context Engineering (컨텍스트 엔지니어링 기초) · 16%
  2. 02컨텍스트 실패 네 갈래와 처방예정Foundations of Context Engineering (컨텍스트 엔지니어링 기초) · 16%
  3. 03주의 예산과 선제적 컨텍스트 관리예정Foundations of Context Engineering (컨텍스트 엔지니어링 기초) · 16%
  4. 04추론 모드 선택과 긴 대화의 성능 저하예정Foundations of Context Engineering (컨텍스트 엔지니어링 기초) · 16%
  5. 05Genie 지시·예시 질문·trusted SQL예정System Prompt and Instruction Design (시스템 프롬프트와 지시 설계) · 9%
  6. 06시스템 프롬프트 보정과 few-shot 선별예정System Prompt and Instruction Design (시스템 프롬프트와 지시 설계) · 9%
  7. 07UC 메타데이터와 Genie 객체 큐레이션예정Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성) · 20%
  8. 08UC 문서 코퍼스 RAG와 청킹 고르기예정Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성) · 20%
  9. 09Databricks AI Search 구성 진단예정Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성) · 20%
  10. 10사전 적재 검색과 just-in-time 검색예정Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성) · 20%
  11. 11검색 실패 진단과 권위 있는 출처 제한예정Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성) · 20%
  12. 12메모리 원천 고르기와 Delta 상태 객체예정Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계) · 18%
  13. 13Lakebase로 세션을 넘는 메모리 구성예정Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계) · 18%
  14. 14Lakebase 메모리의 정적·동적 검색예정Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계) · 18%
  15. 15과잉·과소 검색과 의도 해석 단계예정Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계) · 18%
  16. 16MLflow 3 실험으로 컨텍스트 구성 고르기예정Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계) · 18%
  17. 17MCP 도구의 점진적 공개예정Tool Design, MCP, and Agent Context (도구 설계·MCP·에이전트 컨텍스트) · 13%
  18. 18도구 설명 겹침과 UC 등록 도구 선택예정Tool Design, MCP, and Agent Context (도구 설계·MCP·에이전트 컨텍스트) · 13%
  19. 19도구 출력 정리와 Agent Skills 적재예정Tool Design, MCP, and Agent Context (도구 설계·MCP·에이전트 컨텍스트) · 13%
  20. 20트리밍 휴리스틱과 컴팩션 강도예정Context Compression and Compaction (컨텍스트 압축과 컴팩션) · 11%
  21. 21컴팩션 프롬프트 튜닝 — 재현율 먼저예정Context Compression and Compaction (컨텍스트 압축과 컴팩션) · 11%
  22. 22컴팩션 뒤 일관성 붕괴 되짚기예정Context Compression and Compaction (컨텍스트 압축과 컴팩션) · 11%
  23. 23공유 컨텍스트 부족과 전파 설계예정Multi-Agent and Long-Horizon Task Design (멀티에이전트·장기 작업 설계) · 13%
  24. 24오케스트레이터 포화와 에이전트 경계예정Multi-Agent and Long-Horizon Task Design (멀티에이전트·장기 작업 설계) · 13%
  25. 25장기 작업 전략 불일치 진단예정Multi-Agent and Long-Horizon Task Design (멀티에이전트·장기 작업 설계) · 13%

모의고사0 / 5

개념을 다 쓴 뒤에 차례로 붙습니다.

  1. 01모의고사 1회예정
  2. 02모의고사 2회예정
  3. 03모의고사 3회예정
  4. 04모의고사 4회예정
  5. 05모의고사 5회예정

관련 있는 우리 글

시험을 겨냥해 쓴 글은 아니지만 같은 개념을 다룹니다. 과목이 막힐 때 곁에 두고 읽습니다.

Foundations of Context Engineering (컨텍스트 엔지니어링 기초)

AI LAB컨텍스트를 예산으로 다루기AI LAB창이 크다는 말과 잘 읽는다는 말AI LAB사고 예산 제어: 얼마나 생각하게 할 것인가

System Prompt and Instruction Design (시스템 프롬프트와 지시 설계)

AI LAB시스템 프롬프트는 어디까지 적어야 하는가AI LABZero-shot과 Few-shot Learning: 예시의 힘

Knowledge Retrieval and Genie Configuration (지식 검색과 Genie 구성)

AI LABRAG 청킹 전략 완전 정복: 문서를 어떻게 나눠야 하는가AI LAB검색해서 넣을 것인가, 통째로 넣을 것인가AI LAB바뀐 문서가 색인에 도착하기까지

Memory Architecture with Lakebase and MLflow (Lakebase·MLflow 메모리 설계)

AI LAB에이전트 메모리: 단기·장기·시맨틱 메모리 아키텍처AI LAB대화를 기억으로 바꾸기

Tool Design, MCP, and Agent Context (도구 설계·MCP·에이전트 컨텍스트)

AI LAB모델이 읽는 것은 구현이 아니라 스키마다AI LAB에이전트가 바깥과 연결되는 법: 도구 호출에서 MCP까지

Context Compression and Compaction (컨텍스트 압축과 컴팩션)

AI LAB넣기 전에 줄이는 방법들AI LAB예산을 넘겼을 때 무엇부터 버릴 것인가AI LAB대화가 길어질수록 무엇을 기억하게 할 것인가

Multi-Agent and Long-Horizon Task Design (멀티에이전트·장기 작업 설계)

AI LAB에이전트를 여럿으로 나눌 때와 나누지 말아야 할 때AI LAB에이전트끼리 일을 넘길 때 무엇을 함께 넘기는가AI LAB몇 시간, 며칠씩 도는 에이전트를 어떻게 버티게 하는가

알아 둘 것

  • 시행은 Kryterion이 맡고 등록은 Webassessor(webassessor.com/databricks)에서 한다.
  • 이름 표기가 둘이다. 인증 페이지 제목과 시험 가이드는 'Databricks Certified Context Engineer Associate', 인증 목록 카드의 소개 문장은 'Databricks Certified Context Engineering Associate'다 — 시험 페이지와 가이드를 따랐다.
  • 영어로만 응시할 수 있다(인증 페이지 "Languages: English"). 같은 회사의 ML·GenAI Associate가 한국어를 제공하는 것과 다르다.
  • 현행 시험 가이드는 2026년 7월 29일부터 시행하는 판을 다룬다("This version covers the version available beginning July 29, 2026"). 같은 문단이 그 날짜 2주 전에 다시 들러 최신판인지 확인하라고 안내하고("Please check back two weeks before this time"), 공식 FAQ는 시험 버전이 늘 하나만 운영되며 가이드가 출제 범위의 기준 문서라고 적는다.
  • 출제 영역 비중(16/9/20/18/13/11/13%)은 시험 가이드에만 있고 인증 페이지에는 없다.
  • 문서끼리 어긋나는 자리가 둘이다. 응시 방식은 인증 페이지가 'Online or test center', 가이드가 'Online Proctored'이고, 채점 문항 수는 페이지가 45, 가이드가 'approximately 45'다.
  • 시험 가이드의 예시 문항 10번은 가이드 안에서 어긋난다. 문항 머리의 Objective 줄은 근본 원인을 「sub-agents receiving individual task messages rather than full agent traces at dispatch time」(보기 A에 해당)으로 적는데, 정답표는 B(벡터 검색 인덱스를 업데이트된 Delta 테이블에 동기화하지 않음)다. 이 문항 하나로 멀티에이전트 컨텍스트 전달을 정리하지 말고 7번 영역의 출제 목표 문장을 기준으로 삼는다.
  • 검색 도구 이름은 인증 페이지가 'AI Search', 가이드 출제 목표가 'Databricks AI Search'이고, 같은 가이드의 권장 준비 목록은 'Semantic Search'라고 적는다.
  • 생성형 AI 계열 Associate인 Databricks Certified Generative AI Engineer Associate와 둘 다 현행이다. 두 가이드 모두 권장 준비로 Generative AI Engineering with Databricks 묶음을 들고(묶음 안 과정 이름은 서로 다르다), 청킹 전략처럼 출제 목표가 겹치는 자리가 있다.
  • 공식 연습 시험은 없다(공식 FAQ). 인증 페이지의 준비 단계(Getting Ready for the Exam)에는 어느 Databricks 인증에나 쓰는 AI Prep Guide(쓰던 AI 챗봇을 학습 도우미로 쓰는 방법을 적은 PDF)가 걸려 있다.

난이도와 취업 별은 시행처가 준 값이 아니라 위에 적은 근거로 매긴 값입니다. 공식 페이지는 2026-10-10에 확인했습니다. 시험 제도는 개편이 잦으니 접수 전에 시행처 안내를 한 번 더 보세요.