투자 에이전트 '돈냥이'가 매일 아침 증권사 리포트를 자동 수집하고, AI가 분석한 인사이트를 슬랙과 텔레그램으로 보내주는 시스템을 만든 과정을 공유합니다. 세 번째 팀원 — 돈냥이 💰🐱 1편에서 OpenClaw를 설치하고 첫 번째 AI 비서 '달밤이'를 만들었어요. 그 다음 콘텐츠 매니저 '슝이'까지, 둘이 자리를 잡아가고 있었죠. 근데 매일 하는 일 중 하나가 아직 자동화가 안 되어 있었습니다. 투자 리서치. 매일 아침 증권사 리포트 훑어보고, 뉴스 체크하고, 포트폴리오 점검하고. 이걸 매일 하면 30분~1시간이 녹아요. 뉴스 하나 읽다 보면 링크 타고 들어가서 한 시간이 지나있죠. 그래서 세 번째 에이전트를 만들기로 했습니다. OpenClaw에 새 에이전트 추가하기 OpenClaw는 에이전트를 여러 개 돌릴 수 있어요. 어제 만든 비서실장 '달밤이'에게 새 직원을 뽑고 싶다고 이야기합니다. 대답을 몇번 하고 무슨 업무를 맡기고 싶은지 정해주면, 달밤이가 새 직원을 만들기 시작합니다. 그렇게 탄생한, 돈냥이💰🐱 역할: 투자 자문위원 — 쉽게 설명해주는 투자 친구 원칙: 좋은 것만 말하지 않고 리스크도 솔직하게. 모르면 절대 아는 척 금지. 채널: 슬랙 #investment-strategy 채널 전담 달밤이(비서실장)가 돈냥이에게 업무를 지시하고, 돈냥이는 자기 채널에서 투자 관련 일을 처리하는 구조예요. 제가 직접 일을 시키기도 하고요. 에이전트끼리는 sessions_send로 소통합니다.

1편에서 6명의 에이전트와 6개의 스킬로 시스템을 설계한 이야기를 했습니다. 설계만 하면 뭐합니까. 실제로 돌아가야죠! 이번 편에서는 "제품 하나 현지화해줘"라고 했을 때, 이 에이전트들이 어떤 순서로 무슨 일을 하는지 파이프라인 전체를 보여드릴게요. 전체 파이프라인 한눈에 보기 하나씩 뜯어볼게요. Phase 0: 입력 데이터 가져오기 사용자가 이렇게 말합니다: Orchestrator가 URL을 파싱해서 스프레드시트에서 제품 정보를, Drive에서 이미지 목록을 가져옵니다. 타겟 국가를 확인하고 파이프라인을 시작해요. 로컬 파일도 됩니다. data/input/{brand}/{product_id}/ 폴더에 JSON이랑 이미지를 넣어두면 똑같이 동작합니다. Phase 1: 시장 조사 - 모든 결정의 기반 Market Researcher 에이전트가 타겟 국가별로 조사를 합니다. 캐시 우선 정책 매번 조사하면 시간이 오래 걸리니까, 캐시 우선 정책을 적용했어요. config/market-research/JP.json이 이미 있으면 조사를 건너뜁니다. 같은 나라에 제품을 여러 개 올릴 때 시간 절약이 큽니다. 근데 1년 뒤에도 이 조사 내용이 유효할 리는 없잖아요? 그래서 30일 이내 정책을 뒀어요. 30일 이후에는 조사를 다시 수행하게 하는 거죠.

아마존에 제품 올려본 적 있으세요? 국내에서 잘 팔리는 제품을 해외 아마존에 올리려면, 상세페이지를 통째로 바꿔야 해요. 번역만 하면 될 것 같지만 전혀 아니더라고요. 제품 설명을 현지 톤에 맞게 다시 쓰고, 이미지 속 한국어 텍스트를 바꾸고, 모델도 현지인으로 교체하면 더 좋겠죠. 진출 국가가 4곳이면 이걸 4번 반복해야 하죠🤣🤣 지인이 운영하는 헤어케어 브랜드가 해외 국가 진출을 준비하고 있었는데, 제품 하나 현지화하는 데 꽤 오랜 시간이 걸린다고 하더라고요. 번역하고, 최적화하고, 디자이너가 이미지 수정하고.. 이 과정이 제품마다 반복됩니다. "그거 자동화 해줄까?"라고 했다가, 생각보다 큰 프로젝트가 됐습니다. (왜 그랬을까, 가마니 있을걸걸걸) 결과물부터 말하면: "이 제품을 미국이랑 일본용으로 현지화해줘" 한마디에, 시장 조사부터 번역, 카피라이팅, 이미지 생성, 품질 검수까지 Claude Code가 알아서 돌리게 되었어요. 이 시리즈에서는 이 시스템을 어떻게 설계하고 만들었는지 과정을 공유할게요. 1편 (이 글): 전체 설계와 아키텍처 2편: 파이프라인 - 6명의 AI가 순서대로 일하는 법 3편: 이미지 생성의 함정과 삽질 기록 상세페이지 현지화, 번역만 하면 되는 거 아닌가요 현실은 그렇게 단순하지 않습니다.

오늘 AI 코리아 커뮤니티 뉴스레터를 보다가 굉장히 흥미로운 논문을 발견했습니다. AI의 머릿속에는 '작은 사회'가 있다는 내용이었는데, 너무 재미있어서 내용을 더 찾아보고 정리해 보았습니다. 제목부터 심상치 않은데요. 바로 Reasoning Models Generate Societies of Thought (추론 모델은 사고의 사회를 형성한다) 입니다. 그동안 우리는 AI에게 '차근차근 생각해봐(Step-by-step)'라고 주문을 외우면 똑똑해진다고 믿었습니다. 이를 CoT(Chain of Thought)라고 하죠. 그런데 이 논문은 단순히 단계적으로 생각하는 것을 넘어, 머릿속에서 다양한 관점들이 치열하게 토론하고 검증해야 진짜 똑똑해진다는 새로운 사실을 밝혀냈습니다. 조용히 혼자 풀기 vs 치열하게 토론하며 풀기 기존에 우리가 알던 Chain of Thought (CoT)방식은 '독백(Monologue)'에 가깝습니다. 마치 도서관 구석에 앉은 모범생이 혼자 연습장에 묵묵히 수식을 써 내려가는 것과 같죠. CoT의 한계 (Tunnel Vision): 묵묵히 문제를 풀다가 중간에 전제를 잘못 설정하거나 계산 실수를 하면, 그 뒤로는 아무리 논리를 전개해도 결국 오답에 도달하게 됩니다. 혼자만의 생각에 갇혀서 스스로 오류를 발견하기 어려운 것이죠. 반면, 이번 논문에서 제시한 Society of Thought (SoT)는 '열띤 토론이 오가는 회의실'이에요. 내 머릿속에 까칠한 비평가, 신중한 검토자, 저돌적인 실행가가 모여서 끊임없이 의견을 교환하는 것입니다. SoT 모델의 내면적 대화 (Reasoning Trace) - 자아 1 (제안자): "이 문제의 답은 42가 아닐까?" - 자아 2 (비평가): "잠깐만, 조건 B를 간과했어. 그 조건에 따르면 42는 불가능해. 다시 계산해봐." - 자아 1 (수용): "아, 맞다. 그 부분을 놓쳤네. 다시 계산해볼게." - 자아 3 (중재자): "그럼 조건 B를 반영해서 40으로 수정하는 게 논리적으로 타당해."

부제: AI 자동화 블로그 글에 싫어요 3개를 받고 나서 어제 Claude Code로 블로그 자동화 시스템을 만든 이야기를 올렸습니다. 그리고 싫어요를 3개 받았습니다. 왜 싫어요가 3개가 달렸는지 너무 궁금해졌습니다. 왜 싫어요가 달렸을까 가장 먼저 든 생각은 이거였습니다. "AI가 만든 쓰레기 글을 양산하는 내용이잖아. 가비지 데이터, AI Slop이라고 생각한 거 아닐까?" 솔직히 저도 동의합니다. AI 생성 콘텐츠가 폭발적으로 늘어나고 있고, 그에 따라 인간이 만든 고유한 관점과 경험은 더욱 중요해집니다. 저 역시 저에게서 [인간의 관점]이 사라지지 않도록 노력을 합니다. 그런데 한편으로는 이런 생각도 들었습니다. 우리가 저런 자동화 블로그 글을 쓸 때 정말 엄청난 깊이 있는 생각을 해서, 많은 노력을 들여서 작성했었나? 제 관점과 의견을 제공하는 글, 제 이야기를 담은 글에는 당연히 100% 제 인풋이 들어갑니다. 이건 자동화 하려고 해도 되지도 않습니다. 그런데 단순 정보 전달, 포맷이 정해진 '양산'에 포커싱이 된 정보성 글들은? 이전에도 그렇게 큰 힘을 들이지 않았습니다.(물론 이건 SEO 전문가 아닌 저의 관점입니다.) ROI 관점에서 보면, 그냥 시간을 잡아먹던 일을 더 수월하게 하는 것 아닐까요. 하지만 이건 너무 개인적인 생각이기는 해서 관련 내용들을 좀 찾아봤습니다. Model Collapse: 쓰레기가 쓰레기를 낳는다 2024년 7월 Nature 저널에 발표된 연구가 있더라구요. AI 모델이 AI가 생성한 데이터로 학습할 때 품질이 저하되는 'model collapse' 현상을 실증적으로 증명한 논문입니다.

블로그 글 하나 쓰는 데 얼마나 걸리세요? 저는 한 편 쓰는 데 최소 30분? 1시간은 걸린 것 같아요. 키워드 찾고, 검색 의도 분석하고, 경쟁 글 읽고, 구조 짜고, 본문 쓰고, 이미지 만들고... 그런데 이제는 "키워드 10개 뽑아줘" 한마디면 키워드 발굴부터 블로그 글 완성까지 자동으로 처리돼요. 어떻게 만들었는지, 왜 이렇게 만들었는지 공유할게요. 왜 만들었나 이 블로그 말고, 저 멀리 다른 블로그도 해야지 해야지, 하면서 초반 몇 개만 올려놓고 안 하고 있었는데요 ....... 왜 내가 안 올릴까, 도대체 나를 가로 막고있는 병목이 뭘까, 생각해보니까 반복 작업이었어요. 키워드 리서치 (네이버 자동완성, 경쟁 글 분석) 검색 의도 파악 글 구조 짜기 (H1, H2, H3...) 본문 작성 (SEO 신경 쓰면서) 이미지 제작 (Figma 켜서 하나하나...) 썸네일 만들기 메타데이터 작성 이 과정을 매번 반복하는 게 너무 지쳤어요. 사실 전부터 Claude Skills로 블로그 글 작성은 자동화했었는데, 키워드 찾기나 이미지 만들기는 여전히 제가 직접 해야 했죠. "이거 전부 다 자동화할 수 없을까?" 그래서 Claude Code의 멀티 에이전트 시스템으로 처음부터 끝까지 자동화해보기로 했어요. 자동 블로그 구조를 설계해보자 처음에는 이렇게 설계했어요:

Claude에서 말하는 에이전트(Agent)개념을 기준으로 단일 에이전트와 멀티 에이전트의 차이를 정리한 자료입니다. 1. 에이전트란 무엇인가? 에이전트(Agent) 환경(파일, 웹, API, DB 등)을 관찰하고 정보를 바탕으로 계획을 세우고 도구(코드 실행, Bash, 웹 검색, 사내 API 등)를 호출해 목표를 달성하기 위해 여러 번 반복해서 행동하는 시스템 Claude 관점의 에이전트 루프 (개념적으로) 컨텍스트 수집: 파일/검색/메모리에서 필요한 정보 찾기 계획 수립: 지금 무엇을 먼저/나중에 할지 결정 도구 사용: 코드 실행, Bash, 외부 API, Skill 등을 호출 결과 검증: 출력이 기대와 맞는지 체크, 부족하면 다시 반복 즉, 에이전트는 단순히 "한 번 답변하는 LLM"이 아니라, 도구를 쓰면서 스스로 반복적으로 일하는 실행 주체입니다. 1-1. 커스텀 GPT, Gem이랑 같은거 아니야? "그럼 GPTs나 Gem에 지시 프롬프트 넣어 둔 것도 에이전트 아닌가?"라는 질문이 자연스럽게 나오기 때문에, 직관적으로만 구분해 보면 다음과 같습니다. 공통점 둘 다 시스템/지시 프롬프트로 역할과 말투, 출력 형식을 세팅한다.

페이스북, 에어비앤비, 깃헙과 같은 빅테크를 초기 투자한 앤드리슨 호로위츠, 일명 a16z에서는 매년 Big Ideas라는 걸 발표합니다. 이 내용을 다 읽을 수 없어 TRAE로 '쉽게 설명하는 강의 전문 에이전트'를 만들고 노션에 바로 붙일 수 있게 md파일을 만들어달라고 했습니다. 정말 읽기 쉽게 적혀있으니 다들 한번 쉭쉭 보면서 2026년에는 무슨 빅아이디어들이 있을지 확인해보세요.. 라고 사내에 공유했던 내용을 그대로 붙여봅니다. a16z가 뭔데? - 정식 명칭: Andreessen Horowitz (창립자 마크 앤드리슨과 벤 호로위츠의 성을 따서 지음) - 별칭: a16z (A와 z 사이에 16개의 글자가 있다는 뜻) - 위상: 실리콘밸리에서 가장 영향력 있는 벤처 캐피털(VC) 중 하나입니다. 페이스북, 에어비앤비, 슬랙, 깃허브 등 우리가 아는 수많은 테크 거인들의 초기 투자자이기도 하죠. 단순히 돈만 투자하는 곳이 아닙니다. 이들은 기술의 흐름을 읽고, 미디어를 통해 담론을 주도하며, 스타트업이 성장할 수 있는 생태계를 직접 만들어가는 '테크 업계의 킹메이커'입니다. 그렇기 때문에 이들이 매년 발표하는 "Big Ideas"는 단순한 예측을 넘어, 앞으로 실리콘밸리의 돈과 인재가 어디로 몰릴지를 보여주는 중요한 나침반이 됩니다. 이 자료는 단순한 정보 전달을 넘어, AI가 기술 산업과 우리 삶을 어떻게 근본적으로 재편하고 있는지에 대한 통찰을 제공하기 위해 작성되었습니다. 각 섹션은 배경 설명, 구체적인 변화 양상, 그리고 미래 전망으로 구성되어 있습니다. 팀원들과 함께 읽으며 "우리 조직에는 어떤 영향이 있을까?"를 토론해 보시기를 권장합니다. 1. 생성형 월드 경험 (Generative World Experiences) 제안자: Jonathan Lai 지금까지 우리가 즐겨온 게임은 개발자가 미리 만들어둔 '무대' 위에서 노는 것이었습니다. 맵의 끝이 정해져 있고, 몬스터의 위치도 고정되어 있었죠. 하지만 Jonathan Lai는 '월드 모델(World Models)'이라는 기술이 이 한계를 완전히 깨뜨릴 것이라고 말합니다.

지난 편에서 Trae로 파이썬 스크립트 만들어서 플레이 버튼만 누르면 실행되게 했죠. 근데 이것도 귀찮잖아요? 매일 아침 9시에 버튼 누를 거예요? 이번 편에서는 Github Actions로 진짜 풀자동화하는 방법을 적어볼게요! Github Actions 워크플로우 설정 Trae한테 "매일 한국시간 오전 9시에 자동 실행해줘, 보안은 Github Secrets 써줘"라고 했더니 .github/workflows/daily-automation.yml 파일을 만들어줬어요. 만들어 준 yml 파일에서 핵심은 이 한 줄이에요. cron: '0 0 * * *' 매일 UTC 00:00 (한국 시간 09:00)에 자동으로 돌아가라는 명령이죠. Github 리포지토리 생성 Github에서 New repository를 만들어요. 이름은 아무거나. Public으로 만들어도 되고 Private으로 만들어도 돼요. 어차피 중요한 키값은 Secrets에 넣을 거니까요. https://github.com/ Github Secrets로 API 키 보안 설정 리포지토리 만들었으면 바로 Settings → Secrets and variables → Actions → New repository secret 들어가서 환경변수 3개를 등록해요. 왜냐! API 키랑 구글 인증 JSON을 코드에 직접 넣으면 안 되잖아요? Github 공개 저장소에 올리면 누가 가져다 쓸 수도 있으니까. STIBEE_API_KEY: 스티비 API 키

지난 편에서 재피어-스티비 연동으로 리타겟팅 메일을 자동화했는데, Delay 기능 때문에 월 4.5만 원씩 나가는 걸 보고 멘붕했던 이야기를 했죠. 이번 편에서는 드디어 Trae로 갈아타는 과정을 아주 자세하게 적어볼게요. 비개발자인 제가 어떻게 0원으로 자동화를 구축했는지, 따라하면 누구나 할 수 있게 써볼게요! 레쯔고 Trae가 뭐냐 대체 Trae는 바이트댄스에서 만든 AI 코딩 도구예요. 뭐 흔히 아는 Cursor랑 비슷한데, 프롬프트만 입력하면 코드를 알아서 짜주는 IDE(통합 개발 환경)예요. 저는 개발자가 아니라서 파이썬 코드를 직접 못 짜는데, Trae한테 "야, 이거 해줘"라고 요청만 하면 알아서 다 만들어줘요. 뭐 이건 요즘 다 되는 거긴 하지만. https://www.trae.ai/ 왜 Trae를 선택했냐면 Cursor: 유료 (월 $20) 파이썬 직접 코딩: 개발자 아니라 못 함 Trae: 무료 (유료여도 월 $10) 저는 지금 돈을 아끼고 싶잖아요? 디지털 월세 노예 탈출하고 싶은 거잖아요? 0원에 하고 싶었잖아요? 그래서 선택했어요. 이유는 쏘 단순. 내가 Trae한테 요청한 내용 Trae를 열고, 프롬프트 창에 이렇게 요청했어요. 잘 보면 zapier에서 했던 것과 완전 똑같은 로직이에요.

많은 분이 워크플로우 자동화하면 가장 먼저 Make, n8n 등을 떠올려요. 물론 저도..! 하지만 어느 날 카드 결제 문제가 날라왔는데 4.5만 원... 29.99달러라고 해서 사실 별생각이 없었는데 미쳐버린 환율로 거의 5만 원 돈이라고? 이거 너무너무 아까운 거예요. 왜냐면 우리는 이것만 구독하는 게 아니고 디지털 월세의 노예가 되었으니까? 오늘은 제가 월 4.5만원의 유지비를 아끼기 위해 Trae를 활용해 이메일 자동화를 구축한 과정을 내 메모장 겸으로 좀 적어볼게요. 이 시리즈는 총 3편인데, 첫 번째는 기존에 스티비-재피어로 어떻게 돌리고 있었는지부터 시작할게요. 그럼 스타또-! 시작은 스티비로 자동 이메일 세팅 처음 리타겟팅 이메일을 보내려고 할 때 목표는 단순했어요. 구글 시트에 수집된 고객 리드를 대상으로 총 3번의 리타겟팅 이메일을 보내는 것이었죠. 리타겟팅 이메일 구조 설계 리드가 구글 시트에 수집되면, 시간차를 두고 1차, 2차, 3차 메일을 발송한다. 자동 이메일을 보내기엔 스티비(Stibee)가 가장 적합했고, 이미 스티비 내에서 어떤 내용으로 자동화 메일을 보낼건 지 다 세팅해두었어요. 스티비는 그리고 월 8,900원 정도로 가격도 만족쿠. 제 상황을 먼저 설명하면, 구글 시트에 리드들이 계속 쌓이고 있었어요. 랜딩페이지에서 신청하면 구글 시트로 떨어지는 구조죠. 이 리드들한테 3번의 리타겟팅 메일을 보내야 했는데, 발송 타이밍은 이렇게 잡았어요. 1차 메일 (3일 뒤): 웰컴같은 메일 2차 메일 (7일 뒤): 정보성+뭐 주기 3차 메일 (10일 뒤): 할인 제안 구글 시트에는 이메일 주소랑 이름 정보가 들어왔는데, 스티비 주소록에 넣을 때는 이메일만 매칭했어요. 이름 필드는 따로 안 넣었죠.