챕터별 상세
00:28
Autoresearch의 개념과 콘텐츠 적용
Andrej Karpathy의 Autoresearch 리포지토리는 에이전트에게 수정할 파일, 최적화 지침, 측정 방법을 제공하여 코드를 자동 개선한다. 이 시스템은 원래 ML 학습 스크립트 최적화를 위해 설계되었으나, 이를 콘텐츠 제작 파이프라인에 적용했다. 콘텐츠 제작에서의 '코드'는 프롬프트가 되고, '측정 방법'은 실제 소셜 미디어의 조회수 데이터가 된다. 에이전트는 매일 성과를 확인하고 더 높은 조회수를 얻기 위해 스스로 프롬프트를 수정한다.
Autoresearch는 에이전트가 실험을 반복하며 성능이 향상된 코드만 남기고 나머지는 버리는 진화적 최적화 방식을 채택한다.
01:44
실제 데이터 추출 및 패턴 분석
Meta Graph API를 활용하여 Instagram과 Facebook에서 200개 이상의 Reels 성과 데이터를 자동으로 수집했다. 수집된 데이터를 분석한 결과, 시각적 데모나 '와우 포인트'가 있는 영상이 단순한 생산성 팁보다 압도적으로 높은 조회수를 기록함을 확인했다. 이 데이터는 AI 에이전트가 어떤 방향으로 프롬프트를 수정해야 할지 결정하는 핵심 근거가 된다. 데이터 수집 과정은 n8n과 Airtable을 통해 자동화되어 매일 업데이트된다.
Meta Graph API는 개발자가 소셜 미디어 플랫폼의 성과 지표를 프로그래밍 방식으로 가져올 수 있게 해주는 도구이다.
03:57
이진 평가 지표(Binary Eval) 설계
AI Andy는 주관적인 평가를 배제하기 위해 10가지 이진 평가 지표를 설계했다. 각 지표는 '후킹 문구가 결과나 변화를 묘사하는가?', '사람이나 스토리가 포함되었는가?'와 같이 예/아니오로 답할 수 있는 질문으로 구성된다. Gemini와 같은 LLM이 대본을 읽고 이 질문들에 답하여 10점 만점의 점수를 산출한다. 이 방식은 AI가 감정에 치우치지 않고 데이터에 기반하여 대본의 품질을 객관적으로 측정하게 한다.
이진 평가는 모호한 점수 산정 대신 명확한 기준을 제시하여 자동화된 최적화 루프에서 신뢰도를 높인다.
05:22
자동화 피드백 루프 아키텍처
전체 시스템은 데이터 수집, 매칭, 사전 평가, 사후 평가, 상관관계 분석, 프롬프트 생성의 6단계 루프로 작동한다. 매일 아침 8시에 Python 스크립트가 실행되어 어제의 조회수를 가져오고 AI 점수와 비교한다. 높은 AI 점수와 높은 조회수가 일치하면 해당 프롬프트 전략을 강화하고, 불일치할 경우 평가 지표를 수정한다. 최종적으로 Claude Code가 분석 결과를 바탕으로 n8n 워크플로의 프롬프트를 자동으로 업데이트한다.
n8n은 다양한 앱과 서비스를 연결하여 복잡한 워크플로를 자동화하는 노드 기반 도구이다.
07:37
프롬프트의 진화 과정과 일일 운영
시스템 운영 결과, 프롬프트가 단순한 '공지' 형태에서 '호기심 유발', '비밀 공개' 등 더 정교한 심리적 트리거를 사용하는 방식으로 스스로 진화했다. 예를 들어 첫 문장에 '비밀이 곧 밝혀진다'와 같은 강력한 후킹 문구를 넣도록 지침이 변경되었다. 현재는 팀원이 AI가 생성한 영상을 최종 검수하여 승인 여부만 결정하는 99% 자동화 상태로 운영된다. 이 과정에서 축적된 리서치 로그는 향후 더 강력한 모델이 출시되었을 때 즉시 적용 가능한 자산이 된다.
리서치 로그는 AI가 시도한 실험과 그 결과를 기록한 데이터로, 시스템의 지능을 높이는 핵심 요소이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 18.수집 2026. 03. 18.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
