챕터별 상세
01:15
콘텐츠 재구성 에이전트 아이디어 기획
유튜브 링크, 팟캐스트, 블로그 URL을 입력받아 사용자의 톤앤매너에 맞춘 링크드인 및 X 포스팅을 생성하는 에이전트를 기획했다. 단순 요약을 넘어 각 플랫폼의 특성(글자 수 제한, 해시태그 등)을 반영한 결과물을 출력하는 것이 핵심 목표이다. 초기 버전인 V0에서는 유튜브 트랜스크립트 추출과 요약 기능을 우선적으로 구현하기로 결정했다.
02:15
Claude와 MCP를 활용한 에이전트 설계
에이전트의 로직을 설계하기 위해 Claude와 Relevance AI의 MCP(Model Context Protocol) 서버를 연결했다. 사용자가 입력한 URL의 소스 타입을 판별하고 적절한 도구(유튜브 추출기, 웹 스크래퍼 등)를 호출하는 아키텍처를 구성했다. Claude Code 인스턴스를 통해 에이전트의 시스템 프롬프트와 도구 사용 순서를 프로그래밍 방식으로 정의했다.
MCP(Model Context Protocol)는 LLM이 외부 도구나 데이터 소스에 표준화된 방식으로 접근할 수 있게 해주는 프로토콜이다.
09:05
유튜브 트랜스크립트 추출 도구 통합
유튜브 영상에서 텍스트를 추출하기 위해 Supadata API를 활용하는 도구를 에이전트에 통합했다. 긴 영상의 경우 전체 트랜스크립트가 LLM의 컨텍스트 윈도우를 초과할 수 있으므로, 핵심 모먼트와 테마를 먼저 추출하는 전처리 단계를 추가했다. Supadata API 키를 환경 변수로 설정하고 JSON 형태로 데이터를 구조화하여 다음 단계로 전달하도록 설계했다.
28:20
플랫폼별 맞춤형 포스팅 생성 로직 구현
추출된 핵심 내용을 바탕으로 링크드인과 X의 형식에 맞는 포스팅을 생성하는 프롬프트를 작성했다. 링크드인은 전문적인 톤과 3,000자 제한을, X는 280자 제한과 스레드 형식을 따르도록 Python 코드를 사용하여 글자 수를 엄격히 계산했다. LLM이 글자 수 계산에 취약한 점을 보완하기 위해 Python 도구 단계를 거쳐 최종 결과물을 검증하도록 구성했다.
LLM은 토큰 단위로 텍스트를 처리하기 때문에 정확한 글자 수나 단어 수 제한을 지키는 데 한계가 있어 외부 코드 실행이 권장된다.
40:05
에이전트 테스트 및 디버깅
실제 유튜브 영상을 입력값으로 넣어 에이전트의 전체 워크플로를 테스트했다. API 키 호출 오류와 JSON 파싱 문제를 확인하고 Claude를 통해 시스템 프롬프트를 수정하여 디버깅을 완료했다. 테스트 결과 22크레딧 정도의 저렴한 비용으로 고품질의 SNS 포스팅 3가지 버전을 생성하는 데 성공했다.
48:45
장기 기억 및 사용자 톤 학습 설정
사용자의 고유한 말투를 유지하기 위해 Relevance AI의 장기 기억(Long-term Memory) 기능을 활성화했다. 과거에 작성한 포스팅 예시를 에이전트에게 학습시켜 매번 지시하지 않아도 일관된 톤앤매너를 유지하도록 설정했다. 또한 컨텍스트가 너무 길어질 경우를 대비해 대화 압축(Conversation Compression) 기능을 적용하여 효율성을 높였다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 08.수집 2026. 05. 08.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.
