설명은 반복되고,
판단의 근거는 흩어집니다.
요구사항 누락, 검수 기록과 파일의 불일치, 성공한 작업까지 다시 처리하는 비효율.
반복되는 콘텐츠 제작을
검증 가능한 시스템으로.
콘텐츠를 더 많이 만드는 데서 출발하지 않았습니다. 어떤 아이디어를 만들고, 무엇을 확인하고, 어디에서 사람이 결정할지부터 정리했습니다.
01 / PROBLEM & ROLE
반복 작업의 병목은
생성 버튼 바깥에도 있었습니다.
아이디어 조사, 인물 설정, 장면 계획, 생성, 검수, 수정이 서로 연결되지 않으면 같은 설명을 반복하고, 어떤 파일을 승인했는지 다시 확인해야 합니다. 이 제작 맥락을 다음 단계로 전달하는 구조를 설계했습니다.
설명은 반복되고,
입력과 완료 조건을 정하고,
판단을 기록으로 연결합니다.
단계별 입력·결과물·검수 조건을 명시하고, 사람의 승인과 현재 파일을 연결.
제가 맡은 일과 AI가 맡은 일
- 본인
- 문제·요구사항 정의, 제작 시나리오와 평가 기준 설계, 결과물 검수, 승인 및 개선 방향 판단.
- AI 협업
- 설계에 따른 코드 작성·수정, 조사 정리, 자동 검증 및 반복 실행 보조.
코드를 전부 직접 작성했거나, 제작·게시를 완전 무인으로 운영했다는 의미는 아닙니다.
실제 문제와 개선
팀 동료가 만든 초기 자동화 도구를 바탕으로, 저는 제작 중 발견한 문제를 정의하고 검수 기준과 개선 방향을 정했습니다. 구현은 AI와 협업했습니다. 아래는 과거 제작 기록에 남은 사례이며, 별도의 합성 테스트와 구분합니다. Codex 검수는 AI 검수이며, 사람의 승인은 별도 단계입니다.
1. 놓친 시각적 결함 → 다층 검수
- 문제
- 1차 AI 검수에서 이미지 속 가짜 문자 흔적을 놓쳤습니다.
- 판단
- 한 번의 AI 통과 판정을 최종 승인으로 취급하지 않기로 했습니다.
- 변경
- Qwen 선별 뒤 Codex가 전체 해상도로 다시 검수하고, 문제가 있는 이미지만 재생성해 재검수하도록 했습니다.
- 기록과 한계
- 후속 AI 검수의 결함 발견과 해당 이미지 재생성이 기록되어 있습니다. 전체 결함 탐지율 향상을 측정한 결과는 아닙니다.
2. 물리·장면 요구 위반 → 해당 장면만 수정
- 문제
- 물체의 부자연스러운 움직임, 원치 않는 생성 자막, 계획에 없던 배경 인물이 발견됐습니다.
- 판단
- 정상 장면을 유지하고, 실패한 장면을 제작 요구사항에 맞춰 다시 확인하기로 했습니다.
- 변경
- 해당 장면만 재생성한 뒤 새 결과물을 다시 검수했습니다.
- 기록과 한계
- 물리 오류 장면은 두 번째 시도에서 검수 통과로, 자막·배경 인물 문제는 교체본 검수 통과로 기록됐습니다. 당시 AI 검수 기록이며, 사용자 만족이나 오류 재발 방지를 입증하지는 않습니다.
3. 유효한 작업의 반복 처리 → 변경된 결과만 재검수
- 문제
- 영상만 다시 생성할 때, 바뀌지 않은 승인 프레임까지 반복 처리할 여지가 있었습니다.
- 판단
- 검증된 입력의 유지와 새 출력의 검수를 분리하기로 했습니다.
- 변경
- 동일한 작업 안에서 승인 프레임과 검수 근거가 현재 파일에 일치할 때만 유지하고, 재생성한 영상은 새로 검수하도록 했습니다.
- 기록과 한계
- 선택적 재시도 규칙의 적용과 교체 영상의 검수 통과가 기록되어 있습니다. 실제 전체 작업시간의 단축 폭은 측정하지 않았습니다.
원본 기록과 미디어는 비공개입니다. 이 요약은 과거 문서에 근거하며, 당시 결과를 이번에 독립적으로 재검증한 것은 아닙니다.
02 / WORKFLOW 구현 확인
10개의 단계를,
다섯 개의 제작 흐름으로.
Skill은 반복 작업의 지침과 도구를 묶은 단위, Agent는 그 지침과 도구를 활용해 작업하는 AI입니다. 이 사례에서는 정해진 제작 절차 안에서 AI를 활용하고, 중요한 결정은 사람이 맡습니다.
- 01원래 단계 0–2 · 범위 → 조사·페르소나 → 아이디어
목적을 정하고, 소재를 찾습니다.
- 사람
- 대상 독자, 콘텐츠 목적, 표현·권리 범위와 선택 기준을 정합니다.
- AI
- 조사 결과를 정리하고, 페르소나에 맞는 아이디어 후보를 제안합니다.
- 결과물
- 소재 후보 · 근거 메모 · 제작 브리프
아이디어 선택은 사람의 명시적 승인 후 진행 - 02원래 단계 3–4 · 아이디어 승인 → 제작 계획
승인된 아이디어를 제작 계획으로.
- 사람
- 주제와 장면, 대사, 길이, 필요한 결과물을 확정합니다.
- AI
- 선택한 아이디어를 단계별 입력과 검수 가능한 요구사항으로 바꿉니다.
- 결과물
- 장면별 계획 · 대사 · 결과물 조건
승인된 범위를 벗어난 변경은 재확인 - 03원래 단계 5–7 · 첫 화면 → 영상 → 후반 작업
첫 화면에서 영상까지 만듭니다.
- 사람
- 첫 화면을 선택하고, 결과물의 표현과 수정 방향을 검수합니다.
- AI
- 승인된 조건으로 생성·후반 작업을 수행하고 단계별 검증을 실행합니다.
- 결과물
- 선택한 첫 화면 · 영상 후보 · 편집본
첫 화면 선택·음악 사용 등 필요한 승인 유지 - 04원래 단계 8 · 최종 검증
만든 파일과 검수 기록을 맞춥니다.
- 사람
- 의도, 자연스러움, 전달력을 확인하고 수정 여부를 판단합니다.
- AI
- 형식·음성·화면·13개 품질 항목과 파일 식별값을 확인합니다.
- 결과물
- 현재 파일에 연결된 검수 기록
FAIL·REVIEW는 전달 중단 → 실패 항목 재검증 - 05원래 단계 9 · 최종 전달
확인한 결과물만 전달합니다.
- 사람
- 최종 결과와 근거를 확인합니다. 게시 결정은 사람이 맡습니다.
- AI
- 승인 대상과 실제 파일이 일치하는지 다시 확인해 전달합니다.
- 결과물
- 최종 파일 · 검수 요약 · 변경 이력
자동 게시 없음 · 승인 후 파일 변경 시 다시 검증
SANITIZED BRIEF / 공개용 재구성 예시
한 장면 안에서, 대화할 이유를 만드는 짧은 영상
- 대상·목적
- 처음 만나는 시청자가 상황을 이해하고 반응할 수 있는 인물 중심 콘텐츠.
- 제작 조건
- 인물·공간의 일관성, 간결한 행동과 대사, 기획한 길이, 화면과 맞는 환경음.
- 완료 조건
- 형식 검증 + 13개 항목 각각 4점 이상 + 중대 오류 없음 + 현재 파일 확인.
- 멈추는 조건
- 승인 누락, 파일·근거 불일치, 권리나 표현 범위가 불명확한 경우.
03 / QUALITY DESIGN 구현 확인
평균이 좋아도,
한 항목이 미달하면 다시 봅니다.
한 번의 ‘좋다’는 판단 대신, 장면의 자연스러움부터 시청자와의 관계까지 13개 항목으로 나눕니다. 중대한 오류는 점수와 별개로 탈락시키고, 수정 이유를 장면과 연결해 기록합니다.
13 개 항목×4 점 이상 / 각 항목
평균으로 미달 항목을 상쇄하지 않음
1–2점: 실패 · 3점: 재검토 · 4점: 사소한 보완 수준 · 5점: 게시 가능한 완성도
- 신체·물리적 자연스러움
- 동작, 접촉, 물체의 움직임이 장면 안에서 자연스러운가?
- 인물·소품의 연속성
- 인물, 배경, 소품이 의도 없이 달라지지 않는가?
- 일상 촬영의 현실감
- 기획한 일상 영상의 시점과 촬영 감각이 유지되는가?
- 음향의 자연스러움
- 음성·행동음·환경음이 화면과 맞는가?
클릭·시청 지속·대화 참여의 ‘가능성’은 콘텐츠 검수용 대리 지표입니다. 실제 CTR, 시청 유지율, 전환율을 측정한 값이 아닙니다.
FAILURE → REVISION / 합성 재현 사례
“수정한 영상에, 이전 검수 기록을 붙이면?”
발생 조건
검수 통과 후 파일 내용이 변경됨.
판단
파일 식별값이 달라 이전 승인은 무효. 전달을 차단.
수정 · 재검증
현재 파일에 필요한 검수 기록을 다시 만들고, 모두 충족하면 최종 게이트를 확인.
원본 코드의 테스트에서 ‘검수 기록 누락 → 차단’, ‘기록 충족 → 통과’, ‘파일 변경 → 재차단’을 확인했습니다. 실제 영상의 개선 성과를 재현한 사례는 아닙니다.
04 / AUTOMATION & EVALUATION 합성 테스트
잘되는 경우뿐 아니라,
멈춰야 할 경우도 테스트합니다.
2026년 9월 3일, 생성 API를 호출하지 않는 기존 비운영 테스트를 실행했습니다. 정해진 오류 입력을 통해 승인·근거·재시도 규칙이 작동하는지 확인하는 검사입니다.
26 / 26기존 비운영 테스트 통과
10 × 3고정 사례별 합성 입력 3회
30 / 30입력 기대값과 수집 결과 일치
기대 상태를 넣은 합성 기록을 수집·비교한 결과입니다. 모델의 오류 탐지 정확도나 실제 콘텐츠 품질을 입증하지 않습니다. 26개 테스트와 30개 입력은 서로 다른 검증 단위입니다.
| 평가 시나리오 | 기대 상태 | 수집 일치 |
|---|---|---|
| 기준 충족 | PASS | 3 / 3 |
| 촬영 현실감 미달 | FAIL | 3 / 3 |
| 인물 일관성 훼손 | FAIL | 3 / 3 |
| 음향·장면 불일치 | FAIL | 3 / 3 |
| 근거·파일 불일치 | FAIL | 3 / 3 |
| 호출 제한 후 복구 | PASS | 3 / 3 |
| 공급자 오류 후 복구 | PASS | 3 / 3 |
| 다운로드 실패 후 복구 | PASS | 3 / 3 |
| 유효하지 않은 재시작 기록 | FAIL | 3 / 3 |
| 이전 파일의 승인 | FAIL | 3 / 3 |
다시 실행할 때, 성공한 작업은 보존합니다.
항목 APASS
현재 파일과 유효한 근거가 같으면 보존
항목 BFAIL / REVIEW
실패한 단계·항목을 선택해 다시 처리
다른 단계에 의존해 막힌 BLOCKED 항목을 무조건 재실행하지 않습니다. 원인을 해결하고 현재 결과물에 맞는 근거를 다시 확인합니다.
SYNTHETIC BENCHMARK / 운영 성과 아님
실행 구조 비교: 순차 처리와 항목별 이어 처리
순차 처리
2.037초
항목별 처리
0.601초
조건: 4개 항목 × 12개 내부 실행 단계, 단계당 0.02초 대기 명령, 작업자 4개·검수 작업자 2개, 무거운 검수 동시 실행 1개. 같은 로컬 환경에서 1회 비교했습니다.
여기서 12개는 내부 실행 단계이며, 앞의 10개는 전체 제작 절차입니다. 프로세스 실행·대기만 비교했으므로 생성 속도·실제 작업 시간 절감률로 일반화할 수 없습니다.
검증 기록과 공개용 규칙 예시
원본 코드·내부 경로 없이 조건, 결과, 한계를 확인할 수 있습니다.
예시는 포트폴리오 설명을 위해 AI와 새로 작성한 독립 코드입니다. 원본 실행 시스템을 공개한 것이 아닙니다. Node.js 22 이상에서 node contract-demo.mjs로 실행합니다.
05 / RESEARCH & ATTENTION개인용 분석 앱 · 실행 확인
만드는 과정뿐 아니라,
보는 경험도 검토했습니다.
콘텐츠를 빠르게 만드는 것에서 멈추지 않고, 무엇을 먼저 보게 할지 질문하고 그 판단을 검토 가능한 지표로 바꿨습니다.
질문·평가 기준 설계 / AI 협업 구현 / 결과 검수
여기서 ‘AI 아이트래킹’은 모델이 예상한 주목도입니다. 사람의 눈을 측정한 결과가 아니며, 높은 점수가 호감·이해도·시청 유지율을 뜻하지 않습니다.
01 / 제작 질문
“보기 좋다”는 감각을, 수정 이유로 설명하려면?
핵심 장면이 충분히 눈에 띄는지, 여러 요소가 시선을 나눠 갖는지, 어느 구간부터 다시 봐야 하는지 확인할 보조 도구가 필요했습니다. 사람의 판단을 없애기보다 검수할 위치와 질문을 구체적으로 만들고자 했습니다.
02 / 연구에서 얻은 관점조사한 내용 → 제작 가설 조사한 내용 → 제작 가설 조사한 내용 → 제작 가설 조사한 내용 → 제작 가설 Melnyk 외 · 2014 ICCV · 2021 ECCV · 2020
주목과 호감을, 같은 문제로 다루지 않았습니다.
“사람을 매력적으로 느끼고 좋아하게 되는 이유”를 직접 조사하고, AI와의 문답을 활용해 개인 연구 노트로 정리했습니다. 사회심리·지각 연구에서 인물의 태도와 감각적 단서를 나눠 살펴보고, 연구 대상과 과제의 한계도 함께 기록했습니다.
아래는 노트의 조사 주제를 콘텐츠 검수 질문으로 바꾼 예시입니다. 질문은 아직 사용자 반응으로 검증하지 않은 제작 가설이며, 논문 저자들의 릴스 제작 권고가 아닌 저의 해석입니다. 개인 노트 자체를 일차 논문이나 과학적 합의로 인용하지 않고 연결된 원문을 구분했습니다.
따뜻함·신뢰·반응성
외형적 매력 외에도 인물의 태도, 도덕성, 상대를 이해하고 반응하는 방식을 조사했습니다. 원문에서 사교적 따뜻함과 도덕적 성격을 구분한다는 점도 확인했습니다.
검수할 질문 인물이 상대의 말에 어떻게 반응하는가? 신뢰나 배려가 추상적인 설정이 아니라 대사와 행동으로 드러나는가?
유사성·친숙함, 첫인상과 지속적인 호감
유사성·상호성·친숙함을 나눠 정리하고, 처음 눈길을 끄는 요소와 관계 맥락에서 평가하는 요소가 같은지 질문했습니다. 노트의 우선순위는 절대적인 성공 공식으로 옮기지 않았습니다.
검수할 질문 시청자가 알아볼 생활 맥락과 공감할 상황이 있는가? 반복되는 인물·공간 설정이 일관되면서도 이번 장면만의 이유가 있는가?
외모·목소리·움직임의 조합
얼굴의 비례만 보지 않고 목소리의 높이·억양, 움직임의 조화와 리듬까지 조사 범위를 넓혔습니다. 감각 정보를 함께 다루는 연구를 참고하되 특정 음높이나 동작을 보편적인 매력 공식으로 정하지 않았습니다.
검수할 질문 표정·목소리·행동의 분위기가 같은 인물로 느껴지는가? 정지 화면뿐 아니라 소리와 동작을 포함한 완성 영상에서도 자연스러운가?
시선·미소·미러링과 인과관계
시선 접촉·미소·행동 동조와 호감의 관련성을 살폈습니다. 호감과 함께 관찰되는 행동이라는 결과를, 그 행동만 넣으면 호감이 생긴다는 제작 규칙으로 바꾸지 않았습니다.
검수할 질문 시선과 반응이 장면의 관계에 맞는가? 의미 없이 미소나 응시를 반복하지 않는가? 실제 호감 변화는 별도 시청자 평가로 확인해야 하지 않는가?
사람의 태도·목소리·관계 맥락은 사람이 검토할 영역으로 남겼습니다. 주목도 앱은 화면의 예측 분포를 다룰 뿐, 따뜻함·신뢰·목소리의 매력을 자동 채점하지 않습니다. 도메인 지식으로 평가할 대상을 정하고, CS 지식으로 계산할 수 있는 범위를 구분한 이유입니다.
시각적 주목 분석에 참고한 연구
Gaze Pattern Variations among Men When Assessing Female Attractiveness
남성 60명의 여성 이미지 매력 평가 과제에서 시선 패턴의 개인차를 살핀 연구입니다.
적용 판단 관심 영역을 나눠 관찰하는 관점과 연구 대상·과제의 범위를 참고했습니다. 릴스 선호나 콘텐츠 성공을 검증한 연구로 적용하지 않았습니다.
DeepGaze IIE
이미지의 공간 주목도 예측과 새로운 데이터에서의 일반화·예측 보정을 다룹니다.
적용 판단 완성 영상에서 표본 프레임별 주목도 지도를 계산하는 기존 앱의 연구 배경입니다. 논문의 정확도 수치를 이 영상의 정확도로 옮기지 않았습니다.
UNISAL
이미지·영상 주목도를 함께 다루고, 이전 프레임의 정보를 활용하는 시간 모듈을 포함합니다.
적용 판단 프레임 사이의 정보를 사용하는 조건을 별도로 시험하기 위해 선택했습니다. 기존 모델을 교체하거나 더 정확하다고 결론 내린 것은 아닙니다.
03 / 도메인 지식 → 계산 가능한 설계
제작자의 질문을 지표와 동작으로 바꿨습니다.
콘텐츠의 전달 의도와 시각적 주의를 구분하는 도메인 지식, 그리고 이를 구현하는 컴퓨터 과학(CS) 개념을 실제 선택에 연결했습니다.
| 제작자의 질문 | 도구의 동작과 배운 개념 |
|---|---|
| 화면에서 주목이 흩어지는가? | 합이 1인 예측 지도에서 분포의 퍼짐, 주목이 큰 영역의 비율, 집중 면적을 계산합니다.확률 분포 · 엔트로피(분포가 퍼진 정도) · 지표 정의 |
| 보여주려는 요소에 주목이 모이는가? | 화면 전체 집중도와 관심 영역의 예측 주목 비율·면적 대비 비율을 분리합니다.목표 정의 · 좌표와 면적 · 서로 다른 지표의 분리 |
| 어느 구간부터 다시 검수해야 하는가? | 영상에서 프레임을 일정 간격으로 뽑고, 시간별 기록을 검수 구간 후보로 연결합니다.프레임 샘플링 · 시간 정보 · 신호 처리 |
| 두 결과를 비교해도 되는가? | 모델·프리셋·해상도·점수 버전을 기록하고, 설정 식별값이 다른 결과를 구분합니다.실험 통제 · 재현성 · 설정 식별값 |
| 작업이 실패하면 무엇을 남기는가? | 입력·영상 인코딩·결과 기록을 확인합니다. 별도 UNISAL 검증본에서는 작업별 상태와 취소·정리를 분리합니다.오류 처리 · 프로세스 수명 · 작업 간 상태 분리 |
관심 영역(AOI)은 확인하고 싶은 화면 영역입니다. 영역 주목 비율은 예측 분포 중 그 영역이 차지하는 몫이며 실제 체류 시간이 아닙니다. 면적 대비 비율(lift)은 그 몫을 영역의 면적 비율로 나눠, 큰 영역이 값을 더 많이 받는 효과를 구분하는 보조 지표입니다. 앱의 가중치와 등급은 사용자 반응으로 검증되지 않은 내부 기준이며, 위 심리학 논문에서 가져온 공식이 아닙니다.
04 / 실제 실행실행 확인 비교 실행 · 전체 검증 보류
완성 영상 분석과 시간 정보 실험을 나눴습니다.
영상 선택 → 표본 프레임 추출 → 모델 예측 → 히트맵·비교 영상·구간 기록 → 사람의 검수로 연결했습니다. 설치·모델 연산·결과 저장은 Ubuntu 안에서 수행하고, Chrome에서는 비공개 화면을 확인했습니다.
완성 영상에 분석 도구 적용
22.13초 대표 영상에 DeepGaze IIE를 적용해 히트맵·비교 영상·구간별 기록을 생성했습니다. 검수가 필요한 구간 후보를 표시하고 사람이 다시 확인하도록 했습니다.
- 실행 조건
- Ubuntu · 3 FPS · 긴 변 512 · 표본 66프레임 · OCR·객체 보조 분석 끔 · 오디오 유지
해석 범위 프레임별 공간 예측에 별도 시간축 평활화를 적용한 방식입니다. 이 실행에서 자막·얼굴·제품별 주목도를 자동 검출했다고 해석하지 않습니다.
영상의 시간 정보 비교 실험
별도 UNISAL 검증본에서 시간 정보 사용 A와 시간 모듈 우회 B를 같은 모델·입력 조건으로 비교했습니다. 전체·0–10초·10–20초 × 두 모드 × 측정 3회, 총 18회입니다.
- 실행 조건
- 같은 가중치 · 6 FPS · 세로 입력 384×224 · 여백 방식 · FP32 · 외부 시간축 평활화 끔
해석 범위 한 원본에서 나온 구간이며 독립적인 세 영상이 아닙니다. 실행·안정성·출력 차이 확인이지, 시선 예측 정확도나 사용자 선호의 A/B 실험이 아닙니다. 기존 보안 감사 1건·레거시 검증 파일 3개·의존성 예외가 남아 전체 검증은 보류했습니다.
위 내용은 2026년 9월 3일 확인한 비공개 실행 기록의 요약입니다. 원본 분석 화면·로그·코드는 이 사이트에 공개하지 않습니다. 이 페이지에서 영상을 업로드하거나 분석 모델을 실행할 수는 없습니다.
05 / 판단과 다음 검증
예측값을 얻은 것과, 사용자가 좋아한 것은 다릅니다.
분석 → 편집 수정 → 같은 조건의 재분석 → 실제 사용자 반응 비교로 이어진 완결 자료는 아직 확보하지 못했습니다. 시청 유지율·CTR 개선이나 사용자가 더 좋아하는 편집안 선정을 성과로 주장하지 않습니다.
다음에는 한 구간에서 보여주려는 요소와 가설을 먼저 정하고, 자막 위치처럼 한 요소만 바꿔 같은 설정으로 비교하려 합니다. 점수가 높아져도 의미 전달이 나빠지면 채택하지 않고, 실제 선호는 별도 시청자 평가로 확인해야 합니다.
이 과정에서 익힌 것
콘텐츠의 전달 의도를 관찰 가능한 질문으로 바꾸고, 지표의 정의와 한계를 설명하는 방법을 학습했습니다. 구현에서는 영상의 시간·좌표·해상도를 다루고, 모델 출력 형식을 통일하며, 작업별 상태와 실패 처리를 분리하는 구조를 AI와 함께 구성했습니다.
모델을 새로 학습한 경험이 아니라, 연구와 오픈소스 모델을 제작 검수에 적용하고 검증 조건을 설계한 경험입니다.
06 / OUTCOMES & LIMITS
확인한 것과,
앞으로 측정할 것을 구분합니다.
제작 절차·품질 기준·승인 경계
워크플로 지침과 검증 코드에서 단계 구조, 평가 항목, 실패 범위 선택, 현재 파일에 연결된 승인 검사를 확인했습니다.
규칙의 동작과 실행 구조
26개 비운영 테스트, 30개 입력 수집, 대기 명령 기반 실행 비교. 모델이 실제 콘텐츠를 얼마나 잘 평가하는지는 별도 검증이 필요합니다.
실제 운영 생산성은 아직 확정하지 않았습니다.
충분한 실제 승인 표본에 근거한 소요 시간·비용 절감률, CTR·시청 유지율·전환율은 제시하지 않습니다. 과거 통과 기록이나 목표 시간을 달성 실적으로 바꾸지 않았습니다.
다음 단계: 품질을 유지하는 생산성 비교
같은 과업·모델·승인 조건에서 버전별 실제 승인 표본을 20개 이상 모아 시간의 중앙값과 p95를 비교합니다. p95는 측정값의 95%가 그 이하인 시간입니다. 품질, 비용, 수동 개입 시간도 따로 기록합니다.
기술 조사에서 적용 판단까지
새로운 도구를 추가하기 전에 제작 업무에서 필요한 부분과 검증 비용을 비교합니다. 아래는 공개 기술 자료를 이 사례에 연결한 판단 메모입니다.
고정된 제작 절차에는 예측 가능한 흐름
정해진 절차와 자율 판단을 구분합니다. 이 사례에는 단계별 완료 조건·사람의 승인을 유지하고, 무제한 자율 실행은 적용하지 않았습니다.
Anthropic · Building effective agents지침과 도구를 반복 가능한 단위로
작업별 지침·검수 조건·스크립트를 묶어 다시 활용합니다. Skill을 추가할 때는 사용 조건과 실패 시 멈출 지점도 함께 정합니다.
Anthropic · Agent Skills자동화의 완성도는
사람이 무엇을 판단해야 하는지
명확하게 만드는 데서 시작합니다.
본 페이지는 개인 포트폴리오이며 특정 기업의 공식 페이지가 아닙니다. 프로젝트 식별 정보와 원본 미디어·코드는 공개하지 않았고, 설명 자료는 익명화하여 재구성했습니다.