Claude 3.7 Sonnet: n8n에서 AI 에이전트를 위한 최고의 AI 모델!

AI Workshop 구독자 42,200명

요약

이 영상은 entropic에서 새롭게 출시한 Claude 3.7 Sonnet 모델을 소개하며, 복잡한 워크플로우와 AI 에이전트 통합에 있어 탁월한 도구 사용 성능과 비용 효율성을 강조합니다. 기존 모델인 Claude 3.5와 경쟁 모델들, 특히 OpenAI의 01 모델과 성능, 가격 면에서 비교 분석을 수행합니다. 또한 Open Router를 통한 통합 방법 및 API 설정 과정을 상세히 안내하며, 실무에서의 지출 추적 및 사기 감지와 같은 실제 활용 사례를 통해 모델의 강점을 설명합니다. 영상은 AI 개발자 및 No-code/Low-code 사용자들에게 실질적인 인사이트와 향후 시장 동향에 대한 전망을 제공합니다.

주요 키워드

Claude 3.7 Sonnet AI 모델 n8n Open Router Tool Agent Benchmark 복잡한 추론 비용 효율성 워크플로우 AI 에이전트

하이라이트

🔑 Claude 3.7 Sonnet은 이전 버전과 경쟁 모델들보다 도구 사용과 복잡한 추론 능력에서 뛰어난 성능을 보입니다.
⚡️ 성능 벤치마크에서 OpenAI 01 등 다른 모델보다 월등한 결과를 나타내며 비용 효율성 또한 크게 개선되었습니다.
🌟 에이전트의 외부 도구 사용 평가(Tool Agent User Benchmark)를 통해 복잡한 워크플로우 처리가 강화된 점을 강조합니다.
📌 Open Router를 이용한 n8n 내 통합 방법이 안내되어 사용자가 쉽게 적용할 수 있도록 도와줍니다.
🚀 실제 사례로 지출 추적 및 사기 감지 워크플로우 구축 과정을 통해 모델의 실무 활용성을 입증합니다.
🔍 향후 AI 시장에서 지속적인 경쟁력과 업데이트가 예상되며, 개발자 커뮤니티의 관심이 집중되고 있습니다.

용어 설명

Claude 3.7 Sonnet

entropic에서 출시한 최신 AI 모델로, 복잡한 추론 및 도구 사용 기능에 탁월한 성능을 보입니다.

Agentic Tool Use (도구 에이전트 사용)

AI 모델이 외부 도구를 활용하는 능력을 평가하는 벤치마크로, 통합된 워크플로우 내에서의 성능을 측정합니다.

Open Router

새로운 AI 모델들을 네이티브 인터그레이션 없이 사용할 수 있도록 지원하는 플랫폼으로, API 키를 통해 쉽게 연동할 수 있습니다.

n8n

사용자가 코딩 없이 다양한 워크플로우를 자동화할 수 있도록 도와주는 노코드/로우코드 플랫폼입니다.

영상 초반부에서는 Claude 3.7 Sonnet 모델의 출시와 n8n 워크플로우에서 AI 에이전트 활용의 중요성을 소개합니다. 전반적인 개요와 기대 효과를 설명합니다.

[00:00] Anthropic이 놀라운 AI 모델 Claude 3.7 Sonnet을 출시했으며, 이는 도구 사용 측면에서 최고의 성능을 보여줍니다.

[00:14] 복잡한 워크플로우와 AI 에이전트 구축에 있어 이 모델을 사용해야 하는 이유와 n8n에서의 실제 활용 방법을 설명합니다.

모델의 성능 벤치마크 및 도구 사용 평가 결과와 함께, 기존 모델과 경쟁사 대비 뛰어난 비용 효율성을 비교 분석합니다. 제품의 기술적 우위를 강조합니다.

[00:30] 소프트웨어 엔지니어링 분야에서 Claude 3.5 Sonnet의 인기를 이어받아, 3.7 버전은 다른 모든 모델들의 성능을 뛰어넘었습니다.

[01:29] Tool Agent User Benchmark(ToU)에서 뛰어난 성능을 보여주며, 외부 도구 사용 능력이 탁월합니다.

[02:16] 가격 측면에서도 GPT-4 0.1보다 훨씬 저렴하며, 입력/출력 토큰 비용이 각각 3달러/15달러로 경쟁력이 있습니다.

[02:49] Claude 3.7 Sonnet이 OpenAI GPT-4를 능가하는 성능을 보여주며, 특히 복잡한 추론이 필요한 작업에서 탁월한 성능을 발휘합니다.

[03:34] 에이전트 코딩, 다국어 Q&A 등 다양한 벤치마크에서 시장의 다른 모델들을 모두 능가하는 성능을 보여줍니다.

Open Router를 활용한 Claude 3.7 Sonnet의 통합 방법을 설명합니다. API 설정과 모델 선택 과정을 통해 n8n 환경에 적용하는 방법을 안내합니다.

[04:07] 현재 n8n의 기본 Anthropic 노드에서는 Claude 3.7 Sonnet을 직접 사용할 수 없어 OpenRouter를 통해 접근해야 합니다.

[04:54] OpenRouter를 통해 새로운 모델들을 쉽게 사용할 수 있으며, n8n에서 OpenRouter 채팅 모델을 추가하는 방법이 매우 간단합니다.

[05:25] OpenRouter에서 Sonnet 모델을 검색하고 선택하는 방법을 설명합니다. 3.7 Sonnet과 3.7 Sonnet Thinking 모델이 있으며, 특히 추론 기능이 있는 모델을 강조합니다.

[05:44] 이 모델이 도구 사용을 지원하며, AI 모델 중에서 도구 활용에 가장 뛰어나다는 점을 설명합니다. 테스트를 위해 계산기 도구를 사용할 예정입니다.

[06:18] 모델의 특징으로 복잡한 추론이 가능하지만 응답 속도가 느리다는 점을 언급합니다. 빠른 응답이 필요한 경우 40 Mini 같은 다른 모델을 추천합니다.

실제 사례로 지출 추적 및 사기 감지 워크플로우를 소개합니다. 복잡한 데이터 비교와 외부 도구 연동을 통한 실무 적용 예시를 제공하여 이해를 돕습니다.

[07:28] 실제 사용 예시로 지출 추적 에이전트를 소개합니다. 이 워크플로우는 신용카드 거래를 모니터링하고 사기 거래를 감지하는 복잡한 시스템입니다.

[07:55] 시스템의 작동 방식을 설명합니다. 신용카드 거래 알림 이메일을 분석하고, 복잡한 프롬프트와 다양한 도구를 활용하며, Pinecone 벡터 데이터베이스와 연동됩니다.

[08:16] 신용카드 거래 분석 시스템의 구조를 설명합니다. Pinecone 벡터 데이터베이스에 기존 거래 내역이 저장되어 있으며, 다양한 API와 도구들이 연결되어 있습니다.

[08:38] 시스템은 인터넷 검색을 통해 거래 정보를 조회하고, 기존 데이터와 비교하여 이상 징후를 감지하면 이를 사기로 분류하여 구글 시트에 기록합니다.

모델의 지속적 경쟁력과 향후 AI 시장 변화에 대한 전망을 정리합니다. 채널 구독 및 추가 콘텐츠 안내로 마무리합니다.

[09:05] 이 복잡한 워크플로우는 대규모 데이터셋과 여러 AI 도구들을 다루는데 있어 Claude 3.7 Sonnet이 최적의 선택임을 설명합니다.

[09:44] Claude가 소프트웨어 엔지니어링과 웹 개발 분야에서 선호되는 모델이며, AI 시장의 경쟁으로 인한 가격 하락이 사용자들에게 혜택이 된다고 설명합니다.

[00:00] [음악]

[00:00] Anthropic이 놀라운 새로운 AI 모델을

[00:02] Claude 3.7 Sonnet을 출시했는데,

[00:06] 이는 도구 사용 측면에서

[00:09] 단연코 최고의 AI 모델입니다.

[00:11] 특히 n8n의 워크플로우와 AI 에이전트에서

[00:14] 이 영상에서는

[00:15] 앞으로 왜 복잡한 워크플로우를

[00:18] 구축할 때 이 AI 모델을

[00:19] 사용해야 하는지

[00:21] 특히 AI 에이전트와 관련하여

[00:23] 설명하고, 실제로

[00:24] n8n 워크플로우에서 어떻게 사용하는지

[00:27] 보여드리겠습니다.

[00:28] 자, 바로 시작해보겠습니다.

[00:30] 먼저 몇 가지 매개변수와

[00:32] 이것이 왜 게임 체인저인지,

[00:34] 그리고 n8n 워크플로우에서

[00:36] 사용할 때 왜 선호되는 모델인지

[00:38] 특히 복잡한 추론이 필요한

[00:40] AI 에이전트에서 왜 좋은지 설명하겠습니다.

[00:43] 우선 그들의 웹사이트에서

[00:44] 공개한 몇 가지 성능 비교 차트를

[00:47] 살펴보겠습니다.

[00:49] 시장의 다른 모델들과 비교해서

[00:50] 먼저 소프트웨어 엔지니어링

[00:52] 개발자 커뮤니티에서

[00:55] 소프트웨어 엔지니어링 분야에서

[00:56] Claude 3.5 Sonnet은 항상 선호되는 모델이었고,

[00:59] 이제 Claude 3.7 Sonnet이

[01:02] 시장의 다른 모든 모델들을 앞서고 있습니다.

[01:04] 지난 몇 달 동안

[01:06] 또는 최근 출시된

[01:08] 여러 모델들 중에서

[01:10] OpenAI나 DeepSeek 같은 회사들은

[01:12] 49%대에 머물러 있었지만

[01:14] 이 새로운 모델인 3.7 Sonnet은

[01:17] 모든 모델들을 능가하여

[01:20] 62.3%까지 도달했고,

[01:22] 커스텀 스캐폴드로는 70%까지 달성했습니다.

[01:25] 자세한 내용은 생략하고,

[01:27] 제가 특별히 주목하고 싶은 것은

[01:29] 에이전트의 도구 사용입니다.

[01:31] ToU 벤치마크, 즉 Tool Agent User Benchmark는

[01:35] 도구 에이전트 사용자 벤치마크로,

[01:37] 외부 도구 사용 능력을

[01:39] 측정하는 지표입니다.

[01:42] 그래서 우리의 특정 시나리오에서

[01:44] AI 에이전트를 사용할 때

[01:46] n8n이나 다른 노코드 또는

[01:49] 로우코드 도구들과 함께 사용할 때

[01:51] 이 특정 모델이

[01:54] 앞으로 놀라운 성과를 보여줄 것입니다.

[01:56] 특히 복잡한 워크플로우와

[01:57] 복잡한 추론이 필요한 작업에서

[02:00] 가장 중요한 점 중 하나는

[02:02] 여기서 보시다시피

[02:04] OpenAI의 GPT-4 0.1을 능가한다는 것입니다.

[02:07] 이는 추론에 특화된 모델이고

[02:09] Claude 3.5보다도 뛰어납니다.

[02:12] 이전 모델과 비교해서도

[02:14] 놀라운 점은

[02:16] GPT-4 0.1보다 훨씬 저렴하다는 것입니다.

[02:18] 비교를 위해

[02:20] OpenRouter에서

[02:22] 정확한 비용을 확인할 수 있습니다.

[02:24] GPT-4 0.1의 경우

[02:27] 입력 토큰당 백만 개당 15달러,

[02:30] 출력은 백만 토큰당 60달러입니다.

[02:32] 이는 매우 비싼 가격이지만

[02:34] Claude의 경우

[02:36] 마찬가지로 OpenRouter에서 보면

[02:38] 백만 입력 토큰당 3달러,

[02:40] 백만 출력 토큰당 15달러입니다.

[02:43] 그래서 매우 저렴하다기보다는

[02:45] GPT-4 0.1에 비해

[02:46] 상당히 저렴한 편입니다.

[02:49] OpenAI의 GPT-4 01을 능가하고

[02:53] 이 에이전트 도구 사용 벤치마크에서

[02:54] 놀라운 성과를 보여주었습니다.

[02:58] 제가 말씀드렸듯이 워크플로우에서

[03:00] 매우 복잡하고 많은 추론이

[03:02] 필요한 작업들, 예를 들어

[03:03] 금융 산업에서

[03:06] 많은 데이터를 비교하거나

[03:08] n8n 워크플로우 내의 AI 에이전트를 사용하여

[03:10] 매우 어려운 작업을 수행할 때

[03:13] 추론이 필요하고

[03:15] 특히 복잡한 추론이 필요한 경우

[03:17] 이 모델이 가장

[03:19] 비용 효율적이면서도

[03:21] 가장 강력한 모델입니다.

[03:23] 시장에 있는 다른 모든 추론

[03:25] 기능을 가진 모델들을 능가하기 때문이죠.

[03:27] 이것은 매우 중요한 점입니다.

[03:29] 그리고 아래쪽을 보시면

[03:30] 스크롤을 내려보시면 다른 차트가 있는데

[03:32] 여러 에이전트 성능을 보여주는

[03:34] 에이전트 코딩, 다국어 Q&A 등의 차트입니다.

[03:37] 시장의 다른 모든 모델들보다

[03:39] 우수한 성능을 보여줍니다.

[03:41] 그래서 제가 말씀드렸듯이 이미 Claude 3.5를

[03:44] 다른 복잡한 워크플로우에서 사용해봤고

[03:47] 제가 가장 좋아하는 모델 중 하나입니다.

[03:49] 하지만 앞으로는

[03:50] 이 모델을 사용하는 것이 불가피할 것 같습니다.

[03:52] 다른 추론 모델들에 비해 매우 저렴하고

[03:54] 성능 면에서도 매우 강력하며

[03:56] 다른 모든 벤치마크에서도

[03:58] 뛰어난 성능을 보여주기 때문입니다.

[03:59] 좋습니다. 이제

[04:01] n8n 워크플로우로 넘어가보겠습니다.

[04:04] 새로 시작해보도록 하겠습니다.

[04:05] 현재 이것을 테스트하고 사용하는 방법은

[04:07] AI 에이전트 내에서 아직

[04:09] 기본 Anthropic 노드에서는 사용할 수 없습니다.

[04:12] 그게 무슨 의미인지 설명해드리겠습니다.

[04:15] AI 에이전트를 추가하고

[04:17] 채팅 모델로 가보시면

[04:19] n8n에는 기본적으로 Anthropic 채팅 모델이 있지만

[04:22] 안타깝게도 현재

[04:23] 모델 목록을 보시면

[04:25] 아시다시피 지금은

[04:27] Claude 3.7 Sonnet이 없습니다.

[04:30] 사용 가능한 것은

[04:31] 3.5 Sonnet 제품군과

[04:34] Opus 모델, 그리고

[04:36] Haiku 모델뿐입니다. 그래서

[04:38] 현재 사용할 수 있는 유일한 방법은

[04:40] Anthropic 채팅 모델에 통합될 때까지는

[04:42] OpenRouter를 사용하는 것입니다.

[04:44] OpenRouter는 정말 좋은 서비스입니다.

[04:46] 저는 항상 OpenRouter를 추천합니다.

[04:48] 특히 새로운 모델들이 출시될 때

[04:51] 시장에 나오는 최신 모델들을

[04:53] 사용하기에 가장 좋은 방법이죠.

[04:54] 기본적으로 추가하는 것이 좋은데

[04:56] n8n이 OpenRouter 채팅 모델을 추가했기 때문에

[04:59] 매우 편리해졌습니다.

[05:00] 사용하는 방법은 간단합니다.

[05:02] OpenRouter 채팅 모델을 추가하고

[05:04] OpenRouter 계정을 추가하면 됩니다.

[05:06] 매우 간단한데요,

[05:08] 이전에 여러 영상에서 다뤘던 내용입니다.

[05:10] 이전 영상들을 보시면

[05:12] 자세히 설명해드렸지만

[05:14] 기본적으로 로그인하고 API 키로 가서

[05:16] API 키를 여기에 추가하면 됩니다.

[05:19] 계정을 추가하면

[05:21] 전환할 수 있고

[05:23] 사용 가능한 모든 모델들을 볼 수 있습니다.

[05:25] OpenRouter 내에서는

[05:27] 검색하는 방법은 간단히

[05:28] Sonnet을 검색하면 되고, 아래로 스크롤하면

[05:30] 보시다시피 여러 모델이 있습니다.

[05:32] 3.7 Sonnet 모델이 세 가지가 있고

[05:35] 3.7 Sonnet Thinking이 있는데, 이것이 추론 모델입니다.

[05:37] 이렇게 상호작용할 수 있고

[05:40] 이것을 선택하면 됩니다.

[05:41] 좋은 점은 도구 지원뿐만 아니라

[05:43] 도구 사용을 지원한다는 것이고

[05:44] 실제로 도구 사용에 있어

[05:46] 가장 뛰어난 AI 모델입니다.

[05:48] 테스트를 위해 저는

[05:50] 계산기 도구를 사용해보겠습니다.

[05:54] 이 영상의 목적은

[05:56] 전체 AI 에이전트를 처음부터 만드는 것이 아니라

[05:58] 단순히 사용법을 보여드리는 것입니다.

[06:01] 몇몇 분들이

[06:02] n8n 워크플로우에서 이것을 사용하는 방법에 대해

[06:04] 문의하셨기 때문입니다.

[06:08] 현재 Anthropic Chat에서는

[06:10] 사용할 수 없기 때문에

[06:11] 이렇게 테스트해보겠습니다. 간단히 'hello'라고 해보면

[06:14] OpenRouter 채팅 모델에 연결되는 것을 볼 수 있습니다.

[06:16] 한 가지 주의할 점은

[06:18] 복잡한 추론이 필요하기 때문에

[06:20] 응답 속도가 느리다는 것입니다.

[06:22] 복잡한 추론이 필요해서

[06:25] 속도가 좀 느립니다.

[06:27] 따라서 워크플로우에

[06:30] 더 빠른 응답이 필요하다면

[06:32] 40 Mini와 같은 모델을 사용할 수 있습니다.

[06:34] 하지만 더 복잡한 워크플로우에는

[06:36] 이 모델이 매우 유용할 것입니다.

[06:39] 보시다시피 OpenRouter 채팅에 연결되어

[06:41] Claude 3.7 Sonnet을 가져와서 응답했습니다.

[06:45] 도구 사용을 지원한다고 말씀드린 이유는

[06:47] 이렇게 확인할 수 있기 때문입니다.

[06:49] 도구를 연결했을 때

[06:51] 도구 사용을 지원하지 않는다면

[06:52] 에러가 발생할 것입니다.

[06:54] 자, 이제 실제 사용 예시를 보여드리겠습니다.

[06:56] 복잡한 워크플로우의 예시를

[06:58] 보여드리도록 하겠습니다.

[06:59] 제 커뮤니티로 가보면

[07:01] 워크플로우를 가져올 수 있습니다.

[07:05] 어디 있었더라...

[07:09] 제

[07:12] 자동화 목록에서... 네, 이것을 다운로드하면

[07:16] 이것이 좋은 예시가 될 것입니다.

[07:19] n8n에서 사용하는 방법을 보여드리겠습니다.

[07:23] 가져오기를 클릭하고

[07:24] 지금 바로 가져오겠습니다.

[07:28] 이것은 제가 만든 지출 추적 에이전트입니다.

[07:31] 이런 종류의 에이전트가

[07:33] 이 모델을 사용하기에 완벽한 예시입니다.

[07:35] 여기서 일어나는 일을 보면

[07:37] 이 워크플로우는 실제로

[07:40] 자세히 보시면 이 워크플로우는

[07:42] 사기 거래를 감지하고 포착합니다.

[07:44] 자세한 방법을 알고 싶으시다면

[07:46] 제가 이전에 올린 튜토리얼 영상을 보시면 됩니다.

[07:47] 기본적으로

[07:49] 신용카드 거래를 모니터링하고

[07:53] 이메일을 통해 거래 내역을 확인합니다.

[07:55] 신용카드사에서 보내는

[07:57] 거래 알림 이메일을 설정할 수 있고

[07:59] 거래가 발생할 때마다

[08:01] 이메일을 분석해서

[08:03] 해당 거래의 정보를 추출한 다음

[08:05] 이 AI 에이전트가 처리하는데

[08:07] 많은 도구들이 포함되어 있고 프롬프트도 복잡합니다.

[08:09] 게다가 Pinecone 벡터 데이터베이스에

[08:11] 접근할 수 있으며

[08:14] 벡터 데이터베이스에 접근이 가능합니다.

[08:16] 이미 제가 기존의 신용카드 명세서와

[08:19] 거래 내역을 대량으로 업로드해둔

[08:21] pinecone 벡터 데이터베이스가 있는데,

[08:23] 이 시스템은 새로운 신용카드 거래를

[08:26] 이전 거래 내역과 비교 분석합니다.

[08:28] Pinecone 데이터베이스에 저장된

[08:30] 이전 기록들에 접근할 수 있고,

[08:32] 여기에는 Search API, Sur API,

[08:34] 위키피디아, 계산기 그리고

[08:36] 출력 파서와 같은 다양한 도구들이

[08:38] 연결되어 있습니다. 인터넷 검색 기능을 통해

[08:41] 거래 정보와 판매자에 대한

[08:44] 정보를 찾아보고,

[08:46] 이를 Pinecone 데이터베이스의

[08:48] 기존 데이터와 비교합니다.

[08:51] 만약 어떤 이상 징후를

[08:53] 발견하면 이를 감지하여

[08:55] 알려주고, 해당 이메일이나 거래를

[08:57] 사기로 분류하여 구글 시트에 추가합니다.

[09:00] 하지만 중요한 점은,

[09:02] 이것은 단순한 예시일 뿐이고

[09:03] 보시다시피 이는

[09:05] 꽤 복잡한 워크플로우입니다. 따라서

[09:08] 만약 데이터셋이 거대하다면,

[09:10] 제 경우는 데모 목적이라 작지만,

[09:12] 상상해보세요. 수천 개의

[09:14] 문서와 거래 데이터,

[09:16] 재무 데이터를 다루고

[09:17] 여러 AI 도구들이

[09:19] 이 에이전트에 연결되어 있거나

[09:22] 여러 도구들이 에이전트에

[09:25] 연결되어 있다면

[09:27] Claude 3.7 Sonnet과 같은 강력한

[09:30] 추론 모델이 완벽하게 적합할 것입니다.

[09:33] 이것이 바로 활용의

[09:34] 완벽한 예시 중 하나입니다.

[09:36] 앞으로 이것은 정말 놀라울 것이고,

[09:38] 저는 확실히

[09:39] 복잡한 추론이 필요한

[09:42] 워크플로우를 만들 때 이를 사용할 것이며,

[09:44] 당분간은 아마도 최고의 모델이

[09:46] 될 것 같습니다.

[09:48] 물론 다른 누군가가

[09:49] 새로운 것을 내놓지 않는다면 말이죠.

[09:51] AI 세계는 정말 미쳤습니다.

[09:53] 매주 새로운 모델이 나와서

[09:54] 이전 모델을 능가하고 있지만,

[09:56] 제가 말씀드렸듯이 Claude는

[09:59] 특히 소프트웨어 엔지니어링과

[10:00] 웹 개발 분야에서

[10:02] 가장 선호하는 모델 중 하나입니다.

[10:05] 앞으로도 최상위 모델로서

[10:07] 계속 그 자리를 지킬 것 같고

[10:09] 정말 흥미진진합니다.

[10:10] 제가 말씀드렸듯이 이런 경쟁으로

[10:12] 가격이 내려가는 것은

[10:14] 우리 같은 사용자들에게

[10:16] 좋은 일입니다.

[10:18] 고객을 위해 개발하든

[10:20] 개인적으로 사용하든 큰 이점이 되고

[10:23] 전체 시장의

[10:24] 발전에도 도움이 됩니다.

[10:26] 이번 영상에서는

[10:28] 간단히 사용법을 보여드리고

[10:30] 차이점과 이 모델이 n8n

[10:32] 워크플로우와 AI 에이전트에서

[10:35] 왜 뛰어난지 설명드렸습니다.

[10:37] 도움이 되었길 바랍니다.

[10:38] 좋아요와 구독 부탁드립니다.

[10:40] 앞으로 멋진 콘텐츠가 준비되어 있고,

[10:42] AI 에이전트 개발에

[10:43] 진지한 관심이 있으시다면

[10:45] 커뮤니티에 꼭 참여해주세요.

[10:47] 진행 중인 놀라운

[10:49] 프로젝트들이 있어서

[10:50] 놓치지 않으셨으면 합니다.

[10:52] 시청해주셔서 감사합니다. 다음 영상에서 뵙겠습니다.