OpenAI 에이전트 빌더… n8n 킬러?

Better Stack 구독자 51,500명

요약

이 영상은 OpenAI가 새롭게 선보인 Agent Builder 기능을 심층적으로 살펴봅니다. GitHub PR 코드 리뷰 에이전트를 직접 만들어 보이며 드래그 앤 드롭 인터페이스, Guardrails(안전 규칙), MCP 서버 연동, JSON 스키마 설정, 웹 검색 도구와 Chatkit 위젯 등 핵심 요소들의 활용법을 보여줍니다. 구현 과정에서 발견한 버그와 개선점을 공유하고, 디버깅·평가 툴(Evaluate, Grader) 사용법도 상세히 다룹니다. 마지막으로 n8n, Zapia 등 기존 워크플로우 플랫폼과 비교하며 최적의 조합 가능성을 제시합니다.

주요 키워드

Agent Builder n8n Widget MCP 서버 Guardrails JSON 스키마 Chatkit 워크플로우 코드 리뷰 Evaluate·Grader

하이라이트

🔑 OpenAI Agent Builder는 드래그 앤 드롭 방식으로 복잡한 워크플로우를 손쉽게 구성할 수 있다.
⚡️ Guardrails 노드를 통해 입력·출력에 대한 탈중앙화 보안·검열 규칙을 유연하게 설정할 수 있다.
🚀 MCP 서버 연결을 활용하면 GitHub PR diff를 자동으로 조회해 코드 리뷰 워크플로우에 통합할 수 있다.
📌 JSON 스키마 설정 기능으로 AI 출력값을 구조화해 다음 단계에서 바로 활용 가능하다.
🌟 Chatkit 위젯을 통해 코드 리뷰 결과에 맞춤형 인터랙티브 컴포넌트를 손쉽게 생성할 수 있다.
🐞 일부 MCP 서버 노드와 스키마 필수 옵션에 버그가 발견되어, 조심스럽게 설정을 조정해야 한다.
🔍 Evaluate·Grader 기능으로 워크플로우 실행 결과를 자동 검사하고 디버깅 과정을 간소화할 수 있다.
💡 Agent Builder는 OpenAI 모델에 집중한 반면 n8n은 다양한 비AI 통합을 지원해 상호 보완적으로 활용될 것으로 보인다.

용어 설명

Agent Builder

OpenAI가 제공하는 드래그 앤 드롭 기반 워크플로우 에디터로, AI 모델과 각종 툴을 연결해 자동화 에이전트를 손쉽게 구성할 수 있음

Widget

Chatkit 내에서 사용자와 상호작용할 수 있는 인터랙티브 UI 컴포넌트

MCP 서버

Modular Connectors Platform 서버로, 외부 API(예: GitHub)와 스트리밍 방식 HTTP 연동을 지원하는 커넥터

Guardrails

입력·출력 단계에서 탈중앙화 보안·검열(check) 규칙을 적용해 부적절한 요청 또는 모델 출력을 차단하는 도구

JSON 스키마

AI 출력값을 구조화된 JSON 형태로 정의해 다음 노드에서 일관된 데이터 파싱이 가능하도록 하는 형식 규약

Chatkit

OpenAI가 제공하는 채팅 인터페이스 프레임워크로, 위젯과 에이전트를 통합해 배포할 수 있음

Evaluate·Grader

워크플로우 실행 이력에 대해 사용자가 정의한 평가 기준(예: 코드 리뷰 수행 여부, 예의 등)을 자동 검사하는 기능

OpenAI Agent Builder의 출시 소식과 n8n 킬러로 불리는 이유를 간단히 소개하며, GitHub PR 코드 리뷰 에이전트를 빠르게 구축해본 첫인상을 공유한다. 위젯(widget) 등 흥미로운 기능과 아직 남아 있는 몇 가지 개선점을 언급한다.

[00:00] OpenAI가 새로운 에이전트 빌더를 출시했고, 일부에서는 이를 N8N 킬러라고 부르고 있습니다. 완전히 그 수준은 아니지만, GitHub PR 코드 리뷰 에이전트 테스트에서는 N8N과 비슷한 결과를 얻을 수 있었습니다.

[00:14] 에이전트 빌더에는 특히 위젯 기능 등 게임체인저 수준의 기능들이 있지만, 완전히 만족스럽지 못한 몇 가지 작은 문제들도 존재합니다.

Agent Builder의 드래그 앤 드롭 인터페이스를 살펴본다. 왼쪽 사이드바에서 Agent, 파일 검색, Guardrails, MCP, 로직 노드 등 주요 노드를 확인하고, 각 노드의 역할과 활용 방식을 설명한다.

[00:21] OpenAI 플랫폼에서 에이전트 빌더를 찾을 수 있으며, 첫 워크플로우를 만들거나 제공되는 6개의 템플릿 중에서 선택할 수 있습니다.

[00:28] GitHub 코드 PR 리뷰 에이전트를 예시로 서로 연결된 노드들을 보여주며, N8N이나 Zapier와 비슷한 드래그 앤 드롭 인터페이스를 제공합니다. 왼쪽에는 에이전트, 파일 검색, 가드레일, MCP 등의 도구들과 복잡한 워크플로우 구성을 위한 로직 노드들이 있습니다.

[01:00] 실제 동작을 보여주기 위해 에이전트를 테스트합니다. 'review'와 GitHub PR 링크를 입력하면 워크플로우의 모든 단계들을 거치게 됩니다.

미리 구성한 GitHub 코드 리뷰 에이전트를 시연한다. ‘review + PR 링크’ 입력만으로 Guardrails → 정보 추출 → MCP 서버 → 코드 리뷰 → 최종 위젯 반환까지 이어지는 전체 플로우를 실행해본다.

[01:14] 가드레일 단계, PR 정보 추출, if-else 블록, GitHub에서 세부사항을 가져오는 MCP 서버 단계를 거쳐 GPT-4o를 사용하는 코드 리뷰 에이전트 단계로 진행됩니다. 웹 검색과 MCP 서버도 연결되어 있어 시간이 다소 소요됩니다.

[01:36] 코드 리뷰 완료 후 최종 에이전트가 위젯을 반환합니다. 이 위젯은 채팅 내에서 사용할 수 있는 인터랙티브 컴포넌트로, 코드 리뷰를 기반으로 랜덤 밈을 보여주도록 설정했습니다.

워크플로우의 시작 블록(input 텍스트 및 커스텀 변수 정의)을 설명한 후, Guardrails 도구로 사용자 입력에 대한 moderation·jailbreak·개인정보 검사를 설정하는 과정을 보여준다. 실패 시 경고 메시지를 보내는 대체 에이전트 루트도 다룬다.

[01:51] 위젯은 ChatKit의 일부로 OpenAI가 새롭게 출시한 기능입니다. 더 자세한 내용을 다룰 긴 동영상을 준비 중이며, OpenAI의 모든 업데이트를 놓치지 않으려면 구독을 권장합니다.

[02:00] 실제 작동 모습을 본 후, 이제 워크플로우가 어떻게 설정되었는지와 개별 노드들이 어떻게 작동하는지 자세히 살펴보겠습니다. 워크플로우는 항상 왼쪽부터 시작됩니다.

[02:08] 워크플로우의 시작 블록부터 가드레일 도구까지의 기본 설정을 설명합니다. 시작 블록은 텍스트 입력과 맞춤 변수(문자열, 숫자, 불리언 등)를 받으며, 가드레일은 검열, 탈옥 방지, 개인정보 보호 등 다양한 보안 검사를 수행할 수 있는 강력한 도구입니다.

[02:23] 가드레일 도구의 세부 설정과 기능을 살펴봅니다. 검열과 탈옥 방지 기능이 활성화되어 있으며, 탈옥 검사용 모델 선택과 신뢰도 임계값 설정이 가능합니다. 사용자 입력뿐만 아니라 모델 출력에도 적용할 수 있어 포괄적인 보안 체계를 구축할 수 있습니다.

Agent 노드를 활용해 채팅 히스토리에서 GitHub 저장소(owner, repo)와 PR 번호를 JSON 스키마 형식으로 구조화하는 방법을 설명한다. 이후 IF/ELSE 블록으로 필수 정보 누락 여부를 검사하는 로직을 구현한다.

[02:50] 가드레일 검사 실패 시와 통과 시의 두 가지 경로를 설명합니다. 실패하면 GPT-4o mini를 사용해 사용자에게 경고 메시지를 보내고 워크플로우를 종료하며, 통과하면 GitHub 정보(레포 이름, 소유자, 풀 리퀘스트)를 추출하는 에이전트로 진행됩니다.

[03:18] 구조화된 출력 형식 설정의 중요성과 JSON 스키마 정의 방법을 다룹니다. 텍스트, JSON, 위젯 중 JSON을 선택하고, owner(문자열), repo(문자열), pool number(숫자) 형태의 스키마를 정의합니다. AI가 값을 이해할 수 있도록 각 필드에 설명을 추가하는 것이 중요합니다.

[03:38] 현재 시스템의 제한사항과 추가 기능들을 언급합니다. 필수 버튼 기능에 버그가 있어 체크를 해제하면 워크플로우가 실패하는 문제가 있으며, 생성 버튼을 통해 AI가 JSON 스키마를 자동 구축하거나 고급 옵션에서 실제 JSON 스키마를 확인할 수 있는 편의 기능들이 제공됩니다.

[03:59] 구조화된 출력을 바탕으로 if-else 검사를 수행하는 단계입니다. PR 정보가 제대로 추출되었는지 확인하기 위해 공통 표현 언어를 사용하여 소유자가 빈 문자열인지, 레포가 빈 문자열인지, 풀 번호가 0인지 검사합니다.

Transform Data 노드를 사용해 중첩된 객체에서 owner, repo, PR 번호 값을 추출해 MCP 서버가 요구하는 입력 스키마로 매핑한다. GitHub MCP 서버 연동 과정, 인증 키 설정, diff 조회 툴 선택 및 발생한 버그 사례를 다룬다.

[04:17] 필수 체크 옵션 때문에 null 검사가 불가능하다고 설명하며, 정보가 없을 경우 가드레일과 유사하게 더 많은 정보를 요구하는 에이전트로 보내고 워크플로를 종료한다고 합니다.

[04:33] 정보가 있을 경우 transform data 노드로 보내며, 이 헬퍼는 MCP 서버의 다음 단계에서 요구하는 특정 입력 스키마에 맞춰 출력을 재구성하는 역할을 합니다.

[04:44] target input schema를 통해 owner는 문자열, pool number는 숫자, repo는 문자열이 필요함을 확인하고, 현재 중첩된 객체 구조를 평면화해야 한다고 설명합니다.

[05:04] transform 단계를 사용해 데이터를 평면화하고, select를 통해 워크플로의 값들을 매핑하여 output path의 중첩된 객체에서 필요한 값들을 추출합니다.

[05:23] MCP 노드 설정을 보여주며, GitHub MCP 서버를 사용하고 링크와 인증 키를 제공했으며, pull request diff를 가져오는 도구만 사용하고 완전 자동화를 위해 require approval을 never로 설정했다고 설명합니다.

코드 리뷰를 수행하는 Agent 노드의 프롬프트 구성법을 설명한다. GPT-5 모델 지정, 여러 단계의 지시문 설정, 채팅 히스토리 포함 여부 토글, Web Search·파일 검색·MCP 등 다중 툴 연결 방법을 살펴본다.

[05:45] MCP 서버 설정 방법을 시연하며, OpenAI에서 관리하는 서버들과 서드파티 승인 서버들을 보여주고, Zappia의 존재를 통해 경쟁이 아닌 협력 관계임을 강조합니다.

[06:07] streamable HTTP를 지원하는 모든 MCP 서버를 추가할 수 있다고 설명하지만, 현재 GitHub MCP 서버가 작동하지 않아 데모를 위해 가짜 diff 서버를 만들어야 했다고 솔직하게 고백합니다.

[06:32] GitHub에서 가져온 코드 차이점을 변환 데이터 노드를 통해 문자열로 변환하여 코드 리뷰 에이전트에 전달하는 과정을 설명합니다.

[06:40] 코드 리뷰 에이전트의 프롬프트 구성 방식을 상세히 설명하며, 다중 지시사항 단계 설정과 사용자/어시스턴트 역할 선택이 가능하다고 소개합니다.

최종 결과를 인터랙티브 위젯으로 반환하기 위해 Widget 출력 형식 선택 후, Widget Builder에서 AI로 위젯 코드를 생성하는 과정을 시연한다. 갤러리 예제와 Chatkit 앱 SDK 활용 예도 함께 소개한다.

[07:00] 채팅 기록 포함 토글 기능을 설명하면서, 컨텍스트 관리를 위해 이 기능을 비활성화한 이유를 설명합니다.

[07:20] 에이전트에 연결된 다양한 도구들을 소개합니다. Context 7 MCP 서버, 코드 모범 사례 파일 검색, 웹 검색 등의 기능들을 설명합니다.

Evaluate 기능으로 최근 실행 내역(trace)을 조회해 단계별 디버깅 정보를 확인하는 법과 Grader를 통해 자동 평가 기준을 설정·검사하는 과정을 설명한다. Chatkit·Agents SDK 통합 코드 샘플과 퍼블리시(push to production) 방법도 다룬다.

[07:45] 코드 리뷰 결과를 바탕으로 적절한 밈을 생성하는 마지막 에이전트를 소개하며, 위젯 형태의 출력 형식을 설명합니다.

[08:05] 위젯 빌더의 AI 기능을 소개하며, 간단한 프롬프트로 위젯을 생성할 수 있는 기능과 다양한 예시 컴포넌트들을 설명합니다.

[08:20] OpenAI가 ChatGPT에 앱 기능을 적극적으로 추가하고 있다는 관찰과 함께, 항공편 정보, 달력, 쇼핑 등 다양한 활용 사례들을 제시합니다.

[08:40] 에이전트 빌더의 평가 및 추적 기능을 소개합니다. 워크플로우 실행 기록을 확인하고 디버깅할 수 있으며, 평가자를 통해 에이전트가 설정한 기준을 만족하는지 검증할 수 있습니다.

n8n, Zapia와의 차별화 포인트를 분석한다. Agent Builder는 OpenAI 모델 중심, n8n은 다양한 비-AI 통합·자체 호스팅·공유 가능한 워크플로우를 지원해 상호 보완적 활용이 가능하다고 결론짓는다.

[09:11] 에이전트를 실제 제품에 통합하는 방법을 설명합니다. ChatKit이나 에이전트 SDK를 사용할 수 있지만, 현재 MCP 노드가 있는 워크플로우는 SDK에서 지원되지 않는 제한사항이 있습니다.

[09:32] 에이전트 빌더와 n8n의 차이점을 분석합니다. n8n은 더 많은 통합 기능, 공유 워크플로우, 셀프 호스팅을 지원하며 AI 없이도 작동 가능한 반면, 에이전트 빌더는 OpenAI 모델에 특화되어 있습니다.

[00:00] OpenAI가 방금 새로운 에이전트 빌더를 출시했고

[00:02] 이미 일부 사람들은 이걸 N8N 킬러라고 부르고 있습니다.

[00:03] 아직 완전히 그 수준까진 아니라고 생각하지만

[00:06] 간단한 테스트를 해봤는데

[00:08] GitHub PR 코드 리뷰 에이전트를 만들 수 있었고

[00:10] 이건 N8N에서 만들 것과 꽤 비슷한 수준이었습니다.

[00:11] 솔직히 말하면, 여기엔 게임체인저 수준의 기능들이 있고

[00:14] 특히 위젯 기능이 정말 인상적입니다.

[00:15] 하지만 몇 가지 작은 문제들도 있어서

[00:18] 완전히 사랑하기엔 아직 부족한 부분들이 있습니다.

[00:19] 에이전트 빌더는 OpenAI 플랫폼에서 찾을 수 있습니다.

[00:21] 보시는 바와 같이 첫 번째 워크플로우를 만들거나

[00:23] 제공되는 6개의 템플릿 중에서

[00:25] 선택할 수 있습니다.

[00:26] 제 경우엔 이전에 만든

[00:28] GitHub 코드 PR 리뷰 에이전트를 다시 불러와보겠습니다.

[00:29] 이렇게 서로 연결된 노드들을 보실 수 있고

[00:31] 확대해보면

[00:33] 이런 플랫폼들에서 기대하는

[00:34] 일반적인 드래그 앤 드롭 인터페이스입니다.

[00:36] N8N이나 Zapier에서 보는 것과 비슷하죠.

[00:37] 왼쪽에는 사용할 수 있는 모든 노드들이 있습니다.

[00:38] 에이전트는 모델을 가지고

[00:41] 프롬프트를 주어 출력을 얻는 노드입니다.

[00:43] 아래에는 파일 검색, 가드레일, MCP 같은

[00:44] 도구들이 있습니다.

[00:46] MCP는 정말 멋진 기능인데

[00:48] 기본적으로 원하는 모든 것을

[00:49] 이 워크플로우에 연결할 수 있기 때문입니다.

[00:52] 그리고 로직 노드들도 있는데

[00:53] 이것들은 복잡한 워크플로우를

[00:55] 다단계로 구성하는 데 도움을 줍니다.

[00:57] 개별 노드들과 제가 이 워크플로우를

[00:58] 어떻게 설정했는지 보여드리기 전에

[01:00] 빠르게 미리보기를 해서

[01:02] 실제로 작동할 때 어떤 모습인지

[01:03] 컨텍스트를 얻어보겠습니다.

[01:04] 제 에이전트의 경우

[01:06] 'review'라고 말하고

[01:08] GitHub PR 링크를 보내기만 하면 됩니다.

[01:09] 여기서 엔터를 누르면

[01:11] 제 워크플로우의 모든 개별 단계들을

[01:13] 거치는 것을 볼 수 있습니다.

[01:14] 현재 가드레일 단계에 있고

[01:16] 그걸 통과했습니다. PR 정보 추출도 했고

[01:18] if-else 블록도 거쳤습니다.

[01:19] 현재는 GitHub에서 실제 세부사항을

[01:21] 가져오기 위한 MCP 서버 단계에 있고

[01:22] 이제 코드 리뷰 에이전트 단계입니다.

[01:24] 이 단계는 GPT-4o를 사용하고

[01:26] 모든 추론 과정을 거치기 때문에

[01:28] 시간이 좀 걸립니다.

[01:30] 또한 웹 검색과 MCP 서버도

[01:32] 연결되어 있습니다.

[01:33] 코드 리뷰가 완료되면

[01:34] 최종 에이전트로 넘어가는데

[01:36] 이 에이전트는 단순히 위젯을 반환합니다.

[01:38] 여기 아래 보이는 이 위젯은

[01:40] 이제 채팅 내에서 가질 수 있는

[01:42] 인터랙티브 컴포넌트입니다.

[01:44] 제 경우에는

[01:45] 코드 리뷰를 기반으로

[01:47] 랜덤 밈을 보여주도록 연결했습니다.

[01:49] 위젯은 실제로 ChatKit의 일부이고

[01:51] 그것도 그들이 출시한 또 다른 기능입니다.

[01:52] 더 긴 동영상을 작업 중이니

[01:54] 거기서 나온 모든 것들을 다룰 예정입니다.

[01:55] OpenAI가 하고 있는 모든 일들에 대해

[01:57] 최신 정보를 받고 싶으시다면 구독해주세요.

[01:58] 실제 작동하는 것을 보신 컨텍스트로

[02:00] 이제 어떻게 설정되었는지와

[02:02] 모든 개별 노드들이 워크플로우에서

[02:04] 어떻게 작동하는지 살펴보겠습니다.

[02:06] 우리는 항상 왼쪽부터 시작합니다.

[02:08] 맨 왼쪽에서 시작하는 블록이 보입니다.

[02:09] 이 블록은 단순히 텍스트 입력을 받습니다.

[02:11] 보통 채팅 메시지가 들어갑니다.

[02:13] 여기서 맞춤 변수도 정의할 수 있어요.

[02:14] 문자열, 숫자, 불리언, 객체나

[02:16] 리스트가 될 수 있죠. 시작 블록에서

[02:18] 가드레일 도구로 연결됩니다.

[02:20] 정말 멋진 기능이에요.

[02:23] 실제로 검열 체크를 할 수 있고

[02:24] 환각, 탈옥 공격뿐만 아니라

[02:26] 개인정보 검사도 가능합니다.

[02:28] 정말 유연하게 커스터마이징할 수 있어요.

[02:30] 현재 제가 설정한 것은

[02:31] 검열과 탈옥 방지 기능을 켜놨습니다.

[02:33] 이런 기능들 옆의 설정 아이콘을 클릭하면

[02:34] 차단하거나 검열할 수 있는

[02:36] 옵션이 정말 많이 있습니다.

[02:38] 탈옥 방지 기능을 보면

[02:40] 탈옥 검사를 수행할 모델까지

[02:41] 선택할 수 있고 신뢰도 임계값도

[02:43] 설정할 수 있어요. 제 경우에는

[02:44] 사용자 입력에 대해서만 설정했지만

[02:46] 모델의 출력에 대해서도

[02:48] 설정할 수 있습니다.

[02:50] 가드레일 검사에 실패하면

[02:52] 아래쪽 에이전트로 연결됩니다.

[02:54] 이 에이전트도 정말 간단해요.

[02:55] 단순히 "사용자에게

[02:57] 다시 시도하지 말라고 경고하는

[02:59] 재미있는 메시지를 보내라"고 하고

[03:00] GPT-4o mini를 사용합니다.

[03:03] 그리고 워크플로우를 종료합니다.

[03:05] 이건 기본적으로 채팅 메시지죠.

[03:07] 검사를 통과하면

[03:08] 정보를 추출하는

[03:10] 에이전트로 이동합니다.

[03:11] 이 경우 GitHub 레포

[03:13] 이름, 소유자, 풀 리퀘스트를

[03:15] 채팅 기록에서 추출하도록 했습니다.

[03:17] 여기서 가장 중요한 부분은

[03:18] 출력 형식입니다.

[03:20] 텍스트, JSON, 위젯 옵션이 있고

[03:22] 나중에 보실 텐데 JSON으로 설정했습니다.

[03:24] 그리고 원하는 스키마를 정의합니다.

[03:26] 여기서 보시면 제 스키마는

[03:28] owner, repo, pool number인데

[03:29] 각각 문자열, 문자열, 숫자

[03:31] 형태입니다. 그리고

[03:32] 설명을 추가할 수 있어서 AI가

[03:34] 이 값들이 무엇인지 이해할 수 있습니다.

[03:36] 현재 이 부분에서 한 가지

[03:38] 알아두셔야 할 것은 필수 버튼이

[03:39] 완전히 작동하지 않는다는 점이에요.

[03:41] 필수가 아닌 것으로 체크를 해제하면

[03:43] 전체 워크플로우가 망가집니다.

[03:44] 며칠 내에 고쳐질 문제겠지만

[03:46] 이걸 알아내기까지 정말 짜증났어요.

[03:47] 이 대화상자에서 또 다른 기능은

[03:49] 아래쪽에 생성 버튼이 있어서

[03:50] 원하는 JSON 스키마를 입력하면

[03:52] AI가 알아서 구축해주고

[03:53] 또는 여기 고급 옵션을 클릭하면

[03:55] 실제 JSON 스키마를 볼 수 있습니다.

[03:57] 이제 이 단계에서 구조화된

[03:59] 출력을 받았으니

[04:01] if-else 검사를 실행합니다.

[04:02] 여기 if-else 검사는 단순히

[04:04] PR 정보가 있는지 확인합니다.

[04:06] 이 부분을 클릭해보시면

[04:08] 정보가 있는지 확인하기 위해

[04:09] 사용한 공통 표현 언어를

[04:11] 볼 수 있어요. 소유자가

[04:13] 빈 문자열인지, 레포가 빈 문자열인지

[04:15] 또는 풀 번호가 0인지 확인합니다.

[04:17] 말씀드린 대로, 필수 체크를 남겨둬야 하기 때문에

[04:20] 여기서 null을 확인할 수는 없습니다.

[04:22] 정보가 없다면,

[04:24] 가드레일과 매우 유사하게

[04:26] 다른 에이전트로 보냅니다.

[04:28] 텍스트 응답을 보내서

[04:30] 조금 더 많은 정보가 필요하다고

[04:31] 말하고 워크플로를 종료합니다.

[04:33] 하지만 정보가 있다면

[04:35] transform data 노드로 보냅니다.

[04:37] 이건 출력을 재구성할 수 있게 해주는

[04:39] 헬퍼입니다.

[04:40] MCP 서버의 다음 단계에서

[04:43] 특정 입력 스키마가 필요하기 때문입니다.

[04:44] 두 노드 사이의 경로를 클릭하면

[04:46] 그것이 무엇인지 볼 수 있습니다.

[04:48] target input schema로 가면

[04:49] owner는 문자열, pool number는 숫자

[04:52] repo도 문자열이어야 합니다.

[04:53] 우리는 그것과 아주 가까운 상태입니다.

[04:55] 이 transform data 노드 이전으로 돌아가면

[04:57] 여기로 들어오는 입력이

[04:59] output pass이고

[05:01] 그 다음에 owner, repo, pool number였습니다.

[05:02] 실제로는 중첩된 객체입니다.

[05:04] 그래서 이 transform 단계를 사용해서

[05:06] 데이터를 평면화해야 합니다.

[05:08] 이전에 본 것과 같은 방식으로

[05:10] 스키마를 설정하지만

[05:11] 이번에는 값들을 매핑합니다.

[05:12] 이걸 select로 바꾸면

[05:14] 워크플로에서 접근할 수 있는

[05:16] 값들 중 일부를 선택할 수 있습니다.

[05:18] 제 경우에는

[05:20] 여기 output path에 있는 중첩된 객체에 접근하고 싶습니다.

[05:23] 그래서 pool number를

[05:25] 거기서 가져온 pool number에 매핑하겠습니다.

[05:26] 이제 MCP 서버가 올바른 입력을 가졌습니다.

[05:28] MCP 노드를 살펴보겠습니다.

[05:30] GitHub MCP 서버를 사용하고 있고

[05:32] 링크와

[05:34] 인증 키를 제공했습니다.

[05:36] 이 경우 GitHub MCP 서버에 있는

[05:38] 모든 도구를 선택할 수 있습니다.

[05:39] 저는 pull request diff를 가져오는

[05:41] 도구만 사용하고 있습니다.

[05:43] require approval의 경우

[05:45] 사용자에게 묻기를 원하지 않으므로

[05:46] never로 설정했습니다.

[05:48] 이것이 완전히 자동화된 단계가 되기를 원합니다.

[05:50] MCP 서버 설정이 어떻게 생겼는지 보여드리겠습니다.

[05:52] 여기에 새로운 노드를 드래그하고 이걸 클릭하면

[05:54] add 버튼을 클릭할 수 있습니다.

[05:56] OpenAI에서 생성하고 유지 관리하는

[05:57] MCP 서버들과

[05:59] 일부 서드파티 승인된 서버들로 이동합니다.

[06:00] 여기서 Zappia를 보는 게 흥미로웠습니다.

[06:02] 많은 사람들이 이것이 Zappia 킬러가 될 수 있다고 말했는데

[06:03] 이것은 그들이 함께 작업하고 싶어 한다는 것을 보여줍니다.

[06:05] 이 목록 외부의 것을 추가하고 싶다면

[06:07] 여기서 server를 클릭하면 됩니다.

[06:09] streamable HTTP를 지원하는

[06:12] 모든 MCP 서버를 추가할 수 있습니다.

[06:13] 현재 MCP 노드에 대해 말할 수 있는 한 가지는

[06:15] 다시 완전히 망가진 것 같다는 것입니다.

[06:17] 적어도 이 GitHub MCP 서버는 그렇습니다.

[06:18] 이전에는 작동했는데

[06:20] 지난 한 시간 어느 시점에서

[06:22] 더 이상 작동하지 않습니다.

[06:23] 그래서 실제로 MCP 서버에서

[06:25] 가져오고 있던 diff를 반환하는

[06:27] 가짜 diff 서버를 만들어야 했습니다.

[06:29] 데모에서 작동하는 모습을 보여드리기 위해서요.

[06:30] 정말로, 이런 초기 버그들을 수정할 수 있도록

[06:32] 일주일 정도 기다려보세요.

[06:32] 하지만 우리가 하는 일은 다른 변환 데이터

[06:34] 노드로 문자열로 바꿔주는 거예요.

[06:36] 그리고 이걸 제 코드 리뷰 에이전트에 전달합니다.

[06:37] 이 에이전트에는 코드 리뷰를 작성하라고

[06:40] 지시하는 긴 프롬프트가 있어요.

[06:41] 그리고 여기서 차이점을 사용자로

[06:43] 전달하기도 하죠. 보시다시피,

[06:45] 실제로 여러 개의 지시사항 단계를

[06:46] 설정할 수 있어요. 원하는 만큼

[06:48] 추가할 수 있고, 프롬프트를

[06:49] 어떻게 구성하든 사용자와 어시스턴트 중에서

[06:51] 선택할 수 있습니다. AI가

[06:53] 프롬프트를 작성하게 하고 싶다면

[06:55] 이 버튼을 클릭할 수도 있어요.

[06:56] 이 에이전트 노드에서 다른 멋진 기능은

[06:58] 먼저 채팅 기록 포함 토글입니다.

[07:00] 제 경우에는 이걸 꺼뒀어요.

[07:01] 이걸 켜두면 모든 사용자 입력과

[07:03] 이전에 나온 노드들의 출력까지

[07:05] 채팅 기록의 일부로 계산됩니다.

[07:07] 제가 이걸 끈 이유는 여기 MCP 서버의

[07:09] 차이점이 사용자 프롬프트로

[07:10] 보내는 것과 결합되는 걸 원하지 않기 때문이에요.

[07:12] 전적으로 프롬프트를 제가 직접

[07:13] 제어하고 싶거든요. 그래서 코드 리뷰와

[07:15] 관련없는 것들로 컨텍스트를

[07:17] 채우지 않으려고 합니다.

[07:18] 그 다음에는 에이전트 자체에

[07:20] 도구들도 있어요. 여기 아래에

[07:22] Context 7 MCP 서버가 연결되어 있는 걸

[07:24] 볼 수 있어요. 코드 모범 사례가 있는데

[07:26] 실제로는 파일 검색이에요.

[07:28] OpenAI 내 벡터 데이터베이스에서 가져오는 거죠.

[07:30] 설정하기가 매우 간단해요.

[07:32] 그리고 웹 검색도 허용합니다. 여기를 클릭하면

[07:35] 추가할 수 있는 다른 도구들을 볼 수 있어요.

[07:37] 클라이언트 도구, 파일 검색, 코드 인터프리터,

[07:40] 함수, 그리고 커스텀 도구들도 있어요.

[07:42] 이게 바로 코드 리뷰 에이전트입니다.

[07:44] 코드 리뷰 에이전트 다음의 마지막 단계는

[07:45] 코드 리뷰에서 얻은 출력을

[07:47] 이 마지막 에이전트의 프롬프트에

[07:48] 추가하는 것입니다. 이 에이전트는

[07:50] 밈 선택기라고 되어 있어요.

[07:52] 코드 리뷰가 주어지면 적절한 밈을 생성합니다.

[07:54] 여기 아래에서 출력 형식을 보면

[07:56] 실제로 위젯을 선택했어요.

[07:57] 위젯 자체를 클릭하면

[07:59] 이 위젯이 어떻게 생겼는지와

[08:01] 들어가는 코드의 미리보기를 볼 수 있어요.

[08:02] 이건 그냥 위젯을 정의하는 JSON이에요.

[08:04] 하지만 정말 멋진 건, 여기 편집 버튼을

[08:05] 클릭하면 위젯 빌더로 이동한다는 거예요.

[08:07] 여기에는 실제로 AI를 사용해서

[08:09] 이런 위젯들을 만들어주는 도구가 있어요.

[08:10] 새 위젯을 클릭하면 바이브 코딩 도구 중

[08:12] 하나처럼 간단히 프롬프트를 주고

[08:13] 채팅 키트용 위젯을 만들 수 있어요.

[08:14] 예시 컴포넌트들도 있어요.

[08:16] 갤러리로 가보면

[08:17] OpenAI가 생각하는 이런 것들의

[08:19] 용도를 볼 수 있어요.

[08:20] 항공편 정보, 달력, ChatGPT 내에서 물건 구매하기,

[08:23] 그리고 수많은 다른 훌륭한 사용 사례들이 있어요.

[08:25] OpenAI가 정말로 ChatGPT에 앱을 추가하는 데

[08:29] 열심히 나서고 있는 것 같아요.

[08:31] 앱 SDK까지 있으니까요. 이건

[08:34] 제가 따로 다뤄야 할 완전히 다른 주제네요.

[08:40] 다루겠습니다. 하지만 이 영상에서는

[08:41] 에이전트 빌더에만 집중하겠습니다. 그리고

[08:43] 여기에는 몇 가지 멋진 기능들이 더 있습니다.

[08:45] 그 중 하나가 여기 위에 있는 평가 기능입니다.

[08:47] 이 기능은 이 워크플로우가 실행했던

[08:49] 마지막 실행들의 추적 기록을 보여줍니다. 따라서

[08:51] 정보를 확인하고 무엇이 잘못되었는지

[08:52] 디버깅을 시작할 수 있습니다. 또한

[08:54] 이런 평가자들도 있습니다. 평가자에서

[08:56] 우리는 '에이전트가 코드 리뷰를 수행했나?'

[08:57] 같은 프롬프트를 줄 수 있습니다. '에이전트가

[08:59] 예의 바르게 행동했나?' 이런 식으로 말이죠.

[09:01] 그리고 엔터를 누르면, 여기에 표시된

[09:03] 모든 추적 기록에 대해 이를 실행합니다.

[09:05] 완료되면, 통과했는지

[09:06] 알려줍니다. 즉, 모든 항목이 여러분이

[09:08] 설정한 기준을 통과했는지 말이죠. 제

[09:09] 경우에는 모두 통과했습니다. 마지막으로,

[09:11] 에이전트를 실제로 여러분의 제품에

[09:12] 통합하려면, 여기 위에 있는 코드 버튼을

[09:14] 클릭하면 됩니다. 이를 수행하는 방법 중

[09:16] 하나는 ChatKit을 사용하는 것인데, 아마

[09:17] 그들이 선호하는 방법일 것입니다. 하지만

[09:19] 에이전트 SDK도 있습니다. 하지만 안타깝게도

[09:21] 현재는 MCP 노드가 있는 에이전트

[09:23] 워크플로우를 지원하지 않습니다. 따라서

[09:24] 빠른 시일 내에 이 기능이 추가되기를 바랍니다.

[09:26] 또한 여기 위에 있는 게시 버튼을 클릭하면

[09:28] 초안 변경 사항을 가져와서

[09:30] 프로덕션 API에 푸시할 수 있습니다.

[09:32] 자, 이것이 에이전트 빌더의 개요입니다.

[09:33] 솔직히 말씀드리면, n8n은 안전하다고 생각합니다.

[09:35] 하지만 그것이 에이전트 빌더가

[09:37] 나쁜 제품이어서가 아닙니다. 단지

[09:39] 서로 같은 것을 놓고 경쟁하고 있지 않다고 생각합니다.

[09:41] n8n은 비MCP 연결 및 통합과 같은

[09:43] 더 많은 기능을 가지고 있습니다.

[09:45] 공유 가능한 워크플로우, 셀프 호스팅, 그리고

[09:47] 가장 중요한 것은, 그들의 플로우가

[09:49] 항상 AI를 포함할 필요가 없다는 것입니다.

[09:51] 에이전트 빌더는 주로 OpenAI

[09:53] 모델과의 작업에 중점을 두고 있습니다. 따라서

[09:55] 솔직히 말씀드리면, 사람들은

[09:56] 결국 n8n과 Zapier를 OpenAI

[09:58] 에이전트 빌더와 결합하여 훨씬 더

[10:01] 강력한 플로우를 만들게 될 것이라고 생각합니다.

[10:03] 또 다른 매우 중요한 점은 이것이

[10:04] 여러분을 OpenAI의 모델에 종속시킬 것이라는 점입니다.

[10:07] 그래서 언젠가 Anthropic이 최고의 모델을 가지게 된다면,

[10:08] n8n 같은 것을 사용하는 것이

[10:09] OpenAI 에이전트 빌더 대신에

[10:11] 모델을 바꾸는 것이 훨씬 쉬울 것입니다.

[10:13] 하지만 여러분은 어떻게 생각하시나요? OpenAI가

[10:14] 출시하는 새로운 기능들이 마음에 드시나요?

[10:17] 여러분의 활용 사례가 무엇인지

[10:18] 아래 댓글로 알려주세요. 댓글을 다는 김에

[10:19] 구독도 눌러주시고,

[10:21] 언제나 그렇듯이 다음 영상에서 만나요.