OpenAI의 새로운 Agent Builder와 ChatKit 완전 혁신적

Greg Isenberg 구독자 206,000명

요약

이 영상에서는 OpenAI의 Agent Builder, ChatKit, Widgets라는 세 가지 핵심 업데이트를 살펴보고, 이를 활용해 사용자의 문의를 고객/리드로 분류하고 각각의 에이전트를 통해 지원·영업 프로세스를 자동화하는 데모를 단계별로 구현합니다. 화자는 시각적 환경에서 멀티 에이전트 워크플로우를 설계하고, 벡터 스토어 기반 컨텍스트 활용, MCP(모델 컨텍스트 프로토콜) 연동, 출력 변환 및 가드레일 설정을 통해 비전문가도 쉽게 챗봇을 생성·배포할 수 있음을 강조합니다. 또한 ChatKit SDK와 Widgets를 통해 웹사이트에 빠르게 통합하는 방법을 보여주고, 맞춤형 자동화 솔루션의 이점과 구체적인 활용 방안을 제안하며 창업자와 비개발자도 즉시 실험해볼 수 있도록 실질적인 조언을 제공합니다.

주요 키워드

Agent Builder ChatKit Widgets MCP(Model Context Protocol) 벡터 스토어 RAG 멀티 에이전트 워크플로우 Prompt Engineering 가드레일 AI 플루언시

하이라이트

🔑 Agent Builder는 멀티 에이전트를 시각적 드래그 앤 드롭 인터페이스로 구성해 별도 코드 작성 없이 워크플로우를 설계할 수 있다.
⚡️ ChatKit은 Agent Builder 워크플로우를 웹사이트 챗 인터페이스에 곧바로 연결하는 SDK로, 간단한 스크립트 삽입만으로 배포 가능하다.
🌟 Widgets는 대화 중 동적 UI 컴포넌트를 추가해 Shopify 주문 내역이나 배송 정보 등 외부 데이터를 시각적으로 제공한다.
📌 분류 에이전트를 통해 고객 문의를 기존 고객 지원과 신규 리드로 자동 라우팅해 각각의 에이전트를 호출한다.
🚀 벡터 스토어를 컨텍스트로 활용해 지식 기반에 따른 정확한 답변을 제공하고, 가드레일로 응답 품질과 안전성을 보장한다.
✨ MCP(Model Context Protocol)는 LLM이 외부 툴과 상호작용해 데이터 풀링·푸싱을 수행하는 신개념 인터페이스다.
✅ 고/중/저 수준의 추론 강도 설정으로 비용·속도·정확도를 균형 있게 조절할 수 있다.
💡 비개발자도 UI에서 직접 에이전트를 구성·배포해 고객 지원·영업 자동화를 빠르게 도입할 수 있다.

용어 설명

Agent Builder

OpenAI의 시각적 워크플로우 에디터로, 멀티 에이전트 시나리오를 코드 없이 설계할 수 있음

ChatKit

Agent Builder로 만든 워크플로우를 웹사이트 챗 인터페이스에 쉽게 통합하는 SDK

Widget

챗 인터페이스에 동적 UI 컴포넌트를 추가해 외부 데이터를 시각적으로 표시하는 기능

벡터 스토어

문서 임베딩을 저장해 LLM이 컨텍스트로 활용할 수 있게 하는 저장소

MCP(모델 컨텍스트 프로토콜)

LLM이 외부 툴과 상호작용하며 데이터 풀/푸시를 수행하는 인터페이스 프로토콜

RAG(Retrieval-Augmented Generation)

검색된 외부 지식을 LLM의 응답에 활용해 정확도와 정보성을 높이는 기법

OpenAI가 발표한 최신 기능(Agent Builder, ChatKit, Widgets) 개요와 오늘 데모에서 무엇을 다룰지 설명합니다. 시청 후 멀티 에이전트 챗봇 구축법을 이해하는 것이 목표입니다.

[00:00] 팟캐스트 시작에서 OpenAI의 새로운 발표 내용인 에이전트 빌더, 채팅킷, 위젯에 대해 소개하며, 실제 데모를 통해 챗봇을 구축하는 방법을 설명할 예정이라고 안내합니다.

Dev Day에서 공개된 세 가지 핵심: 시각적 에이전트 워크플로우 빌더(Agent Builder), 챗봇 통합 SDK(ChatKit), 대화형 UI 컴포넌트(Widgets)를 간략히 정리합니다.

[00:57] 어제 OpenAI 데브 데이에서 발표된 세 가지 핵심 기능을 설명하기 시작합니다. 기존에는 다중 에이전트 워크플로우를 만들기 위해 커스텀 코드가 필요했지만, 이제 시각적 인터페이스를 통해 가능해졌다고 설명합니다.

멀티 에이전트 워크플로우를 드래그 앤 드롭 방식으로 구축하고, 툴 호출·웹 검색·파일 액세스·벡터 스토어 컨텍스트 활용·가드레일 설정 등을 코드 없이 구성하는 방법을 설명합니다.

[02:13] 채팅킷의 개념을 설명하며, 이것이 SDK로서 에이전트 빌더 워크플로우를 프론트엔드에 연결할 수 있게 해준다고 설명합니다. 웹사이트 챗봇의 일반적인 작동 방식과 비교하여 설명합니다.

Agent Builder로 만든 워크플로우를 ChatKit SDK로 프론트엔드에 배포하는 과정을 소개합니다. 기존 서드파티 챗봇 대비 간편한 배포·유지보수 방식을 강조합니다.

[02:46] 에이전트 빌더에서 워크플로우를 구축하고, 해당 템플릿을 채팅 UI에 연결하여 웹사이트에 추가하는 전체 프로세스를 설명합니다. 고객들이 챗봇과 상호작용하여 정보 제공, 제품 문의, 지원 요청을 할 수 있도록 합니다.

[03:06] 위젯의 개념을 소개하며, Shopify 스토어와 연결된 예시를 통해 동적 UI 컴포넌트가 어떻게 주문 정보, 배송 시간 등을 채팅 인터페이스에서 표시할 수 있는지 설명합니다.

대화 중에 외부 데이터(예: Shopify 주문, 배송 상태 등)를 시각적으로 표시할 수 있는 위젯 컴포넌트를 정의·삽입하는 절차를 설명합니다.

[03:41] OpenAI의 세 가지 주요 업데이트(Sora 2, GPT-5 Pro, 에이전트 빌더)를 다뤘으며, 특히 멀티 에이전트 워크플로우 구축 가능성에 주목합니다.

Agent Builder에서 실제 멀티 에이전트 워크플로우를 구성하는 단계적 내용을 다룹니다. 노드 연결, 입력 수집, 툴 추가, 로직·조건·데이터 변환 설정을 차례로 진행합니다.

[03:59] OpenAI 에이전트 빌더의 작동 원리를 설명합니다. 연결 가능한 노드 시스템으로, 각 노드는 특정 작업을 수행하며 도구 추가, 가드 레일, MCP, 로직, 데이터 변환 기능을 포함합니다.

[04:30] 데모 워크플로우의 목적을 설명합니다. 사용자 입력을 받아 기존 고객과 신규 리드를 분류하고, 각각에 맞는 두 개의 별도 에이전트로 전달하는 시스템을 구축합니다.

[04:52] 두 개의 에이전트 역할을 상세히 설명합니다. 에이전트 1은 기존 고객의 지원 티켓을 지식 베이스 데이터로 답변하고, 에이전트 2는 신규 리드의 정보를 수집하여 데이터베이스나 Slack으로 전달합니다.

[05:31] 에이전트가 고객 데이터를 캡처한 후 데모 예약을 위한 후속 조치를 제안하는 과정을 설명하며, 텍스트 입력으로 시작하는 워크플로우를 소개합니다.

[05:44] 분류기 에이전트가 문의를 분석하여 기존 고객의 지원 티켓인지 새로운 잠재고객인지 판단하는 방식과 예시를 통한 훈련 방법을 설명합니다.

프롬프트 작성·개선 기능을 활용하거나 ChatGPT를 프롬프트 생성기로 이용해 에이전트 역할·추론 강도·출력 포맷(JSON 등)을 세밀하게 조정하는 방법을 설명합니다.

[06:11] 분류 완료 후 기존 고객은 지원 에이전트로, 새 고객은 리드 에이전트로 전달하는 로직과 각 에이전트의 역할에 대해 설명합니다.

[07:08] 에이전트 지시사항 작성 방법에 대한 질문과 ChatGPT를 활용한 프롬프트 생성 및 향상 기능에 대한 메타적 접근법을 설명합니다.

[07:50] 프롬프트 향상 버튼의 기능과 스타일링 변경, 톤 조정 등의 자동 개선 기능을 소개하며, 빌더에서 다양한 에이전트를 생성하고 연결하는 종합적인 기능을 요약합니다.

벡터 스토어를 컨텍스트로 연결하고, MCP(Model Context Protocol)를 통해 HubSpot·Slack 등 외부 시스템과 데이터 교환을 설정하는 실전 예시를 다룹니다.

[08:23] 에이전트의 추론 수준을 결정할 수 있다고 설명합니다. 복잡한 문제 해결에는 높은 추론이 필요하고, 단순한 작업에는 최소한의 추론으로 충분하다고 합니다. 다양한 도구와 MCP, 벡터 저장소도 연결 가능하며, 출력 형식도 JSON 등으로 커스터마이징할 수 있습니다.

워크플로우를 Preview 모드에서 테스트한 뒤, 발급된 워크플로우 ID와 API 키를 ChatKit 위젯에 적용해 웹사이트에 챗봇을 임베드하고 라이브로 작동시키는 과정을 보여줍니다.

[09:19] 신규 리드를 위한 영업 에이전트 설정에 대해 설명합니다. 이 에이전트는 웹사이트 URL, 회사명, 이메일, 월 방문자 수 등의 데이터를 수집하여 구조화한 후 데이터베이스, 슬랙 알림, CRM 등으로 전달할 수 있습니다.

[09:53] 추론 수준 선택 이유에 대한 질의응답이 이어집니다. 최소 추론과 고급 추론의 선택은 주로 속도와 비용 관점에서 이루어지며, 작업의 복잡성에 따라 결정됩니다. 지원 에이전트는 중간 수준, 영업 에이전트는 단순한 질문만 하므로 최소 추론으로 충분합니다.

[10:48] MCP 연동 기능에 대해 설명합니다. HubSpot과 같은 CRM 시스템을 추가하여 연락처를 가져오고 CRM을 업데이트할 수 있습니다. 인증과 토큰 추가를 통해 에이전트가 외부 시스템과 연동하여 작업할 수 있도록 설정할 수 있습니다.

[11:09] MCP(Model Context Protocol)를 통해 HubSpot과 같은 외부 시스템과 데이터를 주고받을 수 있으며, 이는 LLM이 외부 도구와 상호작용하는 새로운 인터페이스 역할을 합니다.

[11:46] 현재 OpenAI 공식 커넥터와 타사 서버들이 제공되며, 향후 더 많은 공식 MCP들이 추가될 예정입니다. Intercom, Shopify 등 다양한 서비스들과 연동이 가능합니다.

[12:18] AI 초기 도입자들이 겪는 주요 문제는 AI 숙련도 부족으로, 적절한 프롬프팅, 컨텍스트 제공, 지속적인 개선 필요성을 이해하지 못해 에이전트가 한 번 실패하면 즉시 신뢰를 잃는다는 점입니다.

[13:24] 이 에이전트 빌더는 가드레일 기능을 제공하여 개인정보 보호, 유해 콘텐츠 조절, 탈옥 시도 차단, 환각 현상 방지 등을 통해 프로세스 개선을 도와줍니다.

[13:47] 컨텍스트 에이전트의 성능이 시간이 지남에 따라 저하되는 문제를 해결하기 위해 가드레일을 구현하여 입력과 출력을 원하는 방식으로 구조화할 수 있다고 설명합니다.

[13:59] 실제 워크플로 예시를 시연하며, 프리뷰 기능을 통해 'Humbolty 데모에 관심이 있다'는 메시지를 입력하여 분류기가 어떻게 작동하는지 보여줍니다.

[14:23] 분류기가 새로운 리드로 판단하고 비즈니스 세부사항을 요청하자, 웹사이트 주소, 회사명, 이메일, 월 방문자 수, 사용 중인 분석 도구 등의 정보를 제공합니다.

[14:49] 시스템이 벡터 스토어에서 정보를 가져와 사용자의 요구사항(1만 방문자, 히트맵 및 퍼널 관심)에 따라 플러스 플랜을 추천하고, 데모 예약이나 무료 체험 옵션을 제시합니다.

[15:17] MCP를 통해 모든 데이터를 데이터베이스나 Slack으로 푸시하여 자동으로 데모를 설정하거나 계정을 생성할 수 있는 기능을 설명합니다.

[15:27] 구축된 워크플로를 ChatKit이나 커스텀 에이전트 SDK를 통해 채팅 UI 윈도우에 통합할 수 있으며, 워크플로 ID와 API 키만으로 자체 채팅봇을 구축할 수 있다고 설명합니다.

[16:01] 개발자 의존성을 크게 줄인 것이 핵심 장점이라며, 고객 지원 팀이 엔지니어링 팀 도움 없이도 채팅봇을 사이트에 설치하고 변경사항을 실시간으로 적용할 수 있다고 강조합니다.

[16:30] ChatKit을 통해 프론트엔드에 간단한 스크립트 설치만으로 완전히 작동하는 채팅봇을 구현했으며, 언제든지 워크플로를 수정하여 더 많은 에이전트를 추가할 수 있다고 설명합니다.

[16:46] 에이전트 빌더를 통해 도구나 에이전트를 추가하고 직접 게시할 수 있어, 엔지니어링 팀의 도움 없이도 배포가 가능하다는 장점을 설명합니다.

[16:56] 시스템 운영 비용은 단순히 OpenAI API 키 연결과 토큰 사용량에 따른 서버 비용만 필요하다고 확인합니다.

Intercom·SaaS 챗봇 대비 맞춤화·비용 절감·소유권 확보 측면에서 Agent Builder 기반 솔루션의 장단점과 Claude 등 타 플랫폼과의 차별점을 분석합니다.

[17:09] 웹사이트 리드 수집 챗봇 데모를 시작하며, Google Analytics 대신 Humbolytics를 원하는 월 1만 방문자 시나리오로 테스트합니다.

[17:33] 시스템이 사용자를 리드로 판단하고 데모 예약을 제안하는 과정을 보여주며, 에이전트 빌더의 로그 추적 기능을 소개합니다.

[17:50] 고객 지원 봇으로도 활용 가능함을 보여주며, 기존 고객이 웹플로우 사이트 추가 추적에 대해 문의하는 시나리오를 데모합니다.

[18:28] 연락처와 RAG를 활용해 신규/기존 고객을 구분하고, 문의 해결 또는 정보 수집/설정을 수행하는 완전히 작동하는 챗봇을 구축했다고 정리합니다.

[18:48] 플레이그라운드를 통한 위젯 커스터마이징, 임베드 코드나 서버 구축을 통한 웹사이트 통합, 인앱 챗봇 경험 구축 등의 활용 방안을 설명합니다.

[19:24] 인터컴 같은 기존 SaaS 제품 대비 직접 구축의 장점에 대한 질문이 제기되며, 내부 사용과 멀티 에이전트 오케스트레이션의 가치를 언급하며 답변을 시작합니다.

[19:51] 스타트업이나 중견 기업에서 Slack 같은 MCP 연결과 다중 에이전트 백엔드 자동화의 활용 가능성을 설명합니다. 초기 투자와 학습이 필요하지만 장기적으로 시간과 비용 절약 효과가 클 것이라고 전망합니다.

[20:32] 에이전트 빌더의 맞춤형 특성을 강조하며, 완전한 제어권을 가지고 워크플로우를 소유할 수 있다고 설명합니다. Lindy나 Gum Loop 같은 기존 도구 대비 더 커스터마이징된 솔루션 구축이 가능함을 언급합니다.

[21:08] 핵심 요점으로 비주얼 드래그 앤 드롭 인터페이스와 비기술자를 위한 낮은 진입 장벽을 제시합니다. 멀티 에이전트 워크플로우의 중요성과 작업을 하위 작업으로 분할하는 올바른 접근법을 설명합니다.

비개발자 팀원(고객지원·영업·PM 등)에 Agent Builder·ChatKit을 활용해 자동화 워크플로우를 실험·운영하도록 권장하고, ChatGPT 앱 배포 전략을 통한 성장 기회를 제시합니다.

[21:35] 비기술자들이 CLI 사용을 꺼리는 현실적 문제를 지적하며, N8N이나 Zapier에 익숙한 사용자들을 위한 인터페이스 구축을 통한 해결책을 제시합니다. MS DOS 시대와의 비교를 통해 사용자 친화적 인터페이스의 중요성을 강조합니다.

[22:28] AI 분야가 Windows와 같은 그래픽 사용자 인터페이스를 도입했던 순간과 비슷한 전환점에 있다고 설명하며, 일반 사용자들이 터미널보다는 직관적인 인터페이스를 선호한다고 강조합니다.

[22:57] 현재 LLM과 에이전트 워크플로우가 엔지니어링과 코딩에만 집중되어 있어 비기술직 지식 근로자들이 소외되고 있다는 문제점을 지적하고, 더 광범위한 사용 사례의 필요성을 강조합니다.

[23:27] 에이전트 빌더 시작 방법에 대해 설명하며, platform.openai.com에서 이용 가능하다고 안내하고, 구체적인 사용 사례를 먼저 정의하는 것이 중요하다고 조언합니다.

[23:41] 본인의 경우 월 150달러 비용을 절약하면서도 고객 지원과 리드 캡처가 가능한 자체 고객 지원 에이전트를 구축하고 싶었다는 구체적인 사례를 공유합니다.

[23:58] 기존 워크플로우를 역산해서 분석하고, 각 과정에서 특화된 여러 에이전트를 구축하는 방법론을 제시합니다.

[24:07] 데이터 컨텍스트 구축의 중요성을 강조하며, 데이터 캡처, 구조화, 정리 후 벡터 스토어에 파일로 추가하는 단계별 프로세스를 설명합니다.

[24:28] 최소한의 컨텍스트로 최대 효과를 얻는 것이 목표라고 설명하며, 컨텍스트가 성능에 미치는 부정적 영향과 시간에 따른 성능 저하 문제를 언급합니다.

[24:36] 클래시파이어, 영업 리드, 고객 지원 봇 등 여러 에이전트 워크플로우 사용 시 각 역할을 명확히 정의하고, MCP나 웹 검색 같은 외부 도구의 필요성을 판단하는 방법을 안내합니다.

[24:48] MCP(Model Context Protocol) 분야에서 Claude가 선도적 위치에 있으며, Claude가 MCP를 발명했고 더 많은 디렉터리와 강력한 기능들을 제공한다고 평가합니다.

[25:05] OpenAI가 MCP 기능을 더 쉽게 추가할 수 있도록 개선해야 한다는 점을 강조하며, 이것이 가장 중요한 부분이라고 설명합니다.

[25:20] 호스트가 설명이 명확했다고 평가하며, 평범한 창업자들에게 어떤 기회가 있는지 질문합니다.

[25:39] OpenAI의 앱 기능이 ChatGPT에서 사용 가능해진 것이 큰 변화이며, ChatGPT를 새로운 배포 채널과 인터페이스 계층으로 활용할 수 있다고 설명합니다.

[26:07] Agent Builder와 ChatKit을 비기술 팀원들(제품 매니저, 고객 지원팀, 영업팀 등)에게 제공하고, 엔지니어 지원을 통해 MCP와 워크플로우를 구축하여 시간을 절약할 수 있도록 조언합니다.

[00:00] 아미르, 이 팟캐스트가 끝날 때까지

[00:02] 우리가 배울 내용은 무엇인가요?

[00:03] >> 먼저 어제 OpenAI에서 발표한

[00:05] 에이전트 빌더, 채팅킷,

[00:07] 위젯에 대해 설명하겠습니다.

[00:08] 그리고 채팅킷 SDK를 사용해서

[00:11] 웹사이트에 데모 챗봇을 구축할 예정이고

[00:15] 기본적으로

[00:16] 벡터 스토어에서 데이터를 가져와서,

[00:19] 다중 에이전트 워크플로우를 통해

[00:21] 질문에 답하도록 만들 겁니다.

[00:23] 챗봇이 사용자가

[00:24] 실제 고객인지 리드인지 파악하고

[00:26] 정보를 수집해서

[00:28] 영업팀에 전달하거나

[00:29] 고객지원 티켓을 처리하게 됩니다.

[00:29] >> 아미르, 사람들이 이 내용이 끝날 때까지

[00:32] 에이전트 빌더 사용법을 이해할 수 있을까요?

[00:34] 이것 말인가요?

[00:35] >> 바로 그것이 우리가

[00:36] 다룰 내용입니다. 실제로

[00:38] 새로운 에이전트 빌더를 사용해서

[00:39] 자신만의 에이전트 워크플로우를 구축하는 방법,

[00:41] 다른 종류의 도구들과는 어떻게 다른지,

[00:44] 그리고 어떻게 시작할 수 있는지를

[00:46] 최선을 다해 보여드리겠습니다.

[00:48] >> 좋아요, 시작해 봅시다.

[00:51] 생각해보겠습니다.

[00:55] [음악]

[00:57] >> 좋습니다. 자, 시작해 봅시다.

[00:59] 어제 데브 데이에서 발표된

[01:01] 핵심 세 가지는 에이전트 빌더,

[01:04] 채팅킷, 그리고 위젯입니다.

[01:05] 각각이 무엇인지,

[01:07] 어떤 의미인지 설명하겠습니다.

[01:10] 일반적으로, 우리가

[01:11] 다중 에이전트 워크플로우를 구축하려고 할 때마다

[01:14] 실제로 병렬 시퀀스나

[01:16] 다중 에이전트 오케스트레이션을 만들기 위해

[01:19] 커스텀 코드를 사용해야 했습니다.

[01:21] 에이전트 1이 에이전트 2와 대화하고

[01:23] 데이터나 명령어 세트를 전달하는 식으로 말이죠.

[01:25] OpenAI가 새로운 업데이트에서 한 것은

[01:28] 에이전트를 사용해서

[01:30] 워크플로우를 구축할 수 있는

[01:31] 시각적 인터페이스를 만든 것입니다.

[01:34] 원한다면 병렬 에이전트를 생성하거나

[01:37] 에이전트 워크플로우에서

[01:39] 순차적인 단계를 만들고

[01:41] 도구를 호출하고, 웹 검색을 하거나

[01:44] 코드 대신 시각적으로 파일을 처리할 수 있습니다.

[01:46] 정말 흥미로운 것은

[01:47] 이제 벡터 스토어에서 데이터를 컨텍스트로 보관할 수 있다는 점입니다.

[01:50] 스토리지 파일 같은 것이고

[01:51] 응답을 평가하고 개선한 다음

[01:54] 안전성과 품질을 위한

[01:56] 에이전트 응답의 가드레일을 만들 수도 있습니다.

[01:58] 핵심 요점은 기본적으로

[02:01] 비기술자들이

[02:02] 다중 에이전트 워크플로우 구축을 시작하는

[02:05] 진입 장벽을 낮춘다는 것입니다.

[02:06] 이 모든 것이 의미하는 바와 어떻게 연결되는지는

[02:09] 기본적으로

[02:10] 채팅킷과 위젯으로 이어집니다.

[02:12] 채팅킷이 무엇인지 말씀드리면

[02:14] 이제 새로운 기능으로

[02:18] 기본적으로 SDK이고, 에이전트 빌더 워크플로우를

[02:22] 채팅킷에 연결한 다음

[02:26] 프론트엔드에서 제공할 수 있습니다.

[02:27] 간단히 말해서, 웹사이트에서

[02:30] 챗봇을 본 적이 있다면

[02:33] 보통 데이터를 가져오는

[02:35] 제3자 서비스에 연결되어 있고

[02:37] 이런 응답들을 만들어냈을 겁니다.

[02:39] 오늘 이 데모에서는

[02:40] 우리 자체 데이터로 훈련된

[02:42] 자체 챗봇을 재생성하고

[02:44] 명령어 세트를 갖게 하여 채팅킷을 사용할 예정입니다.

[02:46] 우리가 할 일은

[02:47] 에이전트 빌더에서 워크플로우를 구축하는 것입니다

[02:51] 그런 다음 그

[02:52] 워크플로우 ID나 템플릿을 가져와서

[02:54] 채팅 UI에 넣고, 서버를 설정하고

[02:57] 우리 웹사이트에 추가한 다음

[02:59] 고객들이 그 챗봇과 상호작용하여

[03:00] 정보를 제공하거나

[03:02] 제품에 대해 더 알아보거나

[03:04] 특정 지원 티켓에 답변할 수 있도록 합니다. 마지막으로

[03:06] 위젯에 대해 말씀드리겠습니다. 위젯은

[03:08] 기본적으로 새로운 동적 컴포넌트 세트로

[03:10] 채팅 인터페이스와 대화에 추가할 수 있으며

[03:12] 데이터를 표시할 수 있습니다. 예를 들어

[03:15] 만약

[03:17] 음

[03:19] 에이전트가 Shopify 스토어에 연결되어 있고

[03:21] MCP를 통해 Shopify 정보를 가져오고 있다면

[03:23] Shopify 정보를 가져오고 있다면

[03:25] 사용자에게 표시하는 맞춤형 컴포넌트를 만들 수 있습니다

[03:26] '아, 이것이 주문하신 것입니다.

[03:28] 예상 배송 시간이고

[03:30] 이렇게 판매되었습니다'라고 말하며

[03:32] 세부 정보를 얻을 수 있습니다. 이것은 마치

[03:34] 동적 UI가

[03:35] 채팅 인터페이스의 일부인 것과 같습니다

[03:37] 채팅 인터페이스의 일부인 것과 같습니다

[03:38] >> 고마워요, 아미르

[03:40] >> 네

[03:41] >> 좋아요, 훌륭합니다. 시작해 봅시다

[03:43] 좋습니다. 3가지 주요 업데이트를 모두 다뤘습니다

[03:46] 분명히 Sora 2와 API

[03:48] GPT-5 Pro와 API도요. 하지만 제 생각에

[03:50] 정말 흥미로운 것은

[03:52] 이것이 열어주는 문과 기회입니다

[03:54] 멀티 에이전트 워크플로우를 구축하기 시작하려는

[03:55] 많은 사람들을 위한 것입니다. 그래서

[03:57] 먼저 다룰 것은

[03:59] 실제로 OpenAI 에이전트 빌더로 들어가는 것입니다

[04:02] 작동 방식은 연결할 수 있는 노드 세트가 있다는 것입니다

[04:05] 각 노드는

[04:06] 특정 작업 세트를 나타냅니다. 따라서

[04:09] 수집할 수 있고, 도구를 추가할 수 있습니다. 예를 들어

[04:11] 관련 정보를 가져오고 싶거나

[04:14] 가드 레일을 추가하고 싶다면

[04:15] 어떤 모습인지 보여드리겠습니다

[04:17] 그리고 그것이 무엇을 의미하는지, 또는 MCP를 말이죠. 그리고

[04:19] 로직도 추가할 수 있습니다. 따라서

[04:21] 설정한 로직과 조건에 따라

[04:24] 에이전트가 어떻게 진행할지 결정할 수 있습니다. 그리고

[04:26] 데이터 변환도 할 수 있습니다

[04:28] 이 특정 데모에서

[04:30] 우리가 하고 싶은 것은 구축하고 싶은 것은

[04:33] 두 가지를 달성하는

[04:34] 워크플로우를 구축하는 것입니다. 고객을 받습니다

[04:37] 사용자 입력을 받고

[04:41] 이 사용자가 기존 고객인지

[04:43] 새로운 리드인지 결정합니다

[04:46] 분류한 다음 해당 로직을 기반으로

[04:50] 두 개의 별도 에이전트로 전달합니다

[04:52] 에이전트 1번은 기존 고객인 경우

[04:55] 기존 지식 베이스 데이터를 사용하여

[04:58] 지원 티켓에 답변하는 것입니다. 실제로

[05:00] 전체 지식 베이스를 스크랩했고

[05:02] 우리 제품에 관한 데이터를

[05:05] 벡터 스토어로 제공했습니다. 따라서

[05:07] 그것을 컨텍스트로 참조하고 있습니다. 또는

[05:08] 에이전트 2번은 에이전트가

[05:10] 이것을 리드로 결정하고 분류하면

[05:13] 고객에 대한 정보를 요청합니다

[05:15] 그런 다음 다음 단계로 우리 데이터베이스에 전달하거나

[05:20] 예를 들어 Slack MCP가 있다면

[05:22] Slack으로 메시지를 보냅니다

[05:24] 예를 들어 Slack MCP가 있다면

[05:27] 그 데이터를 캡처하는 것이 목적입니다

[05:29] 그 데이터를 캡처하는 것이 목적입니다

[05:31] 그리고 고객에게 다시 전달하면서

[05:32] 데모를 위해 후속 조치를 하겠다고 말하고

[05:33] 데모 일정을 잡자고 하는 거죠. 그래서 여기서 한 것은

[05:36] 기본적으로 텍스트 입력으로 시작하는 입력부가 있고

[05:39] 이는 받은 메시지입니다. 다음은

[05:41] 분류기입니다. 이 분류기 에이전트는

[05:44] 기본적으로 이름을 지었고 프롬프트를 주었습니다

[05:46] 그리고 기본적으로

[05:48] 문의를 살펴보고 이것이

[05:50] 지원 티켓이 있는 기존 고객인지

[05:52] 새로운 잠재고객인지 알려달라고 했고

[05:54] 메시지를 분석해서 어떻게

[05:56] 그런 결론에 도달했는지 판단해달라고 했습니다

[05:59] 그리고 몇 가지 예시도 제공했습니다

[06:01] 새로운 잠재고객이 어떤 모습인지 예시나

[06:02] 기존 고객의 예시 같은 것들 말이죠

[06:04] 여기 새로운 잠재고객의 예시가 있고

[06:05] 여기는 기존 고객의 예시입니다

[06:07] 일단 이 작업이 끝나면 분류 로직이 있어서

[06:11] 문의를 기존 고객의 지원 질문으로

[06:14] 분류할지 새 사용자로 분류할지

[06:16] 해당 데이터를 기반으로 결정합니다

[06:18] 그리고 기본적으로 분류가 완료되면

[06:21] 여기서 기존 고객이라면

[06:24] 여기서 응답이 기본적으로

[06:27] 응답이 새 고객이라고 되어 있네요

[06:29] 앗, 고양이가 제 앞에 있네요

[06:31] 새 고객이라면

[06:34] 리드 에이전트에게 전달하고

[06:36] 기존 고객이라면 지원 에이전트에게 전달합니다

[06:40] 이 로직을 기반으로 작동하는 방식은

[06:44] 입력이 기존 고객이라면

[06:46] 고객 지원 에이전트에게 전달하라고 하는 것입니다

[06:48] 그리고 이 고객 지원 에이전트는

[06:50] 이 로직에 따라 작동합니다

[06:53] 기존 고객이라면

[06:55] 고객 지원 에이전트에게 전달하고

[06:59] 이 고객 지원 에이전트는

[07:00] 기본적으로 우리 데이터로 훈련되었고

[07:03] 따라야 할 규칙들이 있어서

[07:05] 문제 해결을 도와줍니다

[07:06] 그들이 가진 질문들에 대해서요

[07:08] 그런데 그 지시사항들을 어떻게 만들었나요?

[07:10] 지시사항은 직접 작성할 수 있지만

[07:11] 정말 멋진 점은 ChatGPT를 사용해서

[07:13] 프롬프트 생성기나 도움이 되는 어시스턴트 역할을 하라고

[07:15] 말할 수 있다는 것입니다

[07:17] 프롬프트 생성을 도와달라고 하면서

[07:20] X를 달성하고 싶다고 하면

[07:22] 어떻게 거기에 도달할 수 있는지 알려줍니다

[07:24] 저는 대부분 ChatGPT를 사용하거나

[07:26] 많은 프롬프트를 만들어봐서

[07:28] 어떻게 해야 할지 알고 있습니다

[07:31] 프롬프트를 다시 제공하는 데 사용할 수 있습니다

[07:32] 기본적으로 매우 메타적입니다. 에이전트를 사용해서

[07:37] 에이전트 프롬프트를 만드는 거죠

[07:38] 그리고 할 수 있는 또 다른 것은

[07:42] 간단한 프롬프트를 작성했다면

[07:44] 이것을 향상시키고 싶다면

[07:47] 여기 있는 향상 버튼을 사용해서

[07:50] 이것을 향상시키고 더 나은 구조와

[07:52] 형식을 제공하라고 할 수 있습니다

[07:55] 이것은 일종의 스타일링 변경입니다

[07:58] 하지만 만약 이런 방식으로 응답하거나

[08:01] 여기서 하고 있는 것입니다

[08:02] 이런 톤을 가지도록 향상시키고 싶다면

[08:04] 이런 방식으로 응답하거나

[08:06] 이런 톤을 가지도록

[08:09] 여기서 자동으로 할 수 있습니다

[08:10] 그래서 이제 기본적으로

[08:12] 빌더 내에서 이런 별도의 에이전트들을

[08:14] 생성하고 다양한 도구와 설정에 연결할 수 있는

[08:17] 기능을 갖게 되었습니다

[08:23] 즉, 추론 수준을 결정할 수 있다는 뜻입니다.

[08:26] 예를 들어, 하나의 에이전트는

[08:28] 높은 수준의 사고를 원할 수 있습니다.

[08:30] 매우 구체적인 문제를 해결하려고 할 때 말이죠.

[08:31] 반면 다른 하나는

[08:33] 최소한으로 유지하고 단순히

[08:35] 주어진 작업만 실행하길 원할 수도 있습니다.

[08:38] 다양한 도구를 연결할 수도 있습니다.

[08:40] 특정 함수나 MCP, 벡터 저장소가 있다면

[08:44] 그것도 가능합니다.

[08:46] 또한 텍스트 출력 형식을

[08:48] 어떻게 원하는지도 변경할 수 있습니다.

[08:50] 이 경우 예를 들어

[08:52] JSON 형식으로 하고 싶다고 변경할 수 있습니다.

[08:54] 그리고 스키마를 추가해서 응답할 때

[08:57] 이렇게 응답해야 한다고 지정할 수 있습니다.

[08:59] 일반 텍스트로는 응답하지 말고요.

[09:01] 하지만 지금은

[09:02] 더 쉽기 때문에 일반 텍스트로 하겠습니다.

[09:04] 동시에 다른 도구들도

[09:06] 연결할 수 있습니다.

[09:10] 이 경우에는 벡터 저장소에 연결했는데

[09:12] 이는 제가 만든 문서 세트로

[09:15] 에이전트가 참조할 수 있는 컨텍스트입니다.

[09:19] 그리고 만약 기존 고객이 아니라

[09:22] 신규 리드라면

[09:24] 영업 에이전트 리드가 있습니다.

[09:27] 여기 이 영업 에이전트 리드는

[09:30] 리드 데이터 수집에

[09:32] 유용하고 지식이 풍부합니다.

[09:34] 웹사이트 URL이 뭔지,

[09:36] 회사명이 뭔지, 이메일이 뭔지,

[09:39] 월 방문자 수가 얼마나 되는지

[09:40] 물어볼 겁니다.

[09:41] 분석 도구를 만든다고 가정하면

[09:43] 현재 무엇을 사용하고 있는지도 물을 겁니다.

[09:45] 그 정보를 수집하고 구조화해서

[09:47] 다음 단계에서

[09:48] 데이터베이스나 슬랙 알림

[09:50] 또는 CRM에 추가할 수 있도록 전달할 수 있습니다.

[09:53] 지금까지 질문 있으신가요? 아니요, 다 이해하고 있습니다.

[09:56] 음, 사실 하나 빠른 질문이 있습니다.

[09:59] 최소 추론 대 고급 추론을

[10:01] 선택하는 이유가

[10:04] 단순히 속도와 비용 관점에서인가요?

[10:08] 정확합니다. 최소 또는 높은 추론의

[10:12] 기준은 완전히

[10:14] 해야 할 작업과

[10:16] 실제 에이전트가 무엇을 해야 하는지에 따라 달라집니다.

[10:19] 에이전트가 매우

[10:20] 복잡한 문제를 해결하길 원한다면

[10:22] 아마 높은 추론이 필요할 겁니다.

[10:24] 또는 에이전트가

[10:26] 매우 간단한 작업이라는 걸 알고 단순히 실행하길 원한다면

[10:29] 이 경우처럼

[10:30] 지원 에이전트라면

[10:32] 아마 중간 정도로 할 것 같습니다.

[10:34] 하지만 영업 에이전트라면

[10:36] 꽤 단순합니다. 단순히 데이터를 받고

[10:38] 질문을 하는 거죠.

[10:40] 회사명이 뭔지 묻는데

[10:41] 거기엔 실제로 사고가 필요하지 않습니다.

[10:44] 좋습니다.

[10:44] 네, 좋아요. 제 고양이가

[10:46] 이 자리에 있고 싶어하네요.

[10:48] 그리고 기본적으로 다음 단계로

[10:51] 이 데모를 위해서는

[10:53] 설정이 많이 필요합니다. 지금은 하지 않겠지만

[10:54] 실제로 MCP를 추가할 수 있습니다.

[10:56] 예를 들어

[10:58] HubSpot을 추가해서 CRM을 업데이트하고 싶다면

[11:01] 여기서 추가할 수 있습니다.

[11:03] 인증하고 토큰을 추가한 다음

[11:05] 연결해서 이 에이전트가

[11:08] 예를 들어 연락처를 가져올 수 있도록 할 수 있습니다.

[11:09] HubSpot이나 원한다면 거기에 있는 리드 목록을 업데이트하기 위해 데이터를 푸시하는 것도 가능합니다.

[11:12] 리드 목록을 업데이트할 수 있습니다.

[11:13] 네.

[11:14] 네. 그리고 MCP가 무엇인지 모르신다면

[11:16] Ross Mike와 함께한 전체 영상이 있습니다.

[11:19] 쇼 노트에 포함시켜 놓겠습니다

[11:20] MCP가 무엇인지 명확하게 설명해 드릴게요. 하지만

[11:23] 일반인 용어로 말하면, 간단히 무엇인가요?

[11:25] 빨리요?

[11:26] 일반인 용어로 말하면, MCP는 본질적으로

[11:28] LLM이 외부 도구와 상호작용할 수 있는

[11:30] 새로운 인터페이스입니다. 일반적으로 웹

[11:33] 앱들은 데이터를 주고받기 위해 API를 사용합니다.

[11:36] 이 경우에는 LLM이 MCP, 즉 모델

[11:38] 컨텍스트 프로토콜을 사용해서 실제로

[11:40] LLM 내에서 데이터를 주고받습니다.

[11:41] 그리고 런치 시에 사용 가능한 MCP들이

[11:43] 당신이 보여준 것들인가요?

[11:46] 네. 지금 현재 우리는 기존 OpenAI 커넥터들을

[11:49] 가지고 있습니다. 공식적인 것들 말이죠. 그리고

[11:52] 일부 타사 서버들도 있습니다.

[11:53] 시간이 지나면서 더 많은

[11:55] 공식 MCP들을 거기에 넣을 수 있기를 바랍니다.

[11:56] 공식 MCP들을 더 많이 추가할 수 있을 거예요.

[11:58] 맞습니다. Intercom, 고객 서비스,

[12:01] Shopify, 이커머스.

[12:03] 네. 네. 그리고 이것의 마지막 부분에서

[12:05] 이것이 Claude와 어떻게 비교되는지에 대해 이야기하겠습니다

[12:08] 그리고 개선 기회가 어디에 있는지

[12:10] 그리고 이것이 어떻게

[12:12] 차별화되는지에 대해서도요.

[12:13] 차별화되는지에 대해서도요.

[12:14] 좋아요. 네, 끝에서 현실적으로 말씀해 주실 거군요

[12:15] 끝에 말이죠.

[12:16] 네, 아주 현실적으로 말씀드리겠습니다. 저는

[12:17] 여기서 정말 흥미로운 것은

[12:18] 일반적으로 AI 워크플로우에 관해서는

[12:20] 특히 방금 AI를 시작하거나

[12:22] AI 도입 초기 단계에 있는 사람들을 위한 것입니다

[12:27] 그들은 AI를 막 시작하고 있고

[12:28] AI를 시작하고 있습니다

[12:30] AI 숙련도를 시작하고 있습니다. 그리고 AI 숙련도는

[12:32] 프롬프트하는 방법을 이해하느냐를 중심으로 결정됩니다.

[12:34] 적절한 양의

[12:36] 컨텍스트를 제공하는 방법을 이해하느냐? 출력에 대해

[12:37] 책임을 질 수 있느냐?

[12:39] 이 에이전트를 지속적으로

[12:41] 개선해야 한다는 것을 이해하느냐 하는 것입니다. 왜냐하면

[12:44] 많은 회사들과 함께 일한 경험에서

[12:46] 저는 사람들이

[12:48] 아직 초기 AI 도입자이거나 여전히 늦은 도입자이지만

[12:52] 그들의 AI에서 초기 단계에 있는 사람들이

[12:54] 그들의 AI

[12:56] 숙련도 단계에서, 그들은 에이전트와 신뢰를 구축하는 데

[13:00] 문제가 있다는 것을 보았습니다

[13:03] 입력과 그들이 받는 출력에 대해서 말이죠.

[13:05] 그리고 그것이 의미하는 바는 에이전트가

[13:08] 한 번 틀리면, 그들은 즉시

[13:10] 신뢰를 잃습니다. 그리고 그것은 프롬프트하는 방법을 이해하고, 적절한 양의 컨텍스트를 제공하는 방법을 이해하고, 이것을 반복해야 한다는 것을 아는 것으로 귀결됩니다.

[13:14] 컨텍스트를 제공하는 방법, 그리고

[13:15] 이것을 반복해야 하고

[13:17] 처음부터 맞출 수 없다는 것을 아는 것입니다.

[13:18] 제가 이것을 공유하는 이유는 이 에이전트 빌더가

[13:24] 이 프로세스를 개선하는 데 도움이 되는 가드레일을 갖추고 있기 때문입니다.

[13:27] 실제로 여기서 미리보기를 할 수 있습니다

[13:29] 원한다면, 그리고 우리는

[13:31] 미리보기가 어떻게 보이는지 보여드리겠습니다.

[13:32] 하지만 가드레일을 구축할 수도 있습니다

[13:34] 개인 정보가 들어오면 숨기고 싶다거나

[13:36] 해로운 것이

[13:38] 들어오면 이것을 조절하고 싶다거나

[13:39] 누군가가 이것을 탈옥시키려고 하거나

[13:41] 환각을 일으키는 경우를 말입니다.

[13:42] 환각은 이것의 매우 중요한 부분입니다

[13:44] 더 많이 사용할수록

[13:46] 알다시피

[13:47] 컨텍스트 에이전트의 성능이 시간이 지남에 따라

[13:50] 저하됩니다. 실제로 가드레일을 구현하여

[13:52] 입력과 출력이 원하는 방식으로

[13:55] 구조화되도록 보장할 수 있습니다.

[13:56] 자, 이 실제 워크플로가

[13:59] 어떻게 작동하는지 예시를 실행해보겠습니다.

[14:01] 프리뷰를 클릭하면 실제로

[14:02] 여기서 프리뷰를 테스트할 수 있고

[14:04] "안녕하세요, 저는

[14:06] Humbolty 데모에 관심이 있습니다"라고 말할 수 있습니다.

[14:09] 이것은 제가 가지고 있는 예시 앱입니다. 그리고

[14:12] 분류기가 이제 이것이 기존 사용자인지

[14:16] 새로운 리드인지를 결정할 것입니다.

[14:18] 그리고 추론 과정에서 "아, 이건

[14:23] 새로운 리드네요"라고 말합니다.

[14:25] 그리고 이제 저에게 비즈니스에 대한

[14:28] 몇 가지 세부사항을 공유할 수 있는지 묻고 있습니다.

[14:30] 그래서 제 웹사이트는 amirmxc.com이고

[14:32] 회사는 amir, 이메일은

[14:34] air example whateverample.com이라고 말하겠습니다

[14:36] 그리고 월 방문자 수는 약 1만명입니다.

[14:39] 그리고 기본적인 트래픽을 위해

[14:41] Google Analytics를 사용하고 있습니다.

[14:45] 그리고 지금 하고 있는 것은 우리가 파일을 추가한

[14:49] 벡터 스토어 주변의 정보를 가져와서

[14:53] "좋아, 그들의 요구사항에 따라

[14:55] 플랜을 추천하고

[14:57] 원한다면 데모 예약을 유도하겠습니다"라고 말합니다.

[14:59] 그래서 "좋아, 1만 방문자 수와

[15:01] 히트맵 및 퍼널에 대한 관심을 바탕으로

[15:04] 세부사항을 받았습니다.

[15:06] 시작하기 위해 플러스 플랜을

[15:08] 추천합니다.

[15:10] 여기서 바로 데모를 예약하거나

[15:12] 무료 체험을 시작할 수도 있습니다.

[15:14] 그리고 원한다면

[15:15] 이 모든 데이터를 데이터베이스나

[15:17] Slack으로 푸시하는 MCP를 가질 수 있고

[15:19] 자동으로 데모를 설정하거나

[15:21] 여기서 바로 계정을 생성할 수도 있습니다.

[15:23] 원한다면 말이죠.

[15:25] 정말 멋지네요. 이제 이 빌더 워크플로를

[15:27] 구축했으니, 흥미로운 점은

[15:29] 실제로 이것을

[15:31] 채팅 UI 윈도우에 통합할 수 있다는 것입니다.

[15:33] 앞서 말씀드린 ChatKit을 사용할 수도 있고

[15:37] 이는 실제로 채팅봇을 웹사이트에

[15:39] 임베드하기 위한 새로운 인터페이스입니다

[15:41] 또는 원한다면 자체 커스텀 에이전트 SDK를

[15:44] 구축할 수도 있습니다. 워크플로 ID와

[15:46] API 키만 붙여넣으면 되고

[15:48] 자체 채팅봇을 구축할 수 있습니다.

[15:50] 그래서 실제로는 어떻게 생겼을까요?

[15:52] 모든 것이 제대로 설정되어 있는지

[15:55] 확인해봅시다.

[15:57] 이것을 게시하면 정말 멋진 것은

[16:00] 개발자 의존성을 많이 제거한다는 것입니다.

[16:01] 그것이 무엇을 의미하냐면?

[16:04] 예를 들어 설정에서

[16:08] 이 에이전틱 워크플로를 구축한

[16:10] 고객 지원 팀이 있다면

[16:13] 이 채팅봇을 자신들의 사이트에

[16:15] 설치하고 변경사항을 적용할 수 있으며

[16:17] 실제로 배포를 위해

[16:19] 엔지니어링 팀에 의존할 필요가 없습니다.

[16:22] 모든 것이 프론트엔드에서

[16:24] 실시간으로 일어나고 있습니다.

[16:26] 실제로 그것이 의미하는 바는

[16:28] 예를 들어 웹사이트가 있다고 하면

[16:30] 이제 ChatKit을 사용해서

[16:32] 프론트엔드에 통합했습니다.

[16:34] 우리가 설치한 스크립트일 뿐이고

[16:36] 이제 우리 데이터와 멀티 에이전트

[16:39] 워크플로로 훈련된 완전히 작동하는

[16:42] 채팅봇을 갖게 되었습니다. 만약 다시 와서

[16:44] 이 워크플로를 변경해서 더 많은 에이전트를 추가하고 싶다면

[16:46] 또는 더 많은 도구를 추가할 수 있습니다. 에이전트 빌더에서

[16:49] 직접 게시할 수 있고

[16:52] 엔지니어링 팀에게 가서

[16:53] '이거 배포해 줄 수 있나요?'라고

[16:55] 말할 필요가 없습니다

[16:56] >> 이것을 실행하는 비용은 단순히

[16:58] 토큰 사용량만큼인가요?

[17:00] >> 맞습니다. OpenAI API 키를 연결하고

[17:03] 관련된 서버 비용만

[17:06] 지불하면 됩니다

[17:09] 좋아요. 이제 본질적으로 웹사이트에서

[17:11] 리드를 받을 수 있는

[17:13] 챗봇을 갖게 되었습니다. 그래서

[17:15] '데모에 관심이 있습니다'라고 말할 수 있습니다

[17:18] Google Analytics를 사용하고 있지만

[17:23] Humbolytics를 원합니다

[17:28] 월 1만 방문자 수입니다. 그러면 이제

[17:33] 제가 실제 리드라는 것을 판단하고

[17:35] 응답하여 본질적으로 '네,

[17:37] 데모 예약을 해드리겠습니다.

[17:39] 정보를 받았으니

[17:40] 진행하겠습니다'라고 말합니다. 그리고

[17:43] 에이전트 빌더에는 로그가 있어서

[17:45] 모든 것을 추적할 수 있습니다

[17:46] >> 완벽하네요. 네

[17:49] >> 놀라워요

[17:50] >> 정말 흥미롭습니다. 또한

[17:53] 원한다면 이것을

[17:55] 완전히 고객 지원 봇으로

[17:56] 사용할 수 있어서

[17:58] 문제가 있을 때

[18:01] '저는 기존 고객입니다

[18:02] 기존 고객입니다'라고 말하거나

[18:04] 새로운 채팅을 시작할 수 있습니다. '저는 기존 고객입니다

[18:09] 웹플로우 사이트를 추가해서

[18:14] 추적하는데 도움을 주세요'라고 하면

[18:17] 제가 실제로 기존

[18:18] 고객이라는 것을 판단하고

[18:21] 실제로 어떻게 추가하는지

[18:24] 추적을 시작하는 방법에 대한 통찰을 제공할 것입니다

[18:28] 이제 본질적으로 연락처와 RAG를 사용해서

[18:32] 완전히 작동하는 챗봇을 구축했습니다

[18:36] 새로운 고객인지 리드인지

[18:37] 기존 고객인지 리드인지를 먼저 판단하고

[18:40] 그 다음에

[18:41] 제품에 문제가 있다면

[18:43] 문의를 해결하거나

[18:45] 정보를 받아 설정해드립니다

[18:48] 완전히 작동하고 정말

[18:51] 흥미로운 것은 실제로

[18:52] 플레이그라운드를 사용해서 위젯을 커스터마이즈할 수도

[18:56] 있다는 점입니다. 만약

[18:58] 면책 조항이나 작성자를 원한다면

[19:00] 완전히 커스터마이즈할 수 있고

[19:02] 설정하기도 정말 간단합니다

[19:04] 웹사이트에 임베드 코드를

[19:06] 사용하거나 작동시키기 위해

[19:09] 서버를 구축하거나

[19:11] 매우 커스텀한 에이전트를

[19:12] 구축할 수 있습니다. 앱 내에서

[19:16] 인앱 경험을 원한다면

[19:17] 챗봇이 작동하는

[19:18] 경험을 만들 수 있습니다. 지금까지

[19:22] 어떻게 생각하세요?

[19:24] >> 누군가는 분명히 묻겠죠. 그럼

[19:26] 인터컴이나 제가 사용할 수 있는

[19:30] SaaS 제품보다 이게 왜 더 나은가요?

[19:32] 왜 제가 직접 만들어야 하나요?

[19:35] >> 좋은 질문이라고 생각합니다

[19:37] 우선 두 가지

[19:39] 사용 사례가 있습니다. 내부적으로

[19:41] 사용하려고 한다면 여기 있는

[19:43] 멀티 에이전트 빌더가 여전히

[19:46] 여기서 많은 가치가 있죠

[19:48] 멀티 에이전트 오케스트레이션을

[19:49] 원한다면 말이죠

[19:51] Slack 같은 MCP를 연결하고 싶다면

[19:53] 정보를 전송하는 것도

[19:55] 여전히 유용하죠

[19:57] 여러 에이전트가 함께 작업하는

[20:00] 백엔드 자동화를 통해

[20:01] 작업을 완료할 수 있거든요. 이제 스타트업이나

[20:07] 중견 기업에서 비용을 절약하고

[20:10] 엔지니어링 역량이 있다면

[20:11] 이런 에이전트 빌더를 사용해서

[20:13] ChatKit과 통합하여 앱이나 웹사이트에 적용하면

[20:17] 앞으로 엄청난 시간 절약이나

[20:19] 비용 절약이 될 수 있어요

[20:20] 물론 학습 곡선이 있고

[20:23] 초기 투자가 필요하지만

[20:25] 시간이 지나면 많은 시간과

[20:27] 비용을 절약할 수 있다고 생각해요

[20:29]

[20:30]

[20:31] 또한 더 맞춤형이라고 생각해요

[20:34] 원하는 대로 정말 세밀하게

[20:36] 조정할 수 있거든요

[20:39] 맞아요

[20:40] 정확해요. 완전한 제어권을

[20:42] 가질 수 있어요. 어떤 의미에서는 소유하는 것과 같죠

[20:45] 워크플로우와 시스템을

[20:46] 본질적으로 소유하게 되니까요

[20:48] 즉시 사용 가능한

[20:49] 도구를 찾는다면 Lindy나

[20:51] Gum Loop 같은 훌륭한 도구들이 있지만

[20:53] 더 맞춤형으로 구축하고 싶다면

[20:54] 이 방법이 최선이에요

[20:55]

[20:56] 좋네요. 또 다른 건 없나요?

[20:59] 음, 그리고 핵심

[21:01] 요점은 여기서 핵심

[21:03] 요점이 무엇인지 알아야 한다는 거죠

[21:06]

[21:08] 네

[21:08] 비주얼 드래그 앤 드롭 도구예요

[21:10] 비기술자들에게는 낮은 진입 장벽이죠

[21:12] 여전히 약간의

[21:13] 기술적 지식이 필요한 의존성이 있지만

[21:14] 멀티 에이전트 워크플로우가

[21:16] 매우 흥미로워요

[21:17] 일반적으로 사람들이 여러 작업에

[21:19] 하나의 채팅 창을 사용하는 것을 보는데

[21:22] 그건 올바른 방법이 아니에요

[21:25] 작업을 하위 작업으로

[21:26] 나누어야 하거든요. 클라우드 코드 SDK는

[21:29] 모델과 하위 에이전트 조정을 기반으로

[21:31] 여전히 유능하다고 생각해요

[21:34] 유일한 도전은

[21:35] 비기술자들이 이걸 사용하게 하는 것인데

[21:37] CLI는 사용할 수 없어요

[21:39] 그게 그들을 겁먹게 하거든요

[21:42] 흥미로운 점은 우리가

[21:44] 이런 에이전트 워크플로우의 기능을 가져와서

[21:46] 그 위에 인터페이스를 구축했다는 거예요

[21:47] 이미 N8N이나

[21:49] Zapier에 익숙한 사람들에게는

[21:53] Claude App이 프로젝트와 MCP 도구 측면에서

[21:56] 매우 유사해요

[21:58] ChatGPT의 프로젝트와도

[21:59] 같은 맥락이죠. 더 많은 MCP

[22:02] 기능을 가지게 되면서

[22:04] 시간이 지나면서 어떻게 발전할지

[22:06] 궁금해요

[22:07] 맞죠?

[22:08] 이 부분에 대해 간단히 말씀드리면

[22:11] CLI 터미널이 사람들에게

[22:13] 부담스럽다는 건 맞아요. 그리고 이건

[22:16] 제가 MS DOS를 사용했던

[22:18] 시절을 기억할 만큼 나이가 든

[22:21] 컴퓨터에 접근하는 방법과 동일해요

[22:23] 기본적으로 터미널이었고 컴퓨터가

[22:26] 주류로 채택되지 못했던 것은

[22:28] 그래픽 사용자 인터페이스를 그 위에 얹어서

[22:30] Microsoft Windows나 Windows XP, 혹은

[22:34] Windows 3.1 같은 거죠.

[22:36] 말이죠.

[22:37] >> 그래서 저는 지금이 AI 분야의 그런 순간이라고 생각해요.

[22:40] 우리가 캔버스를 얹고 있는 거죠.

[22:43] 하드코어한 기술적 내용 위에 말이에요.

[22:47] 일반인들은 터미널에서 시간 보내는 걸

[22:51] 원하지 않으니까요.

[22:52] 원하지 않죠.

[22:55] >> 정확해요. 맞아요. 정확합니다.

[22:57] 모델들에 대해 생각해보면

[23:00] LLM과 에이전트 워크플로우를

[23:03] 엔지니어링과 코딩에 사용하는 것에

[23:05] 너무 집중해서 지식 근로자들이나

[23:08] 비기술직 사람들은

[23:09] 뒤처져 있는 상황이에요.

[23:11] 코딩에는 경험이 훌륭하지만

[23:14] 실제로 이런 종류의

[23:15] 사용 사례를 원하는 사람들을

[23:17] 어떻게 만족시킬 것인지가 문제죠.

[23:19] 이게 더 광범위한 사용 사례라고 생각해요.

[23:22] 많은 사람들이 가지는 일반적인 질문은

[23:23] 실제로 어떻게 시작하느냐는 거예요.

[23:25] 에이전트 빌더를 어떻게 시작하느냐

[23:27] 말이죠. platform.openai.com에서

[23:29] 이용할 수 있어요.

[23:31] 플랫폼 사이드에는 그리 깊이 들어가 있지 않아요.

[23:34] 시작하려면 사용 사례와

[23:38] 실제로 달성하고자 하는 것에 대해

[23:40] 생각해보는 게 좋겠어요.

[23:41] 제 경우에는

[23:42] 자체 고객 지원 에이전트를 갖는 게

[23:45] 정말 멋질 것 같았어요.

[23:46] 그러면 월 150달러를 내지 않아도 되고

[23:49] 지금 하고 있는 일을 정확히 하면서도

[23:51] 실제로 리드도 캡처할 수 있고

[23:52] 제가 소유하고 제어할 수 있으니까요.

[23:54] 더 많은 통합 기능도 구축할 수 있고요.

[23:56] 그다음엔 역산해서 생각해요.

[23:58] 기존 워크플로우가

[23:59] 어떻게 생겼는지, 실제로

[24:01] 이 과정에서 역할을 할 수 있는

[24:03] 여러 에이전트를 어떻게 구축할지

[24:04] 그리고 이들을 어떻게 전문화시킬지 말이죠.

[24:07] 다음 단계는 데이터 컨텍스트를

[24:09] 구축하는 것이라고 생각해요.

[24:12] 데이터를 캡처하고

[24:13] 데이터가 어떤 구조여야 하는지

[24:14] 어디에 저장할지, 컨텍스트는

[24:16] 어떻게 해야 하는지 파악하고

[24:18] 데이터를 정리한 다음, 에이전트가

[24:20] 참조할 수 있도록 벡터 스토어에

[24:22] 파일로 추가하는 거죠.

[24:24] 에이전트 빌더에서 실제로

[24:26] 어떻게 참조하는지 보여드렸어요.

[24:28] 목표는 최소한의 컨텍스트로

[24:30] 최대 효과를 얻는 것이에요.

[24:32] 컨텍스트는 성능에 큰 영향을 미치고

[24:34] 시간이 지나면 성능이 저하되거든요.

[24:36] 여러 에이전트 워크플로우를 사용해야 한다면

[24:38] 클래시파이어가 있고 영업 리드가 있고

[24:40] 고객 지원 봇이 있는 것처럼

[24:42] 역할을 명시하고 거기서부터

[24:44] 외부 도구가 필요한지

[24:45] MCP나 웹 검색 같은 게 필요한지 판단해요.

[24:48] Claude가 MCP에서는 확실히

[24:50] 앞서 나가고 있다고 생각해요.

[24:51] 그들이 MCP를 발명했거든요.

[24:55] 맞아요, 그들이 발명했죠.

[24:57] 그래서 훨씬 더 많은 디렉터리가 있고

[24:59] 디렉터리가 훨씬 더 강력하고

[25:01] MCP Claude에서 이용할 수 있는

[25:02] 기능들이 훨씬 많아요.

[25:05] OpenAI가 더 노력해야 한다는 점이죠.

[25:06] 그들은 정말로... 정말로 더 많은 MCP

[25:08] 기능을 쉽게 추가할 수 있도록 만들어야 해요.

[25:10] 그게 가장 중요한 부분이거든요.

[25:12] 네, 그리고 음... 네, 저는

[25:14] 도움이 되었기를 바라요.

[25:16] 새로 나온 것들과

[25:17] 어떻게 시작할 수 있는지에 대해서요.

[25:18] 네, 정말로...

[25:20] 이게 정말 명확하네요.

[25:22] 그래서 제가 당신을 초대한 이유죠.

[25:23] 이것을 분석해주시기 위해서요.

[25:26] 이것을 듣고 있는 평범한 창업자들에게

[25:29] 기회는 어디에 있을까요?

[25:31] 그들이 어떤 것을 생각해야 할까요?

[25:34] 이것을 듣고 있는 평범한 창업자들을 위해

[25:37] 기회는 어디에 있을까요? 두 부분으로 나누어

[25:39] 생각하면... 직접적으로는 관련이 없지만

[25:42] ChatGPT에서 이제 사용할 수 있는

[25:44] OpenAI의 앱 기능은 정말 큰 변화예요.

[25:47] 이제 ChatGPT를 새로운 배포 채널로 보고 있어요.

[25:50] 그리고 당신 말대로

[25:52] 새로운 인터페이스 계층으로서

[25:54] 여러분의 앱과 상호작용할 수 있게 해줍니다.

[25:57] 그래서 성장 관점에서 보면

[26:00] 앱을 배포 채널로 활용하라고 말하고 싶어요.

[26:02] 특히 Agent Builder와

[26:04] ChatKit UI를 활용해서요.

[26:07] 이것을 비기술 팀원들에게 보여주세요.

[26:09] 제품 매니저들에게 주세요.

[26:11] 고객 지원팀에게 주세요.

[26:12] Go-to-Market 영업팀에게 주세요.

[26:14] 그들을 지원할 엔지니어를 배정해서

[26:16] MCP와 워크플로우를 구축하고

[26:17] 서버를 설정하는데 도움을 주고

[26:20] 그들이 무엇을 만들 수 있는지 보세요.

[26:22] 그들이 시간을 절약할 수 있도록 도와주세요.

[26:25] 그리고 이 영상을 공유하고

[26:28] 좋아요와 댓글을 달아서

[26:30] 세상에 퍼뜨릴 수 있도록 말해주세요. 맞아요.

[26:33] Amir, 출연해서

[26:35] 이렇게 명확하게 설명해줘서 고마워요.

[26:37] Amir를 팔로우할 수 있는 링크를 포함할게요.

[26:40] 그가 이런 종류의 모든

[26:42] 지식을 공유하는 곳을 쇼노트에 넣어둘게요.

[26:44] 당신의 소스를 아낌없이 공유해주고

[26:47] 사고가 명확해서 감사합니다.

[26:49] 도움이 되어 기쁩니다.

[26:50] 나중에 뵙죠.

[26:50] 감사합니다. 정말 감사합니다.