n8n에서 더 효율적인 작업 흐름을 위한 4가지 에이전트 프레임워크

Nate Herk | AI Automation 구독자 67,200명

요약

이 영상은 n8n 환경에서 작업 흐름의 효율성을 극대화하기 위해 활용할 수 있는 네 가지 에이전트 프레임워크를 소개합니다. 먼저 Parent Agent를 통해 자식 에이전트에게 다양한 작업을 위임하는 기본 개념을 설명한 후, 프롬프트 체이닝을 통해 블로그 포스트의 초안을 생성하고 다듬는 과정을 시연합니다. 이어서 라우팅 프레임워크로 이메일 분류 및 적절한 대응을 자동화하는 방법과, 병렬 처리를 통해 감정, 의도 및 편향 분석을 동시에 실행하는 기법을 다룹니다. 마지막으로 평가자 최적화 프레임워크를 통해 에이전트의 출력물을 반복적으로 개선하여 높은 품질의 결과물을 얻는 과정을 설명합니다.

주요 키워드

n8n 에이전트 Parent Agent 프롬프트 체이닝 라우팅 병렬 처리 평가자 최적화 워크플로우 자동화 최적화

하이라이트

🔑 Parent Agent 활용: 메인 에이전트가 자식 에이전트에게 작업을 분배하여 다양한 워크플로우를 효과적으로 관리하는 구조를 소개합니다.
⚡️ 프롬프트 체이닝: 순차적으로 에이전트의 출력물을 다음 입력으로 전달하여 블로그 아웃라인 작성, 평가, 최종 포스트 생성 과정을 효율적으로 진행하는 방법을 설명합니다.
📌 라우팅 프레임워크: 이메일 같은 입력 데이터를 분류해 고객 지원, 프로모션, 재무 등 각 용도에 맞게 에이전트를 할당하는 과정을 시연합니다.
🚀 병렬 처리: 감정, 의도, 편향 등 다양한 분석 작업을 동시에 실행하여 처리 속도와 정확도를 높이는 기술을 소개합니다.
🌟 평가자 최적화: 평가자와 최적화 에이전트가 반복적으로 피드백을 주고받으며 결과물을 개선하는 자동화 루프를 통해 높은 품질을 보증하는 방법에 주목합니다.
💡 커뮤니티 리소스: 무료 템플릿과 추가 교육 자료를 제공하는 커뮤니티 참여 방법도 함께 안내하여 학습과 실습의 장을 넓힙니다.

용어 설명

Parent Agent

전체 워크플로우를 관리하며 자식 에이전트에게 작업을 위임하는 주 에이전트를 의미합니다.

Child Agent

특정 작업이나 하위 기능을 담당하는 에이전트로, Parent Agent의 지시에 따라 실행됩니다.

프롬프트 체이닝 (Prompt Chaining)

한 에이전트의 출력물을 다음 에이전트의 입력으로 순차적으로 전달하여 작업을 점진적으로 발전시키는 기법입니다.

라우팅 프레임워크 (Routing Framework)

들어오는 데이터를 분류하고 해당 데이터에 맞는 에이전트로 할당하여 최적의 대응을 이끌어내는 구조입니다.

병렬 처리 (Parallelization)

여러 에이전트가 동시에 작업을 수행하게 하여 분석 및 처리 속도를 향상시키는 기술입니다.

평가자 최적화 (Evaluator Optimizer)

출력물이 기준에 부합하는지 평가하고, 필요시 반복적으로 수정하여 최종 결과물을 개선하는 자동화 루프입니다.

영상은 Parent Agent를 통한 에이전트 분배 개념을 소개합니다. 전체 시스템의 기본 구조와 자식 에이전트로 작업을 위임하는 방식을 설명합니다.

[00:00] 페어런트 에이전트라는 프레임워크를 소개하며, 이것이 궁극의 어시스턴트로서 4개의 자식 에이전트들과 어떻게 상호작용하는지 설명합니다.

[00:33] 이 시스템의 장점으로 작업 위임과 유연한 에이전트 활성화를 설명하면서, 더 효과적인 프레임워크의 필요성을 제시합니다.

프롬프트 체이닝 기법을 활용해 블로그 포스트 초안 작성, 평가, 최종 작성 과정을 단계별로 시연합니다. 각 단계마다 전담 에이전트가 작업을 분리해 담당함으로써 정확도와 효율성을 높입니다.

[00:42] n8n에서 사용할 수 있는 4가지 새로운 에이전트 프레임워크(프롬프트 체이닝, 라우팅, 병렬화, 평가 최적화기)를 소개합니다.

[01:01] 무료 스쿨 커뮤니티와 유료 커뮤니티의 특징과 혜택을 상세히 설명하며, 실용적인 학습 기회를 제공합니다.

[01:50] 첫 번째 프레임워크인 프롬프트 체이닝의 기본 구조를 소개하기 시작합니다.

[01:59] 프롬프트 체이닝 워크플로우의 주요 이점을 설명합니다. 각 단계가 특정 작업에 집중하여 정확성과 품질이 향상되며, 오류와 환각 현상이 감소합니다.

[02:16] 에이전트의 전문화된 역할 분담을 설명합니다. 한 에이전트는 개요 작성, 다른 에이전트는 평가와 제안, 마지막 에이전트는 실제 블로그 작성을 담당합니다.

[02:44] 프레임워크의 장점으로 쉬운 디버깅, 최적화, 확장성, 재사용성을 강조합니다.

[03:00] 서로 다른 대규모 언어 모델을 활용하는 방법을 설명합니다. 각 작업의 복잡성에 따라 20 플래시, 포미니, Claude 3.5나 DeepSeek R1 등 다른 모델을 사용합니다.

[03:53] 작업 완료 과정과 결과물이 구글 문서로 전송되는 것을 설명하며, '커피 종합 가이드'라는 제목의 블로그가 생성되었음을 안내합니다.

[04:09] 커피의 역사부터 다양한 추출 방법, 품종, 건강상의 이점과 위험성을 포함한 4페이지 분량의 블로그 포스트 구조를 설명합니다.

[04:22] 출력을 다음 입력으로 전달하는 방식으로, '커피'라는 단어만으로 전문 개요 작성자가 구조화된 블로그 개요를 생성하는 과정을 설명합니다.

[04:42] Claude 2로 첫 개요를 작성하고, Claude Mini로 평가 및 수정한 후, Claude 3.5로 최종 블로그를 작성하는 프로세스를 상세히 설명합니다.

이 부분에서는 입력된 이메일을 분류하여 고객 지원, 프로모션, 재무 등 적합한 에이전트로 라우팅하는 방법을 보여줍니다. 분류된 이메일에 따라 각기 다른 페르소나의 응답을 생성합니다.

[05:32] 두 번째 프레임워크인 라우팅 시스템을 소개하며, 이메일 분류와 그에 따른 다양한 에이전트의 처리 방식을 설명합니다.

[05:58] 라우팅 시스템의 장점으로 최적화된 응답 처리, 확장성, 모듈화, 효율성, 그리고 인간 개입 가능성을 설명합니다.

[06:21] 이메일 분류 테스트를 실행하여 고객 지원 문의 이메일을 확인하고, 자동 분류 시스템이 작동하는 것을 시연합니다.

[06:37] Gmail에서 고객 지원 이메일로 자동 라벨링되고, 고객 지원 에이전트가 자동으로 답변 초안을 작성하는 과정을 보여줍니다.

[07:15] 높은 우선순위 이메일 처리 예시를 통해, 텔레그램을 통한 즉각적인 알림 시스템과 자동화된 응답 처리 과정을 설명합니다.

[08:00] 프로모션 및 재무 관련 이메일에 대해 각각 다른 페르소나를 가진 에이전트들이 맞춤형 응답을 제공하는 시스템을 소개합니다.

[08:21] 메일 서명 설정과 채팅 모델 연결 방식에 대해 설명하며, 모든 에이전트를 동일한 채팅 모델과 도구에 연결한 이유를 설명합니다.

[08:44] Gmail 트리거를 통한 이메일 처리 방식과 스레드 ID 결정 과정을 설명하고, 다양한 채팅 모델 활용 가능성을 논의합니다.

[09:21] 병렬화 프레임워크를 소개하며, 세 개의 다른 에이전트를 동시에 사용하여 감정, 의도, 편향성을 분석하는 방식을 설명합니다.

감정, 의도, 편향 분석을 담당하는 여러 에이전트를 동시에 실행하여 처리 시간을 단축하는 방법을 설명합니다. 개별 분석 결과를 종합해 최종 보고서를 생성하는 과정을 다룹니다.

[10:15] 주류 미디어에 대한 불신을 표현하는 예시 메시지를 통해 감정 분석 에이전트의 작동 방식을 시연합니다.

[10:31] 텍스트 분석을 위한 세 가지 에이전트(의도, 편향, 감정)가 각각 분석을 수행하고, 이를 최종 에이전트가 종합하여 보고서를 작성하는 프로세스를 설명합니다.

[11:07] 분석 보고서에서는 주류 미디어에 대한 부정적 감정, 설득적 의도, 정치적 편향성 등이 발견되었으며, 이를 개선하기 위한 권장사항이 제시되었습니다.

[11:45] 단일 에이전트 분석보다 복수 에이전트의 분할 분석이 더 포괄적이고 효율적인 결과를 도출함을 설명합니다.

[12:07] 평가자-최적화 프레임워크를 소개하며, 에이전트가 자동으로 콘텐츠를 평가하고 최적화하는 무한 루프 시스템의 장점을 설명합니다.

평가자 에이전트가 결과물을 평가 후, 최적화 에이전트가 피드백을 반영하여 출력물을 개선하는 반복 과정을 시연합니다. 최종적으로 높은 품질의 결과물을 도출해내는 자동화 루프를 구현합니다.

[12:49] AI 생성 응답의 지속적인 개선을 위한 반복적 접근 방식의 성능 최적화 과정을 설명합니다.

[13:02] 전기 작성 에이전트의 역할과 기능을 소개하며, 창의적인 프로필 작성 방법을 설명합니다.

[13:28] 평가 에이전트의 역할과 전기 평가 기준(인용구 포함, 유머러스한 톤, 이모지 제외)을 상세히 설명합니다.

[13:56] 최적화 에이전트의 작동 방식과 피드백 루프 시스템을 설명하고, 구글 문서와의 연동 과정을 설명합니다.

[14:44] 실제 예시로 '짐, 42세, 바닷가 거주'라는 간단한 정보를 입력하여 시스템 작동을 시연합니다.

[15:10] 최적화 에이전트가 평가 기준과 원본 약력을 받아 내용을 개선하는 과정을 시작합니다.

[15:34] 평가 에이전트가 내용을 검토하고, 기준을 충족하지 못할 경우 최적화 에이전트가 다시 작업합니다.

[15:41] 최종 결과물로 Jim Thompson의 상세한 약력이 생성되었으며, 그의 나이, 위치, 관심사 등이 포함되어 있습니다.

[16:14] 생성된 콘텐츠는 설정된 기준을 모두 충족하며, 가벼운 톤과 유머, 인용구를 적절히 포함하고 있습니다.

[16:32] 프레임워크의 유연성을 설명하며, 다양한 AI 모델을 필요에 따라 교체하여 사용할 수 있음을 강조합니다.

[00:00] 제가 만든 궁극의 어시스턴트 영상에서

[00:01] 우리는 페어런트 에이전트라고 하는

[00:03] 에이전트 프레임워크를 활용했습니다.

[00:05] 보시다시피 여기에

[00:06] 궁극의 어시스턴트인 페어런트 에이전트가 있고

[00:08] 이것은 아래에 있는 4개의 자식 에이전트에게

[00:10] n8n에서 구축한

[00:12] 다양한 워크플로우를 전달할 수 있습니다.

[00:13] 해당 영상을 보지 않으셨다면

[00:14] 여기에 링크를 걸어두었는데요.

[00:16] 작동 방식을 보면, 궁극의 어시스턴트가

[00:17] 사용자로부터 쿼리를 받아

[00:19] 이메일 에이전트에 전달해야 한다고 판단하면

[00:20] 이런 식으로 보이는 이메일 에이전트가

[00:22] Gmail의 도구들을 사용해 작업을 수행합니다

[00:24] 거기서 실제 작업이 이루어지고

[00:26] 페어런트 에이전트에 응답을 보내면

[00:27] 페어런트 에이전트는 그 응답을 받아

[00:29] 자식 에이전트로부터 받은 응답을

[00:30] 텔레그램을 통해 우리에게 전달합니다

[00:32] 정말 멋진 시스템이죠.

[00:33] 작업을 위임할 수 있고, 이 에이전트들은

[00:35] 어떤 순서로도 활성화될 수 있습니다

[00:37] 항상 같은 순서일 필요는 없죠

[00:39] 하지만 이 프레임워크가

[00:40] 항상 가장 효과적일까요? 아니요.

[00:42] 오늘은 n8n에서 사용할 수 있는

[00:43] 4가지 다른 에이전트 프레임워크를

[00:45] 살펴보겠습니다

[00:46] 첫 번째는 프롬프트 체이닝,

[00:48] 두 번째는 라우팅, 세 번째는

[00:50] 병렬화, 그리고 네 번째는

[00:52] 평가 최적화기입니다

[00:54] 각각의 작동 방식과

[00:55] 장점을 살펴볼 텐데

[00:56] 끝까지 지켜봐 주세요.

[00:57] 평가 최적화기가

[00:59] 가장 흥미진진한 부분이거든요

[01:01] 첫 번째 프레임워크를 살펴보기 전에

[01:02] 이 4가지 템플릿을 무료로

[01:04] 다운로드해서 따라해보고 싶다면

[01:06] 제 무료 스쿨 커뮤니티에 가입하시면 됩니다

[01:08] 여기서 YouTube 리소스를 클릭하고

[01:10] 이 영상과 관련된 게시물을 클릭하면

[01:11] 워크플로우를 다운로드할 수 있습니다

[01:13] 링크는 설명란에 있고

[01:14] 유료 커뮤니티 링크도

[01:15] 있습니다

[01:16] n8n을 더 실무적으로

[01:18] 배우고 싶으신 분들을 위한 곳이에요

[01:19] n8n을 배우는데 전념하는

[01:21] 훌륭한 멤버들의 커뮤니티가 있어서

[01:22] 리소스와 과제, 프로젝트를

[01:24] 공유하고 있습니다

[01:26] 교실 섹션에서는

[01:27] 에이전트 구축, 벡터

[01:28] 데이터베이스, API,

[01:30] HTTP 요청 같은 심층 주제를 다루고 있고

[01:32] 최근에는 새로운 코스를 시작했는데

[01:33] YouTube에서 보여드린 모든 영상의

[01:35] 단계별 튜토리얼을

[01:36] 제공하고 있습니다. 또한 주 5회

[01:38] 라이브 콜을 통해

[01:39] 질문에 답변하고

[01:40] 막히는 부분 없이

[01:42] 이 분야의 전문가들과 네트워킹할 수 있습니다

[01:44] 2월에는 게스트 연사도

[01:45] 초청할 예정이라 정말 흥미진진한데요

[01:47] 여러분을 콜에서 만나면 좋겠습니다

[01:48] 다시 영상으로 돌아와서

[01:50] 첫 번째로 살펴볼 것은

[01:51] 프롬프트 체이닝입니다

[01:53] 보시다시피 여기 세 개의 에이전트가 있고

[01:55] 한 에이전트의 출력을

[01:56] 다음 에이전트의 입력으로 직접 전달합니다

[01:59] 다음 에이전트로 계속 전달되는 방식입니다.

[02:01] 이런 워크플로우의 주요 이점을 살펴보면,

[02:02] 각 단계가 특정 작업에 집중하기 때문에

[02:04] 정확성과 품질이 향상됩니다.

[02:06] 이는 오류와 환각 현상을 줄이는 데 도움이 됩니다.

[02:08] 각 단계에 대한 더 나은 제어가 가능하여,

[02:09] 개요 작성자의 시스템 프롬프트를 조정하고

[02:11] 평가자의 프롬프트도 수정할 수 있습니다.

[02:13] 이를 통해 데이터가 어떻게 전달되는지

[02:14] 세밀하게 조정할 수 있습니다.

[02:16] 전문화를 통해 더 효과적인

[02:18] 에이전트를 만들 수 있습니다.

[02:20] 이 예시에서 볼 수 있듯이,

[02:22] 한 에이전트는 개요를 작성하고,

[02:24] 다른 에이전트는 개요를 평가하고 제안하며,

[02:26] 마지막으로 수정된 개요를

[02:27] 블로그 작성자에게 전달하여

[02:29] 실제 블로그를 작성하게 합니다.

[02:31] 이렇게 하면 모든 시스템 프롬프트를

[02:32] 하나의 에이전트에 입력하는 것보다

[02:34] 훨씬 더 체계적이고 일관된

[02:36] 블로그가 작성될 수 있습니다.

[02:38] 또한 이러한 프레임워크를 사용하면

[02:41] 선형적인 구조로 인해

[02:43] 디버깅과 최적화가 쉽고

[02:44] 문제가 발생한 위치를

[02:45] 쉽게 파악할 수 있습니다.

[02:47] 마지막으로, 필요한 곳에

[02:48] 다른 에이전트를 쉽게 연결할 수 있어

[02:49] 확장성과 재사용성이 높습니다.

[02:51] 자, 이제 우리가 해야 할 일은

[02:52] 블로그 주제에 대한

[02:53] 키워드를 입력하는 것입니다.

[02:56] 저는 '커피'를 입력해보겠습니다.

[02:58] 에이전트들이 작업을 시작하는 것을 보실 수 있습니다.

[03:00] 첫 번째는 개요 작성자입니다.

[03:01] 이 프레임워크와 앞으로 다룰

[03:03] 다른 프레임워크들의 흥미로운 점은

[03:04] 작업을 분할함으로써

[03:05] 서로 다른 대규모 언어 모델을

[03:07] 활용할 수 있다는 것입니다.

[03:08] 보시다시피 개요 작성자에게는

[03:10] 20 플래시를 사용했는데,

[03:11] 무료이면서도 강력하지만

[03:14] 매우 강력하지는 않고 간단한 개요만

[03:16] 작성하면 되기 때문입니다.

[03:18] 그리고 이를 다음 단계로 전달하여

[03:19] 포미니를 사용합니다.

[03:20] 이는 조금 더 강력하고

[03:22] 비용도 조금 더 들지만

[03:24] 여전히 적절한 수준입니다.

[03:26] 이 더 강력한 챗봇 모델로

[03:27] 개요를 평가하고 수정합니다.

[03:30] 마지막으로 실제 블로그 작성을 위해

[03:31] Claude 3.5나 DeepSeek R1과 같은

[03:33] 더 강력한 모델을 사용합니다.

[03:35] 이는 수정된 개요를 바탕으로

[03:36] 잘 구조화된 블로그 포스트를

[03:38] 작성할 수 있기 때문입니다.

[03:39] 이것이 바로 전문화의 한 부분입니다.

[03:42] 작업을 분할할 뿐만 아니라

[03:44] 필요한 곳에 다른 챗봇 모델을

[03:46] 자유롭게 교체할 수 있습니다.

[03:48] 처음부터 하나의 DeepSeek R1

[03:49] 블로그 작성자에게 모든 것을

[03:51] 맡기는 것과는 다릅니다.

[03:53] 이제 작업이 거의 끝나가고

[03:55] 구글 문서로 전송될 예정입니다.

[03:56] 거기서 커피에 대한

[03:58] 블로그를 확인할 수 있습니다.

[04:00] 방금 작업이 완료되었네요.

[04:02] 옵션 1을 기반으로 한 상세 블로그 포스트,

[04:05] '커피 종합 가이드'가

[04:06] 제목으로 나왔습니다.

[04:09] 콩에서 컵까지 이어지는 커피의 풍부한 역사와

[04:11] 다양한 추출 방법,

[04:13] 여러 종류의 커피 품종들,

[04:15] 건강상의 이점과 위험성 등

[04:17] 보시다시피 이것은 거의

[04:19] 4페이지 분량의 블로그이고

[04:20] 마지막에 결론도 포함되어 있습니다. 자, 이제

[04:22] 여기서 무슨 일이 일어나는지 살펴보겠습니다. 핵심 개념은

[04:24] 출력을 입력으로 전달하고

[04:27] 그 출력을 다시 다음 입력으로 전달하는 것입니다.

[04:28] 여기 우리가 가지고 있는 것을 보면

[04:31] 블로그 주제로

[04:32] '커피'라는 단어만 입력했고

[04:33] 이것이 우리가 시스템에 입력한

[04:35] 전부입니다. 시스템 메시지에는

[04:37] 당신이 전문 개요 작성자이며,

[04:38] 섹션 제목과 핵심 포인트가 있는

[04:40] 블로그 포스트의 구조화된 개요를 생성하는 것이 임무라고 되어있습니다.

[04:42] 여기 Claude 2를 사용한

[04:44] 첫 번째 개요 초안이 있고

[04:47] 이것을 Claude Mini를 사용하는

[04:48] 개요 평가자에게 전달했습니다. 여기에

[04:50] 개요를 제공했고,

[04:53] 시스템 메시지에는 전문 블로그

[04:54] 평가자로서 이 개요를 수정하고

[04:56] 다음 네 가지 기준을 충족하는지 확인하라고 했습니다:

[04:57] 매력적인 도입부, 명확한

[05:00] 섹션 구분, 논리적 흐름,

[05:02] 그리고 결론입니다. 수정된 개요만

[05:03] 출력하도록 지시했고,

[05:05] 이제 여기 새로운 개요가 있습니다. 마지막으로

[05:08] 이것을 Claude 3.5 블로그

[05:10] 작성자에게 보냈는데,

[05:11] 수정된 개요를 제공하고 전문

[05:13] 블로그 작성자로서 이 개요를 사용해

[05:15] 잘 구조화된 문단과

[05:17] 매력적인 콘텐츠가 있는

[05:18] 상세한 블로그 포스트를 생성하라고 했습니다. 이것이 작동 방식이며,

[05:21] 인터넷 검색 기능을

[05:22] 연결하고

[05:23] 실제로 구글 문서에

[05:25] 푸시하기 전에 편집자를

[05:27] 추가하면 더욱 강력해질 것입니다.

[05:28] 이것이 이 프레임워크가 작동하는 방식입니다.

[05:30] 이제 두 번째 에이전트 프레임워크로 넘어가보겠습니다.

[05:32] 이제 라우팅

[05:34] 프레임워크에 대해 이야기해보겠습니다.

[05:35] 이 경우에는

[05:36] 수신 이메일을 분류하기 위한 초기 LLM 호출이 있고,

[05:39] 그 분류를 기반으로

[05:40] 높은 우선순위의 고객 지원,

[05:42] 프로모션, 또는 재무 및 청구로

[05:44] 라우팅됩니다. 보시다시피

[05:46] 서로 다른 작업들이 있고

[05:47] 메시지 유형에 따라

[05:49] 다른 에이전트들이 있습니다.

[05:50] 첫 번째 에이전트인

[05:52] 텍스트 분류기는 기본적으로

[05:54] 이 이메일을 어떤 에이전트에게

[05:56] 보내야 할지 결정해야 합니다.

[05:58] 왜 라우팅을 사용하는 걸까요?

[05:59] 라우팅을 사용하면

[06:00] 최적화된 응답 처리가 가능합니다.

[06:02] 이 경우에 우리는

[06:03] 각 에이전트에 대해

[06:05] 서로 다른 페르소나를 설정할 수 있습니다.

[06:07] 하나의 일반적인 AI 응답 에이전트 대신,

[06:09] 더 확장 가능하고 모듈화된 시스템이 되며

[06:11] 더 빠르고 효율적입니다.

[06:13] 그리고 중요한 이슈에 대해

[06:14] 여기 높은 우선순위 에이전트처럼

[06:16] 사람의 개입을 도입할 수도 있습니다. 마지막으로

[06:18] 팀과

[06:19] 사용자 모두에게 더 나은 경험을 제공합니다.

[06:21] 그래서 테스트 단계를 실행했더니

[06:24] 제가 방금 제 자신에게 보낸 이메일이 있는데

[06:25] "계정 로그인에 도움이 필요합니다.

[06:27] 도와주실 수 있나요?"라고 되어 있습니다.

[06:28] 이 이메일 분류기가

[06:30] 이것을 고객 지원으로 분류할 것입니다.

[06:31] 실행 버튼을 누르면

[06:33] 고객 지원 분기로 보내질 것입니다.

[06:34] 보시다시피 새로운 항목이 하나 생겼고

[06:36] 이 단계에서 일어나는 일은

[06:37] Gmail에서 고객 지원 이메일로 라벨링하고

[06:39] 그런 다음

[06:41] 최종적으로

[06:42] 고객 지원 에이전트에게 전달됩니다.

[06:44] 이 경우에는 고객 지원 활동에 대해 훈련된

[06:46] 에이전트인데요,

[06:47] 필요한 경우 고객 지원 데이터베이스를

[06:49] 연결할 수 있으며, 에이전트는

[06:50] 받은 이메일에 대한 답장 초안을 작성할 것입니다.

[06:52] 함께 확인해 보겠습니다.

[06:54] 여기 받은 이메일이 있는데

[06:56] "계정 로그인에 도움이 필요합니다"

[06:57] 보시다시피 에이전트가

[06:59] 고객 지원으로 라벨링했고

[07:01] 최종적으로 이런 이메일을 작성했습니다.

[07:02] "안녕하세요 Nate님,

[07:04] 연락주셔서 감사합니다.

[07:05] 계정 로그인을 도와드리겠습니다.

[07:06] 겪고 계신 문제에 대해

[07:08] 자세한 내용을 알려주시면 감사하겠습니다" 등등

[07:10] 그리고 이 메일은

[07:12] 고객 지원 담당자인 Kelly로

[07:13] 서명되어 있습니다.

[07:15] 다른 예시를 살펴보겠습니다.

[07:16] 트리거를 다시 가져와서

[07:17] 이번에는 다른 이메일을 받아보겠습니다.

[07:19] 보시다시피 이 이메일은

[07:20] "Nate, 긴급합니다. 내일까지 개요가 필요하며

[07:22] 그렇지 않으면 해고됩니다"라고 되어 있네요.

[07:24] 이것은 높은 우선순위로 분류되어

[07:25] 여기 높은 우선순위 분기로 가게 됩니다.

[07:27] 다시 한번 이 이메일을

[07:28] 높은 우선순위로 라벨링하지만

[07:30] 이메일 답장 초안 도구 대신

[07:32] 이번에는 텔레그램 도구에 접근할 수 있어서

[07:34] 즉시 문자 메시지를 보내

[07:35] "이런 이메일을 받았으니

[07:37] 즉시 처리해야 합니다"라고 알려줍니다.

[07:38] 물론 각 경로에 따라

[07:40] 원하는 로직을 선택할 수 있습니다만,

[07:42] 방금 텔레그램 메시지를 받았네요.

[07:43] "Nate Herkelman으로부터 긴급 이메일:

[07:45] 내일까지 개요가 필요하며

[07:47] 심각한 결과가 있을 수 있음

[07:49] 해고 가능성 있음"

[07:50] 이렇게 하면 즉시 알림을 받을 수 있어서

[07:52] 이메일에 직접 들어가

[07:54] 스레드를 확인하고

[07:56] 필요한 대로 응답할 수 있습니다.

[07:57] 그리고 기본적으로

[07:59] 다른 두 가지 경우도 비슷한데

[08:00] 프로모션 이메일은 프로모션으로 라벨링되고

[08:02] 여기서 보면

[08:04] 프로모션 에이전트에 대해

[08:05] 다른 페르소나를 설정할 수 있는데

[08:07] 프로모션 기회를 담당하고

[08:08] 친근하고 전문적인 방식으로

[08:10] 문의에 응답하는 것이 역할입니다.

[08:12] 이 이메일로 고객에게 답장을 보내고

[08:14] ABC Corp의 Meredith로 서명합니다.

[08:16] 각 에이전트는

[08:17] 서로 다른 페르소나로 응답할 수 있고

[08:19] 재무 에이전트도 있습니다.

[08:21] ABC Corp의 Angela로 서명을 하고

[08:24] 음, 여기서 제가 한 작업은

[08:27] 모두 동일한 채팅 모델에 연결하고

[08:28] 동일한 도구에 모두 연결했는데

[08:30] 이는 모두 동일한 이메일 초안을

[08:32] 보낼 것이기 때문입니다. 보시다시피

[08:35] AI를 사용하여 제목을 결정하고

[08:37] 메시지와 스레드 ID를 결정하는데

[08:38] 이는 실제 Gmail에서 가져올 것입니다

[08:40] 트리거, 아니 Gmail 트리거는

[08:42] FromAI를 사용하지 않고 Gmail 트리거를

[08:44] 매핑하고 있습니다. 이메일이

[08:46] 수신될 때마다

[08:48] 해당 이메일을 확인하여

[08:51] 회신용 스레드 ID를 결정할 수 있지만

[08:53] 같은 도구에 연결할 필요는 없습니다

[08:55] 저는 이렇게 한 이유는

[08:56] 하나의 도구만 만들면 되기 때문이에요

[08:58] 채팅 모델도 마찬가지로

[08:59] 각 경로의 중요도에 따라

[09:01] 다른 모델을 사용할 수 있고

[09:02] 채팅 모델을 바꿀 수 있으며

[09:04] 분류를 위해 더 저렴하고

[09:05] 간단한 모델을 사용할 수도 있었지만

[09:07] 이번 경우에는 그냥

[09:09] 모두 40 미니 채팅 모델에 연결했습니다

[09:11] 이것은 라우팅의 아주 간단한 예시로

[09:13] 10개의 다른 경로를 가질 수도 있고

[09:14] 단 두 개의 경로만 가질 수도 있지만

[09:16] 핵심은 앞단의 하나의 에이전트를 사용해

[09:17] 데이터를 어느 방향으로 보낼지

[09:19] 결정한다는 것입니다. 이제

[09:21] 세 번째 프레임워크인

[09:22] 병렬화에 대해 알아보겠습니다

[09:24] 여기서는 세 개의 다른 에이전트를 사용하고

[09:26] 그들의 출력을 병합하여

[09:27] 집계한 다음

[09:28] 최종 에이전트에 모두 전달하여

[09:30] 하나의 응답으로 통합할 것입니다

[09:32] 이렇게 하면 선형적으로

[09:34] 모든 것을 처리하는 대신

[09:36] 더 빠른 분석이 가능합니다

[09:38] 이 경우에는

[09:39] 입력을 보내고

[09:40] 한 에이전트는 감정을 분석하고

[09:42] 다른 하나는 의도를 분석하며

[09:44] 마지막 에이전트는 편향성을 분석합니다

[09:46] 하나씩 처리하는 대신

[09:48] 모두 동시에 작업하고

[09:49] 출력을 함께 모을 것입니다

[09:51] 이로써 지연 시간을 줄일 수 있고

[09:52] 전문화된 방식으로

[09:54] 여기서처럼 특화된 시스템

[09:55] 프롬프트를 가질 수 있으며

[09:57] 특화된 대규모 언어 모델도

[09:59] 사용할 수 있습니다

[10:00] 원한다면 다른 모델들을

[10:02] 연결할 수 있어서 위에는 Claude를

[10:04] 여기는 OpenAI를 사용하고

[10:06] 아래에는 DeepSeek를 사용하여

[10:07] 이들을 결합함으로써

[10:08] 가장 잘 생각된 답변을 얻을 수 있습니다

[10:11] 포괄적인 검토와

[10:12] 확장성도 높일 수 있습니다

[10:14] 이것이 작동하는 방식은

[10:15] '나는 더 이상 주류 미디어를

[10:16] 신뢰하지 않는다. 그들은 항상

[10:18] 특정 의제만 밀어붙이고 실제

[10:20] 이슈들은 무시한다. 사람들은 깨어나서

[10:22] 뉴스에서 보는 모든 것을

[10:23] 믿지 말아야 한다'라는 초기 메시지를 넣고

[10:25] 먼저 감정 에이전트가 감정적 톤을

[10:27] 긍정적, 중립적, 부정적 또는 혼합으로 분류하고

[10:30] 간단한 설명을 제공합니다

[10:31] 설명에 따르면, 의도 에이전트가

[10:33] 이 텍스트 뒤에 있는 의도를 분석하고

[10:35] 마지막으로 편향 에이전트가

[10:37] 텍스트의 잠재적 편향을 분석할 것입니다.

[10:40] 이제 시작해보겠습니다. 우리는

[10:42] 세 가지 개별 분석을 받을 것이고

[10:44] 그 다음에

[10:46] 최종 에이전트에게 전송할 것입니다.

[10:48] 이 에이전트는 기본적으로 모든

[10:50] 출력을 결합하고

[10:51] 입력을 바탕으로 간단한 보고서를 작성할 것입니다.

[10:54] 보시다시피 지금은 여기서

[10:56] 편향 에이전트의 입력을 기다리고 있고

[10:58] 그것이 완료되면 집계될 것입니다.

[10:59] 이제 최종 에이전트로 전송되고 있고

[11:01] 구글 문서에서 받은 보고서를

[11:03] 살펴보도록 하겠습니다.

[11:06] 방금 완료되었네요, 문서로 이동해보겠습니다.

[11:07] 감정 톤, 의도, 편향 분석 보고서

[11:09] 개요를 확인해보겠습니다.

[11:12] 들어온 텍스트는 주류 미디어에 대해

[11:14] 강한 부정적 감정을 보이고 있습니다.

[11:16] 네, 감정 톤은 부정적이고

[11:18] 의도는 설득적 목표를 가지고 있습니다.

[11:20] 편향 분석에서는 정치적 편향,

[11:22] 일반화, 감정적 언어 사용, 증거 부족이

[11:24] 발견되었습니다. 이 텍스트를

[11:26] 더 중립적으로 만들기 위한

[11:28] 권장사항이 포함되어 있습니다.

[11:30] 결론을 읽어보겠습니다.

[11:31] 분석 결과는 원본 메시지에서

[11:33] 상당한 수준의 부정성과 편향이

[11:35] 주류 미디어를 향해 있음을 보여줍니다.

[11:36] 제안된 권장사항을 구현함으로써

[11:38] 저자는 더 균형 잡히고 신뢰할 수 있는

[11:39] 관점을 제시할 수 있으며

[11:41] 미디어 소비에 대한 비판적 평가를

[11:43] 장려할 수 있습니다. 등등...

[11:45] 보시다시피 이것은 훨씬

[11:47] 더 포괄적인 분석이 될 것입니다.

[11:49] 초기 입력을 단순히 하나의 에이전트에

[11:50] 넣고 '이 텍스트의 감정, 의도, 편향을

[11:53] 분석해줘'라고 했을 때보다

[11:54] 훨씬 나은 결과를 얻었습니다.

[11:56] 이제 분할하고 병합하여

[11:58] 최종적으로 포괄적인 검토와

[12:00] 출력을 위해 하나로 만들었고

[12:03] 데이터 입력에서 출력까지의 과정이

[12:05] 훨씬 더 효율적일 것입니다.

[12:07] 마지막으로 제가 가장 흥미롭게 생각하는

[12:08] 평가자-최적화 프레임워크입니다.

[12:11] 여기서는 평가자 에이전트가

[12:12] 전달되는 내용이 좋은지 아닌지 결정하고

[12:14] 좋다면 그대로 진행되지만

[12:16] 그렇지 않다면 최적화되어

[12:18] 다시 평가자에게 보내져

[12:19] 추가 평가를 받게 됩니다.

[12:21] 이는 평가자 에이전트가

[12:22] 충분히 좋다고 판단할 때까지

[12:24] 계속되는 무한 루프가 될 것입니다.

[12:26] 제가 만든 '휴먼 인 더 루프' 영상을 보셨다면

[12:28] 우리가 피드백을 제공하고

[12:29] 진행 여부를 결정했던 것처럼

[12:31] 이번에는 에이전트가

[12:32] 그 역할을 수행하게 됩니다.

[12:34] 이 경우 에이전트가

[12:35] 백엔드에서 모든 워크플로우를

[12:37] 사용자 개입 없이 최적화할 것입니다.

[12:39] 당연히 이것의 장점은 고품질 출력을

[12:41] 보장할 수 있다는 것이고

[12:42] 오류와 수동 검토를 줄일 수 있으며

[12:44] 유연하고 확장 가능하면서

[12:46] AI의 성능을 최적화할 수 있다는 것입니다.

[12:48] AI의 성능이 지속적으로 개선될 것입니다.

[12:49] 이는 AI가 생성한 응답을 지속적으로 개선하는 반복적인 접근 방식이기 때문에 성능이 향상됩니다.

[12:56] 여기서 우리가 하는 작업은 전기 작성 에이전트를 사용하는 것입니다. 이 에이전트에게 우리가 지시한 것은

[13:02] 전기 작성을 하는 것입니다. '당신은 전문 전기 작가이며, 사람에 대한 정보를 받아 그 정보를 바탕으로 전체 프로필을 작성하게 될 것입니다.'

[13:09] 그리고 창의적으로 작성해도 된다고 알려주었습니다.

[13:13] 우리는 여기서 전기를 설정하고, 이를 계속해서 피드백 받을 수 있도록 합니다.

[13:19] 5번의 수정이 있더라도 매번 가장 최신 버전이 에이전트에게 전달되고

[13:24] 승인되면 최신 버전이 여기 구글 문서로 올라가게 됩니다.

[13:28] 그 다음으로 평가 에이전트가 있는데, 이 에이전트에게는 전기를 평가하고 피드백을 제공하는 임무를 주었습니다.

[13:35] 평가 기준으로는 인물의 인용구를 포함할 것, 가볍고 유머러스할 것, 이모지를 사용하지 말 것을 주었습니다.

[13:43] 전기가 완성되고 모든 기준이 충족된 경우에만 '완료'라고 출력하면 됩니다.

[13:48] 그래서 평가 에이전트의 출력이 '완료'인지 아니면 피드백인지 확인합니다. 피드백인 경우 최적화 에이전트로 보내져서

[13:56] '완료'라고 할 때까지 이 루프가 계속됩니다.

[13:59] 보시다시피 평가 에이전트의 출력인 json.output이 '완료'로 설정되면

[14:07] 위로 올라가서 구글 문서에서 확인할 수 있습니다.

[14:10] 실제 최적화 에이전트에서는 전기를 받고, 이전에 여기서 설정한 bio 필드를 참조합니다.

[14:17] 이렇게 하면 최적화 에이전트는 항상 가장 최신 버전의 전기를 받게 됩니다.

[14:23] 그리고 평가 에이전트로부터 피드백도 받게 됩니다.

[14:27] 이 경로로 가는 경우는 평가 에이전트가 '완료' 대신 피드백을 출력했다는 의미입니다.

[14:32] 피드백과 전기를 받은 다음, '당신은 전문 수정자이며 피드백을 바탕으로 전기를 최적화하는 것이 당신의 임무'라고 지시합니다.

[14:38] 사용자 메시지에 필요한 모든 것을 받아서 더 최적화된 버전의 전기를 출력합니다.

[14:44] 자, 빠르게 예시를 한번 해보겠습니다. 전기 에이전트에 필요한 것은 단순히 어떤 사람에 대한 정보입니다.

[14:53] 여기에 입력하겠습니다. '짐, 42세, 바닷가에 산다'

[15:02] 이것만 입력하고 짧은 전기가 작성되는 것을 보겠습니다.

[15:06] 그리고 평가를 받고 기준을 충족했는지 확인할 것입니다. 만약 충족하지 않았다면

[15:10] 평가를 받고

[15:11] 최적화 에이전트로 전달될 텐데,

[15:13] 최적화 에이전트는 기본적으로

[15:16] 충족해야 할 기준과 원본 약력을 받게 됩니다.

[15:18] 여기 평가 에이전트를 보시면

[15:20] 충분하지 않다고 판단하여

[15:21] 이제 최적화 에이전트로

[15:23] 전송되고, 에이전트가 내용을 최적화하여

[15:25] 다시 보낼 것입니다. 그러면 두 번째 시도에서는

[15:27] 문서에 게시될 수 있기를 바랍니다.

[15:29] 아직도 부족하다면

[15:30] 다시 에이전트로 돌아가서

[15:32] 한 번 더 최적화할 것입니다.

[15:34] 하지만 이 에이전트는

[15:35] 잘 해낼 것 같네요. 보세요,

[15:37] 문서에 올라갔습니다. 이제

[15:38] 구글 문서를 살펴보겠습니다.

[15:41] Jim Thompson의 약력인데, 캘리포니아에 살고 있고

[15:43] 43세이며, 바다를 사랑하고 모험을 즐기며

[15:46] 자연에 대한 깊은 존경심을 가진 사람입니다.

[15:49] 그의 어린 시절에 대해 이야기하고

[15:51] 물론 이건 모두 AI가 만든 내용이죠.

[15:53] 교육 배경과

[15:54] 경력, 그리고 개인적인 삶에 대해 다룹니다.

[15:57] Jim의 인용구도 있네요.

[15:59] '물고기들이 나를 궁금해하는 것이

[16:00] 내가 그들을 궁금해하는 만큼이나 큰 것 같아요'

[16:02] 또 다른 인용구도 있고, 아빠 개그도 있어요.

[16:04] '물고기가 왜 얼굴을 붉혔을까요?

[16:05] 바다의 밑바닥을 봤거든요.' 음...

[16:08] 아, 이제 이해했네요.

[16:09] 그리고 취미, 철학,

[16:12] 유산, 그리고 결론이 있습니다. 이것은

[16:14] 꽤 잘 최적화된 블로그 포스트로

[16:16] 우리가 에이전트에 설정한

[16:17] 모든 기준을 충족합니다.

[16:19] 가볍게 작성되었고

[16:21] 이모지는 없지만 유머러스한 내용이 있으며

[16:22] Jim의 인용구도

[16:24] 포함되어 있죠. 보시다시피

[16:26] 우리는 그저 'Jim, 43세, 바다 근처에 산다'는

[16:28] 정보만 입력했는데

[16:30] 이 사람에 대한 전체 이야기가 만들어졌고

[16:32] 다른 프레임워크들처럼

[16:33] 여기서도 유연성이 있어서

[16:35] 원하는 곳에서 모델을

[16:36] 변경할 수 있습니다. 예를 들어

[16:38] 초기에는 신경 쓰지 않고

[16:40] 저렴하고 빠른 것을 사용하다가

[16:41] 실제 최적화 에이전트에는

[16:43] 좀 더 추론 능력이 있는

[16:45] 모델을 사용할 수 있죠.

[16:46] 예를 들어 Claude-2 같은 걸로요.

[16:48] 자, 오늘은 여기까지입니다.

[16:49] 이 내용이 도움이 되었길 바라고

[16:51] 다음에 n8n에서

[16:53] 에이전트 워크플로우를 만들 때

[16:55] 아이디어를 얻으셨길 바랍니다.

[16:57] '내 워크플로우를

[16:58] 이 프레임워크로 구성했다면

[16:59] 지금보다 더 효율적이었을 텐데'라고

[17:01] 생각하실 수도 있겠네요. 말씀드린 대로

[17:02] 이 네 가지 템플릿은

[17:04] 무료로 커뮤니티에서 다운로드하실 수 있습니다.

[17:05] 직접 실험해보면서

[17:06] 작동 방식을 이해하고

[17:08] 각 프레임워크를 언제 사용할지

[17:10] 파악하실 수 있을 겁니다.

[17:11] 항상 그렇듯이

[17:13] 끝까지 시청해 주셔서 감사합니다.

[17:14] 새로운 것을 배우셨거나 도움이 되셨다면

[17:16] 좋아요 버튼 눌러주시면

[17:17] 정말 큰 도움이 됩니다.

[17:20] 다음 영상에서 뵐게요.