LLM AI 에이전트로 유튜브 영상 제목 자동 생성하기: 관찰부터 반영까지 4단계 구조 뜯어보기

핵심 메시지

• 영상 제목과 썸네일은 시청자가 클릭 여부를 정할 때 가진 거의 유일한 정보라, 창작자에게는 생각보다 큰 비용이 드는 작업이다.
• 앞선 실험에서는 톰슨 샘플링으로 공개 뒤 제목을 계속 바꿔 봤지만, 알고리즘이 잦은 변경을 불리하게 취급한다는 교훈만 남았다.
• 그래서 이번에는 처음 한 번에 좋은 제목을 뽑아내는 LLM 에이전트를 만들었다.
• 에이전트는 최근 20개 영상의 조회수·좋아요·댓글 같은 반응을 API로 읽고, 사람이 입력한 새 영상 설명을 받아 제목과 그 근거를 만든 뒤 다시 API로 제목을 직접 바꾼다.
• 환경을 관찰하고 판단해 다시 환경을 바꾸는 이 폐루프가 에이전트를 에이전트로 만드는 요건이다.

쉽게 이해하기

영상을 하나 올리는 과정의 마지막은 썸네일과 제목을 정하는 일이다. 대충 눈에 띄게 만들면 그만인 것처럼 보이지만, 제작자는 이 단계가 생각보다 훨씬 오래 걸린다고 말한다. 시청자가 클릭할지 말지 결정할 때 손에 쥔 정보가 사실상 이 둘뿐이기 때문이다.

그는 앞선 영상에서 베이즈 통계 기법인 톰슨 샘플링으로 이 문제를 다뤄 본 적이 있다. 영상을 공개한 뒤 제목 후보들을 번갈아 걸어 보고 조회수가 잘 나오는 쪽으로 옮겨 가는 방식이었다. 결론은 기대와 달랐다. 제목과 썸네일을 너무 자주 바꾸면 알고리즘이 오히려 불이익을 준다는 것이었고, 그 실험 영상 자체가 조회수가 저조했던 이유도 거기 있을 것이라고 그는 짐작한다.

그래서 문제를 다시 정의했다. 사후에 고쳐 가며 최적화하는 대신, 처음부터 좋은 제목 하나를 맞히자는 것이다. 에이전트는 네 단계로 움직인다. 먼저 유튜브 API로 채널의 최근 영상 20개와 그 반응 지표를 가져와 무엇이 잘 통했고 무엇이 아니었는지를 참고 자료로 삼는다. 다음으로 사람이 새 영상이 어떤 내용인지 설명을 입력하는데, 이 입력은 파이썬 플라스크로 만든 간단한 웹 화면으로 받는다.

세 번째로 에이전트의 핵심인 프롬프트가 이 두 가지 정보를 받아 제목과 함께 왜 그 제목이 좋다고 판단했는지 이유를 내놓는다. 마지막으로 다시 유튜브 API를 호출해 그 제목을 해당 영상에 직접 설정한다. 시연에서는 성과가 부진했던 기존 영상 두 편에 이 흐름을 적용했고, 새 제목이 실제 영상 페이지에 자동으로 반영되는 모습을 보여준다.

제작자는 이 단순한 구조가 LLM 에이전트에 기대하는 조건을 모두 갖췄다고 정리한다. 채널의 반응 통계라는 환경을 관찰하고, 사용자의 설명을 받아 판단을 내리고, 그 결과로 실제 영상 제목을 바꿔 환경에 영향을 준다. 그는 자신에게 진짜로 중요한 문제에 첫 AI 에이전트를 붙여 보며 많이 배웠다고 말하며, 다른 사람도 따라 만들 수 있도록 코드를 공개하겠다고 밝힌다.

주요 인사이트

• 이 자동화의 가치는 그럴듯한 문구를 뽑아 주는 데 있다기보다, 제목을 지을 때마다 채널의 과거 반응 데이터를 반드시 근거로 삼게 만든 데 있다.
• 에이전트를 정의하는 것은 모델의 크기가 아니라 환경을 관찰하고 다시 환경을 바꾸는 폐루프 구조다. 작은 프로젝트로도 그 구조는 온전히 성립한다.
• 공개 후 계속 제목을 바꾸는 최적화는 플랫폼 알고리즘과 충돌할 수 있다. 최적화 기법을 바꾸는 대신 문제를 '첫 한 번을 잘 맞히기'로 다시 세운 점이 이 사례의 핵심 전환이다.
• 제목과 함께 판단 근거를 내놓게 하면 사람이 결과를 검토하고 수정할 여지가 생긴다. 자동으로 반영되는 시스템일수록 이 설명이 안전장치가 된다.
• 사람이 영상 내용을 설명하는 단계가 남아 있다는 점에서, 이 에이전트는 완전 자동화가 아니라 사람의 맥락 입력을 전제로 한 협업 도구에 가깝다.

자주 묻는 질문

관련 AI 소식