AI 에이전트 큐레이션 자동화: 링크드인·X 글 수집부터 카카오톡 발송까지

핵심 메시지

• 오픈채팅방에 좋은 글을 꾸준히 전달하는 일을 사람이 직접 하기엔 손이 많이 가, 수집·선별·번역·요약을 에이전트(헤르메스)에게 맡기는 자동화를 만들었다.
• 자동화 설계의 핵심은 결정론적 영역(메시지 전송, 채팅방 ID 조회, API로 글 가져오기)은 코드와 설정으로 고정하고, 비결정론적 영역(글 선별·의역·요약 깊이)은 LLM과 대화하며 점진적으로 기준을 만드는 것이다.
• 맥용 카카오톡 메시지 전송은 스위프트 기반 CLI(KMSG)로, 링크드인·X 글 수집은 크롤링 플랫폼 Apify의 액터로 처리한다.
• 사람이 한 번 테스트한 작업을 에이전트가 반복하도록, 재사용 가능한 CLI 로직과 ‘핸드오프 문서’·요약 가이드를 만들어 에이전트에게 넘긴다.
• 전체 흐름은 크론잡으로 매일 정해진 시간에 실행되며, 사용자가 피드백을 줄수록 큐레이션 기준이 점점 개인 취향에 맞게 발전한다.

쉽게 이해하기

영상은 직접 운영하는 카카오톡 오픈채팅방에 좋은 정보를 꾸준히 전달하기 위한 ‘에이전트 기반 큐레이션 자동화’를 처음부터 끝까지 만드는 과정을 보여준다. 평소 링크드인과 X에서 자주 보는 계정의 글을 사람이 직접 보고 고르고 번역·요약해 공유하는 일은 생각보다 손이 많이 가기 때문에, 이 반복 작업을 에이전트에게 위임하는 것이 목표다.

전체 그림은 다섯 단계다. 먼저 로컬 맥에서 카카오톡에 메시지를 보낼 수 있어야 하고, 다음으로 링크드인·X에서 글을 수집하며, 이를 재사용 가능한 CLI 로직과 문서로 정리해 에이전트에게 넘기고, 에이전트가 그 문서를 읽어 수집·요약·발송을 수행한 뒤, 마지막으로 이 모든 과정을 크론잡으로 연결해 매일 자동 실행되게 한다.

발표자는 자동화를 전부 LLM에 맡기지도, 전부 코드로 고정하지도 않는다. 카카오톡 메시지 전송, 채팅방 ID 조회, API로 글을 가져오는 것처럼 재현과 디버깅이 중요한 부분은 결정론적 영역으로 보고 코드·설정으로 고정한다. 반대로 어떤 글이 유용한지, 해외 글을 어떻게 의역하고 어느 깊이로 가공할지는 비결정론적 영역으로 보고 LLM과 계속 대화하며 기준을 다듬는다.

구현 도구로는 맥 카카오톡 자동 전송을 위한 스위프트 기반 CLI(KMSG)와, 링크드인·X 글을 긁어오는 크롤링 플랫폼 Apify의 ‘액터’를 활용한다. 액터는 실력 좋은 개발자들이 만들어 둔 크롤러를 가져다 쓰는 개념으로, 월 5달러 수준의 무료 크레딧으로도 충분히 활용할 수 있다고 설명한다.

사람이 테스트한 내용을 에이전트가 이해할 수 있게 ‘핸드오프 문서’와 번역·요약 가이드를 만들어 전달한다. 요약 가이드는 단순 ‘요약해 줘’가 아니라, 글 성격을 먼저 판정하고 의미 단위로 나눠 읽은 뒤 핵심 주장·새 정보·기술적 의미·시장 의미·주목할 부분 다섯 가지를 추출하고, 다시 카카오톡 공유용으로 압축하도록 설계했다.

주요 인사이트

• 자동화를 ‘결정론 영역 = 코드로 고정, 비결정론 영역 = LLM과 점진 학습’으로 나눠 접근하면, 안정성과 유연성을 동시에 잡을 수 있다.
• 남이 만든 크롤링 도구(Apify 액터)를 활용하면 직접 크롤러를 만드는 것보다 빠르고 정신 건강에 좋다 — 비용도 월 몇 달러 수준이면 충분하다.
• 에이전트에게 작업을 위임할 때는 ‘핸드오프 문서’처럼 사람이 한 번 검증한 절차를 에이전트가 이해할 수 있는 형태로 넘기는 단계가 중요하다.
• 요약 프롬프트를 ‘성격 판정 → 의미 단위 분할 → 5요소 추출 → 공유용 압축’으로 구조화하면 피상적 요약을 넘어 맥락이 살아 있는 결과를 얻는다.
• 사용자가 ‘이건 빼자, 저건 넣자’ 식으로 피드백을 누적해 주면 에이전트의 큐레이션 기준이 점점 개인 취향에 맞게 진화한다.

자주 묻는 질문

관련 AI 소식