00:00:00이 영상의 스폰서인 HubSpot에 감사드립니다.
00:00:03사실 2025년 12월에 정말 엄청난 일이 일어났습니다.
00:00:07하지만 대부분의 사람들은 그 사실을 깨닫지도 못했죠.
00:00:09앤드류 컵시가 지난주에 이에 대해 트윗을 올렸는데요.
00:00:10"지난 두 달 동안 AI로 인해 프로그래밍이 얼마나 변했는지 설명하기 어려울 정도입니다."
00:00:15"특히 지난 12월 이후로 말이죠."
00:00:17OpenAI의 그렉도 이 점을 언급했습니다.
00:00:2012월 이후로 모델과 도구의 성능에 비약적인 발전이 있었다는 것이죠.
00:00:24몇몇 엔지니어들은 2025년 12월 이후로
00:00:28자신들의 업무 방식이 근본적으로 바뀌었다고 그에게 말했습니다.
00:00:29그렇다면 2025년 12월에 실제로 무슨 일이 일어났을까요?
00:00:32짧게 말하자면, 당시 도입된 최신 모델이 드디어
00:00:37완전 자율형 장기 작업이 가능한 수준에 도달한 것입니다.
00:00:38AI의 궁극적인 꿈은 우리가 잠든 사이에도 AI가
00:00:4324시간 내내 완전히 자율적으로 작업을 처리하는 것이었습니다.
00:00:462023년에도 가장 인기 있었던 프로젝트가 'AutoGPT'였다는 걸 기억하실 겁니다.
00:00:50완전 자율형 에이전트 시스템이 처음으로 소개된 때였죠.
00:00:54당시에는 GPT-4를 모델로 사용하는 상당히 기초적이고 단순한 구조였습니다.
00:00:59사용자의 목표에 따라 작업 목록을 자율적으로 세분화하고
00:01:03결과를 저장하는 간단한 메모리 저장소를 갖춘 형태였죠.
00:01:04사람들은 '10만 달러 벌어오기' 같은 목표를 주고
00:01:08완료될 때까지 무한 루프를 돌리는 미친 짓들을 하곤 했습니다.
00:01:11하지만 당시 모델은 준비가 덜 되었기에 시스템은 처참하게 실패하곤 했죠.
00:01:15그러나 작년 12월부터 상황이 정말 달라졌습니다.
00:01:18모델의 품질과 장기적인 일관성이 대폭 향상되면서
00:01:22훨씬 더 크고 긴 작업들을 수행할 수 있게 된 것입니다.
00:01:24업계에서는 온갖 종류의 실험적인 결과들이 쏟아져 나오기 시작했습니다.
00:01:28먼저 1월부터 '러프 루프(rough loop)'라는 아주 핫한 개념이 등장했는데요.
00:01:33모델이 더 복잡한 작업을 수행할 수 있도록 더 오래 작동하게 만드는
00:01:37가장 기본적이고 단순한 에이전트 반복 루프입니다.
00:01:38단순한 조건 확인과 함께 모델을 무한 루프 시켰을 뿐인데 이미 차이가 나타나기 시작했습니다.
00:01:42이미 그 차이를 체감할 수 있었죠.
00:01:43일주일 후, Cursor 팀은 GPT-5.2를 사용하여 300만 줄의 코드로 구성된
00:01:49브라우저를 바닥부터 자율적으로 구축하는 실험 결과를 발표했습니다.
00:01:52Anthropic 또한 Claude 코더 팀을 구성하여
00:01:572주 동안 C 컴파일러를 바닥부터 자율적으로 만드는 실험을 공개했습니다.
00:02:01결국 수동 코딩 없이 실제로 작동하는 버전을 완성해 냈죠.
00:02:05이 컴파일러 안에서 '둠(Doom)' 게임을 실행할 수도 있을 정도입니다.
00:02:08동시에 OpenClaw가 주목받기 시작하며
00:02:13전례 없는 폭발적인 성장을 기록했습니다.
00:02:14외부에서 보면 OpenClaw가 왜 그렇게 인기 있는지 이해하기 어려울 수 있습니다.
00:02:18단순히 내 컴퓨터 안에 상주하며 텔레그램으로도 접속 가능한
00:02:23또 다른 비서 정도로 보이기 쉽기 때문이죠.
00:02:27대체 왜 이렇게 인기가 많은 걸까요?
00:02:29직접 깊이 사용해 본 후에야 깨달았습니다. OpenClaw의 진짜 차별점은
00:02:35항상 켜져 있고, 장기 실행이 가능하며, 완전히 자율적인 에이전트라는 점입니다.
00:02:40인간이 다음 행동을 일일이 프롬프트로 지시해야 했던
00:02:45기존의 다른 에이전트 시스템들과는 매우 다릅니다.
00:02:46OpenClaw는 항상 켜져 있으며 선제적으로 행동합니다.
00:02:49이러한 자율성은 상당히 단순한 구조에서 비롯됩니다.
00:02:53트리거와 크론 작업(cron job)이 포함된 메모리 컨텍스트 계층이 작업을 자동 실행하고
00:02:58컴퓨터에 대한 전체 권한을 가져 강력한 작업 환경을 확보합니다.
00:03:02저는 OpenClaw가 2026년의 가장 큰 패러다임 변화를 이끈 프로젝트라고 믿습니다.
00:03:06단순 작업 중심의 코파일럿에서 장기 실행이 가능한
00:03:13완전 자율형 에이전트로 이동하고 있는 것이죠.
00:03:15항상 켜져 있고 준비되어 있으며, 복잡하고 조율된 작업을 완벽히 수행하는 존재입니다.
00:03:20이것은 여러분이 반드시 이해해야 할 중요한 변화입니다.
00:03:22오늘날의 모델은 올바른 시스템 설계만 뒷받침된다면
00:03:27여러분이 생각하는 것보다 훨씬 더 강력합니다.
00:03:28이것이 바로 오늘 제가 말씀드리고 싶은 핵심입니다.
00:03:30장기 실행 자율 시스템을 가능케 하는 '하네스 엔지니어링(Harness Engineer)'입니다.
00:03:34이 개념이 생소하시다면, 이전에 우리가 이야기했던
00:03:38컨텍스트 엔지니어링이나 프롬프트 엔지니어링에서 진화한 것이라 보시면 됩니다.
00:03:41이전에는 단일 에이전트 루프 세션에서 최고의 성능을 내기 위해
00:03:46유효 컨텍스트 창 내에서 프롬프트를 최적화하는 데 집중했습니다.
00:03:49하지만 하네스 엔지니어링은 장기 실행 작업에 초점을 맞춥니다.
00:03:53서로 다른 세션과 여러 에이전트에 걸쳐 작동하는 시스템을 설계하는 것이죠.
00:03:57각 세션에 필요한 컨텍스트를 어떻게 검색하고,
00:04:01모델의 역량을 극대화할 수 있는 도구 세트를 어떻게 설계할 것인지가 관건입니다.
00:04:05Este é um conceito bastante novo, mas o lado positivo é que a indústria já convergiu para
00:04:09활용 가능한 몇 가지 모범 사례들이 이미 정립되어 있습니다.
00:04:14패턴을 파악하실 수 있도록 하나씩 짚어보겠습니다.
00:04:16본격적으로 들어가기 전에, 완전 자율 에이전트라는 패러다임 전환 속에서
00:04:21향후 6~12개월간 가장 큰 기회는 특정 분야를 위한 OpenClaw를 만드는 것입니다.
00:04:25특정 수직 시장의 엔드투엔드 워크플로우를 깊이 있게 파고들어 이해하고,
00:04:29전 과정을 수행할 수 있는 환경과 도구를 갖춘 자율 에이전트를 구축하는 것이죠.
00:04:34그래서 HubSpot이 조사한 '이메일 마케팅에서의 AI 도입'에 관한
00:04:39멋진 리서치 보고서를 소개해 드리고자 합니다.
00:04:40이메일 마케팅 같은 분야에서 사람들이 현재 AI를 어떻게 활용하고 있고
00:04:44어떤 공백이 있는지 이해하기에 정말 훌륭한 보고서입니다.
00:04:47이 보고서는 자동화할 수 있는 이메일 마케팅의 명확한 워크플로우와
00:04:51잠재적인 기회들을 보여줍니다.
00:04:52이들은 수백 명의 주요 기업 이메일 마케터들을 대상으로
00:04:57AI가 그들의 업무 방식을 어떻게 재편하고 있는지 조사했습니다.
00:04:58마케터들이 왜 여전히 많은 수동 편집을 하고 있는지, 그 원인은 무엇인지,
00:05:03그리고 이메일 마케팅에 AI를 도입할 때 직면하는
00:05:06가장 큰 과제들이 무엇인지 다루고 있습니다.
00:05:07이 과제들 하나하나가 완전 자율 에이전트를 구축할 수 있는 큰 기회입니다.
00:05:11심지어 그들이 중시하는 특정 KPI와 AI가 입증된 결과를 낸 사례,
00:05:15그리고 이메일 마케터들이 AI에게 진정으로 원하는 것이 무엇인지까지 분석합니다.
00:05:16따라서 차세대 에이전트 제품을 고민하는 빌더분들이라면
00:05:20이 자료를 꼭 확인해 보시길 강력히 추천합니다.
00:05:24무료로 다운로드하실 수 있도록 아래 설명란에 링크를 걸어두었습니다.
00:05:27이 영상을 후원해 주신 HubSpot에 다시 한번 감사드립니다.
00:05:30이제 장기 실행 에이전트 시스템을 위한 하네스 엔지니어링으로 돌아가 보죠.
00:05:32여기서 얻은 세 가지 주요 교훈이 있습니다.
00:05:36첫째, 장기 작업 에이전트에서 시스템 설계의 핵심은
00:05:39각 하위 에이전트나 세션이 현재 상황을 명확히 파악할 수 있는
00:05:44'가독성 있는 환경'을 조성하는 것입니다.
00:05:49환경의 가독성을 강제할 수 있는 몇 가지 워크플로우가 있을 텐데,
00:05:50이에 대해 좀 더 자세히 설명해 드리겠습니다.
00:05:54둘째, 검증이 매우 중요합니다.
00:05:56더 빠른 피드백 루프를 통해 에이전트가 자신의 작업을 효과적으로 검증하게 함으로써
00:05:58시스템 출력을 대폭 향상시킬 수 있습니다.
00:06:03셋째, 추론과 로직을 성급하게 감싸는 특수 도구를 만들기보다는
00:06:04모델을 더 신뢰해야 한다는 점입니다.
00:06:08모델이 이미 잘 이해하고 있는 범용적인 도구와 함께 최대한의 컨텍스트를 제공하고,
00:06:11사람처럼 스스로 탐색하게 두어야 합니다.
00:06:16이제 각각의 사례를 살펴보며 이 세 가지를 하나씩 풀어보겠습니다.
00:06:17먼저 Anthropic의 '장기 실행 에이전트를 위한 효과적인 하네스' 블로그입니다.
00:06:20그들은 Claude code SDK를 사용하여 cloud.ai 웹사이트 복제와 같은
00:06:24초장기 실행 작업을 위한 전문 에이전트를 구축하는 실험을 했습니다.
00:06:29그들이 관찰한 첫 번째 실패 원인은 에이전트가 한꺼번에 너무 많은 일을 하려 한다는 것이었습니다.
00:06:32기본적으로 앱 전체를 한 번에 완성하려 시도하죠.
00:06:37그러다 보니 구현 도중에 컨텍스트가 부족해지게 되고,
00:06:40다음 세션은 기능이 반만 구현되거나 문서화가 덜 된 상태에서 시작하게 됩니다.
00:06:45그러면 에이전트는 실제로 무슨 일이 일어났는지 추측해야 하고,
00:06:49기본 앱을 다시 작동시키기 위해 상당한 시간을 낭비하게 됩니다.
00:06:52두 번째 실패 사례는 에이전트가 작업을 너무 일찍 끝냈다고 선언하는 경향입니다.
00:06:55여러분도 직접 몇 번 경험해 보셨을 텐데요.
00:07:00Claude code나 Cursor가 프로젝트나 기능이 완료되었다고 주장하지만,
00:07:02막상 테스트해 보면 작동하지 않는 경우죠.
00:07:05이런 모델의 기본 실패 행동을 해결하기 위해 그들은 먼저,
00:07:07요청된 모든 기능의 토대가 되는 초기 환경을 설정하여
00:07:12에이전트가 단계별로, 기능별로 작업할 수 있도록 세팅했습니다.
00:07:16우리가 흔히 사용하는 기획안이나 PRD(제품 요구 사양서) 접근 방식과 비슷하죠.
00:07:20두 번째로, 각 에이전트가 목표를 향해 점진적으로 나아가면서도
00:07:23각 세션이 끝날 때 환경을 깨끗한 상태로 유지하도록 프롬프트를 구성했습니다.
00:07:27그들이 설계한 해결책은 두 부분으로 나뉩니다.
00:07:32먼저 '초기화 에이전트'가 전용 프롬프트를 사용하여 모델에게
00:07:35init.sh 스크립트로 초기 환경을 설정하도록 요청합니다. 예를 들어 개발 서버를 설정하여
00:07:40다음 모델이 그런 것들까지 신경 쓰지 않게 하는 것이죠.
00:07:45또한 에이전트가 한 일을 기록하는 'cloud_progress.txt' 파일과
00:07:48추가된 파일을 보여주는 초기 git 커밋을 생성합니다.
00:07:53그런 다음 후속 세션마다 '코딩 에이전트'가 점진적으로 작업을 수행하고
00:07:55구조화된 업데이트 내용을 남기도록 합니다.
00:08:01이러한 모든 노력의 목적은 단 하나입니다.
00:08:02새로운 컨텍스트 창에서 작업을 시작할 때 에이전트가 작업 상태를
00:08:07빠르게 이해할 수 있는 환경을 어떻게 정의할 것인가 하는 점이죠.
00:08:11워크플로우는 이렇습니다. 초기화 에이전트가 먼저 환경을 설정하거나
00:08:13전체 계획을 추적하고 유지하기 위한 문서화 시스템을 구축합니다.
00:08:17여기서 설계된 환경은 우선 '기능 리스트 문서'를 포함하는데,
00:08:21이는 에이전트가 앱 전체를 한 번에 하려 하거나 조기에 완료되었다고 착각하는 것을 방지합니다.
00:08:25초기화 에이전트가 프로젝트를 200개 이상의 기능으로 세분화하여
00:08:30로컬 JSON 파일에 기록하게 하죠. 각 작업에는 상세 사양과
00:08:34성공/실패 상태가 표시되어 있습니다.
00:08:39기본적으로 모든 작업은 '실패'로 표시됩니다.
00:08:41모델이 항상 전체 프로젝트 목표와 진행 상황을 확인하고
00:08:43가장 우선순위가 높은 작업을 선택해 다음 단계를 진행하도록 강제하는 것이죠.
00:08:49하지만 이 워크플로우가 작동하려면 코드를 변경한 후
00:08:50환경을 깨끗하게 정리하도록 강제할 방법도 필요합니다.
00:08:55실험 결과 가장 좋은 방법은 모델에게 상세한 설명이 담긴 커밋 메시지와 함께
00:08:59git에 진행 상황을 커밋하고, 진행 보고 파일에 요약본을 작성하게 하는 것이었습니다.
00:09:05하지만 문서화와 컨텍스트 환경만으로는 충분하지 않습니다.
00:09:08모델은 본능적으로 적절한 테스트 없이 완료라고 표시하려는 경향이 있기 때문이죠.
00:09:13처음에는 단순히 유닛 테스트나 API 테스트를 통해
00:09:17코드 변경 후 항상 테스트를 수행하도록 프롬프트를 줬습니다.
00:09:22하지만 그런 방식은 기능이 엔드투엔드로 제대로 작동하는지 확인하는 데 자주 실패했습니다.
00:09:23진정한 변화는 모델에게 스스로 엔드투엔드 테스트를 수행할 수 있는
00:09:27적절한 도구를 주었을 때 일어났습니다. Puppeteer MCP나 Chrome 개발자 도구 같은 것들이죠.
00:09:30에이전트가 코드 자체만으로는 명확하지 않았던 버그들을 직접 찾아내고 고칠 수 있게 된 것입니다.
00:09:35기본적으로 초기화 에이전트가 목표를 기능 목록으로 세분화하고,
00:09:39개발 서버를 실행할 수 있는 init.sh와 진행 상황 파일을 함께 세팅하는 구조입니다.
00:09:43그러면 다음 코딩 에이전트는 기능 리스트를 읽어
00:09:47전체 프로젝트 계획을 이해하고, 우선순위 작업을 선택해 진행 파일과 로그를 확인합니다.
00:09:49그다음 즉시 init.sh를 실행해 개발 서버를 띄우고 엔드투엔드 테스트를 수행하여
00:09:53환경이 깨끗한지 확인합니다. 이를 통해 새로운 세션과 컨텍스트 창이 열릴 때마다
00:09:57전체적인 그림을 파악하고 더 빠른 피드백 루프를 가질 수 있습니다.
00:09:59OpenAI의 블로그에서도 매우 비슷한 이야기를 합니다.
00:10:04애플리케이션 환경을 가독성 있게 만들어야 한다는 것이죠.
00:10:09그들은 전체 저장소를 지식 시스템이나 기록 보관소로 활용합니다.
00:10:10처음에는 거대한 'agents.md' 파일을 하나 두었지만, 예상대로 실패했습니다.
00:10:13에이전트가 관리하고 유지하기엔 컨텍스트가 너무 방대했기 때문이죠.
00:10:16그래서 그들은 적절한 문서 환경 구조를 설계하고 'agents.md' 파일을
00:10:19일종의 목차(Table of Contents)로 취급했습니다.
00:10:23아키텍처, 설계 문서, 실행 계획, DB 스키마, 제품 사양,
00:10:27프론트엔드 설계, 보안 등에 대한 문서 시스템을 구축하고
00:10:32그 목차를 agents.md에 담아 에이전트가 필요할 때마다
00:10:33필요한 정보를 찾아올 수 있게 했습니다.
00:10:37이를 통해 점진적 정보 공개가 가능해졌고, OpenAI는 여기서 더 나아갔습니다.
00:10:42코드 지식뿐만 아니라 구글 문서, 슬랙 메시지 등 파편화된 모든 정보를
00:10:47저장소의 로컬 아티팩트 버전으로 변환하여 공급했습니다.
00:10:49에이전트 입장에서 환경 내에서 접근할 수 없는 정보는
00:10:53존재하지 않는 것이나 다름없기 때문입니다.
00:10:58다시 말하지만, 문서화만으로는 에이전트가 생성한 코드베이스의 일관성을 완전히 유지할 수 없습니다.
00:11:03그들은 불변의 규칙을 강제하기 위해 특정 프로그래밍 워크플로우를 도입했습니다.
00:11:04예를 들어, 명시적인 교차 경계를 가진 도메인 아키텍처 계층을 만들어
00:11:09커스텀 체크, 린터, 구조 테스트 등으로 규칙을 강제할 수 있게 했죠.
00:11:11이것들은 모든 git pre-commit 단계에서 자동으로 실행되고 주입됩니다.
00:11:16이런 종류의 아키텍처는 보통 수백 명의 엔지니어가 있는 회사에서나 도입을 고민하지만,
00:11:20코딩 에이전트를 사용할 때는 초기부터 갖춰야 할 필수 조건입니다.
00:11:25이러한 경계 안에서 팀과 에이전트는 아키텍처가 흐트러질 걱정 없이
00:11:29미세한 관리 없이도 자유롭게 해결책을 구현할 수 있습니다.
00:11:33동시에 코드베이스 자체도 많이 개선했습니다.
00:11:37예를 들어, git worktrees별로 앱 부팅이 가능하게 만들어 코덱스(codecs)가
00:11:41여러 인스턴스를 동시에 실행하고 제어할 수 있게 했습니다.
00:11:46또한 에이전트 런타임에 Chrome 개발자 도구 프로토콜을 연결하여
00:11:49DOM 스냅샷, 스크린샷, 내비게이션을 통해 버그를 재현하고 수정을 검증하게 했습니다.
00:11:52이러한 환경과 워크플로우 설정 덕분에 저장소는 드디어
00:11:55코덱스가 새로운 기능을 엔드투엔드로 구현할 수 있는 임계치를 넘었습니다.
00:11:57이제 코덱스가 단일 프롬프트를 받으면, 에이전트는 코드베이스의 현재 상태를 검증하고,
00:12:01보고된 버그를 재현하며, 실패 장면을 비디오로 기록해 입증합니다.
00:12:05그다음 수정을 구현하고 애플리케이션을 직접 구동해 검증한 뒤,
00:12:09문제가 해결된 두 번째 비디오를 기록하고 최종적으로 변경 사항을 병합합니다.
00:12:13이 두 블로그는 완전 자율 시스템을 위해 필요한 하네스 시스템과
00:12:17매우 유익한 학습 사례들을 잘 보여줍니다.
00:12:21한편으로는 또 다른 교훈도 있습니다.
00:12:25우리는 에이전트, 특히 특정 분야의 에이전트를 만들 때
00:12:29도메인 특화 작업을 위한 전문 도구를 만들려는 경향이 있습니다.
00:12:32하지만 대규모 언어 모델은 거의 항상 그들이 본질적으로 이해하는
00:12:34범용 도구를 사용할 때 훨씬 더 잘 작동한다는 것이 결론입니다.
00:12:36Vercel은 텍스트-SQL 에이전트를 어떻게 재설계했는지에 대한 훌륭한 기사를 발표했습니다.
00:12:40그들은 수개월 동안 정교한 내부 텍스트-SQL 에이전트를 개발했는데요.
00:12:43전문 도구를 활용한 과도한 프롬프트 엔지니어링과 세밀한 컨텍스트 관리가 포함되었습니다.
00:12:47하지만 많은 분이 경험하셨듯, 이런 시스템은 어느 정도 작동하긴 하지만
00:12:49매우 깨지기 쉽고 느리며 지속적인 유지보수가 필요합니다.
00:12:53새로운 예외 사례가 생길 때마다 에이전트에 새 프롬프트를 주입해야 하기 때문이죠.
00:12:58그런데 나중에 그들은 궤도를 완전히 바꾼 한 가지 시도를 했습니다.
00:13:02에이전트에서 대부분의 전문 도구를 삭제하고 단일 배치 명령 도구만 남긴 것입니다.
00:13:06이 훨씬 단순한 구조 덕분에 에이전트의 속도는 3.5배 빨라졌고
00:13:09토큰 사용량은 37% 줄었으며 성공률은 80%에서 100%로 상승했습니다.
00:13:12비슷한 교훈이 Anthropic 팀에서도 공유되었습니다.
00:13:15전문적인 검색이나 실행 도구 대신 grep, tail, npm,
00:13:20npm run lint 등을 실행할 수 있는 배치 도구 하나만 둔다는 것이죠.
00:13:25근본적으로 대규모 언어 모델은 자신이 생성해야 하는
00:13:30맞춤형 JSON 도구 호출보다 수십억 개의 훈련 토큰으로 익숙해진
00:13:34코드 네이티브 도구들을 훨씬 더 잘 알기 때문이라고 생각합니다.
00:13:38지난주에 올린 프로그래밍 방식의 도구 호출 영상에서도 이 내용을 다뤘는데요.
00:13:41근본적인 원리는 같다고 믿습니다. 하지만 이러한 단순한 아키텍처의 기반은
00:13:45결국 모델이 범용 도구를 사용해 컨텍스트를 점진적으로 가져올 수 있는
00:13:49훌륭한 컨텍스트와 문서화 환경입니다.
00:13:51OpenClaw의 경우도 마찬가지입니다.
00:13:55OpenClaw가 흥미로운 이유 중 하나는 놀랍도록 단순하지만 효과적인
00:13:59컨텍스트 환경을 갖추고 있다는 점입니다.
00:14:05핵심 정보를 저장하는 문서 리스트라는 토대 위에
00:14:06파일 읽기, 쓰기, 수정, 배치 명령 실행, 메시지 전송과 같은
00:14:09가장 기본적인 도구만을 제공합니다.
00:14:13나머지는 에이전트에게 관련 컨텍스트를 검색할 수 있는 환경을 주고
00:14:15역량을 확장할 수 있는 거대한 스킬 라이브러리를 제공하는 데서 옵니다.
00:14:18지금까지 장기 실행 복합 에이전트를 위한 하네스 엔지니어링의 세 가지 실질적 교훈을 알아보았습니다.
00:14:23가독성 있는 컨텍스트 환경을 구축해 각 세션이 컨텍스트를 효과적으로 가져오게 하고,
00:14:24모델이 작업을 효과적으로 검증하고 빠른 피드백 루프를 돌릴 수 있도록 워크플로우를 설계하며,
00:14:29모델이 본질적으로 이해하는 범용 도구를 믿고 맡기는 것입니다.
00:14:31관심 있으신 분들을 위해, 이러한 학습 내용들을 어떻게
00:14:35개발 라이프사이클 프로세스로 전환하는지 더 자세히 공유해 드릴 예정입니다.
00:14:36AI Builder Club에서는 바이브 코딩과 프로덕션 급 에이전트 구축에 관한
00:14:41강의와 워크스루(work-through)를 제공하고 있습니다.
00:14:46매주 저와 업계 전문가들이 최신의 실질적인 학습 내용들을 공유합니다.
00:14:50제가 매일 배우는 것들을 함께 배우고 싶으시다면
00:14:54아래 링크를 클릭해 커뮤니티에 참여해 보세요.
00:14:58이번 영상이 도움이 되셨길 바랍니다.
00:15:02시청해 주셔서 감사하며, 다음 시간에 뵙겠습니다.
00:15:03E toda semana, eu e especialistas do setor compartilhamos os aprendizados práticos mais recentes.
00:15:08Portanto, se você tiver interesse em aprender o que estou aprendendo todos os dias, clique no link
00:15:12abaixo para participar da comunidade.
00:15:13Espero que tenha gostado deste vídeo.
00:15:14Obrigado e até a próxima.