바이브코딩 워크숍 | ‘바이브코딩 심화과정’ 개요 (구름, 온라인, 오전/오후, 80H)

2026.04.16 / 동준상.넥스트플랫폼
(AWS SAA, AWS AIF, GCP GenAI Leader)

Building a Production-Ready AI Ecosystem: 80 Hours of Vibe Coding

! 이번 워크숍 프로젝트를 완성하기 위해서는 유료 레벨의 바이브코딩 도구 (Cursor, Claude Code 등 도구 중 1개 이상) 구독 권한 및 유료 LLM (OpenAI, Gemini, Claude 중 1개 이상) API 접근 권한이 필요합니다.

! 워크숍 프로젝트 참여 전 해당 도구 설치 및 테스트, LLM API 접근 테스트를 완료해주세요.

핵심 요약 (Executive Summary)

이번 포스트는 ‘바이브코딩 중급과정’의 교육 체계와 주요 내용을 설명하는 과정 안내서입니다.

• 본 과정은 ‘AI가 해주는 체험’인 초급 단계를 넘어, 학습자가 직접 ‘AI와 함께 설계하고 구현하는’ 역량을 확보하는 데 초점을 맞추고 있습니다.
• 총 80시간(10일 전일제 또는 20일 야간제) 동안 진행되는 이 과정은 5가지 핵심 테마와 20개의 실전 프로젝트로 구성되어 있습니다.
• 단순히 도구를 사용하는 수준을 탈피하여, 에이전트 아키텍처 구축, 콘텐츠 자동화 파이프라인 형성, 데이터 인텔리전스 구현, RAG 기반 지식 시스템 설계, 그리고 최종적인 SaaS 서비스 상용화까지 아우르는 포괄적인 커리큘럼을 제공합니다.
• 특히, 마지막 단계인 캡스톤 프로젝트를 통해 실제 배포 가능한 수준의 AI 제품을 론칭하는 것을 목표로 합니다.

1. 교육 과정 개요 및 철학

바이브코딩 중급과정은 기반 지식의 단순 습득이 아닌, 경험의 응용과 확장에 중점을 둡니다.

• 교육 목표: 초급에서 경험한 개별 AI 도구 활용 능력을 시스템 단위의 구현 능력으로 격상.
• 패러다임의 전환:
  • 초급: “AI가 해준다” (체험 및 수동 조작)
  • 중급: “내가 설계하고 AI와 함께 만든다” (시스템 구현 및 자동화)
• 운영 방식: 온라인 접속 기반, 일일 8시간(10일) 또는 4시간(20일) 과정.

2. 주요 테마별 상세 분석

과정은 5가지 테마로 나뉘며, 각 테마는 4개의 세부 프로젝트를 포함하여 실무 역량을 단계별로 강화합니다.

테마 1: AI 에이전트 아키텍처 (Day 1~2)

수동으로 조작하던 프롬프트와 도구들을 스스로 판단하고 실행하는 ‘에이전트’ 구조로 전환합니다.

• 프롬프트 키트 자동화: 문서 종류를 파악하고 적합한 프롬프트를 자동 선택하여 Notion에 저장하는 Tool Use 에이전트 구현.
• Multi-LLM 라우팅: Claude, GPT, Gemini 등의 응답 품질과 비용을 자동 평가하여 최적의 모델을 선택하는 엔진 구축.
• 커스텀 MCP(Model Context Protocol) 서버: 사내 데이터베이스나 API에 AI가 직접 접근할 수 있는 환경을 TypeScript로 구축.
• 업무 자동화 봇: 노코드(Make) 방식에서 코드(Slack Bolt + API) 기반 자동화로 전환하여 유연성 확보.

테마 2: 콘텐츠 자동화 파이프라인 (Day 3~4)

단발성 콘텐츠 제작을 넘어 시스템화된 자동 생산 및 발행 프로세스를 구축합니다.

• 멀티채널 자동화: YouTube URL 기반의 음성 전사, SEO 최적화 블로그 포스팅, 워드프레스 자동 발행 파이프라인 구축.
• 브랜드 콘텐츠 공장: 멀티모달 AI를 활용하여 이미지 생성부터 각 SNS 포맷별 텍스트 변환 및 예약 발행까지 통합 관리.
• GitHub Actions 활용: 코드 리뷰 자동화 및 뉴스레터 편집장 시스템 구축을 통해 스케줄링 기반의 자동 운영 구현.

테마 3: 데이터 인텔리전스 (Day 5~6)

데이터 분석 역량을 실시간 시스템 및 로컬 보안 환경으로 확장합니다.

• Text-to-SQL 인터페이스: 자연어 질문을 SQL로 변환하여 공공 데이터나 기업 DB를 시각화하는 BI 도구 제작.
• 프로덕션급 대시보드: Streamlit을 활용하여 로그인 기능, 멀티유저 데이터 분리, 배포가 완료된 산업별 대시보드 구현.
• 로컬 AI 분석 (Ollama): 보안이 중요한 환경을 위해 인터넷 연결 없이 Mac 로컬 환경에서 구동되는 문서 분석 시스템 구축.

테마 4: RAG & 지식 기반 시스템 (Day 7~8)

단순 프롬프트 입력의 한계를 극복하기 위해 외부 지식을 체계적으로 결합합니다.

• 기업용 RAG(Retrieval-Augmented Generation): PDF, Notion 등 대량의 문서를 벡터 임베딩하여 답변 출처를 명시하는 지식베이스 구축.
• 자율 리서치 에이전트: 주제 입력 시 스스로 웹 검색, 크롤링, 분석을 수행하여 인용 정보가 포함된 리포트 작성.
• 실무 특화 에이전트: JD(직무기술서) 생성 및 지원자 서류 스크리닝을 수행하는 HR 도구 등 특정 도메인 최적화.

테마 5: SaaS 제품/서비스 상용화 (Day 9~10)

구현된 기능을 실제 수익 창출이 가능한 서비스 모델로 완성합니다.

• 수익 구조 구현: Toss Payments API를 연동한 결제 시스템, 구독 모델, 사용량 제한 로직이 포함된 MVP 제작.
• AI API 공급자: 자신의 AI 기능을 타 서비스가 호출할 수 있도록 JWT 인증 및 Rate Limiting이 적용된 REST API 서버 구축.
• 캡스톤 론칭: 본인이 기획한 AI 제품을 실제 배포하고 성과를 발표하며 과정을 마무리.

3. 초급 대비 중급 과정의 기술적 도약

구분	초급 과정 (기반 지식)	중급 과정 (응용 및 확장)
개발/배포	Cursor + Vercel 기본 배포	풀스택 AI 앱 + 인증·결제 연동
데이터	Pandas + EDA 기초	Text-to-SQL + 실시간 ML 파이프라인
대시보드	Streamlit 산업별 기초	멀티유저 + 프로덕션급 배포
프롬프트	프롬프트 엔지니어링 키트	RAG + Tool Use + 에이전트 체인
자동화	Make 노코드 자동화	GitHub Actions + 코드 기반 자동화
에이전트	MCP 에이전트 체험	커스텀 MCP 서버 직접 구축
콘텐츠	이미지·영상 생성 AI 활용	브랜드 콘텐츠 자동화 시스템

4. 결론 및 교육 성과

본 중급 과정은 학습자가 단순히 AI 기술을 ‘아는 것’에 그치지 않고, ‘비즈니스 가치를 창출하는 제품’으로 변모시키는 과정을 실습하도록 설계되었습니다.

특히 다음 세 가지 핵심 역량 확보에 집중합니다:

1. 시스템 통합 능력: 개별 AI API를 연결하여 복합적인 워크플로우를 설계하는 능력.
2. 코드 기반 제어: 노코드의 한계를 넘어 코드를 통해 세밀한 제어와 확장이 가능한 자동화 시스템 구축 능력.
3. 상용화 마인드셋: 기술 구현을 넘어 결제, 보안, 멀티유저 대응 등 실제 서비스 운영에 필요한 요소를 통합적으로 고려하는 관점.

---

바이브코딩 중급: 기반 지식과 경험의 응용 및 확장

수도권ICT-구름에서 주관하는 바이브코딩 시작하기 과정 개요입니다. (주간 전일) 일일 8시간씩 10일 또는 (야간) 일일 4시간씩 20일간 진행되며, 학습자는 온라인으로 접속하여 바이브코딩에 대한 지식과 경험을 쌓고 기반 지식을 응용 및 확장할 수 있는 과정입니다.

기반 지식과 경험	응용과 확장
Cursor + Vercel 기본 배포 (P2)	풀스택 AI 앱 + 인증·결제 연동
Python Pandas + EDA 기초 (P5)	Text-to-SQL · 실시간 ML 파이프라인
Streamlit 산업별 대시보드 (P6)	인증·멀티유저·프로덕션급 배포
프롬프트 엔지니어링 키트 (P7)	RAG · Tool Use · 에이전트 체인
Make 노코드 자동화 (P8)	GitHub Actions + 코드 기반 자동화
MCP 에이전트 체험 (P9)	나만의 MCP 서버 직접 구축
이미지·영상 생성 AI (P3, P4)	브랜드 콘텐츠 자동화 파이프라인

초급 = “AI가 해준다” 체험
중급 = “내가 설계하고 AI와 함께 만든다” 구현

---

바이브코딩 중급 과정 20개 프로젝트

5개 테마 × 4개 프로젝트, Day별 8시간 구성

중급 프로젝트 목록	기반 지식과 경험	확장, 응용, 심화 방향
P1. Tool Use 에이전트	P7 프롬프트 키트	수동 → 자동 판단
P2. Multi-LLM 라우팅	P1 AI 도구 비교	손 비교 → 코드 자동화
P3. MCP 서버 구축	P9 MCP 체험	사용자 → 제작자
P4. Slack AI 봇	P8 Make 자동화	노코드 → 코드 전환
P5. YouTube 파이프라인	P3+P4 콘텐츠	수동 제작 → 자동 생산
P6. 브랜드 콘텐츠 공장	P3+P4 생성형 AI	단발 → 시스템화
P7. 뉴스레터 시스템	P7 프롬프트 키트	템플릿 → 스케줄 자동화
P8. PR 코드 리뷰	P2 Cursor+GitHub	코드 만들기 → 검토 자동화
P9. Text-to-SQL	P5 Pandas EDA	코드 분석 → 자연어 인터페이스
P10. Streamlit 프로덕션	P6 대시보드 기초	로컬 → 멀티유저 배포
P11. 리뷰 감정 분석	P5 데이터 분석	과거 데이터 → 실시간 수집
P12. Ollama 온프레미스	P9 MCP 체험	클라우드 → 완전 로컬
P13. RAG 문서 Q&A	P7 프롬프트 키트	맥락 복붙 → 벡터 검색
P14. 리서치 에이전트	P8 Make 자동화	정해진 흐름 → 자율 판단
P15. 채용 어시스턴트	P7 프롬프트 키트	템플릿 → 실무 에이전트
P16. 경쟁사 모니터링	P8 Make 알림봇	단순 알림 → 전략 분석
P17. Toss SaaS MVP	P2 Vercel 배포	무료 앱 → 유료 서비스
P18. AI API 서버	P2+P7 경험	사용자 → API 공급자
P19. 콘텐츠 재활용 엔진	P3+P4 콘텐츠	채널별 수동 → 통합 자동화
P20. 캡스톤 론칭	P10 캡스톤	구현 → 실제 론칭

---

테마 1. AI 에이전트 아키텍처 (Day 1~2)

프로젝트 1. 프롬프트 키트 자동화 웹앱 빌드

• 기존 손으로 설계했던 템플릿을 이제 AI가 자동으로 판단해서 실행하도록 함
• “보고서 요약해줘”라고 입력하면 문서 종류를 파악하고, 적합한 프롬프트를 자동 선택하고, 결과를 Notion에 저장하는 멀티스텝 Tool Use 에이전트를 Next.js 웹 UI 위에 구현
• 초급에서 수동으로 했던 것을 에이전트가 대신 수행하도록 함

프로젝트 2. Multi-LLM 라우팅 시스템 구현

• 기존 손으로 비교했던 것을 이제 코드가 자동으로 수행하도록 함
• 동일 프롬프트를 Claude·GPT·Gemini에 동시 발사하고 응답 품질·속도·비용을 자동 평가해 최적 모델을 선택하는 라우팅 엔진을 구현
• Multi-LLM 라우팅 내부 구조를 직접 재현하는 실전 아키텍처 프로젝트

프로젝트 3. 커스텀 MCP 서버 구축

• MCP 서버 사용 경험을 확장하여 나의 니즈에 맞는 커스텀 MCP 빌드
• TypeScript로 사내 DB나 사설 REST API에 Claude가 접근할 수 있는 커스텀 MCP 서버를 구현하고, Claude Desktop에 연결해 “우리 회사 데이터를 AI가 직접 읽는” 환경을 완성
• MCP 프로토콜 구조와 Tool 정의 방식을 코드 레벨로 이해

프로젝트 4. AI 어시스턴트 봇 업무 자동화

• 기존 Make 노코드 블록으로 연결했던 이메일·슬랙 자동화를 Slack Bolt + Claude API로 직접 구현
• /요약, /번역, /리포트 슬래시 커맨드를 입력하면 AI가 채널 대화를 요약하고 Notion에 자동 저장
• “Make로 만들던 것을 코드로 만들면 무엇이 달라지는가”를 실제로 체감하는 전환점 프로젝트

---

테마 2. 콘텐츠 자동화 파이프라인 (Day 3~4)

프로젝트 5. YouTube, SEO 블로그, 뉴스레터 자동화

• 기존에 수작업으로 진행했던 쇼츠 영상 제작, SNS 콘텐츠 작성 작업을 AI 파이프라인에서 자동 생산
• YouTube URL 입력 → Whisper 음성 전사 → Claude SEO 최적화 → WordPress REST API 자동 발행까지 한 번에 처리
• NextPlatform 같은 블로그에 직접 연동 가능한 구조

프로젝트 6. 멀티모달 콘텐츠 생성부터 멀티채널 발행까지

• 기존 이미지·영상 생성, SNS 자동 생성의 통합 심화 버전
• 제품·서비스 키워드를 입력하면 DALL-E 또는 Stability AI로 브랜드 이미지를 자동 생성하고, 블로그·인스타그램·X·카카오채널별 최적 포맷으로 텍스트를 변환한 뒤 예약 발행까지 처리
• 초급에서 각각 따로 했던 것을 하나의 시스템으로 통합

프로젝트 7. AI 뉴스레터 편집장 시스템

• 기존 프롬프트 키트에서 만든 콘텐츠 요약 템플릿을 스케줄 기반 자동화로 발전
• RSS 피드·키워드 설정 → 매일 새벽 자동 수집 → Claude 큐레이션·요약·편집 → 수신자별 관심사 맞춤 발송. GitHub Actions 스케줄러 + Resend 이메일 API 조합
• 초급 Make 파이프라인과 같은 목표를 코드로 구현하는 비교

프로젝트 8. GitHub PR 자동 코드 리뷰 에이전트

• 기존 Cursor+GitHub 배포 경험을 기반으로, PR이 생성될 때 Claude가 자동으로 코드 리뷰 코멘트를 달아주는 GitHub Actions 에이전트를 구현
• 보안 취약점·성능 이슈·코드 컨벤션을 분석하고, 팀별 리뷰 기준을 System Prompt로 커스터마이징
• 초급에서 코드를 만든 사람이 중급에서는 코드를 검토하는 시스템을 구현

---

테마 3. 데이터 인텔리전스 (Day 5~6)

프로젝트 9. 음성 인식 기반의 Text-to-SQL 인터페이스

• 기존 Pandas EDA에서 AI가 코드를 생성해주는 구조를 웹 앱으로 빌드
• “지난달 에너지 소비량 상위 10개 설비 보여줘”처럼 자연어로 질문하면 AI가 SQL을 생성하고 결과를 표·차트로 시각화
• 지역 공공 데이터베이스를 직접 연결해 비개발 임원도 데이터를 조회할 수 있는 BI 도구 완성

프로젝트 10. Streamlit 산업별 프로덕션 대시보드 구현

• 기존 로컬에서만 돌리던 Streamlit 대시보드를 이제 인터넷에 공개하고 팀이 함께 쓸 수 있도록 고도화
• Firebase Auth로 로그인 기능 추가, 멀티유저 데이터 분리, 실시간 데이터 갱신, Streamlit Cloud 배포
• 에너지·자동차·헬스케어 분야 중 선택해 실제 현장에서 쓸 수 있는 수준으로 완성

프로젝트 11. 소셜 리뷰 감정 분석 & 실시간 모니터링 시스템

• 기존 Pandas 데이터 처리 역량을 실시간 수집과 연결
• 네이버 스마트스토어·구글 플레이·앱스토어 리뷰를 자동 수집해 감정 트렌드·핵심 불만 키워드·경쟁사 비교를 실시간 차트로 보여주는 모니터링 대시보드
• 초급에서 EDA로 과거 데이터를 분석했다면, 중급에서는 미래 데이터를 자동으로 수집하고 분석하는 시스템 빌드

프로젝트 12. Ollama 기반 로컬 AI 문서 분석 시스템

• 기존 MCP 클라우드 에이전트의 진화 버전
• 인터넷 연결 없이 Mac M 시리즈 위 Ollama로 기업 내부 문서를 완전 로컬 처리하는 프라이버시 보호 AI 분석 시스템을 구축
• 금융·의료·공공기관처럼 데이터 외부 유출이 불가한 환경을 위한 아키텍처
• Cloudflare Tunnel로 팀 내부 공유까지 완성

---

테마 4. RAG & 지식 기반 시스템 (Day 7~8)

프로젝트 13. RAG 기반 기업 문서 Q&A 시스템

• 기존 프롬프트 엔지니어링에서 AI에게 맥락을 직접 복붙했던 방식의 한계를 해결하는 프로젝트
• PDF·Word·Notion 문서를 업로드하면 벡터 임베딩으로 저장
• 자연어 질문에 출처 문단과 함께 답변하는 기업용 지식베이스를 LangChain + Supabase pgvector + Claude로 완성
• 프롬프트 엔지니어링의 다음 단계가 RAG임을 실전으로 이해

프로젝트 14. 자율 리서치 에이전트로 검색·수집·보고 자동화

• 기존 Make 자동화에서 정해진 흐름만 따르던 자동화를 넘어, 스스로 판단하며 일하는 에이전트 빌드
• 주제를 입력하면 웹 검색 → 페이지 크롤링 → 정보 분석 → 출처 인용 포함 리포트 작성까지 자율 수행
• Anthropic Web Search Tool Use + Claude 에이전트 패턴의 핵심 체득

프로젝트 15. AI 채용 어시스턴트로 JD 생성 + 서류 스크리닝

• 채용 포지션을 설명하면 JD를 자동 생성하고, 지원자 이력서를 업로드하면 적합도 점수·강점·약점 리포트를 구조화해 출력하는 HR AI 도구
• Firebase Auth + Claude 조합으로 HR 담당자만 접근 가능한 내부 도구 수준으로 구현
• 기존 프롬프트 키트 경험이 직접 연결되는 실무 에이전트 빌드

프로젝트 16. 경쟁사 모니터링 & 인텔리전스 봇

• 기존 Make 이메일 알림봇의 단순 알림을 넘어서, 전략 분석까지 수행하는 인텔리전스 시스템 빌드
• 지정 URL을 Playwright로 주기 크롤링 → 가격 변동·신제품·채용 변화 감지 → AI 전략 분석 리포트 생성 → Slack/Telegram 자동 발송
• Make와 코드 기반 자동화의 결정적 차이를 체감하는 프로젝트

---

테마 5. SaaS 제품/서비스 상용화 (Day 9~10)

프로젝트 17. 결제 연동 AI SaaS MVP

• 기존 웹앱에 ” 수익실현 구조”를 붙이는 프로젝트
• AI 기능 하나(문서 요약기, 콘텐츠 생성기 등)를 골라 월정액 구독 모델로 묶고, Toss Payments API로 결제를 연동
• 플랜별 사용량 제한·사용자 대시보드·구독 관리까지 포함한 멤버십 플랫폼 아키텍처 구현

프로젝트 18. AI API 서비스 서버 구현

• 지난 프로젝트 17의 백엔드 심화 버전
• 다른 앱이 호출할 수 있는 AI 기능 REST API 서버를 구축하고, JWT 인증·플랜별 Rate Limiting·요청당 과금 로직·사용량 로깅을 구현
• “내가 만든 AI API를 다른 사람이 쓰는” AI 에이전시 서비스 아키텍처를 설계하는 경험

프로젝트 19. 멀티채널 원-소스 멀티-유스 콘텐츠 엔진

• 지난 콘텐츠 자동화 프로젝트에서 별개의 채널을 하나의 엔진으로 통합
• 블로그 글 하나를 입력하면 유튜브 대본·LinkedIn 포스트·X 스레드·뉴스레터·카카오채널 메시지로 채널별 최적 포맷 자동 변환·예약 발행
• GitHub Actions 스케줄러로 요일별 자동 운영하는 콘텐츠 파이프라인 구현

프로젝트 20. AI 사이드 프로젝트 론칭 — 중급 캡스톤

• 초급 캡스톤에서 “아이디어를 구현”했다면, 중급 캡스톤은 “구현한 것을 론칭”
• 수강생이 직접 기획한 AI 제품을 완성·배포하고 실제 URL과 함께 5분 발표
• 평가 기준: 문제정의(타겟, 좌절점, 해법)의 선명함 + 작동하는 AI 기능 + 배포 URL
• 학습 성과: 강의 종료와 함께 학습자별 사이드 프로젝트가 시작됨

---

바이브코딩 중급 과정 10개 프로젝트

• 3개월 이상의 바이브코딩 경험자를 위한 중급 핸즈온 10개 (26.04.23)
• 서버리스 환경(Vercel, AWS Lambda)에서 구동되는 프로덕션급 아키텍처 핸즈온 경험 제공

주제	핵심 패턴	NXP 문서	난이도
AI 정보 대시보드	Agent + Serverless	“주간 테크 토픽 봇”	⭐⭐
멀티 에이전트 협력	Sequential Chain	“멀티 에이전트 TOP 5”	⭐⭐⭐
장기 실행 에이전트	State + Memory	“Anthropic Harness”	⭐⭐⭐
RAG 구현	Vector Search	“Claude Code 엔트로피”	⭐⭐⭐
A/B 테스트	Experimentation	“TDD vs SDD”	⭐⭐
동적 라우팅	Smart Selection	“AIGrape AUTO 모드”	⭐⭐⭐
실시간 스트리밍	UX Excellence	“Claude Design”	⭐⭐⭐
자동 에러 진단	Self-Healing	“Claude Mythos”	⭐⭐⭐
멀티모달 파이프라인	Composition	“Multi-Agent TOP 5”	⭐⭐⭐
크로스 디바이스 제어	Integration	“Claude Dispatch”	⭐⭐⭐⭐

Cluster 1: 에이전트 아키텍처 & 오케스트레이션

1️⃣ AI 정보 대시보드 (Claude Managed Agent + Vercel)

• 학습 목표: 서버리스 에이전트의 실시간 배포 및 데이터 시각화
• 구현 아키텍처
  • Vercel Functions: 에이전트 트리거 엔드포인트
  • Claude Managed Agent: 웹크롤링 & 데이터 수집
  • Supabase: 결과 저장소
  • React: 대시보드 UI (Chart.js)
• 핵심 구현
  • 매일 오전 8시 자동 실행 (Vercel Cron)
  • 에이전트 응답을 구조화된 JSON으로 파싱
  • 실시간 대시보드 업데이트
  • 실패 알림 (Discord Webhook)
• 서버리스 고려사항
  • 에이전트 타임아웃: 25초 내 완료
  • 상태 저장: Supabase Row-Level Security
  • 동시성 제한: 함수 재트리거 방지
• 시간 분배: 프롬팅(25분) → 엔드포인트(30분) → DB/UI(35분)
• NXP 연계: “주간 테크 토픽 봇” 실제 구현 사례

2️⃣ 멀티 에이전트 협력 시스템 (분석/검증/리포트)

• 학습 목표: 3단계 검증 파이프라인으로 신뢰성 높이기
• 에이전트 역할 분담
  • Agent A (분석): 주어진 데이터 분석 & 인사이트 도출
  • Agent B (검증): A의 결론 비판적 검토 & 근거 확인
  • Agent C (리포트): 합의된 결과를 마크다운 리포트로 작성
• 구현 흐름 입력 → A 분석 → B 검증 → 합의 여부 → C 리포트 → 최종 저장
• 서버리스 구현
  • Vercel 함수 체이닝 (await 패턴)
  • Prompt caching로 컨텍스트 재사용
  • 에이전트 간 메시지 패싱 (JSON)
  • 최종 산출물은 Blob Storage
• 시간 분배: 아키텍처 설계(25분) → 에이전트 구현(50분) → 통합 테스트(25분)
• NXP 연계: “멀티 에이전트 아키텍처 TOP 5” 글의 Sequential Chain 패턴

3️⃣ 장기 실행 에이전트 (Anthropic Harness 패턴)

• 학습 목표: 상태를 유지하며 여러 턴에 걸쳐 실행되는 에이전트
• 구현 시나리오: 장시간 프로젝트 계획 수립
  • Iteration 1: 요구사항 분석
  • Iteration 2: 마일스톤 설정
  • Iteration 3: 리스크 평가 및 완화 계획
  • Iteration 4: 최종 문서 생성
• 상태 관리 전략
  • Supabase에 에이전트 상태 저장
  • 각 반복마다 이전 상태 로드
  • Memory 또는 long context 활용
• 서버리스 제약 극복
  • 함수당 15분 제한 → 각 iteration을 별도 호출로 분리
  • Step function 또는 큐 기반 스케줄링
  • 중단점에서 안전하게 복구
• 시간 분배: 상태 설계(20분) → 에이전트 루프(40분) → 복구 로직(30분)
• NXP 연계: “Anthropic Harness: 장기 실행 애플리케이션” 글의 실전 버전

---

Cluster 2: 데이터 & 검색 최적화

4️⃣ RAG 구현 (벡터 검색 + Claude)

• 학습 목표: 대규모 문서에서 컨텍스트를 효율적으로 검색
• 구현 스택
  • Embedding: OpenAI Embeddings API (또는 로컬)
  • Vector DB: Pinecone (무료 tier) 또는 Supabase pgvector
  • Retrieval: 코사인 유사도 검색
  • Generation: Claude API
• 서버리스 워크플로우 사용자 질문 → 임베딩 → 벡터 검색 → Top-K 문서 → Claude 생성
• 구현 세부사항
  • 임베딩 배치 처리 (대량 문서)
  • 검색 결과 품질 평가 지표
  • 메타데이터 필터링 (문서 유형, 시간)
  • 캐싱으로 비용 최적화
• 시간 분배: 데이터 준비(30분) → RAG 파이프라인(40분) → 평가(20분)
• NXP 연계: “Claude Code 컨텍스트 엔트로피” 글의 메모리 최적화 원리 적용

5️⃣ 프롬프트 A/B 테스팅 (성능 비교)

• 학습 목표: 프롬프트 버전을 데이터로 관리하고 성능 측정
• 테스트 설계
  • Prompt A: 기본 지시문
  • Prompt B: 구조화된 예제 추가
  • Prompt C: 체인-오브-쏘트(Chain-of-Thought) 포함
• 측정 지표
  • 정확도 (자동 검증)
  • 응답 시간
  • 토큰 사용량 (비용)
  • 사용자 만족도 (별점)
• 서버리스 구현
  • 쿼리마다 Prompt 무작위 할당
  • 결과를 Supabase에 저장 (프롬프트 ID, 메트릭)
  • 통계 대시보드 (실시간 비교)
• 프로덕션 활용
  • 승자 프롬프트 자동 승격
  • 주간 분석 리포트
  • 언어/도메인별 최적화
• 시간 분배: 테스트 설계(20분) → 구현(35분) → 분석(25분)
• NXP 연계: “TDD vs SDD” 글의 반복적 개선 철학

6️⃣ 동적 API 라우팅 (모델 자동 선택)

• 학습 목표: 쿼리 특성에 따라 최적 모델 선택
• 라우팅 전략
  • 짧은 응답 (< 500 토큰): Haiku (빠름, 저비용)
  • 중간 응답 (500~2000): Sonnet (균형)
  • 복잡한 추론: Opus (고품질)
• 선택 기준
  • 쿼리 길이
  • 복잡도 점수 (키워드 기반)
  • 현재 API 지연시간
  • 비용 예산
• 구현
  • 라우터 함수 (분류기)
  • 병렬 호출 (성능 비교)
  • Fallback 메커니즘
• 모니터링
  • 모델별 성공률
  • 평균 비용/쿼리
  • 사용자 만족도
• 시간 분배: 라우터 로직(25분) → 모니터링(35분) → 튜닝(20분)
• NXP 연계: “AIGrape AUTO 모드” 글의 자동 선택 메커니즘

---

Cluster 3: 고급 기능 & 통합

7️⃣ 실시간 스트리밍 AI 대시보드

• 학습 목표: WebSocket + 토큰 스트리밍으로 라이브 경험 구현
• 기술 스택
  • Next.js API Routes + WebSocket
  • Claude API 스트리밍 (Server-Sent Events)
  • React + React Query
  • TailwindCSS 실시간 UI
• 구현 흐름 클라이언트 → 서버 → Claude API (스트림) ↓ WebSocket → 브라우저 (토큰 실시간 표시)
• 서버리스 고려사항
  • Vercel Serverless Functions는 스트리밍 지원하나 연결 유지 시간 제한
  • 솔루션: 프리픽스 캐싱으로 응답 가속, SSE with timeout 관리
  • 또는 Vercel Edge Functions (더 오래 유지 가능)
• UI 최적화
  • 토큰별 실시간 하이라이팅
  • 진행률 표시
  • 취소 기능
  • 에러 복구 UI
• 시간 분배: 스트리밍 구현(40분) → UI 구축(35분) → 테스트(15분)
• NXP 연계: “Claude Design: Product-focused 설계” 철학 적용

8️⃣ 자동 에러 진단 & 자가복구 에이전트

• 학습 목표: 에러를 분석하고 자동으로 해결하는 시스템
• 에러 진단 프로세스
  • 에러 발생 감지 (로그 또는 예외)
  • Agent 호출: 에러 메시지 + 스택 트레이스 입력
  • 에이전트가 원인 분석 (코드 리뷰, 외부 서비스 확인)
  • 해결책 제안 및 구현 시도
  • 재시도 후 성공 여부 확인
• 자동 재시도 전략
  • 간단한 에러 (타임아웃): 지수백오프 재시도
  • 외부 API 에러: 폴백 엔드포인트 전환
  • 리소스 부족: 요청 축소 후 재시도
• 에이전트 개입
  • 재시도 실패 시 Claude에 분석 요청
  • 선제적 해결 (임시 해결책 적용)
  • 사후 리포트 (무엇이 잘못되었고 어떻게 고쳤는지)
• 모니터링
  • 자동 복구율
  • 인터벤션 필요한 에러 유형
  • 평균 복구 시간
• 시간 분배: 진단 엔진(30분) → 복구 로직(40분) → 모니터링(20min)
• NXP 연계: “Claude Mythos: Zero-day 탐지” 글의 보안 분석 패턴 응용

9️⃣ 멀티모달 콘텐츠 생성 파이프라인

• 학습 목표: 텍스트와 이미지를 함께 생성하는 프로덕션 시스템
• 파이프라인 구성
  • Stage 1: Claude로 콘텐츠 개요 작성
  • Stage 2: Claude Vision으로 참고 이미지 분석 (선택)
  • Stage 3: 텍스트 기반 이미지 프롬프트 생성
  • Stage 4: Stability AI / DALL-E로 이미지 생성
  • Stage 5: 최종 콘텐츠 조합 및 포장
• 서버리스 구현
  • 각 Stage를 별도 함수로 분리
  • 결과를 S3/Blob에 저장
  • 메타데이터 DB에 기록
  • 에러 시 단계별 재시도
• 비용 최적화
  • 이미지 생성 API는 비쌈 → 캐싱 및 재사용
  • 배치 처리 (야간 실행)
  • 이미지 품질 (해상도) 조정
• 사용 사례
  • 블로그 포스트 자동 생성 (텍스트+썸네일)
  • 소셜 미디어 콘텐츠
  • 제품 설명서 (이미지 포함)
• 시간 분배: 파이프라인 설계(25분) → 각 Stage 구현(50분) → 통합(15분)
• NXP 연계: “Claude Design vs Figma” 글의 AI 기반 크리에이티브 패러다임

🔟 크로스 디바이스 AI 제어 (Claude Dispatch 스타일)

• 학습 목표: 웹에서 모바일/데스크톱을 제어하는 통합 시스템
• 구현 시나리오
  • 사용자가 웹 대시보드에서 명령 입력
  • Claude가 명령 해석
  • 연결된 디바이스(맥미니, 아이폰 등)에 작업 전달
  • 결과를 웹으로 피드백
• 통신 아키텍처
  • 중앙 제어 서버 (Vercel)
  • 각 디바이스 클라이언트 (WebSocket 연결)
  • 메시지 큐 (Supabase Realtime 또는 Socket.io)
• Claude의 역할
  • 자연언어 → 구조화된 명령으로 변환
  • 타겟 디바이스 선택
  • 보안 검증 (권한 확인)
  • 결과 해석
• 보안 고려사항
  • API 키 / 토큰 관리
  • 디바이스 인증
  • 명령 화이트리스트
  • 감사 로그
• 사용 사례
  • 맥미니 자동화 (파일 생성, 코드 실행)
  • 모바일 자동화 (스크린샷, 앱 실행)
  • IoT 디바이스 제어
  • 원격 개발 환경
• 시간 분배: 아키텍처(20분) → 메시징(35분) → 보안+테스트(25분)
• NXP 연계: “Claude Dispatch” 글의 실제 구현 사례

---

학습 경로 추천 (3시간 마스터 플랜)

Path A: 에이전트 마스터

1️⃣ AI 정보 대시보드 (기초)
   ↓
2️⃣ 멀티 에이전트 협력 (심화)
   ↓
3️⃣ 장기 실행 에이전트 (고급)

기간: 9시간 | 결과물: 3단계 자동화 시스템

Path B: 데이터 & 최적화

4️⃣ RAG 구현 (기초)
   ↓
5️⃣ A/B 테스팅 (평가)
   ↓
6️⃣ 동적 라우팅 (최적화)

기간: 9시간 | 결과물: 스마트 검색+응답 시스템

Path C: 프로덕션 엔지니어링

7️⃣ 실시간 스트리밍 (UX)
   ↓
8️⃣ 자동 에러 진단 (안정성)
   ↓
9️⃣ 멀티모달 파이프라인 (확장)
   ↓
🔟 크로스 디바이스 제어 (통합)

기간: 12시간 | 결과물: 완성도 높은 프로덕션 플랫폼

---