소개
저는 굿즈관련된 아이템제작에 ai를 활용하고 있는 데요. 이번에는 미드저니로 폰케이스 디자인의 아이디어를 얻어보려고, 자동화를 기획해보았습니다.
이 프로젝트에서는 Make와 NocoDB를 활용해 사용자의 입력을 기반으로 미드저니 프롬프트를 자동 생성하는 워크플로우를 구축했습니다.
텔레그램을 통해 사용자가 입력한 간단한 문장(예: "수채화 느낌의 고양이")을 받아, 이를 LLM(GPT-4)로 확장하여 다양한 조합을 생성하고, 마지막으로 미드저니에서 사용할 프롬프트를 제작합니다. 모든 데이터는 NocoDB에 저장하여 관리합니다. 그러나 시간이 부족해서 텔레그램과 연동은 못하고, 데이터베이스의 레코드에서 키워드를 가져오는 것으로 대신했습니다.
Make.com을 많이 사용해보지 않아서 기본적인 것도 어려웠습니다. 특히 에러가 나면 친절하게 알려주지 않아서 시간이 많이 걸렸어요. 동작내용은 간단합니다.
워크플로우
키워드를 변수에 담아서 -> 데이터베이스 저장(create row)
-> 키워드확장(LLM) -> 데이터베이스 저장
-> 미드저니프롬프트(LLM) -> 데이터베이스 저장
이렇게 써놓으니 허무합니다. 이 간단한 걸 몇시간을 쏟다니요.
시간을 많이 쏟은 이유
키워드를 확장할 때 5개씩 만들려고 했는 데, 반복해서 하는 방법을 모르겠더라구요. 라우터는 답이 아닐꺼같고, (파이썬은 for면 될텐데...)
에어테이블과 같은 노코드 데이터베이스는 그 구조를 만드는 데, 시간이 많이 걸렸습니다. 간단한 3개의 테이블이 필요했고, 나름 관계형을 구축해보려고 했으나.. 결국은 엑셀수준도 안되는 스키마로 끝.
NocoDB
에어테이블과 비슷한 역할을 한다고 보시면 됩니다. 오픈소스이고 셀프호스팅을 한다면 무료로 사용가능합니다. 예전에 구축해놓은 홈서버에 도커로 호스팅했습니다.
진행 방법
1. 주요 도구 및 기술
텔레그램: 사용자 입력 수집.Make: 워크플로우 자동화.
LLM: 키워드 확장 및 프롬프트 생성(GPT-4o-mini).
NocoDB: 데이터 저장 및 관리.
2. 테이블 스키마 정의
워크플로우의 핵심 데이터는 다음과 같이 관리됩니다.
첫 번째 테이블: 키워드
사용자가 텔레그램을 통해 입력한 내용을 저장합니다.
필드:
ID(Primary Key)입력 내용(Text) -> 있어보이지만, 결국 요거 하나 입력작성 시간(Datetime)
두 번째 테이블: 이미지 파라미터
첫 번째 테이블의 입력 내용을 기반으로 LLM이 파라미터 조합을 생성합니다.
필드:
ID(Primary Key)원본 입력 ID(Foreign Key → 첫 번째 테이블)조합 리스트(Array or JSON) -> 일부러 JSON형식으로 LLM에게 받아냄.
세 번째 테이블: 미드저니 프롬프트
두 번째 테이블의 각 조합을 활용해 최종 미드저니 프롬프트를 생성합니다.
필드:
ID(Primary Key)조합 ID(Foreign Key → 두 번째 테이블)미드저니 프롬프트(Text) -> 요것만 기록함.
3. 워크플로우 상세
Step 1: 생략, 이부분은 자동화 구현을 아직 안함.
Step 2: 조합 생성
첫 번째 테이블의
입력 내용을 LLM에 전달해 10가지 확장 조합을 생성합니다.예:
"수채화 느낌" → "따뜻한 색감", "부드러운 터치".
"고양이" → "앉아있는 고양이", "뛰어노는 고양이".
결과는 두 번째 테이블에 저장합니다.
Step 3: 프롬프트 생성
두 번째 테이블의 조합을 기반으로 미드저니 프롬프트를 생성합니다.
고정 파라미터(예: "--ar 16:9", "--v 5")를 조합하여 프롬프트를 완성합니다.
예: "수채화 느낌의 고양이, 따뜻한 색감, 부드러운 조명 --ar 16:9 --v 5".
최종 프롬프트를 세 번째 테이블에 저장합니다.
메이크 시나리오
n8n
NocoDB, https://www.nocodb.com/#How-it-works
디자인
결과와 배운 점
배운 점
워크플로우 자동화의 유용성
Make와 NocoDB를 활용한 자동화는 단순 반복 작업을 크게 줄이고 효율성을 높이는 데 정말 유용했습니다. 물론, 시스템을 구현하기까지는 시간이 걸렸지만, 그 과정 자체가 많은 걸 배우는 기회가 되었어요.
LLM의 활용 가능성
단순한 키워드도 LLM을 활용하면 다양한 조합으로 확장할 수 있다는 점을 직접 체감했습니다. 특히, LLM의 결과를 JSON 포맷으로 깔끔하게 받을 수 있었다는 게 이번 작업에서 중요한 경험이었습니다. 이 덕분에 데이터 흐름을 훨씬 간결하고 체계적으로 설계할 수 있었어요.
데이터 타입의 중요성
자동화를 구축하면서 느낀 가장 중요한 교훈은 데이터 타입을 제대로 이해하고 설계하는 것이었습니다. 데이터 타입에 따라 워크플로우 전체의 효율과 안정성이 달라진다는 사실을 실감했어요.
메이크 무료사용자는 아쉽다
주말부터 오늘까지 Make에서 제공하는 무료 오퍼레이션(1,000개) 중 80%를 소진했습니다. 큰 작업을 한 것도 아닌데 이렇게 빨리 쓰다니, 조금 당황스럽더라고요. 덕분에 프로세스 효율화에 대해 다시 한번 고민하게 됐어요.
그래서 n8n도 시도해봤습니다
비슷한 워크플로우를 n8n으로도 만들어보면서 비교해봤는데, 두 도구의 강점과 한계를 직접 체험할 수 있는 좋은 기회였습니다. 2번째 하니 더 빠르다.
끝으로
자동화된 프롬프트 생성 시스템을 만들면서 느낀 점은 하나입니다.
"복잡한 걸 단순하게 만드는 게 진짜 개발의 재미다."
Make와 NocoDB, 그리고 LLM의 조합은 단순히 자동화 이상의 가능성을 보여줍니다.
다음에는 더 발전된 방식으로 또 돌아올게요.
최종 프롬프트를 미드저니 프롬프트로 자동전송까지 완성!!! 저도 궁금하네요.
이 글을 윤누리 님께서 제공해주신
https://chatgpt.com/g/g-67403c54f50481919d1dcec9588d7c9f-jipiteoseu-aigesigeul-seopoteo
의 도움을 받아서 작성한 글입니다. 정말 감사합니다.
이번 스터디가 역대급이지 않았나요? 다양한 사례를 올려주신 회원분들께도 감사드립니다.
특히 4주동안 열심히 참여해주신 스타트업실험실 식구들 최고에요!!!
제가 자주 참여하지 못해서 아쉬울 뿐이었어요.
즐겁고 신나는 4주였습니다. 😍