🏆 AI스터디 19기 3주차 베스트 사례 큐레이션 - 개발&자동화

📚 19기 회고리포트

✍️ Activepieces로 활동 로깅 자동화 flow 만들고, 자주 활용할 수 있는 요소 추가하기!

망지뇽

하려던 것 📝

• 구글 캘린더 기반 자동 데일리 로그 시스템을 구축한 사례

• 매일 일상과 업무 내용, 감정 변화를 체계적으로 기록하고자 함

• 매시간 디스코드로 기록 알림을 보내고 작성 내용을 자동 요약하여 안내함

• 어제 대비 오늘 작성 횟수를 비교하여 기록 독려 메시지를 제공함

• 하루 2번(아침 8시, 저녁 22시) 날씨 정보와 의상 추천을 자동으로 안내함

활용한 툴 ⚒️

• Activepieces: 자동화 Flow 구성, 시간별 알림 발송, 구글 캘린더 연동

• wttr.in 날씨 API: 용산구 기반 실시간 날씨 정보 수집

• Discord Webhook: 기록 알림 및 요약 메시지 발송

• Google Calendar API: 일정 생성 및 작성 횟수 조회

• GPT: API 구조 분석 및 코드 오류 해결

진행 세부 내용 🔍

1️⃣ 시간별 활동 로깅 알림 Flow 구축

• 8시부터 22시까지 1시간마다 활동 기록 알림을 디스코드로 발송하도록 Cron 트리거를 설정함

• 아침 8시와 밤 22시에는 날씨 안내를 포함한 특별 메시지를 발송하도록 분기 처리함

• 사용자가 기록을 작성하면 자동으로 다음 단계 Flow가 실행되도록 연결함

2️⃣ 기록 요약 안내 Flow 구성

• 사용자가 응답을 완료하면 작성한 내용을 구글 캘린더에 자동으로 이벤트 생성함

• 1시간 동안의 활동 내용을 요약하여 디스코드로 안내함

• 어제와 오늘의 작성 횟수를 비교하여 '어제보다 더 많이 작성했어요!' 같은 독려 메시지를 추가함

• Get all Events로 당일과 전일 캘린더 데이터를 조회하고 Code로 횟수를 카운트함

3️⃣ 날씨 정보 자동 안내 시스템 구축

• wttr.in API를 활용하여 용산구 기반 날씨 정보를 JSON 형식으로 수집함

• 현재 시간을 구하는 Code를 작성하여 한국 시간(UTC+9)으로 변환함

• Router를 활용해 8시면 오늘 날씨, 22시면 내일 날씨를 안내하도록 분기 처리함

• weather[1,2]와 hourly(1~8) 구조를 분석하여 필요한 날씨 데이터를 추출함

4️⃣ 기온별 의상 추천 로직 구현

• 추출한 기온 정보를 바탕으로 적절한 의상을 추천하는 Code를 생성함

• 아침 알림에는 '오늘의 날씨'와 함께 의상 추천을 포함함

• 저녁 22시 알림에는 '내일의 날씨'를 미리 안내하여 다음날 준비를 돕도록 설계함

• 사용자가 알림을 더 자주 확인하도록 실용적인 정보를 제공함

📚 19기 챗GPT앱

✍️ 챗지피티 앱 만들기 두번째 사례 feat 쉽지않다... 😭

Monhee

하려던 것 📝

• ChatGPT 내부 앱으로 자신이 디자인한 UI를 구현한 사례

• 깃허브의 예제 코드를 기반으로 커스텀 앱을 개발함

• 크롬 환경에서 앱을 실행하고 ChatGPT와 연동함

• MCP 서버와 ngrok을 활용해 ChatGPT 커넥터를 구축함

활용한 툴 ⚒️

• ChatGPT : 초기 개발 방향 설정 및 구조 조언

• Claude(Cursor) : 실제 개발 작업, 코드 수정, 에러 해결

• Figma : UI 디자인

• ngrok : 로컬 서버 외부 접근 설정

• GitHub : 공식 예제 코드(pizza 앱) 다운로드

진행 세부 내용 🔍

1️⃣ 개발 환경 설정

• 크롬 disable 설정을 적용함

• 깃허브에서 예제 폴더를 다운로드하려 했으나 solar 폴더만 분리 다운로드하는 방법을 찾지 못함

• ChatGPT에 커스텀 코드로만 앱 제작 가능 여부를 질문함

• ChatGPT 내부 앱은 반드시 '서버 + manifest' 구조가 필요하다는 답변을 받음

• 결과적으로 기존 pizza 앱 예제를 기반으로 진행하기로 결정함

2️⃣ 폴더 구조 구성 및 초기 구현

• ChatGPT가 제안한 폴더 구조를 따라 설정함

• Cursor의 Claude Code를 활용해 개발 작업을 진행함

• Claude Code가 자동으로 개발 작업을 수행함

• 크롬에서 앱이 성공적으로 실행됨

3️⃣ 디자인 변색 이슈 발생

• Figma에서 디자인한 컬러가 희미한 화이트로 변색되어 표시됨

• Figma의 특정 효과를 Claude Code가 반영하지 못하는 것으로 추정함

• 당장 수정하지 않고 ChatGPT 연동 테스트를 우선 진행하기로 결정함

4️⃣ ChatGPT 연동 시도

• 개발자 모드에서 MCP 서버 설정을 진행함

• ngrok 설치는 완료했으나 `brew install ngrok` 호출 시 found 에러가 발생함

• Claude Code에 문제를 질문하여 즉시 해결함

5️⃣ 커넥터 만들기 반복 실패

• 만들기 버튼이 계속 로딩되다가 타임아웃으로 실패함

• Claude Code에서 MCP 서버 문제로 판단하고 수정했으나 2차 시도도 실패함

• 3차 시도에서 SSE를 MCP로 변경했으나 'unhandled errors in a TaskGroup' 에러 발생함

• 4차 시도에서 기존 피자앱과 같은 포트를 사용한 것이 원인으로 추정하여 수정했으나 실패함

• 5차 시도도 실패함

• 6차 시도에서 기존 피자앱과의 연결을 끊고 시도하여 최종 성공함

6️⃣ UI 표시 문제 해결

• 커넥터 호출은 되지만 앱 UI가 표시되지 않는 문제 발생함

• 텍스트로만 답변하고 UI는 보이지 않음

• 약 한 시간의 시행착오 끝에 UI가 정상적으로 표시되도록 해결함

📚 19기 N대리비서봇

✍️ 마케터 주목❗ 경쟁사 광고 소재 크롤링 자동화하기 | n8n + Apify

박지호

하려던 것 📝

• 메타 광고 라이브러리에서 경쟁사 광고를 자동 트래킹하는 시스템을 구축한 사례

• 경쟁사의 광고 전략과 집중 상품, 고객군을 파악하기 위해 광고 데이터를 수집함

• 마케터가 수동으로 경쟁사 광고를 검색하고 조회하는 번거로운 업무를 자동화함

• 현재 게재 중인 광고와 종료된 광고를 구분하여 체계적으로 관리함

활용한 툴 ⚒️

• n8n: 워크플로우 자동화 구축 및 스케줄링

• Apify의 'Meta (Facebook) Ad Library Scraper - Fast & Reliable' Actor: 메타 광고 라이브러리 데이터 스크래핑

• Google Sheets: 광고 데이터 기록 및 관리

진행 세부 내용 🔍

1️⃣ 워크플로우 구조 설계

• n8n의 Schedule Trigger를 활용하여 매일 오전 9시에 자동 실행되도록 설정함

• Apify 스크래핑, 구글 시트 데이터 비교, 데이터 기록의 3단계 프로세스로 구성함

• 광고 상태를 '게재 중'과 '종료'로 구분하여 관리하는 로직을 설계함

2️⃣ 데이터 수집 및 비교

• 메타 광고 라이브러리에서 특정 서비스(예: '사주천궁')의 광고 검색 페이지 링크를 Apify Actor에 입력함

• 구글 시트에서 기존에 기록된 광고 데이터를 동시에 불러옴

• 스크래핑한 신규 데이터와 기존 데이터를 비교하여 신규 광고와 종료된 광고를 식별함

3️⃣ 데이터 분류 및 기록

• 신규 광고는 [게재 중] 시트에 추가 기록함

• 종료된 광고는 [게재 중] 시트에서 [종료] 시트로 해당 row를 이동시킴

• 이동 후 [게재 중] 시트에서 해당 광고 데이터를 삭제하여 중복을 방지함

• 광고 소재 링크, 캡션 텍스트, 랜딩페이지 링크 등 상세 정보를 함께 기록함

📚 19기 카톡봇

✍️ 카톡봇 실습 삽질기: 신버전 apk 설치부터 FastAPI 연동으로 카톡봇 대화목록 대쉬보드 구현하기

강진규

하려던 것 📝

• 카톡봇 데이터를 개인 인프라로 전환하여 대시보드를 구축한 사례

• 최신 버전 카톡봇 apk를 설치하고 실제 서브폰에서 테스트 환경을 구축함

• FastAPI 서버를 GCP VM에 배포하여 실시간 카톡 대화 데이터를 수집하고 저장함

• SQLite 데이터베이스를 활용해 채팅방, 사용자, 대화 내역을 관리하는 시스템을 구현함

• 대시보드 UI를 통해 실시간 통계 확인 및 드릴다운 탐색 기능을 제공함

활용한 툴 ⚒️

• Claude : API 설계 및 배포 조언, 코드 작성 지원

• Codex : API 설계 및 배포 조언

• FastAPI : 백엔드 서버 구축

• SQLite3 : 대화 데이터 저장 및 관리

• GCP VM : 서버 배포 환경

• MessengerBot (apk) : 카카오톡 봇 구현 및 데이터 수집

• adb : 메신저봇 코드 배포 및 테스트

진행 세부 내용 🔍

1️⃣ 최신 버전 apk 설치 및 환경 구성

• Google Play 스토어의 구버전이 아닌 MessengerBotTeam Releases에서 최신 버전을 다운로드함

• messengerbot-0.7.39a-20250627-5ffba652-release.apk 버전을 실제 서브폰에 설치함

• PC의 adb 테스트만으로는 불충분하여 실제 휴대폰에서 테스트 환경을 구축함

• 카카오톡에 봇 계정을 새로 생성하고 기존 채팅방에 초대하여 연동함

2️⃣ FastAPI 서버 및 데이터베이스 구축

• GCP VM 서버에 FastAPI를 배포하고 35.216.21.181:9000 포트로 접근 가능하게 설정함

• SQLite3 데이터베이스(katokbot.db)를 구성하여 대화 데이터를 저장함

• 실제폰의 메신저봇에서 HTTP POST로 대화 데이터를 실시간 전송하는 구조를 구현함

• 로컬 PC 브라우저에서 대시보드 UI로 데이터를 조회할 수 있도록 설계함

3️⃣ API 엔드포인트 개발

• POST /api/chat/message를 통해 메신저봇에서 대화 데이터를 수신함

• GET /api/dashboard/stats/overview로 실시간 통계를 제공함

• GET /api/dashboard/rooms와 GET /api/dashboard/rooms/{room}/users로 드릴다운 탐색을 구현함

• POST /api/chat/history와 DELETE /api/chat/session/{room}/{user}로 대화 이력 조회 및 세션 초기화 기능을 추가함

4️⃣ 메신저봇 코드 수정 및 배포

• CatBot\_Multiturn.js 파일을 직접 수정하여 FastAPI 서버와 연동함

• adb push 명령어를 사용하여 수정된 코드를 실제 디바이스에 배포함

• 봇 컴파일 및 테스트를 진행하여 런타임 오류 없이 작동하는 것을 확인함

• 백엔드 연동 로그를 확인하며 데이터 전송이 정상적으로 이루어지는지 검증함

📚 19기 Cursor

✍️ 2주차 Cursor 스터디 - 네이버부동산 서울시 25개구 아파트 전체 단지목록 추출하기

자이코

하려던 것 📝

• 네이버 부동산에서 서울시 25개구 아파트 전체 단지목록을 크롤링한 사례

• 2주차 Cursor 스터디에서 뉴스 크롤링을 학습한 후, 이를 응용하여 네이버 부동산 아파트 단지 정보를 추출함

• 서울시 25개구의 법정동별 아파트 단지 목록을 자동으로 수집하는 GUI 크롤러를 개발함

• 네이버 부동산 API 구조를 파악하고 효율적인 데이터 수집 방법을 구현함

활용한 툴 ⚒️

• Cursor: 크롤링 코드 작성 및 수정, GUI 개발

• ChatGPT: 크롤링 플로우 설계 방향 조언

• Selenium: 초기 크롤링 시도 (이후 API 호출 방식으로 전환)

• Chrome 개발자 도구: Network 패널을 통한 API 구조 분석

진행 세부 내용 🔍

1️⃣ 네이버 부동산 구조 파악

• 서울시 법정동 목록 자료를 찾아 준비함

• 네이버 부동산 모바일 페이지에서 성동구를 선택해 단지 목록 화면을 확인함

• 성동구에 총 199개의 단지가 있음을 확인함

• 단지 목록 화면에서 데이터가 어떻게 표시되는지 분석함

2️⃣ API 구조 분석

• Chrome 개발자 도구의 Network 탭을 열어 단지 목록 스크롤 시 발생하는 요청을 관찰함

• Request URL을 복사하여 브라우저에서 직접 열어 JSON 형태의 데이터 구조를 확인함

• 스크롤 시 URL에 `&page=1`, `&page=2` 형식으로 페이지 번호가 붙는 구조를 파악함

• 한 페이지당 20개의 단지 정보가 담겨있음을 확인함

3️⃣ 법정동 코드 매핑

• ChatGPT에게 크롤링 플로우 설계 방향을 문의함

• ChatGPT가 제안한 국토교통부 공동주택 정보를 다운로드함

• 네이버 부동산의 법정동 코드가 국토부 자료의 코드와 일치함을 확인함

• 법정동 정보를 엑셀 파일로 정리하고 이를 활용하는 구조로 설계함

4️⃣ 크롤링 방식 전환

• 초기에는 Selenium으로 화면을 직접 조작하는 방식으로 시도함

• 효율이 떨어지고 에러가 자주 발생하는 문제를 겪음

• API Request URL을 직접 호출하는 방식으로 변경함

• 유튜브 참고 영상(https://www.youtube.com/watch?v=Kaa\_W0HRB-M&t=696s)을 통해 네이버 부동산 구조를 이해함

• 서초구를 테스트 케이스로 삼아 최대 page=20(약 400단지)까지 가져오는 방식으로 구현함

5️⃣ 차단 이슈 해결

• 구 단위로 한 번에 요청하자 단지 수가 많은 구를 연속 3개 정도 요청 시 네이버에서 차단하는 현상을 발견함

• 요청 단위를 구 단위에서 법정동 단위로 변경함

• 법정동별로 단지 목록을 수집한 후 하나로 합치는 방식으로 코드를 리팩터링함

6️⃣ GUI 크롤러 완성

• 사용자가 원하는 구를 선택할 수 있는 GUI 인터페이스를 개발함

• 급지별(1~5급지) 라디오 버튼, 로그창, 진행바를 포함한 위젯 구성함

• 선택한 구의 단지 목록을 한 번에 엑셀로 내려받을 수 있도록 구현함

7️⃣ 코드 구조 정리

• 데이터 정의(20~525줄): 서울 25개 구를 1~5급지로 분류, 법정동 코드 딕셔너리 하드코딩

• 크롤링 핵심 함수(528~636줄): 구 이름으로 동 목록 조회, 동별 크롤링(최대 20페이지), 구 전체 크롤링

• 데이터 처리 함수(533~694줄): HTML 태그 제거, API 응답을 DataFrame용 딕셔너리로 변환, 엑셀 저장

• GUI 클래스(697~910줄): 위젯 생성, 버튼 클릭 시 별도 스레드로 실행, 실제 크롤링 로직, 진행 상황 로그 출력

📚 19기 1인풀스택

✍️ 밤새 PostgreSQL 설치 실패... Claude가 20분 만에 Rails 시스템 완성시킨 비결

한바둑

하려던 것 📝

• 10년간 축적한 한국 전통 명리학 데이터를 체계적으로 관리하는 Rails 백엔드 시스템을 구축한 사례

• PostgreSQL 기반 정규화된 데이터베이스를 구축함

• 명리학 데이터의 복잡한 관계(원국-대운-세운)를 체계화함

• 향후 Dify AI 연동을 위한 RESTful API를 준비함

• UNESCO 디지털 문화유산 등재를 위한 데이터 투명성을 확보함

활용한 툴 ⚒️

• Claude Sonnet 4.5: 전체 아키텍처 설계, 모델 구조 설계, Rake task 작성, 디버깅, 프로젝트 모드로 지속적인 컨텍스트 유지

• GitHub Codespaces: PostgreSQL 사전 설치된 클라우드 개발 환경 제공

• Ruby on Rails 8.1.1: 웹 프레임워크 및 데이터베이스 관리

• SQLite 3: 개발 단계 데이터베이스

진행 세부 내용 🔍

1️⃣ 개발 환경 문제 진단 및 해결

• PostgreSQL 로컬 설치를 반복적으로 시도했으나 권한 문제와 설정 오류가 계속 발생함

• Claude에게 에러 메시지 전체를 공유하며 대안을 요청함

• Claude가 GitHub Codespaces를 제안했고, PostgreSQL이 사전 설치된 환경을 5분 만에 확보함

• 로컬 설치 문제를 해결하는 대신 우회하는 창의적 해결책을 찾음

2️⃣ 데이터베이스 구조 설계

• 명리학 데이터 구조(Profile 310건, Wonkuk, Daeun, Sewun)를 Claude에게 상세히 설명함

• JSON 데이터의 관계를 정규화된 Rails 모델로 변환하는 방법을 요청함

• Claude가 5개 모델(Profile, Wonkuk, Daeun, Sewun, DaeunGroup)과 관계 설정을 완벽하게 설계함

• Profile을 중심으로 Wonkuk은 1:1, Daeun과 Sewun은 1:N 관계로 구조화함

3️⃣ Rails 모델 및 마이그레이션 생성

• Rails 프로젝트를 생성하고 5개 모델을 generate 명령으로 생성함

• Profile 모델에 name, birth_date, birth_time, gender, solar\_calendar, timezone 필드를 정의함

• Wonkuk 모델에 사주(년주, 월주, 일주, 시주)와 해석 필드를 정의함

• Daeun과 Sewun 모델에 운세 관련 상세 필드를 정의함

• 8개 마이그레이션을 성공적으로 실행함

4️⃣ 데이터 Import 로직 구현

• JSON 파일의 UUID를 Rails ID로 변환하는 매핑 전략을 Claude와 논의함

• UUID → record\_number 매핑 테이블을 생성하여 관계를 유지함

• Rake task로 Profile과 Wonkuk import 스크립트를 작성함

• 50개마다 진행 상황을 시각화하는 피드백 기능을 구현함

• 에러 처리를 위해 `create!`와 `begin-rescue` 구문을 활용함

5️⃣ 데이터 Import 실행

• `rails data:import_profiles` 명령으로 310개 Profile 레코드를 import함

• 100% 성공률(실패 0건)로 8초 만에 완료함

• `rails data:import_wonkuk` 명령으로 310개 Wonkuk 레코드를 import함

• 총 620개 레코드를 성공적으로 정규화된 데이터베이스로 이관함

• 향후 3,500개 레코드(Daeun, Sewun) 처리를 위한 재사용 가능한 파이프라인을 구축함

6️⃣ 통합 문서화

• 전체 진행 현황을 시각화한 HTML 도해 자료를 작성함

• 9단계 작업 타임라인, 5개 테이블 스키마, 데이터 처리 흐름을 포함함

• 현재 40% 완성률과 다음 단계 가이드를 명시함

📚 19기 에이전트빌더

✍️ [Agent builder 친구먹기 2탄] Triple Counselor 만들기 (feat. 아하, 이렇게 하는 거구나. 그러면 좀 더 고도화 해 봐야지 ^^)

Develiper

하려던 것 📝

• 3명의 상담가 Agent를 통해 맞춤형 상담을 제공하는 AI 시스템을 구축한 사례

• 이호선 교수, 오은영 박사, 김창옥 교수 스타일의 상담가 Agent를 만들어 사용자가 선택하거나 자동 배정받아 상담을 받을 수 있도록 함

• 위기 상황(Crisis)을 분류하여 안전하게 전문 기관으로 유도하는 안전판 시스템을 구축함

• Workflow 기반으로 상담가 선택, 상담 진행, 상담 마무리까지의 전체 흐름을 자동화함

활용한 툴 ⚒️

• ChatGPT: Agent 아이디어 기획 구체화, Workflow 설계, 노드 구축 가이드, CEL 문법 학습

• n8n (또는 유사 Workflow 도구): Agent 구조 설계, 노드 연결, 조건 분기 설정

진행 세부 내용 🔍

1️⃣ Agent 아이디어 기획 및 Workflow 설계

• ChatGPT와 대화하며 Agent 아이디어를 구체화함

• 전체 Workflow 구조를 ChatGPT의 도움을 받아 설계함

• ChatGPT가 제안한 구조가 100% 완벽하지는 않았지만 기본 틀을 빠르게 잡을 수 있었음

• ChatGPT가 미처 생각하지 못했던 안전 장치와 예외 상황 처리 부분까지 제안해주어 설계에 반영함

2️⃣ Classify 노드를 통한 위기 상황 분류

• 첫 단계에서 Crisis 상황을 식별하는 Classify 노드를 구축함

• 위기 상황 발생 시 상담을 진행하지 않고 전문 기관으로 유도하도록 설정함

• 사용자가 직접 상담가를 선택할 수 있는 옵션을 추가함

• 상담가를 선택하지 않은 경우 사용자의 상담 내용에 따라 3명의 상담가 중 적합한 상담가를 자동 배정하도록 설정함

3️⃣ CEL(Common Expression Language) 학습 및 적용

• If 노드에서 조건 분기를 위해 CEL 문법을 처음 접하며 당황함

• ChatGPT에게 질문하며 `input.category == 'crisis'` 형식의 조건문을 이해함

• `input`은 이전 노드의 출력 전체, `input.category`는 Classify 노드가 분류한 카테고리 문자열임을 파악함

• CEL 문법을 이해한 후 input 변수 설정과 조건 분기 설정이 훨씬 쉬워짐

4️⃣ Crisis 대응 Agent 구축

• Crisis로 분류된 상담을 처리하는 별도의 Agent를 생성함

• 구체적인 치료법이나 방법을 절대 제시하지 않도록 Instruction을 설정함

• 안전판 역할로서 전문 기관 연계만 수행하도록 제한함

5️⃣ 3명의 상담가 Agent 설정

• 이호선 교수, 오은영 박사, 김창옥 교수 스타일의 상담가 Agent를 각각 구축함

• 이호선 교수 스타일 상담가 Instruction 예시:

• 직설적이지만 따뜻하게 문제의 핵심을 짚어주는 방식으로 답변

• 먼저 감정 공감 후 현실적 대안과 행동 계획 제시

• 정신과 진단, 약 처방, 응급 상황 지시는 하지 않음

• 상담 마무리 요청 시 핵심 내용 요약(3~5개 bullet point), 현재 감정 상태 정리, 1주일 실천 행동 3가지, 응원 메시지 형식으로 답변

• 사용자가 직접 상담가를 선택할 수 있는 옵션을 추가 구현함

6️⃣ 테스트 및 작동 확인

• 구축한 Agent 시스템의 실제 작동을 테스트함

• 상담가 선택, 상담 진행, 응답 품질을 확인함

• 전반적으로 의도한 대로 작동함을 확인함