Agentic Workflow를 개인의 생산성 도구가 아니라, 반복 가능한 실행 시스템으로 구축해온 과정.

그리고 그 시스템을 바탕으로 정보 탐색, 지식화, 메시지화, 시각화, 성과 학습까지 이어지는 콘텐츠 자동화 루프를 만드는 포트폴리오 서사.

---

제작 메모

• 최종 산출물 가정: 1920 x 1080, 16:9 포트폴리오 이미지 또는 PPT 슬라이드.

• 전체 톤: 기술 자랑보다 "왜 이 방향으로 갔는가"를 설명하는 서사형 포트폴리오.

• 핵심 메시지: 프롬프트 활용에서 시작한 자동화 역량이 Repository 기반 Agentic Workflow로 시스템화되었고, 이제는 온라인 마케팅이라는 검증 가능한 실행 영역으로 확장되고 있다.

• 시각 언어: 저장소, 그래프, 루프, 병렬 실행, 작업기억을 반복 모티프로 사용한다.

• 권장 구성: 1·2·3은 배경, 4는 증폭기, 5는 각 repository의 역할 분해, 6은 효과로 수렴한다.

• 서사 구조: "왜 이런 시스템을 만들게 되었나"에서 출발해, MSO가 어떤 기반을 만들었고, 그 기반 위에서 각 특화 repository가 어떤 일을 나눠 맡으며, 마지막에 어떤 생산성 효과로 이어지는지 보여준다.

---

슬라이드 원고

1. Cover

큰 제목

콘텐츠 자동화 개인 프로젝트

서브카피

Agentic Workflow로 쌓아온 자동화 역량을

정보 탐색, 콘텐츠 제작, 시각화, 성과 학습의 실행 루프로 확장하고 있습니다.

보조 문장

Prompt Engineering → Obsidian MCP → Repository Workflow → MSO → Content Automation

이미지 제작 메모

어두운 개발 환경 화면 위에 여러 repository 폴더가 네트워크처럼 연결되어 있고, 끝에는 콘텐츠 카드와 그래프가 배치된다. 기술 포트폴리오지만 너무 개발자 도구처럼 차갑지 않게, "실행 시스템"의 느낌을 준다.

---

2. 자동화 역량은 프롬프트에서 시작해 워크플로로 확장됐다

헤드라인

Agentic Workflow로 쌓기 시작한 자동화 역량

본문

2024년에는 CoT(Chain of Thought)와 같은 프롬프트 엔지니어링으로

AI를 더 잘 쓰는 방법을 실험했습니다.

2025년 초에는 Obsidian MCP와 Claude Desktop을 연결해

개인 지식관리와 AI 작업 환경을 결합했습니다.

그리고 올해부터는 단발성 프롬프트가 아니라,

Repository 기반 Workflow Topology를 구성해 사용하고 있습니다.

핵심 문장

도구를 잘 쓰는 단계에서,

일이 반복되는 구조 자체를 설계하는 단계로 이동했습니다.

화면 구조

왼쪽에서 오른쪽으로 이어지는 타임라인:

2024 Prompt Engineering → 2025 Obsidian MCP → 2026 Repository Workflow.

각 단계 아래에는 "프롬프트", "지식 연결", "반복 가능한 작업 구조"라는 짧은 라벨을 둔다.

---

3. 시스템화의 목표는 실행 비용을 0에 가깝게 낮추는 것

헤드라인

반복 작업의 실행 비용이 낮아질수록,

중요한 역량의 기준도 바뀝니다.

본문

Agentic Workflow 환경을 구성하면서

실행과 운영의 비용이 점점 0에 가까워지는 경험을 했습니다.

그 과정에서 단순 PM, 서비스기획, 프로덕트 디자인처럼

소프트웨어 기반 실행 역량만으로는 차별화가 어려워질 수 있다고 느꼈습니다.

제가 보유하고 집중해온 두 축,

자연어분석(NLP)과 AI Model에 대한 지식,

그리고 외부 활동과 Agentic Workflow 지식 나눔에서 이어진 사내 AX 교육 역량도

모델 발전에 따라 점점 더 쉬워질 영역이라고 보았습니다.

전환 문장

그래서 다음 실험 영역은

매출과 직결되고, 가설-실행-검증-개선 루프를 단독으로 돌릴 수 있는 곳이어야 했습니다.

결론

그 답을 온라인 마케팅 자동화에서 찾고 있습니다.

화면 구조

왼쪽에는 "기존 역량: NLP / AI Model / AX 교육"을 놓고,

오른쪽에는 "다음 실험: Online Marketing Automation"을 놓는다.

가운데에는 "실행 비용 하락 → 검증 가능한 비즈니스 루프 필요"라는 화살표를 둔다.

---

4. MSO: Repository 기반 Harness & Loop 시스템

헤드라인

MSO(Multi-Swarm Orchestrator)는

작업을 이어받을 수 있게 만드는 증폭기입니다.

본문

Claude Code와 Codex 환경에서 사용할 수 있고,

특정 AI 제공사에 종속되지 않는 스킬팩을 지향합니다.

현재는 v0.3.6까지 개선되었으며,

핵심은 협업을 위한 작업기억의 팀 내재화입니다.

3가지 Agent Context

1. repository index

해당 폴더가 무엇을 담고 있는지 보여주는 지도

1. workflow

작업이 어떤 순서와 조건으로 흘러가는지 정의하는 실행 흐름

1. work-memory

왜 그렇게 판단했고, 무엇을 해결했으며, 다음에 무엇을 반복하지 말아야 하는지 남기는 작업기억

핵심 문장

MSO는 개별 작업을 대신하는 도구라기보다,

작업을 반복 가능한 구조로 바꾸고 여러 repository에 빠르게 이식하게 해주는 증폭기입니다.

누가 들어와도 같은 맥락에서 업무를 이어갈 수 있도록,

작업의 구조와 기억을 repository 안에 남깁니다.

화면 구조

중앙에 agent-context/ 폴더를 두고 세 갈래로 나눈다:

index/, workflow/, work-memory/.

아래에는 "Hook 기반으로 세션 시작·종료·작업 회고를 연결"이라는 작은 캡션을 둔다.

---

5. MSO 위에서 나뉘어 돌아가는 콘텐츠 자동화 시스템

헤드라인

각 repository는 콘텐츠 자동화 루프의 한 기능을 맡습니다.

본문

온라인 마케팅을 빠르게 학습하려면,

좋은 글을 많이 쓰는 것만으로는 부족합니다.

필요한 것은 정보 탐색, 지식화, 메시지 구조화, 시각화, 발행, 성과 회고가

하나의 루프로 연결되는 시스템입니다.

여기서 MSO는 공통 기반이 됩니다.

각 repository는 서로 다른 일을 맡지만,

모두 index, workflow, work-memory를 통해

일의 구조와 판단의 이유를 남깁니다.

전체 구조

trend-radar
  정보 흐름 탐색
      ↓
my-knowledge-base
  검증과 지식화
      ↓
content-broadcast-hub
  메시지와 채널 변환
      ↓
visual-identity-ontology
  시각적 전달 체계
      ↓
성과 회고와 다음 가설

핵심 문장

콘텐츠 자동화는 글을 빨리 쓰는 문제가 아니라,

정보가 실행 가능한 메시지와 시각물로 바뀌는 경로를 설계하는 문제입니다.

화면 구조

MSO를 하단 기반 레이어로 깔고, 그 위에 네 개의 repository가 파이프라인처럼 올라간다.

각 repository 아래에는 index / workflow / work-memory가 작은 공통 아이콘으로 반복된다.

---

5-1. trend-radar: 정보 흐름을 먼저 감지하는 저장소

trend-radar

역할

의사결정을 위한 정보 수집과 초기 탐색을 맡습니다.

RSS 기반으로 여러 출처의 정보를 모으고,

자연어 처리를 통해 반복적으로 등장하는 표현과 흐름을 봅니다.

N-gram clustering을 활용해 단발성 뉴스가 아니라

여러 글에서 동시에 떠오르는 주제와 신호를 포착합니다.

왜 필요한가

콘텐츠는 "내가 쓰고 싶은 말"에서만 출발하면 금방 닫힙니다.

시장과 산업, 기술 담론이 어디로 움직이는지 먼저 읽어야

가설을 세울 수 있습니다.

이 repository가 만드는 산출물

• 최근 흐름을 요약한 daily/weekly brief

• 반복 키워드와 주제 클러스터

• 콘텐츠 아이디어의 초기 후보

• 더 깊은 리서치가 필요한 질문

핵심 문장

trend-radar는 콘텐츠의 출발점을 "감"이 아니라 "흐름"에서 잡게 해줍니다.

화면 구조

여러 RSS 피드가 왼쪽에서 들어오고,

가운데에서 키워드 클러스터와 브리프가 만들어진 뒤,

오른쪽에 "리서치 질문"과 "콘텐츠 후보"가 생성되는 구조.

---

5-2. my-knowledge-base: 정보를 검증하고 지식으로 바꾸는 저장소

my-knowledge-base

역할

trend-radar에서 감지한 흐름을 더 깊게 조사하고,

출처 기반으로 검증해 지식 자산으로 바꿉니다.

리서치를 통해 정보를 수집하고,

출처 기반 검증을 거쳐

온톨로지 형태의 지식그래프로 구조화합니다.

임베딩 클러스터링과 멀티홉 추론을 통해

단편적인 자료를 서로 연결하고,

어떤 주장에 어떤 근거가 붙는지 추적합니다.

왜 필요한가

온라인 마케팅은 속도가 중요하지만,

근거 없는 메시지는 오래 가지 못합니다.

특히 AX, AI, Agentic Workflow 같은 주제는

개념이 빠르게 섞이고 과장되기 쉽기 때문에

출처와 개념 관계를 따로 관리해야 합니다.

이 repository가 만드는 산출물

• 출처가 붙은 리서치 노트

• 개념 간 관계를 담은 지식그래프

• 근거 기반 멀티홉 리포트

• 콘텐츠에서 재사용 가능한 주장과 사례

핵심 문장

my-knowledge-base는 빠르게 모은 정보를

나중에 다시 쓸 수 있는 검증된 지식으로 바꿉니다.

화면 구조

왼쪽에는 source note와 report, 가운데에는 knowledge graph,

오른쪽에는 "검증된 주장", "사례", "콘텐츠 근거" 카드가 배치된다.

---

5-3. content-broadcast-hub: 지식을 메시지와 채널 문법으로 바꾸는 저장소

content-broadcast-hub

역할

검증된 지식과 아이디어를

사람이 읽을 수 있는 네러티브로 재구성합니다.

하나의 원문을 바탕으로

LinkedIn, Notion, Substack, Threads, Instagram 등

각 플랫폼에 맞는 구조와 톤으로 변환합니다.

이 repository는 단순히 글을 복사해 붙이는 곳이 아니라,

메시지의 도입 방식, 설득 구조, 독자별 난이도,

채널별 길이와 문법을 관리하는 콘텐츠 운영 레이어입니다.

왜 필요한가

같은 아이디어도 채널마다 먹히는 형태가 다릅니다.

LinkedIn에서는 문제 제기와 실무적 통찰이 중요하고,

캐러셀에서는 한 장씩 넘기며 이해되는 압축 구조가 중요합니다.

긴 글은 논리 전개가 필요하고,

짧은 포스트는 첫 문장의 방향성이 중요합니다.

이 repository가 만드는 산출물

• 원본 글 main.md

• 채널별 변환본

• 콘텐츠 라이프사이클 기록

• 발행 원장과 성과 분석의 입력값

핵심 문장

content-broadcast-hub는 지식을 "알고 있는 것"에서

"전달 가능한 메시지"로 바꾸는 곳입니다.

화면 구조

중앙에 하나의 main.md가 있고,

오른쪽으로 LinkedIn post, carousel copy, Notion note, Substack draft가 갈라져 나간다.

아래에는 draft → in-process → published 흐름이 보인다.

---

5-4. visual-identity-ontology: 메시지를 시각적으로 전달하는 저장소

visual-identity-ontology

역할

메시지를 포스터, 캐러셀, 배너 같은 시각물로 바꾸는 체계를 만듭니다.

단순 이미지 생성이 아니라,

시각적 선택의 이유를 구조화하는 의미 기반 실행 체계(semantic runtime system)를 지향합니다.

어떤 정보가 강조되어야 하는지,

어떤 레이아웃이 적합한지,

어떤 색과 구성이 메시지의 의미를 흐리지 않는지

점진적으로 기록하고 재사용합니다.

왜 필요한가

온라인 마케팅에서 시각물은 장식이 아니라 전달 방식입니다.

특히 복잡한 개념은 텍스트만으로 설득하기 어렵습니다.

포스터형, 캐러셀형, 배너형처럼

정보를 읽는 순서가 다른 포맷을 다뤄야 합니다.

이 repository가 만드는 산출물

• 포스터형 이미지 설계

• 캐러셀형 정보 구조

• 배너형 시각 문법

• 반복 가능한 시각 스타일과 레이아웃 규칙

핵심 문장

visual-identity-ontology는 메시지를 보는 사람이

더 빨리 이해하도록 만드는 시각적 실행 레이어입니다.

화면 구조

왼쪽의 메시지 카드가 오른쪽에서 poster, carousel, banner 세 포맷으로 변환된다.

각 포맷 아래에는 layout, color, hierarchy, motif 같은 시각 요소가 작은 노드로 연결된다.

---

6. 효과: 특화된 Repository가 높은 생산성으로 수렴한다

헤드라인

각 업무에 특화된 Repository가 모이면,

혼자서도 하나의 실행 조직처럼 움직일 수 있습니다.

본문

앞의 배경 파트는 자동화 역량이 어떻게 쌓였고,

왜 이 역량을 온라인 마케팅으로 돌리게 되었는지를 설명합니다.

MSO는 이 모든 작업을 repository에 이식 가능한 구조로 바꾸는 증폭기입니다.

그리고 5번의 각 repository는

정보 탐색, 검증과 지식화, 메시지 구조화, 시각적 전달이라는

서로 다른 일을 나눠 맡습니다.

이렇게 나뉜 구조 덕분에

작업은 한 번 하고 사라지지 않습니다.

각 과정의 판단과 산출물이 다음 작업의 출발점이 됩니다.

효과

• 글감 탐색 시간이 줄어듭니다.

• 리서치와 근거 검증이 재사용됩니다.

• 메시지를 채널별로 바꾸는 속도가 빨라집니다.

• 시각물 제작의 기준이 축적됩니다.

• 성과 회고가 다음 가설로 이어집니다.

핵심 문장

생산성은 더 많은 도구가 아니라,

역할이 분리되고 기억이 남는 작업 구조에서 나옵니다.

화면 구조

상단에는 배경(1·2·3), 중앙에는 증폭기 MSO(4),

하단에는 네 repository(5-1~5-4)가 배치된다.

맨 오른쪽에는 가설 → 실행 → 발행 → 측정 → 회고 → 개선 루프가 하나로 수렴한다.

---

7. Portfolio Statement

헤드라인

저는 콘텐츠를 자동으로 찍어내는 시스템이 아니라,

학습하고 개선되는 실행 루프를 만들고 있습니다.

본문

이 프로젝트는 단순한 콘텐츠 자동화가 아닙니다.

Agentic Workflow를 기반으로

정보 탐색, 지식 검증, 메시지 설계, 시각화, 성과 회고를

각각의 repository에 나누어 설계하고,

그 사이를 연결하는 개인 운영체제를 만드는 과정입니다.

장기적으로는 온라인 마케팅 영역에서

가설을 세우고, 콘텐츠로 실행하고, 성과를 검증하고,

다시 메시지와 시각 체계를 개선하는 루프를

혼자서 빠르게 돌릴 수 있는 역량을 쌓는 것이 목표입니다.

마무리 문장

프롬프트를 잘 쓰는 사람에서,

반복 가능한 실행 시스템을 설계하고 운영하는 사람으로 이동하고 있습니다.

화면 구조

중앙에 큰 루프:

Hypothesis → Content → Publish → Measure → Learn → Improve.

루프 바깥에는 네 repository 이름을 배치한다.

마지막 하단에는 작게 "Agentic Workflow as Personal Operating System"을 넣는다.

---

한 장 요약 버전

콘텐츠 자동화 개인 프로젝트

2024년 프롬프트 엔지니어링에서 시작해,

2025년 Obsidian MCP와 Claude Desktop 연동,

2026년 Repository 기반 Agentic Workflow로 확장했습니다.

그 과정에서 MSO(Multi-Swarm Orchestrator)를 만들고 사용하며,

repository index, workflow, work-memory라는 세 가지 Agent Context를 통해

누가 들어와도 작업을 이어갈 수 있는 Hook 기반 업무 환경을 구축했습니다.

이제 그 역량을 온라인 마케팅 자동화로 확장하고 있습니다.

trend-radar는 시장과 기술 흐름을 탐색합니다.

my-knowledge-base는 정보를 검증하고 지식으로 구조화합니다.

content-broadcast-hub는 지식을 채널별 메시지로 바꿉니다.

visual-identity-ontology는 메시지를 시각적으로 전달하는 체계를 만듭니다.

목표는 콘텐츠를 많이 만드는 것이 아니라,

가설-실행-검증-개선 루프를 혼자서 빠르게 돌릴 수 있는 실행 시스템을 만드는 것입니다.