newflix

바로큐 — 견적, 보내지 말고 보여주세요

newflix — Fri, 7 Aug 2026 04:11:36 +0900

바로큐 — 견적, 보내지 말고 보여주세요

서비스 전용 맞춤 견적 사이트 제작. 고객은 링크에서 항목을 고르고 합계를 확인한 뒤 접수하고, 사업자는 엑셀(Google Sheets)로 단가와 접수를 관리합니다.

TL;DR

카톡·메일 견적을 웹 링크로 바꾼다 — 고객이 직접 옵션을 고르고 실시간 합계를 본 뒤 접수
관리자 화면은 엑셀 하나 — 단가 수정은 가격표 시트, 접수는 접수 시트에 한 줄씩 쌓임. 배포 없이 가격 반영
템플릿 끼워 맞추기가 아니라 서비스별 맞춤 제작 — 견적 로직·화면·옵션 구조를 사업 방식에 맞게 설계
AI 상담·PDF 견적서 옵션 — 구성 추천부터 접수 후 PDF 발급까지 연결 가능
한국 사업자 대상 B2B 도구 — 2026년 8월 newflix 등록, 제작사 베이트아인, 무료 체험 견적 페이지 공개

핵심 정보 한눈에 보기

항목	내용
서비스명	바로큐 (baroquote)
한 줄 소개	서비스 전용 맞춤 견적 사이트 제작
카테고리	생산성 / B2B 사업자 도구
플랫폼	웹
제작	베이트아인 (한국)
가격 모델	맞춤 견적(구축·운영비·옵션) — 데모 페이지에서 실시간 산출
운영 방식	고객용 견적 사이트 + Google Sheets 단가·접수 관리
newflix 등록일	2026년 8월 6일
공식 사이트	baroquote.com
데모 견적	baroq.baroquote.com
문의	help@baroquote.com

어떤 문제를 풀까?

사업자가 견적을 낼 때 흔한 풍경입니다. 카카오톡으로 항목을 주고받고, 메일 첨부 엑셀을 수정하고, 같은 단가를 세 번 다시 계산합니다. 고객은 “대략 얼마인가요?”라고 묻고, 사장님은 옵션 조합마다 다른 숫자를 머릿속으로 맞춥니다. 가격을 바꾸려면 다시 문서를 보내고, 접수 내역은 채팅방·메일함·메모장에 흩어집니다.

바로큐가 겨냥하는 문제는 이 견적 왕복의 마찰입니다. 해결 방식은 범용 폼 빌더 하나 더 주는 것이 아니라, 그 서비스에 맞춘 견적 사이트를 만들고, 운영은 익숙한 엑셀(시트) 에 맡기는 것입니다.

고객 경험 — 링크 하나로 들어와 항목·수량을 고르면 합계가 그 자리에서 정리됩니다. 같은 숫자를 보고 이야기할 수 있습니다.
사업자 운영 — 단가를 시트에서 고치면 견적서 가격이 즉시 반영됩니다. 배포 요청이나 개발자 호출이 없습니다.
접수 파이프라인 — 고객이 접수 버튼을 누르면 같은 파일의 접수 시트에 한 줄이 쌓입니다. 별도 관리자 대시보드를 배울 필요가 없습니다.

큐레이터 노트도 같은 방향을 가리킵니다. “서비스에 맞춘 견적 화면을 링크로 공유하고 엑셀로 단가·접수를 관리해, 배포 없이 가격을 즉시 반영하려는 사업자에게 적합합니다.”

주요 기능 딥다이브

newflix에 정리된 핵심 기능은 세 가지입니다. 실제 공식 사이트·데모 견적 페이지를 보면 이 세 축이 제품 전체를 관통합니다.

1. 서비스별 맞춤 견적 화면

템플릿에 업종 이름을 바꿔 끼우는 방식이 아닙니다. 제작 측은 1:1 미팅으로 견적 로직·항목·옵션·화면 구조를 듣고, 그 사업 방식 그대로 사이트를 설계한다고 설명합니다. 카테고리, 단위(건/월), 할인, 수량 한도까지 실제 영업 방식에 맞출 수 있습니다.

데모 견적(baroq.baroquote.com)만 봐도 구성이 단순 체크리스트가 아닙니다.

01 서비스구축 — 구축, AI상담 등 건당 항목
02 서비스유지 — 운영비, AI 운영비 등 월 단위 항목
03 디자인 — 기본 / 고급 / 전문, 로고 AI·전문 제작 등 옵션 계층
04~06 — 참조 링크, 추가 문의, 담당자 기본 정보·개인정보 동의

즉 “견적 폼”이 아니라 그 서비스의 가격 구조를 화면으로 옮긴 것에 가깝습니다.

2. 링크 하나로 견적 공유

고객에게 카톡으로 옵션 표를 보내는 대신, 견적 사이트 URL 하나를 보냅니다. 고객은 가입 없이 항목을 고르고 합계를 확인한 뒤 접수할 수 있습니다. 공식 랜딩은 이 경험을 “견적, 보내지 말고 보여주세요”라는 문장으로 요약합니다.

같은 링크를 영업·마케팅·파트너가 공유해도 가격 기준이 한곳으로 모입니다. 버전 다른 엑셀 파일이 채팅방에 쌓이는 문제를 구조적으로 줄입니다.

3. 항목 선택 시 실시간 합계

수량을 − / + 로 바꾸면 우측(또는 하단) 합계가 즉시 갱신됩니다. 할인율·단위·부가세 별도 고지가 함께 보이므로, “대략 이 정도”가 아니라 같은 숫자를 기준으로 대화할 수 있습니다. 접수 후에는 PDF 견적서로 이어진다는 안내도 랜딩에 포함되어 있습니다.

사용자 인터페이스 — 랜딩과 실시간 견적기

랜딩 페이지: 좌측 가치 제안, 우측 실시간 견적 카드. 구축·운영비·AI상담 수량과 합계가 한 화면에 보입니다.

랜딩은 미니멀한 라이트 톤입니다. 복잡한 대시보드 스크린샷 대신, 실제로 만져 볼 수 있는 견적 카드를 히어로에 올렸습니다. 네비게이션은 진행 방식 · 운영 · 구성 · 견적 체험으로 나뉘고, CTA는 “견적 알아보기”로 통일되어 있습니다.

데모 견적 UI: 좌측에서 구축·유지·디자인 항목을 고르고, 우측에서 실시간 합계와 「견적서 문의하기」로 이어집니다. 상단에는 AI 상담 진입점이 있습니다.

데모 화면에서는 항목 설명(ⓘ), 원가/할인가, 단위, 수량 스테퍼가 일관된 패턴으로 반복됩니다. 선택 전에는 합계 ₩0, 선택 후에는 항목 수와 총액이 갱신되는 전형적인 셀프 견적기 UX입니다. 영업 담당자가 화면을 공유한 채 고객과 옵션을 같이 만져 보기에도 적합합니다.

운영 방식 — 엑셀이 관리자 화면

바로큐의 차별점은 “예쁜 견적 페이지”만이 아닙니다. 운영 루프를 엑셀 두 흐름으로 줄인 것입니다.

단가 수정 → 견적서 즉시 반영
가격표 시트(Google Sheets)에서 단가를 고치고 저장하면, 고객이 보는 견적 가격이 바뀝니다. 배포 파이프라인이나 CMS 게시 단계가 없습니다.
고객 접수 → 접수 시트에 한 줄
접수 버튼을 누르는 순간 같은 파일의 접수 시트에 시각·고객·금액 등이 쌓입니다. 사이트 관리자 화면에 로그인할 필요가 없다는 점이 핵심 메시지입니다.

개인정보처리방침에서도 접수 데이터가 Google Sheets·Drive 쪽으로 보관·이전될 수 있음을 명시합니다. 즉 기술 스택의 운영 중심축이 시트라는 점을 제품 철학과 컴플라이언스 문서가 같이 보여 줍니다.

이 구조의 장점은 학습 비용이 낮다는 것입니다. 이미 엑셀로 단가를 관리하던 사업자가 새 어드민을 배우지 않아도 됩니다. 반대로, 복잡한 권한·승인 워크플로·ERP 연동이 필요한 조직에는 시트 중심이 한계가 될 수 있습니다. 제품 포지션은 중소 사업자·에이전시·맞춤 서비스 판매자 쪽에 가깝습니다.

실제 사용 시나리오

시나리오 A. 에이전시가 패키지 견적을 보낼 때

웹·앱·브랜딩 에이전시가 고객에게 “기본 / 스탠다드 / 프리미엄” 표를 메일로 보내던 과정을 가정합니다. 바로큐로 전용 견적 사이트를 열어 두면, 고객은 구축 범위·유지 기간·디자인 등급·로고 옵션을 스스로 조합합니다. 영업 담당자는 채팅으로 숫자를 다시 계산하는 대신, 같은 링크 위에서 옵션을 같이 조정하며 범위를 좁힙니다. 접수가 들어오면 시트에 쌓이므로 후속 미팅 일정만 잡으면 됩니다.

시나리오 B. 단가를 자주 바꾸는 시즌 프로모션

런칭 할인, 월말 프로모션, 파트너 전용 단가가 잦은 사업자라면 문서 버전 관리가 곧 리스크입니다. 바로큐 모델에서는 시트 숫자만 바꾸면 공개 견적 화면이 따라갑니다. “구버전 견적서를 받은 고객”과 “신버전을 받은 고객”이 섞이는 문제를 줄일 수 있습니다. 다만 표시 가격이 참고용 견적이며 최종 계약 금액이 아니라는 점은 이용약관에 명시되어 있으므로, 계약 단계의 범위 확정은 별도로 해야 합니다.

시나리오 C. AI 상담으로 구성을 돕는 경우

데모에는 AI 상담 진입과 AI상담·AI 운영비 항목이 있습니다. 가격표 기준으로 구성을 추천하고 담기까지 이어진다는 랜딩 설명이 있습니다. 약관상 AI 답변은 생성형 결과로 부정확할 수 있으며 견적 확정·계약 의사표시가 아닙니다. 현장에서는 “초안 조합을 빠르게 만들고, 사람은 범위와 리스크를 확정한다”는 보조 역할로 쓰는 편이 안전합니다.

가격 정책 — 맞춤 견적 구조

newflix 목록 카드에는 가격이 무료로 표시되어 있지만, 이는 플랫폼 구독 SaaS의 월 요금표라기보다 데모·정보 접근이 열려 있다는 쪽에 가깝습니다. 실제 바로큐 자체의 판매 방식은 고객 사업자를 위한 맞춤 견적 사이트 구축·운영입니다. 공식 데모에 공개된 예시 단가(참고용, 부가세 별도, 변경 가능)는 대략 다음과 같습니다.

구분	항목 예시	데모 표시가	단위
구축	서비스 구축	₩500,000 (프로모션 시 ₩0 등 표기)	건
구축	AI상담 구축	₩500,000 → 할인가 ₩250,000	건
유지	견적 사이트 운영비	₩60,000	월
유지	AI 운영비	₩20,000	월
디자인	기본	₩0	건
디자인	고급	₩300,000	건
디자인	전문	₩1,000,000	건
로고	AI 제작	할인가 예시 ₩105,000	건
로고	전문 제작	₩500,000	건

중요한 해석 포인트:

위 숫자는 바로큐가 자사 데모에 올려 둔 예시이며, 업종·범위에 따라 사이트마다 항목이 달라집니다.
이용약관은 산출 금액을 참고용 견적으로 정의하고, 최종 금액·범위는 접수 후 협의·계약으로 확정한다고 밝힙니다.
표시 가격은 부가가치세 별도, 사전 고지 없이 변경될 수 있습니다.
견적 알아보기·문의는 사이트 CTA 및 help@baroquote.com으로 이어집니다.

즉 가격 페이지를 고르는 구독 제품이 아니라, 견적 UX 자체를 상품으로 파는 제작·운영 서비스에 가깝습니다.

경쟁 서비스와 포지션 비교

바로큐를 “견적 도구” 한 줄로만 보면 폼 빌더·견적 SaaS와 겹쳐 보입니다. 다만 맞춤 제작 + 시트 운영 조합이 포지션을 가릅니다.

비교 축	바로큐	범용 폼/설문 (Typeform, Google Forms 등)	견적·CPQ SaaS / 노코드 견적	수작업 (카톡·메일·엑셀)
화면 맞춤	서비스별 전용 설계	템플릿·필드 조합	설정 가능한 견적 플로우	문서·채팅
실시간 합계	핵심 기능	제한적(계산 필드 등)	강함	수동
가격 반영	시트 수정 즉시	폼 재편집·재공유	어드민/규칙 엔진	파일 재전송
접수 관리	시트 한 줄 적재	응답 시트/이메일	CRM·대시보드	분산
학습 비용	시트 중심, 낮음	낮음	중~높음	익숙하지만 비효율
확장성	중소 규모·맞춤에 적합	단순 수집에 적합	대규모 영업·복잡한 규칙	규모 커지면 붕괴
한국 로컬 맥락	한국어·원화·국내 사업자 문서	글로벌 일반	제품마다 다름	로컬 관행

바로큐를 고르기 좋은 경우

옵션 조합이 있는 맞춤 서비스(제작, 유지, 컨설팅 패키지 등)를 판다
고객에게 “보내 주는 견적서”보다 “만져 보는 견적 화면”이 설득에 유리하다
새 어드민을 도입하기보다 엑셀 운영을 유지하고 싶다
가격 변경이 잦아 문서 버전 관리 비용이 크다

다른 도구가 나을 수 있는 경우

이미 Salesforce·HubSpot 등 CRM 견적/CPQ에 영업 프로세스가 묶여 있다
다단계 승인, 리셀러 가격, 복잡한 세금·계약 모듈이 필요하다
완전 셀프서브 템플릿만으로 충분하고 맞춤 제작 비용이 부담이다
데이터 보관·권한을 시트 바깥의 엔터프라이즈 인프라에 맞춰야 한다

관련 생산성 도구로 newflix에 묶일 수 있는 Notion·Miro 등과는 카테고리만 겹칠 뿐 용도가 다릅니다. 바로큐는 지식 정리·화이트보드가 아니라 가격 제시와 접수에 특화되어 있습니다.

보안·프라이버시와 한국어 지원

국내 사업자 도구인 만큼 문서 구성도 실무적입니다.

이용약관 — 견적의 참고용 성격, AI 상담의 한계, 이용자 의무, 서비스 변경·중단, 면책 조항을 명시
개인정보처리방침 — 처리 목적(접수·회신·견적서·상담), 수집 항목(담당자명·이메일 필수, 연락처·회사명·문의 선택), 보유 기간, Google LLC(미국) Sheets·Drive 국외 이전 고지, 제3자 제공 원칙
AI 사용 안내 — 상담 과정에서 불필요한 개인정보 입력을 자제하라는 취지의 안내가 포함

한국어 UI, 원화(₩) 표기, 부가세 별도 고지, 사업자 정보(베이트아인, 서울 관악, 통신판매업 신고 등)가 사이트에 노출되어 있어 한국 고객 대상 영업 도구로 바로 읽힙니다. 영문 글로벌 SaaS를 번역해 쓰는 느낌이 아니라, 국내 견적 관행(카톡·메일·부가세)을 전제로 설계된 인상에 가깝습니다.

데이터 측면에서는 시트 중심 운영이 편의인 동시에, 접근 권한·공유 링크 관리·퇴사자 권한 회수 같은 운영 규율이 중요합니다. 민감 업종이라면 수집 항목을 최소화하고, 시트 공유 범위를 제한하는 내부 규칙이 필요합니다.

장단점 요약

장점

견적 왕복을 링크로 압축 — 고객 셀프 구성 + 실시간 합계 + 접수가 한 흐름
운영 학습 비용이 낮음 — 관리자 UI 대신 Google Sheets로 단가·접수 처리
가격 반영이 빠름 — 배포 없이 시트 저장만으로 공개 견적 금액 변경
서비스별 맞춤 화면 — 업종 템플릿 수준을 넘어 견적 로직·옵션 구조를 맞춤 제작
데모로 경험 가능 — 가입 부담 없이 실제 견적 UX를 1분 안에 체험
한국 사업 맥락 반영 — 한국어, 원화, 부가세 별도, 국내 약관·사업자 정보
AI 상담을 보조 축으로 연결 — 구성 추천·문의 허들을 낮출 여지

단점

범용 셀프서브 SaaS가 아님 — 도입이 “가입 후 설정”보다 맞춤 제작·운영 계약에 가깝다
시트 중심의 한계 — 복잡한 승인·권한·대규모 동시 영업에는 CPQ/CRM이 유리
견적은 참고용 — 최종 계약 금액·범위는 별도 협의 필요(약관 명시)
AI 답변 신뢰 한계 — 생성형 결과로 부정확할 수 있으며 계약 효력 없음
데이터 거버넌스 부담 — Google 국외 이전·시트 공유 권한을 사업자가 관리해야 함
공개 리뷰·커뮤니티 아직 적음 — newflix 등록 직후라 사용자 후기 데이터가 부족
기능 확장 속도는 제작 범위에 의존 — 마켓플레이스형 플러그인 생태계와는 다른 모델

총평

바로큐는 “또 하나의 폼 빌더”가 아닙니다. 견적을 문서로 보내지 않고, 서비스 전용 화면으로 보여 준 뒤 시트로 운영하게 만드는 제작형 생산성 도구입니다. 카톡·메일로 옵션을 맞추던 팀, 단가표를 자주 고치는 팀, 고객이 스스로 구성을 만져 보길 원하는 팀에 설득력이 있습니다.

반대로 이미 엔터프라이즈 CPQ에 프로세스가 고정되어 있거나, 시트가 아닌 통제된 데이터 플레인이 필수인 조직에는 결이 다릅니다. 도입 전에는 데모 견적으로 UX를 직접 눌러 보고, 수집 항목·시트 권한·최종 계약 프로세스를 내부 기준으로 맞춰 보는 것이 좋습니다.

더 자세한 큐레이션 원문과 스크린샷은 newflix 서비스 페이지에서 확인할 수 있습니다.
→ https://newflix.io/s/baroquote

공식 사이트: https://baroquote.com/ · 데모 견적: https://baroq.baroquote.com/

Agnost AI — eval이 놓친 운영 대화 실패를 찾아, 수정 PR까지 여는 에이전트 개선 플랫폼

newflix — Sat, 1 Aug 2026 01:07:04 +0900

Agnost AI — eval이 놓친 운영 대화 실패를 찾아, 수정 PR까지 여는 에이전트 개선 플랫폼

"Your Agents Should Get Better Every Day."
운영 채팅·음성 대화를 읽고, 사용자가 막히거나 이탈하는 지점을 찾아, 팀이 검토할 수 있는 수정안과 PR로 연결합니다.

Y Combinator 백드 스타트업 Agnost AI는 AI 에이전트의 평가(eval)와 실제 운영(production) 사이의 간극을 메우는 도구입니다. 대시보드에 트레이스만 쌓아 두는 관측(observability) 도구와 달리, 실패 패턴을 진단한 뒤 프롬프트·가드레일·엣지케이스 처리 개선안을 PR 형태로 제안하는 점이 핵심 차별점입니다.

TL;DR

eval 통과 ≠ 운영 성공 — 실제 채팅·음성 대화에서 막힘, 재시도, 이탈 신호를 지속적으로 분석
관측을 넘어 개선까지 — 실패 카테고리를 만들고, 영향도가 큰 패턴을 수정안·PR로 전환 (팀은 리뷰 후 머지)
3줄 SDK 또는 OpenTelemetry — OpenAI, Anthropic, LangChain 등 어떤 LLM·프레임워크든 약 2분 연동
무료부터 시작 — Free(1,000 events/월) → Starter $49 → Pro $499 → Enterprise 커스텀
AI 제품 KPI 프레임워크 — Intent Resolution Rate, Frustration Index 등 대화형 제품 전용 지표 철학을 제품에 반영

핵심 정보 한눈에 보기

항목	내용
서비스명	Agnost AI
한 줄 설명	운영 대화에서 AI agent 실패를 찾는 도구
카테고리	AI 툴 / 개발도구 (agent observability · improvement)
개발사	Agnost Tech Inc (Y Combinator)
플랫폼	웹
가격	Free / Starter $49·월 / Pro $499·월 / Enterprise 커스텀
연동	SDK 3줄 또는 OpenTelemetry, 모든 LLM·프레임워크
대상	AI 에이전트·대화형 제품을 운영하는 팀
공식 사이트	agnost.ai
newflix 등록일	2026년 7월 18일
newflix 페이지	newflix.io/s/agnost

어떤 문제를 풀까?

AI 에이전트 팀은 보통 이렇게 일합니다. 테스트셋과 eval 스위트를 만들고, 점수가 올라가면 배포하고, LangSmith·Phoenix·Sentry 같은 도구로 트레이스와 에러율을 봅니다. 그런데 대시보드상 지표는 멀쩡한데 사용자는 조용히 떠나는 일이 반복됩니다.

Agnost AI가 지적하는 핵심은 이렇습니다.

Eval은 “알려진 미지(known unknowns)”만 잡는다
팀이 미리 정의한 케이스에서는 통과해도, 실제 사용자가 던지는 표현·의도·엣지케이스는 테스트셋 밖에 있습니다.
전통 제품 지표는 대화 품질을 설명하지 못한다
DAU, 세션 길이, 리텐션은 “앱을 열었는지”는 보여 주지만, “의도가 해결됐는지·신뢰가 쌓였는지”는 보여 주지 않습니다. 같은 12턴 대화가 깊은 몰입일 수도, 다섯 번 같은 질문을 반복하다 포기한 좌절일 수도 있습니다.
관측만으로는 개선 루프가 닫히지 않는다
트레이스를 읽는 데 시간을 쓰고, 어느 프롬프트를 고칠지 회의하고, 수동으로 PR을 쓰는 동안 실패 패턴은 계속 쌓입니다.

Agnost AI의 포지션은 여기서 출발합니다. 운영 대화를 읽고 → 실패·마찰 신호를 분류하고 → 팀이 검토할 수 있는 수정(PR)까지 제안해, “차트 보는 시간”을 “머지하는 시간”으로 바꿉니다.

제품 철학 — "에이전트가 매일 나아져야 한다"

OG·랜딩 카피에 반복되는 메시지는 단순합니다. "Your Agents Should Get Better Every Day."
에이전트를 한 번 배포하고 끝내는 시스템이 아니라, 프로덕션 대화가 다음날의 개선 입력이 되는 루프를 만들자는 주장입니다. Y Combinator 백드라는 점은 초기 인프라·에이전트 팀 대상 GTM과 맞물려 있습니다.

공식 FAQ 기준으로 Agnost AI가 실제로 손대는 개선 범위는 다음과 같습니다.

프롬프트·가드레일 조정
새로운 엣지케이스 처리
하네스 또는 Weights & Biases 설정 변경

각 PR은 "놓친 의도", "반복 버그", "업그레이드를 막는 마찰"처럼 실제 대화 신호에 연결되고, 머지 전에 사람이 리뷰합니다. 완전 무인 배포가 아니라 자동 제안 + 인간 승인 모델입니다.

주요 기능 딥다이브

1) 운영 채팅·음성 대화의 지속 분석

연결 직후 Agnost AI는 실제 프로덕션 대화를 읽어 제품에 의미 있는 실패 카테고리를 생성합니다. 예시 유형은 다음과 같습니다.

깨진 워크플로(broken workflows)
반복 재시도(repeated retries)
온보딩·설정 마찰(setup friction)
이탈·이탈 위험(churn risk)
기능 요청·의도 불일치

newflix 요약도 같은 축을 가리킵니다. 운영 대화를 계속 분석하고, eval이 놓친 실패 패턴을 찾고, 사용자가 막히거나 좌절하는 구간을 식별합니다.

2) Intent 중심 분석 대시보드

공식 사이트의 인터랙티브 데모(ClipForge AI 워크스페이스)를 보면 제품 정보 구조가 잘 드러납니다. 사이드바는 크게 세 축입니다.

영역	메뉴	역할
Analyse	User Stories, Intents, Violations	사용자 스토리·의도·정책 위반 분석
Observe	Tool Calls, Errors, Events	도구 호출·에러·이벤트 관측
Improve	Alerts, Auto Improve	알림과 자동 개선 루프

Intents 화면에는 의도별 활동 차트, 메시지 수, 최근 발생 시각, 상태(Active / Suggested)가 표시됩니다. Suggested 상태 의도에는 Approve / Reject 버튼이 있어, 모델이 제안한 의도 분류를 팀이 큐레이션할 수 있습니다. 데모 데이터 예시 의도만 봐도 제품 톤이 명확합니다.

"Rage after incorrect background replacement"
"Broken export link after render completed"
"Export stalled at 99% during final mux"
"Plan limit discovered only at export"

즉 추상적인 "에러 로그"가 아니라, 사용자가 실제로 겪은 실패 스토리 단위로 문제를 묶어 보여 줍니다. "Copy as Markdown", "Ask AI" 같은 액션도 있어 분석 결과를 문서·대화로 바로 넘길 수 있습니다.

3) 관측(Observe)에서 개선(Improve)으로

Agnost AI는 스스로를 순수 관측 도구와 구분합니다. 공식 FAQ 요지:

Observability는 읽기 전용이다. 트레이스와 대시보드를 보여 주고 일은 팀에 남긴다.
Agnost AI는 행동한다. eval을 통과했지만 운영에서 깨지는 실패를 진단하고, 검토용 수정을 제안한다.

그래서 Improve 영역의 Auto Improve와 "리뷰 가능한 PR 오픈"이 제품 스토리의 종착점입니다. Lopus AI 사례에서는 대화 속에 묻힌 버그를 찾아 16/18개의 자율 PR이 머지됐다는 수치가 소개됩니다. Odysser CTO는 채팅 안에서 1,247개의 기능 요청이 표면화됐다고 말합니다. 숫자는 마케팅 인용 수치이므로 절대 벤치마크로 과신하기보다, "대화 속에 이미 있는 신호를 제품 백로그로 끌어올린다"는 방향성으로 이해하면 됩니다.

4) 연동: 2분, 3줄, OpenTelemetry

어떤 LLM·프레임워크든 동작 (OpenAI, Anthropic, LangChain, 커스텀 스택)
SDK 약 3줄 또는 OpenTelemetry로 데이터 전송
"설정 거의 없이 커피가 식기 전에 프로덕션 연결"을 목표로 한 온보딩 카피

에이전트 스택이 이미 OTel을 쓰는 팀이면 기존 파이프라인에 얹기 쉽고, 아직 관측이 얕은 팀이면 SDK부터 시작하는 경로를 택할 수 있습니다.

실제 사용 시나리오

1. AI 코딩 어시스턴트 팀
Eval 점수는 올랐는데 리텐션이 정체됩니다. Agnost로 운영 대화를 보면 같은 에러를 세 번 다른 방식으로 물어보다 포기한 패턴이 보입니다. 해당 의도를 Active로 승인하고, 프롬프트·도구 설명 수정 PR을 리뷰·머지합니다.

2. 보이스 BDR / 세일즈 에이전트
미팅 예약률이 들쭉날쭉합니다. 전환된 대화와 실패한 대화의 의도·감정 신호를 비교해, 스크립트와 가드레일을 좁힙니다. Corgi Insure 사례처럼 실제로 전환된 대화 패턴을 표면화하는 용도입니다.

3. AI 컴패니언 / 튜터 제품
DAU는 괜찮지만 유료 전환이 약합니다. 대화 깊이·좌절 신호·의도 해결률을 함께 보면, 페이월 직전에 신뢰를 잃는 구간이 드러납니다. 블로그에서 강조하는 대화 단위 데이터 없이 하는 페이월 A/B는 노이즈라는 관점과 맞습니다.

4. 에이전트 품질 온콜
Tool Calls·Errors 화면으로 도구 실패를 보고, Alerts로 급증 패턴을 받고, Auto Improve로 후보 수정안을 쌓아 아침 스탠드업에서 PR만 리뷰하는 운영 리듬을 만들 수 있습니다.

가격 정책

공식 랜딩 기준 요금제 요약입니다. (통화 USD, 월간 표시)

플랜	가격	핵심 한도·기능
Free	$0	의도·감정 시그널, 실패 탐지·해결, NL 데이터 쿼리, 월 1,000 events, 7일 보관
Starter	$49/월	Free 전부 + 자동 에이전트 개선, 월 10,000 events, 30일 보관, 온보딩 지원
Pro	$499/월	Starter 전부 + 월 1,000,000 events, 90일 보관, 우선 지원, Founders Slack
Enterprise	커스텀	VPC/셀프호스트, 커스텀 보관·SLA, 감사 로그, 커스텀 개선 워크플로, 우선 기능 요청

newflix 메타데이터에도 가격 라벨이 무료(free) 로 잡혀 있어, 평가·파일럿은 Free 티어에서 시작하기 쉽게 설계된 것으로 보입니다. 이벤트 볼륨이 큰 프로덕션 에이전트는 Starter 또는 Pro로 넘어가는 구조입니다. Enterprise는 규제·보안이 까다로운 조직용 옵션입니다.

참고: 이벤트 정의·초과 과금·연간 할인 여부는 공식 사이트/세일즈 확인이 필요합니다. 이 글은 공개 랜딩 문구 기준입니다.

경쟁 서비스 비교

Agnost AI는 LLM 트레이스 뷰어와 에이전트 자동 개선 사이에 걸쳐 있습니다.

비교 축	Agnost AI	LangSmith / Phoenix 등	Sentry (AI/에러)	수작업 로그 리뷰
주 목적	실패 탐지 + 수정 PR	트레이스·eval·디버깅	예외·성능 모니터링	샘플링 품질 검수
입력	채팅·음성 대화	스팬·트레이스·데이터셋	스택·트랜잭션	임의 대화 샘플
출력	의도/실패 카테고리, 알림, 리뷰용 PR	대시보드, 데이터셋, 프롬프트 실험	이슈 티켓	회의 노트
루프 닫힘	관측→진단→제안까지	관측·실험 중심	장애 대응 중심	사람 의존
강점	프로덕션 unknown 실패, 제품 KPI 관점	개발자 디버깅 깊이	기존 APM 스택 연동	맥락 풍부
약점	신생 툴, 생태계·레퍼런스 규모	개선 자동화는 별도	대화 의도 분석은 약함	스케일 불가

같이 쓰기 좋은 조합

LangSmith/Phoenix + Agnost: 개발 중 eval·트레이스는 기존 툴, 운영 대화 실패→PR 루프는 Agnost
Sentry + Agnost: 인프라/런타임 예외는 Sentry, 사용자가 화났지만 예외는 안 난 실패는 Agnost

순수 트레이스 뷰어만 필요하고 PR 자동화까지 원하지 않는다면 기존 observability로 충분할 수 있습니다. 반대로 eval 점수는 높은데 이탈·전환이 안 나오는 팀이라면 Agnost의 문제 정의가 더 잘 맞습니다.

블로그가 보여주는 측정 프레임워크

Agnost 팀은 제품뿐 아니라 블로그로 대화형 AI KPI를 적극 교육합니다. 대표적으로 The 6 Metrics Every AI-Native Product Should Track 에서 강조하는 축은 다음과 같습니다.

Intent Resolution Rate (IRR) — 의도가 해결된 대화 비율. 수익·리텐션과 가장 직접 연결된다고 주장
Conversation Depth (결과별 세그먼트) — 해결된 대화의 깊이 vs 포기한 대화의 깊이
Frustration Index — 재질문, 짧은 부정 후속, 긴 응답 후 이탈 등의 합성 신호
Activation Conversation — 첫 주 특정 대화 패턴이 장기 리텐션을 예측
Conversation Health Score — 사용자별 최근 N개 대화 건강도 (이탈 선행 지표)
Silence Before Churn — 이탈 직전 메시지 길이·후속률 감소 패턴

에이전트 제품 전용으로는 Task Completion Rate, Path Efficiency, Trust signals, Recovery Rate, Delegation Depth 같은 Agent Experience 시그널도 정리합니다. 세션 수·토큰 사용량만 보면 사용자가 에이전트를 제한적으로만 쓰게 된 상태를 건강한 사용으로 오해할 수 있다는 경고입니다.

콘텐츠 포지션 자체도 제품 메시지와 일치합니다. "Evals Catch Known Unknowns. Production Catches Unknown Unknowns." 같은 헤드라인으로, 테스트 통과와 사용자 성공을 분리해 설명합니다.

수익화 관점에서는 페이월 A/B만 돌리면 세그먼트별 효과가 상쇄되어 평균만 좋아 보일 수 있다고 지적합니다. 업그레이드 직전 대화 맥락을 같이 봐야 한다는 주장으로, 제품의 대화 분석 → 액션 스토리를 강화합니다.

장단점 요약

장점

eval과 운영 사이의 빈칸을 정확히 겨냥 — 많은 팀이 느끼는 문제를 제품 한 줄로 정의
관측에서 멈추지 않고 PR까지 — 개선 루프를 닫으려는 설계
Intent 단위 UI — 실패를 사용자 스토리처럼 읽고 승인·거절 가능
연동 부담이 낮음 — SDK 3줄 또는 OpenTelemetry, 프레임워크 비종속
Free 티어 존재 — 소량 이벤트로 먼저 검증 가능
측정 프레임워크가 탄탄 — IRR, Frustration Index 등 콘텐츠·제품 철학 일치
YC 및 초기 고객 인용 — Google MCP Toolbox, Exa, Lopus AI 등 레퍼런스 메시지

단점

아직 신생 카테고리 플레이어 — 성숙한 관측 플랫폼 대비 레퍼런스·플러그인 폭은 좁을 수 있음
이벤트 한도 민감 — Free 1,000 / Starter 10,000 events는 트래픽 큰 에이전트에 빠르게 부족
Pro $499는 점프가 큼 — 중간 규모 팀의 가격 사다리 고민 가능
자동 PR 품질은 워크로드 의존 — 모든 제안이 바로 머지 가능하지는 않음 (리뷰 전제)
한국어 전용 문서·지원 여부는 미확인 — 글로벌 영문 제품 중심
대화 데이터 민감성 — 암호화·보관 정책은 반드시 Trust Centre/약관 확인 필요

보안·프라이버시 메모

대화 로그는 사실상 사용자 발화·업무 맥락을 포함합니다. 공식 FAQ는 전송 중 암호화 등 보안을 강조하지만, 도입 전에는 다음을 확인하는 것이 안전합니다.

데이터 보관 기간(플랜별 7/30/90일)과 삭제 정책
학습/모델 개선 목적 사용 여부
리전·VPC/셀프호스트(Enterprise) 필요 여부
PII 마스킹·레드액션 옵션
감사 로그·SSO 등 엔터프라이즈 통제

민감 업종(금융·의료·사내 코드 에이전트)이라면 Free 파일럿 전에 Trust Centre와 약관을 먼저 보는 편이 좋습니다.

총평

Agnost AI는 "에이전트를 더 똑똑한 모델로 갈아끼우기"가 아니라, 이미 쌓이는 운영 대화에서 실패를 캐내고 개선 PR로 돌리는 운영 체제에 가깝습니다. eval 스위트와 트레이스 툴을 이미 쓰는 팀일수록, 그 다음에 남는 질문 — 왜 사용자는 여전히 막히는가? — 에 대한 답이 됩니다.

지금 AI 에이전트를 프로덕션에 올려 둔 팀, 특히 다음 중 하나에 해당한다면 공식 사이트와 newflix 페이지를 함께 살펴볼 만합니다.

eval은 통과하는데 리텐션·전환이 안 오른다
트레이스는 많은데 어디를 고칠지 합의가 안 된다
대화 속에 묻힌 기능 요청·버그를 백로그로 못 옮기고 있다

더 자세한 큐레이션 요약은 newflix에서 확인할 수 있습니다:
Agnost AI on newflix · 공식 사이트 agnost.ai

ContextVault — 팀 AI가 매번 처음부터 시작하지 않게 만드는 공유 메모리 계층

newflix — Thu, 30 Jul 2026 06:09:04 +0900

ContextVault — 팀 AI가 매번 처음부터 시작하지 않게 만드는 공유 메모리 계층

팀과 AI 도구를 위한 공유 메모리 계층. Claude Code, Codex, ChatGPT 등 여러 AI 클라이언트에서 검증된 답변과 맥락을 저장·검색하고, 사용자·에이전트·tenant·그룹 단위로 접근을 제어합니다.

TL;DR

AI 세션이 끝나면 사라지던 지식을 조직 자산으로 남긴다 — 채팅 로그가 아니라 문제·맥락·교훈을 담은 distilled memory를 저장
MCP 네이티브 — https://mcp.contextvault.dev 한 줄로 Claude Code, Codex 등 MCP 클라이언트 연결
범위 제어가 핵심 — 사용자·에이전트·tenant·그룹별로 메모리를 나누어 보안·프로젝트 경계를 유지
가격은 7일 무료 체험부터 — Solo $9.99/월, Team $49.99/월(인기), Enterprise 맞춤
로컬 마크다운·노트 앱·벡터 DB와 다른 포지션 — 개인 메모가 아니라 조직이 AI와 함께 학습하는 인프라

핵심 정보 한눈에 보기

항목	내용
서비스명	ContextVault
한 줄 소개	팀과 AI 도구를 위한 공유 메모리 계층
카테고리	AI 툴 / 생산성
플랫폼	웹 (MCP 엔드포인트 + 대시보드)
개발	three shade
가격 모델	7일 무료 체험 후 유료 (Solo / Team / Enterprise)
MCP 서버	`https://mcp.contextvault.dev`
공식 사이트	contextvault.dev
newflix 등록일	2026년 7월 18일
newflix 페이지	newflix.io/s/contextvault

어떤 문제를 풀까?

AI 도구는 개인 생산성을 크게 끌어올렸지만, 조직 단위 학습은 거의 남지 않습니다. 개발자가 Claude에서 프로덕션 장애를 해결해도, 마케터가 ChatGPT에서 검증된 워크플로를 만들어도, 그 결과는 대개 한 사람의 채팅 기록이나 로컬 머신에 갇힙니다. 다음 세션, 다음 동료, 다른 AI 클라이언트는 다시 처음부터 물어봐야 합니다.

ContextVault가 겨냥하는 문제는 바로 이 일회용 맥락(disposable context) 입니다. 회사 소개 페이지의 표현처럼, 대부분의 AI 지식은 대화가 끝나면 사라집니다. 팀이 이미 배운 것을 다음 사람·다음 모델·다음 워크플로가 이어 쓰게 만드는 것이 목표입니다.

newflix 큐레이터 노트도 같은 방향을 짚습니다. 팀이 AI 도구와 함께 검증된 답변·맥락을 세션 간에 저장·검색하고, 범위별로 접근을 제어할 수 있는 공유 메모리 계층이라는 점입니다. 개인용 AI 메모리 플러그인이나 흩어진 마크다운 파일 더미와 달리, 조직이 하나의 vault를 중심으로 동기화되는 구조입니다.

브랜드 철학 — 왜 ContextVault가 필요한가

회사 소개 화면. AI 지식이 채팅 기록과 개인 머신에 갇히는 문제를 정면으로 다룹니다.

공식 About 페이지는 제품 기능을 나열하기보다 문제 정의부터 시작합니다. 엔지니어는 더 빠르게 장애를 해결하고, 마케터는 아이디어를 즉시 뽑아내며, 분석가는 복잡한 정보를 수분 만에 요약합니다. 그런데 이런 성과는 대부분 개인 단위로 끝납니다. 조직은 격리된 지식으로는 스케일되지 않습니다.

전형적인 실패 패턴은 이렇습니다.

개발자가 Claude에서 프로덕션 이슈를 해결한다.
전략가가 ChatGPT에서 완벽한 워크플로를 만든다.
아키텍트가 수십 번의 반복 끝에 마이그레이션 계획을 다듬는다.

그 지식이 남는 곳은 단일 채팅 히스토리 또는 한 사람의 머신입니다. ContextVault는 이 지식을 증류된 팀 메모리로 바꿔, 다음 AI 세션이 같은 바퀴를 다시 발명하지 않게 합니다.

주요 기능 딥다이브

기능 페이지. 검증된 답변을 저장하고, 그룹 단위로 접근을 나누는 두 축이 전면에 배치됩니다.

1. Distilled Team Memory — 대화 전체가 아니라 교훈만

ContextVault는 원시 채팅 전문을 그대로 쌓지 않습니다. 메모리는 문제, 관련 맥락, 나중에 재사용할 교훈을 담도록 설계됩니다. 덕분에 검색 신호는 충분하면서도 저장 데이터는 작고 리뷰하기 쉽습니다. 다음 세션의 AI 클라이언트는 긴 대화 로그를 끌고 오지 않고도 유용한 답을 복원할 수 있습니다.

2. Group-Scoped Access — 팀·클라이언트·프로젝트 경계

공유 지식은 무조건 전 조직 공개가 아닙니다. 워크스페이스 그룹으로 메모리를 분리해 클라이언트, 프로젝트, 부서, 보안 민감 맥락을 제자리에 둡니다. Team·Enterprise 플랜에서 그룹을 만들고 이름을 바꾸거나 보관(archive)할 수 있으며, 보관해도 메모리는 삭제되지 않습니다. 대시보드의 bulk move로 그룹 간 이전도 가능합니다.

3. Hybrid Retrieval — 표현이 달라도 찾기

검색은 의미 유사도와 텍스트 매칭을 함께 씁니다. 원본 메모리와 다른 말로 질문해도 결과가 유용하게 남도록 설계된 지점입니다. 나중에 피드백 신호를 모아 랭킹을 개선할 여지도 문서에 명시되어 있습니다.

4. MCP-Native Workflow — 도구마다 메모리를 다시 만들지 않기

MCP 호환 클라이언트를 같은 vault에 연결하면, 팀원마다 다른 AI 도구를 써도 메모리를 따로 쌓을 필요가 없습니다. Claude Code, Codex, Claude Desktop, OpenAI Desktop/ChatGPT, Microsoft Copilot, Gemini, VS Code·Cursor·Windsurf·JetBrains 등 주요 클라이언트 호환을 공식 표기하고 있습니다. Google Gemini Desktop은 Planned 상태입니다.

5. 지속성과 접근 제어

메모리는 세션을 넘어 유지됩니다. 조직 범위 저장으로 tenant 데이터가 분리되고, 인증된 MCP 요청은 실제 사용자와 워크스페이스에 묶입니다. 특정 모델 벤더에 메모리를 가두지 않는 것이 제품 포지션의 핵심입니다.

사용자 인터페이스 — 제품이 말하는 방식

홈 히어로. shared memory layer 슬로건과 함께, 이전 프로젝트 SSO 경험을 찾아주는 터미널 데모가 핵심 가치를 보여 줍니다.

홈 화면은 기능 나열보다 한 문장 포지셔닝에 집중합니다. 부제는 팀이 매 AI 세션마다 처음부터 시작하지 않게 한다는 메시지입니다. 데모 터미널에서는 사용자가 Azure 서비스로 Sitecore SSO 구현 경험을 묻고, AI가 회사 내 유사 사례 4건을 찾아 답하는 장면이 나옵니다. 마케팅 카피보다 이 장면이 제품 이해를 더 빠르게 만듭니다.

다크 테마, 퍼플-블루 그라데이션, 그리드 배경의 개발자 도구형 비주얼이고, 상단에는 Product·Features·Pricing·Docs·News·FAQ와 Dashboard 진입이 있습니다. 실제 연결은 MCP 설정과 OAuth 로그인으로 이어집니다.

실제 사용 시나리오

시나리오 A: 장애 대응 지식 재사용

시니어 엔지니어가 Claude Code로 결제 장애를 해결한 뒤, 문제 요약·원인·해결 포인트를 ContextVault 메모리로 저장합니다. 이틀 뒤 다른 팀원이 유사 증상을 다른 AI 클라이언트에 물어보면, MCP를 통해 같은 vault에서 관련 메모리를 검색해 처음부터 로그를 다시 파지 않아도 됩니다.

시나리오 B: 에이전시·컨설팅의 클라이언트 경계

에이전시는 클라이언트마다 그룹을 나눕니다. A사 마이그레이션 교훈이 B사 검색에 섞이지 않으면서도, 같은 팀 내부에서는 프로젝트 그룹 단위로 지식을 공유할 수 있습니다. Solo는 1인 운영자·컨설턴트용, Team은 멤버 관리와 공유 컬렉션이 필요할 때 맞습니다.

시나리오 C: 멀티 클라이언트 개발 환경

한 조직 안에서도 Claude Code, Cursor, Codex를 섞어 쓰는 경우가 흔합니다. ContextVault는 클라이언트마다 로컬 마크다운을 복제하는 대신, MCP 엔드포인트 하나로 읽기·쓰기를 맞춥니다. Claude Code는 프로젝트 MCP 설정에 서버 URL을 넣고, Codex는 설정 파일 또는 mcp add 명령으로 연결합니다. 첫 연결 시 브라우저 OAuth가 열립니다.

가격 정책

가격 페이지. 좌석·그룹·메모리 수·월간 쿼리 한도를 플랜별로 명확히 나눕니다.

공식 Pricing 페이지 기준 런칭 티어는 다음과 같습니다.

플랜	가격	핵심 한도
Free Trial	$0 / 7일	1 seat, 기본 그룹 1개, 메모리 50개, 코어 MCP·API
Solo	$9.99/월	1 seat, 기본 그룹 1개, 메모리 500개, 전체 MCP·API, 1인 운영자·컨설턴트·창업자용
Team (인기)	$49.99/월	10 seats, 그룹 15개, 메모리 2,500개, 월 15,000 쿼리, 멤버 관리·워크스페이스 제어, 조직 공유 컬렉션
Enterprise	맞춤	20 seats 이상, 그룹·메모리·쿼리 무제한, 데이터 내보내기, 구매·온보딩·보안 리뷰 지원

newflix API에는 가격 라벨이 무료로 표기되어 있으나, 이는 체험 진입이 무료라는 의미에 가깝습니다. 실제 운영 플랜은 Solo부터 유료이며, 팀 공유가 목표면 Team이 기본 선택지로 보입니다. 가격·한도는 변동될 수 있으니 도입 전 공식 Pricing 페이지를 다시 확인하는 것이 좋습니다.

경쟁 서비스·대안과 비교

ContextVault는 또 하나의 챗봇이 아니라 AI 워크플로용 조직 메모리 인프라에 가깝습니다. 공식 비교 프레임을 기준으로 보면 포지션이 분명합니다.

비교 축	ContextVault	로컬 마크다운	프롬프트 라이브러리	벡터 스토어	노트 앱
조직 공유 메모리	강함	약함	제한적	제한적	제한적
AI 클라이언트 횡단	강함 (MCP)	약함	약함	부분적	약함
그룹·접근 제어	기본 설계	거의 없음	제한적	직접 구현	부분적
설치·운영 부담	호스팅 서비스	낮음	낮음	높음	중간
용도	AI 재사용 지식	개인 메모	프롬프트 템플릿	RAG 인프라	문서 협업

Mem, Notion, 개인 AI 메모리 확장과는 무엇을 기억하느냐가 다릅니다. 노트 앱은 사람이 읽고 쓰는 문서에 강하고, ContextVault는 AI 클라이언트가 검색·재사용할 증류된 문제 해결 기록에 초점을 둡니다. 벡터 DB는 유연하지만 인증·그룹 권한·MCP 연결·조직 워크스페이스를 직접 붙여야 합니다.

선택 가이드

팀이 Claude Code·Codex·ChatGPT를 섞어 쓰고, 같은 장애·결정 맥락을 다시 찾고 싶다면 ContextVault가 맞습니다.
문서 협업·위키·프로젝트 관리가 목표면 노트 앱이 더 적합합니다.
완전 커스텀 RAG·임베딩 파이프라인이 필요하면 벡터 스토어를 직접 구축하는 편이 낫습니다.
1인 개발자가 로컬에서만 작업한다면 마크다운·로컬 메모리로도 충분할 수 있습니다.

연동 방법 요약 (MCP)

문서 페이지 기준으로 핵심만 정리하면 다음과 같습니다.

호스팅 MCP 엔드포인트: https://mcp.contextvault.dev
전송 방식: HTTP, 인증 필요
첫 연결 시 브라우저 OAuth → 이후 요청은 사용자·활성 워크스페이스에 귀속
Claude Code: 프로젝트 MCP 설정에 contextvault 서버 URL 등록
Codex: 설정 파일에 MCP 서버 URL 추가 또는 mcp add 명령 사용
그룹 메모리는 워크스페이스 일부만 봐야 할 때 사용

연동 자체는 서버 URL 추가와 로그인 수준으로 짧게 잡혀 있어, 도입 장벽은 인프라 구축보다 팀의 메모리 작성 습관 쪽에 가깝습니다. 좋은 답이 나와도 저장하지 않으면 vault는 비어 있기 때문입니다.

장단점 요약

장점

조직 단위 AI 학습이라는 명확한 문제 정의
MCP 중심으로 여러 AI 클라이언트·에디터를 한 vault에 연결
그룹 스코프로 클라이언트·프로젝트·보안 경계 유지
distilled memory 구조로 검색 가능하면서도 과도한 원문 보관 부담 감소
가격 티어가 좌석·메모리·쿼리 한도로 읽기 쉬움
7일 체험으로 워크플로 검증 가능

단점·주의점

아직 초기 서비스 단계로 보이며, 대규모 레퍼런스·리뷰 축적은 제한적 (newflix 후기 0건)
메모리를 잘 쓰는 운영 규율이 필요 — 저장 품질이 곧 검색 품질
Free Trial 이후에는 유료, Team 공유는 $49.99/월부터
범용 생성 AI 기능이 아니라 메모리 계층에 특화
한국어 UI·국내 결제·지원 여부는 공식 문서에서 두드러지지 않음 (영문 제품 중심)
Enterprise 세부 SLA·보안 인증은 영업 문의 영역

총평

ContextVault는 더 똑똑한 모델이 아니라 이미 똑똑해진 팀이 같은 실수를 반복하지 않게 하는 계층에 베팅합니다. AI 도구가 늘수록 지식은 더 잘게 쪼개지고, 채팅방과 로컬 폴더에 흩어집니다. 이 제품은 그 조각을 조직 vault로 모으고, MCP로 다시 각 클라이언트에 공급합니다.

스타트업·에이전시·플랫폼 팀처럼 여러 AI 도구를 동시에 쓰고, 장애 대응·아키텍처 결정·고객별 맥락이 반복되는 조직에 특히 잘 맞습니다. 반대로 문서 협업이 중심이거나 1인 로컬 작업만 한다면 과한 선택일 수 있습니다.

도입을 검토한다면 7일 체험으로 (1) Claude Code 또는 Codex에 MCP를 붙이고, (2) 실제 해결한 이슈 10건을 distilled memory로 저장한 뒤, (3) 다른 사람·다른 클라이언트로 검색이 되는지 확인하는 순서를 추천합니다. 그 3단계가 통과될 때 ContextVault의 가치가 숫자로 보이기 시작합니다.

더 자세한 서비스 카드와 큐레이션 맥락은 newflix에서 확인할 수 있습니다.
→ https://newflix.io/s/contextvault

공식 자료: 홈 · 기능 · 가격 · 문서

Context.dev — AI 에이전트를 위한 웹 컨텍스트 API, 스크래핑을 넘어 브랜드까지

newflix — Thu, 30 Jul 2026 01:01:29 +0900

Context.dev — AI 에이전트를 위한 웹 컨텍스트 API, 스크래핑을 넘어 브랜드까지

URL 하나면 Markdown·브랜드 키트·구조화 데이터까지. Y Combinator 지원 스타트업 Context.dev는 에이전트·RAG·온보딩 제품이 필요로 하는 웹 컨텍스트를 단일 REST API로 제공합니다.

TL;DR

AI 에이전트용 웹 컨텍스트 API — URL/도메인을 Markdown·HTML·스크린샷·구조화 JSON으로 변환
스크래핑 + 브랜드 인텔리전스 통합 — 로고·색상·폰트·스타일가이드·회사 프로필까지 한 API
Monitors 신기능 — 웹사이트 변경 감지 모니터링 지원
가격 투명 — Free 500 크레딧(카드 불필요), Developer $25, Pro $149, Scale $499/월
Firecrawl·Apify·Bright Data와 포지션 차별 — 페이지 콘텐츠뿐 아니라 브랜드·제품 컨텍스트까지 한 계약으로

핵심 정보 한눈에 보기

항목	내용
서비스명	Context.dev
한 줄 소개	AI 에이전트를 위한 웹 스크래핑·크롤·브랜드 컨텍스트 API
카테고리	개발도구
플랫폼	웹 / REST API / SDK
주요 기능	Scrape & Crawl, Structured Extract, Brand Data, Logo CDN, Screenshots, Monitors
무료 플랜	월 500 크레딧, 신용카드 불필요
유료 시작가	Developer $25/월
추천 플랜	Pro $149/월 (20만 크레딧)
백커	Y Combinator
newflix 등록일	2026년 7월 14일
공식 사이트	www.context.dev
newflix	https://newflix.io/s/context

어떤 문제를 풀까?

2026년 AI 제품 팀은 비슷한 병목에 부딪힙니다.

모델의 지식 컷오프 이후 웹 정보는 에이전트 입장에서 사실상 동결 상태입니다.
RAG 파이프라인은 깨끗한 Markdown이 필요하고, 영업·온보딩 툴은 로고·브랜드 색·회사 프로필이 필요합니다.
전통 스크래핑 스택은 프록시·브라우저·재시도·파서·브랜드 API를 여러 벤더로 쪼개 관리하게 만듭니다.

Context.dev가 겨냥하는 문제는 단순합니다. "에이전트와 제품이 필요로 하는 웹 컨텍스트를, 한 번의 API 계약으로 가져오게 하자."

newflix 큐레이터 노트도 같은 맥락입니다. "웹 컨텍스트 수집부터 구조화 데이터·브랜드 자산 추출까지 REST API 하나로 처리합니다."

핵심 기능 세 가지는 다음과 같습니다.

URL을 정리된 Markdown 또는 HTML로 변환
전체 웹사이트 크롤링
구조화 데이터 추출

여기에 브랜드 데이터, 로고 CDN, 이미지·스크린샷, 사이트맵, 변경 모니터링이 붙어 있습니다. 단순 스크래퍼가 아니라 웹을 제품 입력값으로 바꾸는 인프라에 가깝습니다.

홈페이지로 보는 제품 포지션

Context.dev 랜딩 페이지. "The web context API for teams building software and AI agents" 헤드라인 아래 Extract / Markdown / Brand / Images / Sitemap / Styleguide / Screenshot 모드를 바로 시험할 수 있다.

홈 화면은 제품 철학을 잘 보여줍니다.

Y Combinator 지원 표시로 초기 신뢰도를 확보
상단 배너로 Monitors(웹사이트 변경 감시) 신기능을 강조
히어로 바로 아래에 URL 입력형 인터랙티브 데모를 배치해, 문서만 읽기 전에 결과를 보게 함
카피 핵심은 "One API, every piece of web context your agent needs."

Before/After 프레이밍도 명확합니다. 내부 크롤러 유지, 여러 벤더 조합, 데이터 수집에 몇 주 쓰던 흐름을, 라이브 웹 데이터 + 브랜드/회사 API + 단일 플랫폼으로 바꾸자는 메시지입니다.

주요 기능 딥다이브

1) Scrape & Crawl — 페이지를 에이전트가 읽을 수 있는 형태로

단일 URL 스크래프 또는 전체 사이트 크롤
출력: clean Markdown, 렌더링 HTML, 이미지, 사이트맵
JS 렌더링·안티봇·프록시 계층을 서비스가 흡수
RAG 인덱싱에 바로 넣을 수 있는 문서 품질을 목표로 함

에이전트 시나리오 예시는 가격 페이지 확인입니다. GET /v1/scrape/markdown으로 vercel.com/pricing 같은 URL을 넣으면 수백 ms 안에 정리된 Markdown이 돌아와, 에이전트가 "Pro는 월 $20"처럼 현재 정보를 근거로 답할 수 있습니다.

2) Structured Extract — JSON Schema로 원하는 형태 지정

Context.dev의 차별점 중 하나는 스키마 기반 추출입니다. Zod/JSON Schema로 "가격 티어 이름·설명·금액·통화·결제 주기" 같은 형태를 정의하면, 페이지에서 그 구조에 맞춰 데이터를 돌려줍니다.

개발 워크플로도 에이전트 친화적입니다.

가입 후 대시보드에서 API 키 복사
SDK 설치 후 호출
또는 context.dev/auth.md + docs.context.dev/agent-quickstart를 코딩 에이전트에 붙여 에이전트가 직접 연동

3) Brand Data & Logo Link — 스크래핑을 넘는 레이어

많은 스크래핑 API는 "페이지 내용"에서 끝납니다. Context.dev는 여기서 한 단계 더 갑니다.

로고, 색상, 폰트, 스타일가이드
설명, 소셜 링크, 주소 등 브랜드 프로필
Logo CDN(Logo Link)
거래 문자열을 브랜드로 매칭하는 식별 기능

온보딩 자동 완성, 프로그래매틱 테마, 자동 브랜드 키트, 회사 프로필 보강 같은 제품 UX 기능에 바로 연결됩니다.

4) Screenshots · Images · Classification

뷰포트/풀페이지 스크린샷
페이지 이미지·로고 수집
NAICS/SIC 등 분류, 트랜잭션 식별

즉, "문서 읽기"뿐 아니라 시각 자산과 기업 메타데이터까지 같은 플랫폼에서 가져올 수 있습니다.

5) Monitors — 변경 감시

2026년 기준으로 전면에 노출된 신기능이 Monitors입니다. 특정 웹사이트를 지켜보며 변경을 감지하는 용도로, 가격 페이지 추적, 경쟁사 문서 업데이트 알림, 에이전트 지식 갱신 트리거 등에 쓸 수 있습니다. Free는 동시 모니터 2개, Developer 50개, Pro 500개, Scale 1만 개 수준으로 확장됩니다.

실제 사용 시나리오

시나리오	어떻게 쓰나
RAG 지식베이스	사이트맵 크롤 → Markdown 변환 → 임베딩 파이프라인
AI 고객지원 봇	도움말/문서 사이트 전체를 스크래프해 봇 지식으로 투입 (SiteGPT 사례: Firecrawl에서 이전, 하루 미만 마이그레이션)
문서 사이트 자동 생성	GitHub repo URL → 브랜드 포함 문서 사이트 (Mintlify 사례, 연동 10분 미만 주장)
학술/저널 크롤	대량 저널·PDF 크롤 (Sourcely 사례)
온보딩 자동화	회사 도메인으로 회사명·업종·브랜드 색·로고 자동 채움
GTM/세일즈 리서치	도메인 → 회사 프로필·소셜·설명 보강
경쟁 모니터링	Monitors로 가격/기능 페이지 변경 추적

가격 정책

공식 가격 페이지 기준. "Pricing that scales with your product", 카드 없이 500 무료 크레딧으로 시작.

플랜	월 가격	월 크레딧	대략적 포함 범위	비고
Free	$0	500	스크래프 500p, 브랜드 50, 로고 10K, 모니터 2	초과 과금 없음, 분당 30 콜
Developer	$25	10,000	스크래프 1만p, 브랜드 1,000, 구조화 추출 1,000, 로고 100K, 모니터 50	초과 $15/1만 크레딧
Pro (추천)	$149	200,000	스크래프 20만p, 브랜드 2만, 구조화 2만, 로고 250만, 모니터 500	초과 $9/1만, Slack 지원
Scale	$499	1,000,000	스크래프 100만p, 브랜드 10만, 구조화 10만, 로고 1,000만, 모니터 1만	초과 $7/1만, 우선 지원
Enterprise	협의	200만+	볼륨 할인, SSO/SAML/SCIM, 99.9% SLA, MSA/DPA	Demo 예약

핵심 가격 원칙은 공식 문구 그대로입니다. 1 credit = 1 scrape, JS 렌더링·프리미엄 프록시·안티봇이 별도 배수로 붙지 않는다고 강조합니다. 다른 스크래핑 API가 이런 옵션에 5~25배 크레딧 배수를 붙이는 관행과 대비시키는 메시지입니다.

연간 결제 시 2개월 할인(Yearly / 2 MONTHS OFF) 옵션도 있습니다. 사용량 슬라이더 기준으로 월 약 25만 페이지면 Pro + 초과 요금 조합이 가장 효율적인 구간으로 안내됩니다.

참고: Context.dev 자사 블로그 비교 글에는 Hobby $25 / Starter $49 등 다른 플랜명이 섞여 보이기도 합니다. 실제 가입·결제 전 반드시 공식 Pricing 페이지를 확인하세요. 본 글의 표는 2026년 7월 기준 공개 Pricing 페이지 스크린샷·텍스트를 우선합니다.

경쟁 서비스 비교

자사 블로그 "10 Best Scraping APIs in 2026". 비교 대상에 Firecrawl, Apify, Bright Data, Oxylabs, ScrapingBee 등이 포함된다. (자사 작성 비교이므로 편향 가능성을 감안)

비교 항목	Context.dev	Firecrawl	Apify	Bright Data / Oxylabs
핵심 포지션	웹 + 브랜드 컨텍스트 통합 API	LLM용 클린 웹 데이터	Actor 마켓플레이스형 수집 플랫폼	엔터프라이즈 프록시·웹 데이터
Markdown/에이전트	강함	매우 강함	가능(플랫폼 복잡도 높음)	가능하나 에이전트 UX는 약함
브랜드/로고/스타일	네이티브	약함/없음	없음(별도 조합)	없음(별도 조합)
구조화 추출	JSON Schema/AI Extract	JSON 추출 강점	Actor·커스텀 로직	스크래퍼 API 중심
운영 모델	단일 API 계약	스크래프/크롤/서치 중심	런·데이터셋·컴퓨트 유닛	프록시·성공 과금·엔터프라이즈
잘 맞는 팀	AI 앱, RAG, 온보딩, GTM	LangChain/MCP 중심 팀	타깃별 전용 스크래퍼 필요 팀	대규모 프록시·컴플라이언스 팀

한 줄 선택 가이드

페이지를 LLM에 넣는 것이 전부 → Firecrawl도 강력
특정 사이트용 기성 스크래퍼 마켓이 필요 → Apify
프록시 인프라·엔터프라이즈 조달이 우선 → Bright Data / Oxylabs
페이지 + 회사/브랜드/제품 컨텍스트를 한 API로 → Context.dev가 가장 가까운 선택지

자사 비교 글도 한계를 인정합니다. 소셜 전용 마켓플레이스는 Apify, 엔터프라이즈 프록시는 Bright Data/Oxylabs, 완전 셀프호스트는 Crawl4AI가 더 나을 수 있다고 명시합니다.

블로그 허브에는 Monitors 발표, Firecrawl/Diffbot/Apify/ScraperAPI 비교, LLM 파이프라인용 실시간 웹 콘텐츠 API 글 등이 모여 있어 제품 로드맵을 읽기 좋다.

장단점 요약

장점

한 API로 웹 콘텐츠 + 브랜드 자산을 함께 확보
크레딧 모델이 비교적 단순 (1 스크래프 = 1 크레딧 강조, 배수 과금 최소화 메시지)
에이전트 온보딩이 친절함 (auth.md + agent-quickstart, Cursor 연동 예시)
Free 티어로 바로 검증 가능 (500 크레딧, 카드 불필요)
Monitors로 일회성 스크래프를 넘어 지속 관찰 가능
Mintlify·SiteGPT·Sourcely 등 실사용 스토리 공개

단점

시장 인지도는 Firecrawl·Apify·Bright Data보다 아직 낮을 수 있음
자사 비교 콘텐츠 비중이 큼 — 제3자 벤치마크를 별도로 확인하는 편이 안전
특정 사이트 전용 Actor 생태계는 Apify에 비해 약함
초대규모 프록시/컴플라이언스 조달은 전통 엔터프라이즈 벤더가 더 익숙할 수 있음
요금제 명칭·수치가 마케팅 페이지와 블로그 글 사이에 시점별 차이가 있을 수 있음

이런 팀에 추천

AI 에이전트/코파일럿에 실시간 웹 컨텍스트를 넣고 싶은 팀
RAG 인덱스를 주기적으로 신선한 Markdown으로 갱신하고 싶은 팀
온보딩·화이트라벨 UI에 고객 로고·브랜드 색을 자동 반영하고 싶은 SaaS
스크래퍼 + 로고 API + enrichment 벤더를 하나로 줄이고 싶은 스타트업
Firecrawl은 쓰지만 브랜드/회사 프로필 레이어가 추가로 필요한 팀

반대로, "특정 커머스/소셜 타깃 전용 스크래퍼 수백 개"가 필요하거나, "프록시 인프라 조달이 핵심"인 조직이라면 Apify 또는 Bright Data 계열을 먼저 보는 편이 낫습니다.

총평

Context.dev는 2026년 스크래핑 시장이 “페이지를 가져오는 도구”에서 “에이전트가 쓸 컨텍스트 인프라”로 이동하는 흐름을 잘 타는 서비스입니다. Markdown 품질만 보면 Firecrawl과 경쟁하고, 브랜드·회사·제품 메타까지 묶으면 포지션이 달라집니다.

newflix 관점에서는 개발도구 카테고리의 신선한 AI 인프라 픽입니다. 특히 에이전트 제품, RAG, 온보딩 자동화, GTM enrichment를 한 스택으로 묶고 싶은 팀에 먼저 시험해볼 가치가 있습니다. Free 500 크레딧으로 핵심 엔드포인트(Markdown 스크래프, brand retrieve, extract)를 돌려본 뒤 Developer/Pro로 올리는 경로가 자연스럽습니다.

더 자세한 큐레이션 원문은 newflix에서 확인할 수 있습니다.
→ https://newflix.io/s/context

공식 사이트: https://www.context.dev · 가격: https://www.context.dev/pricing

본 글은 newflix 서비스 페이지, Context.dev 공식 홈/가격 페이지, 공식 블로그 비교 글을 바탕으로 2026년 7월 작성되었습니다. 가격·기능은 변경될 수 있으니 공식 문서를 최종 확인하세요.

Trace — 회의 기록이 Mac을 떠나지 않는 온디바이스 전사 도구

newflix — Thu, 30 Jul 2026 01:01:12 +0900

Trace — 회의 기록이 Mac을 떠나지 않는 온디바이스 전사 도구

"No cloud. No accounts. No meeting bots." — Trace는 마이크와 시스템 오디오를 Mac 안에서만 녹음·전사해, 클라우드 회의 봇 없이도 마크다운 전사본을 남깁니다.

TL;DR

완전 온디바이스 — 녹음·전사·요약·화자 식별이 모두 Mac 로컬에서 처리되고, 오디오가 서버로 올라가지 않음
회의 봇 없음 — Zoom·Meet·Teams에 참가자가 추가되지 않고, 시스템 오디오를 직접 캡처
키 모멘트 플래그 — 회의 중 단축키로 결정·액션 아이템을 타임스탬프에 인라인 표시
일회성 £9.99 — 구독 없이 Mac App Store 또는 공식 사이트에서 구매, 7일 체험 제공
마크다운 중심 워크플로 — Notion·Obsidian·Claude·ChatGPT로 바로 붙여 넣을 수 있는 깔끔한 전사본

핵심 정보 한눈에 보기

항목	내용
서비스명	Trace
한 줄 소개	Mac에서 작동하는 온디바이스 회의 전사 도구
카테고리	생산성
플랫폼	macOS 14.4+ (Apple silicon 전용)
가격	£9.99 일회성 (7일 무료 체험)
핵심 차별점	클라우드·계정·회의 봇 없는 로컬 전사
출력 형식	마크다운 전사본 (화자 라벨·타임스탬프·키 모멘트)
newflix 등록일	2026년 6월 25일
공식 사이트	traceapp.info
newflix 페이지	newflix.io/s/traceapp

어떤 문제를 풀까?

원격·하이브리드 업무가 일상화된 지금, 회의 전사 도구는 필수에 가깝습니다. 그런데 많은 서비스가 회의 봇을 입장시키거나, 음성을 클라우드에 올려 처리합니다.

그 결과 이런 불편이 생깁니다.

프라이버시 불안 — 고객 미팅, 채용 면접, 법률·의료 상담처럼 민감한 대화까지 외부 서버로 전송됨
회의 중 어색함 — Zoom/Meet에 “Notetaker bot has joined” 알림이 떠 참석자 분위기가 깨짐
구독 피로 — Otter, Fireflies 등 월 구독이 쌓이면서 개인·소규모 팀 비용이 커짐
네트워크 의존 — 업로드·대기열 때문에 전사 결과가 늦거나, 오프라인에서는 아예 못 씀

Trace가 겨냥하는 문제는 단순합니다. "회의 내용이 내 Mac을 떠나지 않으면서도, 쓸 만한 전사본을 바로 받고 싶다."

newflix 큐레이터 노트도 같은 맥락을 짚습니다. 클라우드나 회의 봇 없이 기기 내부에서만 안전하게 회의를 전사·요약하고 싶은 Mac 사용자에게 맞습니다.

랜딩에서 보이는 제품 철학

캡션: Trace 공식 랜딩. 로컬 전사 가치 제안, 7일 체험 후 £9.99 일회 결제, Apple silicon 요구사항을 한 화면에 정리.

공식 사이트 헤드라인은 제품 철학을 한 문장으로 압축합니다. "Meeting transcripts that never leave your Mac."

설명 문구도 기능 나열이 아니라 결과 중심으로 읽힙니다. 마이크와 시스템 오디오를 캡처하고, Mac 로컬에서 전사하며, 플래그된 순간이 인라인으로 들어간 마크다운을 건네줍니다. CTA는 Try Trace for free와 Mac App Store 경로를 함께 두고, 가격·요구사항을 바로 아래에 적습니다. 기능 리스트보다 경계(클라우드를 쓰지 않는다) 를 먼저 선언하는 구조입니다.

주요 기능 딥다이브

1. 메뉴 바에서 바로 녹음

Trace는 별도 창을 크게 띄우기보다 macOS 메뉴 바 앱으로 동작합니다. ⌘R(또는 메뉴의 Start Recording) 한 번이면 Dock 위에 작은 pill UI가 뜨고, 마이크와 시스템 오디오를 동시에 녹음합니다. Zoom, Teams, Google Meet, Slack 통화, 심지어 스피커폰으로 틀어 둔 전화까지 시스템 오디오로 잡을 수 있습니다.

회의 중 앱 전환이 거의 필요 없습니다. 단축키 중심 설계라 발표·토론 흐름을 끊지 않고 캡처를 유지할 수 있습니다.

2. 온디바이스 전사 + 화자 라벨

녹음을 멈추면 기기 안에서 음성 모델이 전사를 돌립니다. 첫 실행 때만 모델 다운로드가 필요하고, 이후에는 오프라인에서도 동작합니다. 마이크 트랙과 시스템 오디오 트랙을 분리해 처리하고, 시스템 쪽 목소리는 온디바이스 화자 식별로 번호 라벨을 붙입니다. 회의 후 이름을 바꿔 두면 다음 세션에서 재사용하기 쉽습니다.

결과물은 타임스탬프 + 화자 라벨 + 키 모멘트가 포함된 마크다운입니다. 클립보드 복사, Finder 공개, 세션 라이브러리 재생이 기본 워크플로입니다.

3. 키 모멘트(Key moments)

회의 중간에 ⌘⇧K 같은 단축키로 지금 이 순간이 중요하다고 표시할 수 있습니다. 짧은 노트를 남기면 해당 타임스탬프에 인라인으로 박힙니다. 나중에 AI에 전사본을 넘길 때도 “결정 지점”이 이미 표시되어 있어 요약 품질이 올라갑니다.

4. 라이브 리캡과 세션 라이브러리

놓친 내용이 있으면 단축키로 최근 약 2분 전사를 바로 엿볼 수 있습니다. 회의를 빠져나오지 않고 흐름을 복구하는 용도입니다. 세션 라이브러리에서는 녹음 재생과 전사 하이라이트 동기화, 화자 이름 수정, 전체 검색, 온디바이스 요약 생성이 가능합니다.

5. CLI와 자동화

고급 사용자를 위해 tracecli가 제공됩니다. Homebrew로 설치하고, 과거 전사 목록 조회·요약·녹음 제어를 터미널에서 할 수 있습니다. Apple Shortcuts·Spotlight와도 맞춰져 있어, 에이전트나 스크립트가 메뉴 바와 같은 권한 경계 안에서 Trace를 다룰 수 있습니다.

실제 사용 시나리오

1) 고객 미팅 / 세일즈 콜
봇 입장 알림 없이 시스템 오디오만 캡처합니다. 결정 사항은 키 모멘트로 표시하고, 끝난 뒤 마크다운을 CRM 메모나 Notion에 붙입니다.

2) 1:1 / 채용 면접
민감한 대화가 클라우드로 나가지 않는다는 점이 핵심입니다. 면접 후 화자 라벨을 정리하고 온디바이스 요약으로 피드백 초안을 만듭니다.

3) 개발 스탠드업 / 디자인 리뷰
짧은 회의를 자주 하는 팀에서 구독 없이 로컬 아카이브를 쌓을 수 있습니다. 액션 아이템 구간만 플래그해 두면 이슈 티켓으로 옮기기 쉽습니다.

4) 연구·인터뷰 기록
네트워크가 불안정한 환경에서도 모델이 이미 받아져 있으면 전사가 가능합니다. 원문은 마크다운으로 남기고, 분석은 로컬 또는 사용자가 선택한 AI에만 넘깁니다.

프라이버시와 보안 — 제품의 핵심 약속

캡션: Trace 개인정보 처리방침 요약. 서버·계정·텔레메트리 없음, 네트워크는 모델 다운로드와 선택적 캘린더 연동 정도만 허용.

Trace의 차별점은 기능 목록보다 데이터 경계에 있습니다. 공식 프라이버시 정책은 이렇게 요약합니다.

오디오, 전사본, 요약, 화자 이름은 기기 밖으로 나가지 않음
서버·계정·텔레메트리·분석·회의 봇 없음
필수 네트워크 요청은 사실상 일회성 모델 다운로드
선택적 Google Calendar 연동을 켠 경우에만 추가 네트워크 사용
Mac 캘린더 옵션은 기기 내 캘린더를 읽으며 네트워크를 쓰지 않음
웹사이트 직접 구매 시 라이선스 확인용 일방향 핑거프린트만 전송 (오디오 콘텐츠 아님)

클라우드 AI 회의 노트가 “편리하지만 민감 데이터를 맡긴다”는 트레이드오프를 가진다면, Trace는 편리함의 일부를 줄이고 경계를 고정하는 쪽을 택합니다. 팀 공유 노트북·실시간 협업 검색이 필요하면 클라우드 제품이 더 맞고, 개인 Mac에서 원본을 안전하게 남기는 용도라면 Trace 쪽이 설득력 있습니다.

가격 정책

공식 사이트와 프레스 키트 기준 가격 구조는 단순합니다.

경로	가격	비고
Mac App Store	£9.99 일회성	7일 체험 후 구매, 구독 없음
공식 사이트 직접 구매	£9.99 일회성	7일 무료 체험, Apple ID 없이 구매 가능, 업데이트 경로 빠름
요구 사양	macOS 14.4+ / Apple silicon	Intel Mac 미지원

경쟁 서비스가 월 구독인 경우가 많아, 연간 누적 비용을 비교하면 개인 사용자에게 유리합니다. 대신 팀 좌석·공유 워크스페이스·관리자 정책 같은 엔터프라이즈 기능은 범위 밖입니다. 가격 정보는 2026년 7월 공식 사이트 기준이며, 환율·프로모션에 따라 표시 금액이 달라질 수 있습니다.

시작 방법 — 첫 녹음까지

캡션: 공식 Support 문서의 “Your first recording”. ⌘R로 시작·중지하고, 온디바이스 전사 후 마크다운이 클립보드에 복사되는 흐름.

traceapp.info 또는 Mac App Store에서 Trace 설치
마이크·시스템 오디오 권한 허용
⌘R로 녹음 시작 → Dock 위 pill UI 확인
중요 구간은 키 모멘트 단축키로 메모
다시 ⌘R로 중지 → 온디바이스 전사 완료 대기 (첫 실행 시 모델 다운로드)
세션 이름 입력 후 Enter → 마크다운 전사본 복사·저장

설치 직후 모델 다운로드만 네트워크가 필요하고, 이후 회의 캡처 자체는 로컬 중심으로 돌아갑니다.

경쟁 서비스 비교

Trace는 스스로를 Otter·Granola·Fireflies·MacWhisper 대안으로 명확히 포지셔닝합니다. 핵심은 “더 많은 기능”이 아니라 봇 없음 + 온디바이스 + 일회성 결제 조합입니다.

비교 항목	Trace	Otter	Granola	Fireflies	MacWhisper
처리 위치	Mac 온디바이스	클라우드	클라우드 중심	클라우드	Mac 로컬
회의 봇	없음 (시스템 오디오)	있음/연동	봇 없이 캡처 강조	봇 참가 일반적	해당 없음(파일 전사 중심)
계정	불필요	필요	필요	필요	로컬 앱
가격 모델	£9.99 일회성	구독	구독	구독	앱/라이선스
강점	프라이버시, 속도, 마크다운	팀 공유·검색	노트 UX	미팅 인텔리전스	범용 음성 파일 전사
약점	macOS·Apple silicon 한정, 팀 협업 약함	클라우드 의존·구독	클라우드 노트북 성격	봇/정책 이슈 가능	회의 워크플로 특화 약함

Trace를 고를 때: 개인 Mac에서 민감한 회의를 남기고 싶고, 봇 입장 없이 원본 마크다운을 직접 소유하고 싶을 때.

클라우드 도구를 고를 때: 팀 공유 노트북, 조직 단위 검색, 실시간 협업, 관리자 정책·SSO가 필요할 때.

MacWhisper를 고를 때: 이미 있는 음성/영상 파일을 로컬로 전사하는 범용 워크플로가 중심일 때. Trace는 “회의 중 캡처 → 키 모멘트 → 세션 라이브러리” 쪽에 더 맞춰져 있습니다.

장단점 요약

장점

데이터가 Mac을 떠나지 않음 — 민감 회의·인터뷰에 적합
회의 봇 없음 — 참석자 알림/어색함 최소화
구독 없음 — £9.99 일회성으로 비용 예측 가능
마크다운 출력 — Notion, Obsidian, Claude, ChatGPT로 즉시 연결
키 모멘트 — 결정 지점을 실시간으로 남김
CLI·Shortcuts — 개발자·자동화 친화
HN·App Store 반응 — Show HN 전면 노출, 유료 차트 상위 기록(프레스 키트 기준)

단점

Apple silicon + macOS 14.4+ 전용 — Intel Mac·Windows·모바일 불가
팀 협업 기능 부재 — 공유 워크스페이스·조직 검색은 클라우드 제품이 유리
온디바이스 요약 품질은 클라우드 대형 모델과 다를 수 있음 — 심층 분석은 사용자가 선택한 AI에 붙여 넣는 구조
시스템 오디오 권한 설정 — 첫 설정에서 macOS 권한 이해가 필요
한국어 UI/지원 깊이는 공식 문서 기준 영문 중심 — 다국어 전사는 지원하지만 제품 문서·지원은 영어

이런 사람에게 추천

고객·채용·법률 등 민감 대화를 클라우드에 올리기 싫은 Mac 사용자
Otter/Fireflies 봇이 회의에 들어오는 게 부담스러운 사람
구독 대신 일회성 결제로 회의 아카이브를 남기고 싶은 개인·프리랜서
전사본을 Obsidian/Notion 지식 베이스로 바로 쌓는 사람
터미널·Shortcuts로 녹음·요약을 자동화하고 싶은 개발자

반대로, 전 팀원이 같은 클라우드 노트에서 실시간 검색·공유해야 한다면 Trace만으로는 부족할 수 있습니다.

총평

Trace는 “AI 회의 노트” 카테고리에서 기능을 무한히 늘리기보다, 경계가 명확한 로컬 도구로 남기로 한 제품입니다. 메뉴 바 녹음, 온디바이스 전사, 키 모멘트, 마크다운 출력, 일회성 가격이라는 조합은 단순하지만 설득력 있습니다.

클라우드 협업 노트와 비교하면 팀 기능은 빠지고, 대신 소유권·프라이버시·예측 가능한 비용을 얻습니다. Apple silicon Mac을 쓰고 회의 기록을 스스로 통제하고 싶다면 먼저 써볼 가치가 큽니다.

더 자세한 큐레이션과 관련 서비스 비교는 newflix에서 확인할 수 있습니다.

newflix에서 Trace 자세히 보기

본 글은 newflix 서비스 페이지와 공식 사이트(traceapp.info) 공개 정보를 바탕으로 작성되었습니다. 가격·지원 범위는 변경될 수 있으니 구매 전 공식 페이지를 확인하세요.

AWS — 클라우드부터 생성형 AI까지 한곳에서 운영하는 인프라 플랫폼

newflix — Wed, 29 Jul 2026 01:08:12 +0900

AWS — 클라우드부터 생성형 AI까지 한곳에서 운영하는 인프라 플랫폼

가장 다양한 클라우드 및 AI 기능 중에서 선택하세요. 스타트업 프로토타입부터 엔터프라이즈 산업 워크로드까지, AWS는 컴퓨팅·스토리지·데이터베이스·서버리스·생성형 AI를 하나의 플랫폼에서 운영하려는 조직의 기본 인프라가 되어 왔습니다.

TL;DR

클라우드의 사실상 표준 — EC2·S3를 중심으로 240개 이상 서비스 포트폴리오
서버리스·클라우드 네이티브 — Lambda, Fargate, DynamoDB 등으로 인프라 관리 부담을 줄임
생성형 AI까지 확장 — Amazon Bedrock, AgentCore로 파운데이션 모델·에이전트 구축
신규 고객 프리 티어 — 최대 200 USD 크레딧, 무료 플랜은 최대 6개월(유료 전환 전 과금 없음)
사용량 기반 과금 — 필요한 만큼만 쓰지만 비용 가시성과 거버넌스는 별도 설계 필요

핵심 정보 한눈에 보기

항목	내용
서비스명	Amazon Web Services (AWS)
운영사	Amazon Web Services, Inc.
카테고리	개발도구 / 클라우드 인프라
한 줄 소개	클라우드 컴퓨팅과 인프라 서비스 플랫폼
플랫폼	웹 콘솔, CLI, SDK, 모바일 앱
과금 방식	사용량 기반 (프리 티어·크레딧 제공)
프리 티어	신규 고객 최대 200 USD 크레딧, 무료 플랜 최대 6개월
대표 서비스	EC2, S3, RDS/Aurora, Lambda, DynamoDB, Bedrock
한국어 지원	공식 한국어 사이트·콘솔·문서
newflix 등록일	2026년 7월 9일
공식 사이트	aws.amazon.com
newflix	https://newflix.io/s/amazon

어떤 문제를 풀까?

AWS가 해결하려는 문제는 단순합니다. 서버실을 직접 짓지 않고도, 전 세계 어디서나 안정적으로 애플리케이션을 돌릴 수 있는가?

과거에는 트래픽이 늘 때마다 장비를 사고, 데이터센터 공간을 확보하고, 장애 대비를 위해 이중화를 직접 설계해야 했습니다. 스타트업은 초기 자본이 부족하고, 대기업은 산업별로 요구되는 규제·보안·규모가 제각각입니다. AWS는 이 간극을 온디맨드 인프라로 메웁니다.

newflix 큐레이션 기준으로 보면 AWS의 포지션은 분명합니다. 컴퓨팅·스토리지·관계형 데이터베이스부터 서버리스, 클라우드 네이티브 워크로드, 그리고 생성형 AI까지 한 계정·한 콘솔 체계 안에서 조합할 수 있습니다. 큐레이터 노트도 같은 맥락입니다. "컴퓨팅·스토리지·데이터베이스부터 생성형 AI까지 한곳에서 운영하려는 조직에 적합합니다."

동시에 AWS는 만능 버튼이 아닙니다. 서비스 수가 많은 만큼 학습 곡선이 가파르고, 잘못된 인스턴스·스토리지 클래스·데이터 전송 설계는 예상보다 큰 청구서로 이어질 수 있습니다. 그래서 AWS를 고르는 팀은 보통 확장성·생태계·엔터프라이즈 레퍼런스를 우선하고, 비용 최적화와 아키텍처 가드레일을 함께 설계합니다.

브랜드 첫인상 — 클라우드와 AI 포트폴리오를 전면에

AWS 한국어 홈페이지 히어로는 기능 나열이 아니라 선택의 폭을 강조합니다. "가장 다양한 클라우드 및 AI 기능 중에서 선택"이라는 메시지와 함께 240개 이상 서비스 포트폴리오, 현대화·규모 조정 효율을 전면에 둡니다. CTA는 "무료로 AWS 시작하기"로 이어져, 신규 사용자가 계정 생성과 프리 티어로 바로 진입하도록 설계되어 있습니다.

상단 네비게이션에는 제품·솔루션·요금·리소스와 콘솔 로그인, 계정 생성이 나란히 있습니다. 마케팅 랜딩이지만 실제 운영 콘솔로 가는 길이 항상 열려 있다는 점이, 개발도구 카테고리 서비스로서 AWS의 성격을 잘 보여 줍니다.

또 다른 히어로 카피는 인프라의 규모를 강조합니다. "세계에서 가장 크고 광범위한 글로벌 인프라 확장"과 함께 보안·신뢰성·성능을 내세우고, 역시 무료 시작 버튼으로 연결됩니다. 하단 "새로운 소식" 영역은 출시·업데이트·성공 사례를 모아, 제품 로드맵을 따라가기 어려운 대형 플랫폼의 변화 속도를 완화하는 역할을 합니다.

주요 기능 딥다이브

1) 컴퓨팅 — Amazon EC2와 서버리스

Amazon EC2는 클라우드에서 크기 조절이 가능한 가상 서버 용량을 제공합니다. 트래픽 패턴에 맞춰 인스턴스 유형을 고르고, 오토스케일링으로 부하에 대응할 수 있습니다. 반면 서버를 직접 관리하고 싶지 않다면 Lambda(이벤트 기반 함수), Fargate(컨테이너 서버리스) 같은 경로로 넘어갑니다. newflix 핵심 기능 요약도 "컴퓨팅, 스토리지, 데이터베이스"와 "서버리스·클라우드 네이티브"를 나란히 적어 두었습니다. 즉 AWS는 VM 중심 운영과 서버리스 중심 운영을 한 플랫폼에서 병행할 수 있는 구조입니다.

2) 스토리지 — Amazon S3

Amazon S3는 내구성과 확장성을 전제로 한 객체 스토리지입니다. 정적 웹 자산, 데이터 레이크 원본, 백업, 미디어 원본 파일 등 사실상 클라우드 데이터 레이어의 기본값이 되었습니다. 스토리지 클래스와 라이프사이클 정책으로 접근 빈도에 따라 비용을 조절할 수 있지만, 반대로 클래스 선택과 요청·전송 비용을 놓치면 청구가 커질 수 있습니다.

3) 데이터베이스 — RDS, Aurora, DynamoDB

관계형 워크로드에는 Amazon RDS(MySQL, PostgreSQL, MariaDB, SQL Server 등)와 고가용성·글로벌 규모에 강한 Amazon Aurora가 있습니다. 키-값·문서형 고처리량에는 서버리스 NoSQL인 DynamoDB가 자주 쓰입니다. "Amazon EC2 및 Amazon S3 기반 워크로드"라는 newflix 요약은 입문 경로를 가리키지만, 실제 프로덕션에서는 애플리케이션 특성에 맞는 DB 선택과 백업·복제·연결 풀 설계가 함께 따라옵니다.

4) 생성형 AI — Bedrock과 AgentCore

공식 프리 티어 페이지 기준으로 Amazon Bedrock은 파운데이션 모델을 활용해 생성형 AI 앱을 만들고 확장하는 진입점입니다. Amazon Bedrock AgentCore는 프레임워크·모델에 구애받지 않고 에이전트를 구축·배포·운영하려는 방향(유료 플랜 중심 오퍼)으로 소개됩니다. AWS가 단순한 IaaS를 넘어 AI 애플리케이션 런타임까지 포트폴리오를 넓히고 있다는 신호입니다.

5) 산업 솔루션과 마이그레이션

AWS 사이트는 산업별 솔루션과 고객 사례를 강하게 노출합니다. 온프레미스 DB 마이그레이션, ISV(독립 소프트웨어 공급업체) AI 확장, 소기업용 AI 솔루션 등 메시지 축이 다양합니다. AWS Transform처럼 Windows·메인프레임·VMware 등 레거시 전환을 가속하는 에이전틱 AI 서비스도 프리 티어 오퍼 목록에 등장합니다. 스타트업의 그린필드 앱뿐 아니라 기존 시스템을 클라우드로 옮기는 조직이 핵심 고객군입니다.

고객 사례와 신뢰 신호

Customer Stories / AWS Innovators 페이지는 "선도 조직이 AWS 위에서 어떻게 혁신하는지"를 산업 전반 사례로 모아 보여 줍니다. Generative AI, Leading Cloud Innovators 같은 탭으로 사례를 좁힐 수 있고, "AI in Production. At Scale. Right Now." 메시지로 실험실 AI가 아니라 프로덕션 AI를 강조합니다. newflix 정보 출처에도 Intuit 등 이노베이터 사례 링크가 포함되어 있어, 공식 사이트가 레퍼런스 마케팅을 적극적으로 쓰는 구조를 확인할 수 있습니다.

대기업·규제 산업 의사결정에서는 기능 체크리스트만큼 유사 업계의 운영 사례가 중요합니다. AWS의 사례 허브는 그 설득 장치입니다. 다만 사례는 성공 스토리 중심으로 편집되므로, 자사 워크로드 비용·지연시간·컴플라이언스 요구는 별도 PoC로 검증하는 편이 안전합니다.

가격 정책 — 프리 티어와 사용량 기반 과금

AWS의 기본 모델은 사용한 만큼 지불입니다. 고정 구독형 SaaS와 달리, 인스턴스 시간·스토리지 GB·요청 수·데이터 전송·AI 토큰 사용량 등이 항목별로 쌓입니다. 그래서 초보 팀은 "무료처럼 시작했다가 어느 날 청구서를 보고 놀라는" 패턴을 피하려면 예산 알람, 태그 기반 비용 배분, 리전·가용 영역 선택을 처음부터 잡아야 합니다.

2026년 기준 프리 티어 요지 (공식 한국어 페이지)

신규 고객 크레딧: 가입 시 100 USD, 주요 서비스 탐색으로 최대 100 USD 추가 — 합계 최대 200 USD
무료 플랜: 비용·약정 없이 최대 6개월 AWS 이용, 일부 서비스 무료 이용 포함, 유료 플랜으로 전환하지 않으면 요금 미발생
유료 플랜: 150여 개 이상 서비스로 프로덕션 워크로드 확장, 크레딧 초과분 과금
대표 오퍼 예시: EC2, S3, Aurora, RDS, DynamoDB, Bedrock 등 (플랜별 포함 범위 상이)

프리 티어는 "영원히 무료"가 아니라 학습·프로토타입 완충 장치에 가깝습니다. 상시 무료 티어가 있는 서비스도 있지만, 한도와 리전·시간 조건이 제각각이므로 공식 Free Tier 페이지와 요금 계산기(calculator.aws)로 재확인하는 것이 안전합니다. 엔터프라이즈는 예약 인스턴스·Savings Plans·EDP 등 약정 할인 경로가 따로 있습니다.

비용 실무 팁

Budgets + Cost Explorer로 임계값을 먼저 설정
개발·스테이징·프로덕션 계정을 분리하거나 최소 태그 정책을 강제
S3 수명 주기, 유휴 EBS, 미사용 Elastic IP, NAT 게이트웨이 전송비를 주기적으로 점검
AI 워크로드는 토큰·임베딩·벡터 스토리지 비용을 앱 지표와 함께 모니터링

시작 경로와 한국어 지원

개인 개발자는 계정 생성 후 콘솔에서 바로 리소스를 띄울 수 있습니다. 반면 기업 구매·규정 준수·대규모 견적이 필요하면 "AWS에 문의하기" 페이지에서 영업 상담 또는 요청 양식을 쓸 수 있습니다. 한국어 UI로 브레드크럼·CTA가 제공되어, 국내 팀도 영어 전용 장벽 없이 1차 접점을 만들 수 있습니다.

지원 채널은 셀프 서비스 문서·re:Post·지식 센터부터 유료 Support 플랜, 파트너 네트워크까지 계층화되어 있습니다. 모바일 앱(App Store·Google Play)과 콘솔·CLI·SDK를 함께 제공하므로, 일상 운영은 웹 콘솔 중심이더라도 자동화는 IaC(CDK, CloudFormation, Terraform 등)로 옮기는 경우가 많습니다.

실제 사용 시나리오

시나리오 A — 스타트업 MVP

프론트는 S3+CloudFront, API는 Lambda 또는 ECS/Fargate, 데이터는 Aurora Serverless 또는 DynamoDB. 초기에는 프리 티어·크레딧으로 검증하고, 트래픽이 안정되면 Savings Plans로 컴퓨팅 비용을 고정합니다.

시나리오 B — 데이터·AI 제품

원본 데이터를 S3에 모으고, 분석·피처 스토어·모델 서빙을 Bedrock 및 관리형 ML 서비스와 연결합니다. 보안 측면에서는 IAM 최소 권한, VPC 엔드포인트, 암호화 키(KMS) 정책을 먼저 설계합니다.

시나리오 C — 레거시 현대화

온프레미스 DB·VM 워크로드를 RDS/EC2로 이전하거나, 컨테이너화 후 EKS/ECS로 옮깁니다. 산업 규제(금융·헬스케어 등)가 있으면 리전 선택, 로그 보존, 감사 추적이 아키텍처의 중심이 됩니다.

경쟁 서비스 비교

AWS와 자주 비교되는 선택지는 크게 세 축입니다. 다른 하이퍼스케일러, 개발자 경험 중심 PaaS, 특정 워크로드 특화 클라우드입니다.

비교 항목	AWS	Microsoft Azure	Google Cloud	Vercel / Netlify / Railway 계열
강점	서비스 폭, 생태계, 엔터프라이즈 레퍼런스	Microsoft 365·AD 연동, 하이브리드	데이터·AI·쿠버네티스 친화	배포 DX, 프론트엔드·소형 백엔드 속도
학습 곡선	높음 (서비스 수 많음)	높음	중~높음	낮음
적합 규모	스타트업~초거대 엔터프라이즈	기업 IT·하이브리드	분석·ML 중심 팀	웹 앱·프로토타입·소규모 서비스
과금 체감	세밀하지만 복잡	세밀하지만 복잡	세밀하지만 복잡	비교적 단순·예측 가능
생성형 AI	Bedrock 등 풀스택	OpenAI 연동·Azure AI	Gemini·Vertex AI	보통 외부 API 연동

AWS를 고르기 좋은 경우
- 한 벤더 안에서 인프라·데이터·AI·보안 컴플라이언스를 넓게 조합해야 할 때
- 업계 레퍼런스와 파트너 생태계가 의사결정에 중요할 때
- 장기적으로 멀티 리전·대규모 트래픽을 전제할 때

다른 선택지가 나을 수 있는 경우
- 이미 Microsoft 스택에 깊게 묶여 있으면 Azure
- BigQuery·GKE·Vertex 중심이면 Google Cloud
- 웹 프론트·프리뷰 배포 DX가 최우선이면 Vercel/Netlify
- 소규모 풀스택을 빠르게 띄우려면 Railway 같은 개발자 클라우드

newflix 관련 추천에도 Snowflake, Cloudflare, Vercel, Netlify, Railway, Neon 등이 함께 노출됩니다. 이들은 AWS를 "대체"한다기보다 AWS 위·옆에서 특화 레이어를 담당하거나, 일부 워크로드만 분리하는 보완재인 경우가 많습니다.

장단점 요약

장점

포트폴리오 폭 — 컴퓨팅부터 생성형 AI까지 사실상 전 영역 커버
검증된 규모 — 글로벌 인프라와 산업 사례가 풍부
서버리스·관리형 옵션 — 운영 부담을 단계적으로 줄일 수 있음
한국어 공식 지원 — 사이트·문서·문의 경로 현지화
프리 티어·크레딧 — 신규 학습·PoC 진입 장벽을 낮춤
파트너·마켓플레이스 — 솔루션 구매와 전문 구현 경로가 많음

단점

복잡성 — 서비스·권한·네트워크 개념이 많아 온보딩 비용이 큼
비용 예측 난이도 — 세부 과금 항목을 모르면 청구 충격 가능
콘솔 UI 밀도 — 초보자에게 메뉴와 설정 화면이 부담될 수 있음
벤더 종속 리스크 — 고유 서비스에 깊게 묶이면 이전이 어려움
지원 체감 — 기본 지원만으로는 장애 대응 속도가 기대에 못 미칠 수 있음(유료 Support 필요)

총평

AWS는 "요즘 핫한 단일 툴"이 아니라 현대 클라우드의 기본 지도에 가깝습니다. EC2와 S3라는 고전적 축 위에 서버리스·관리형 DB·생성형 AI를 계속 얹어 왔고, 공식 사이트도 240개 이상 서비스와 글로벌 인프라, 고객 혁신 사례를 동시에 밀어 줍니다. 2026년 프리 티어는 최대 200 USD 크레딧과 최대 6개월 무료 플랜으로 입문 경로를 다시 정비한 상태입니다.

다만 선택의 폭이 곧 운영의 책임입니다. 무엇을 쓸지보다 무엇은 쓰지 않을지, 비용을 어떻게 관측할지, IAM과 네트워크 경계를 어떻게 나눌지를 먼저 정해야 AWS의 강점이 살아납니다. 웹 앱 하나 빠르게 배포하는 목적이라면 더 단순한 PaaS가 나을 수 있고, 조직 전체의 인프라·데이터·AI 기반을 장기적으로 쌓는다면 AWS는 여전히 가장 두꺼운 선택지입니다.

더 짧은 큐레이션 요약과 관련 서비스 연결은 newflix 서비스 페이지에서 확인할 수 있습니다.
newflix에서 보기: https://newflix.io/s/amazon
공식 사이트: https://aws.amazon.com
프리 티어: https://aws.amazon.com/ko/free/

본 글은 newflix 큐레이션 데이터, AWS 공식 사이트(홈·Innovators·문의·프리 티어) 공개 정보를 바탕으로 작성되었습니다. 요금·오퍼 세부 조건은 시점과 계정 자격에 따라 달라질 수 있으니 공식 문서를 최종 확인하세요.

Manufact — GitHub push 한 번으로 MCP 앱·서버를 ChatGPT·Claude까지 올리는 플랫폼

newflix — Tue, 28 Jul 2026 06:05:27 +0900

Manufact — GitHub push 한 번으로 MCP 앱·서버를 ChatGPT·Claude까지 올리는 플랫폼

"GitHub push만으로 MCP 앱과 서버를 배포하고, 로그·오류율까지 모니터링하고 싶은 개발자에게 쓸 만한 플랫폼입니다." — newflix 큐레이터

AI 에이전트가 도구를 쓰려면 결국 MCP(Model Context Protocol) 서버와 앱이 필요합니다. 문제는 개발·호스팅·ChatGPT Apps Store 제출·Claude Connector·관측성을 각각 따로 맞춰야 한다는 점입니다. Manufact는 오픈소스 mcp-use SDK와 Manufact Cloud를 묶어, 이 라이프사이클을 한 플랫폼에서 다루려는 서비스입니다.

TL;DR

mcp-use SDK — TypeScript·Python으로 MCP 서버·클라이언트·에이전트·MCP 앱을 만드는 풀스택 프레임워크 (GitHub 약 10.4k 스타)
한 코드베이스, 여러 표면 — ChatGPT Apps Store, Claude Connectors, Gemini Enterprise, Codex, Cursor 등 배포 타깃을 한 스택으로 겨냥
GitHub push 자동 배포 — 저장소 연결 후 push 시 Manufact Cloud에 자동 배포 (YAML·Dockerfile 최소화 지향)
Cloud Inspector·분석 — 브라우저에서 툴 호출·JSON-RPC 점검, 세션·오류율 등 프로덕션 관측
사용량 기반 요금 — Free $0부터 Hobby $25/월, Startup $250/월, Enterprise 맞춤 (월 크레딧 풀 + 초과 시 pay-as-you-go)

핵심 정보 한눈에 보기

항목	내용
서비스명	Manufact
한 줄 설명	MCP 앱·서버 개발과 배포 플랫폼
개발사	Manufact, Inc. (Y Combinator 백드)
카테고리 (newflix)	개발도구 (dev)
플랫폼	웹 (Manufact Cloud 대시보드) + 오픈소스 SDK
핵심 제품	mcp-use SDK, Manufact Cloud, Cloud Inspector, Vibe 스캐폴딩
지원 언어	TypeScript, Python
배포 연동	GitHub 저장소 / GitHub Organization
가격	Free $0 · Hobby $25/월 · Startup $250/월 · Enterprise Custom
GitHub	mcp-use 약 10.4k stars (공식 사이트 표기)
newflix 등록일	2026년 7월 14일
공식 사이트	manufact.com
newflix 페이지	newflix.io/s/manufact

어떤 문제를 풀까?

MCP 생태계가 커지면서 개발자가 반복해서 부딪히는 마찰은 대략 다섯 가지입니다.

서버·UI·호스팅·인증을 각각 조립해야 한다
로컬 LLM 연결로만 테스트하다 보니 재현이 어렵고 비용이 든다
배포 파이프라인·브랜치 프리뷰를 직접 관리해야 한다
ChatGPT용 / Claude용 / Gemini용을 따로 맞추다 보면 코드가 갈라진다
프로덕션에 올린 뒤 누가 어떤 툴을 쓰는지, 어디서 실패하는지 보이지 않는다

Manufact 홈페이지의 Before/After 비교가 이 포인트를 그대로 짚습니다. 손으로 서버·React UI·호스팅·auth·스케일을 잇는 대신 npx create-mcp-use-app으로 스택을 스캐폴딩하고, Visual Inspector로 LLM 없이도 샌드박스 테스트하며, git push로 자동 배포하고, 한 번 빌드해 ChatGPT·Claude·Gemini로 보낸다는 구조입니다.

newflix 한국어 소개도 같은 축입니다. TypeScript·Python용 open-source mcp-use SDK와 GitHub 기반 자동 배포 Manufact Cloud로 MCP 앱·서버의 개발·테스트·배포·운영을 묶습니다.

홈페이지가 보여주는 포지션

Manufact 랜딩: Y Combinator 백드 표기와 함께 MCP Apps and Servers 배포를 전면에 둔다.

공식 랜딩의 헤드라인은 단순합니다. Build and deploy MCP Apps and Servers. 부연은 더 구체적입니다. mcp-use SDK가 ChatGPT·Claude용 MCP 앱과 AI 에이전트용 MCP 서버를 만드는 풀스택 프레임워크라는 점, 그리고 Start deploying / Book a call / 에이전트용 프롬프트 복사 같은 CTA로 온보딩을 나눕니다.

신뢰 신호도 명확합니다. 상단에 GitHub 스타 수(약 10.4k), Y Combinator 배지, 그리고 6sense·Elastic·IBM·Intuit·NVIDIA·Oracle·Red Hat·Tavily·Verizon 등 “top companies 개발자가 오픈소스 툴을 쓴다” 는 로고 스트립이 이어집니다. 이 로고들이 “엔터프라이즈 고객 전부”를 의미한다고 단정할 수는 없지만, 오픈소스 채택 범위를 보여주는 마케팅 장치로는 분명합니다.

이어서 강조하는 문장은 배포 표면입니다.

Your fastest path to the ChatGPT Apps Store and Claude Connectors.
One codebase. Every surface where users and agents already work.

AI 채팅(ChatGPT, Claude, Gemini Enterprise, Copilot 365), 코딩 에이전트(Codex, Claude Code, Cursor, VS Code), 내부 에이전트(OpenAI Agents, Claude Agent SDK, Mastra, LangChain, Vercel AI SDK)를 한 다이어그램에 올려 둡니다. “어디에 올릴지”보다 “한 코드베이스로 어디까지 닿을지” 를 파는 포지셔닝입니다.

라이프사이클 딥다이브 — Build → Deploy → Publish → Iterate → Monitor

Manufact가 스스로를 설명하는 축은 기능 나열이 아니라 MCP 라이프사이클 5단계입니다.

Build — SDK, Skill, Vibe

SDK: 한 명령으로 스캐폴딩 (create-mcp-use-app 계열). 기존 MCP 서버 코드도 그대로 가져와 쓸 수 있다고 안내합니다.
Skill: 코딩 에이전트에 skill을 설치해 작업 흐름을 맞춥니다.
Vibe: 자연어로 앱을 설명하면 스캐폴딩이 따라오는 “바이브 코딩” 경로입니다.

언어는 TypeScript와 Python. newflix 핵심 기능 1번도 같은 내용 — TypeScript와 Python용 mcp-use SDK — 입니다.

Deploy — One push. Live in seconds.

GitHub 저장소를 한 번 연결하면 push마다 Manufact Cloud 자동 배포. 홈 카피는 “No YAML. No Dockerfile archaeology.” 를 전면에 둡니다. Vercel식 Git 연동 배포를 MCP 서버·앱 특화로 옮긴 형태에 가깝습니다. newflix 핵심 기능 3번 GitHub 저장소의 push 자동 배포가 바로 이 단계입니다.

Publish — 마켓플레이스 리스크 줄이기

ChatGPT·Claude 사용자 앞에 앱을 올리는 경로를 돕습니다. 제출용 에셋 생성, 임베드 채팅 공유 등 배포 이후의 유통까지 시야에 넣습니다. newflix 핵심 기능 2번 한 코드베이스의 ChatGPT·Claude 지원과 맞닿아 있습니다.

Iterate — Cloud Inspector

Cloud Inspector는 브라우저에서 MCP 서버를 실제 클라이언트에 가깝게 돌려 보는 도구입니다. 툴 호출을 쏘고 JSON-RPC를 들여다보며 모델을 바꿔 가며 검증한다고 설명합니다. 로컬 셋업 없이 디버깅하려는 개발자에게 핵심 UI입니다.

Monitor — 프로덕션 맹점 제거

분석, 세션 리플레이, 관측성을 내장해 사용자가 리포트하기 전에 회귀를 잡는다는 메시지입니다. newflix 태그에도 관측성이 들어가 있고, 큐레이터 한 줄의 “로그·오류율까지 모니터링”이 이 레이어를 가리킵니다.

블로그·문서가 보강하는 MCP App 개념

공식 블로그: Manufact Cloud·mcp-use SDK 관련 개발자 글, 10k 스타 로드맵 등이 노출된다.

“What Are MCP Apps?” 포스트: MCP 앱이 무엇인지, 어떻게 여기까지 왔는지 서사로 설명한다.

공식 블로그에는 What Are MCP Apps?, ChatGPT 앱 연동, Claude Connector 연동 글이 있습니다. 제품 카탈로그만 읽으면 “또 하나의 호스팅”으로 보이기 쉬운데, 블로그 축은 MCP 앱이 일반 MCP 서버와 어떻게 다른지, ChatGPT/Claude 표면에서 왜 UI·툴 정의가 같이 필요한지를 설명하는 쪽입니다. 즉 Manufact는 “서버만 올리는 PaaS”보다 에이전트 표면용 앱 패키징 + 배포 + 검증을 묶는 포지션에 가깝습니다.

커뮤니티 반응(공식 사이트 인용 트윗 모음)에서는 mcp-use를 Python MCP 에이전트 프레임워크, 폐쇄형 클라이언트 없이 LLM↔MCP 서버 연결, NASA 에이전트 실험 언급 등 오픈소스 쪽 평가가 반복됩니다. 마케팅 인용이라는 한계는 있지만, SDK 채택 메시지와 Cloud 배포 메시지가 분리되어 있다는 점은 명확합니다 — 로컬/오픈소스로 만들고, Cloud로 운영한다는 이중 구조입니다.

가격 정책 — 크레딧 풀 + 사용량 기반

가격 페이지: 월 크레딧 풀을 포함한 사용량 기반 요금, Free부터 Enterprise까지.

공식 가격 페이지(manufact.com/pricing) 기준, 모든 플랜에 월간 크레딧 풀이 있고 포함분을 넘기면 pay-as-you-go로 이어집니다. Monthly/Yearly 토글이 있습니다.

플랜	월 요금	월 크레딧	프로젝트	분석 보관	팀원	주요 부가
Free	$0	$5	2	7일	1	GitHub Org 배포
Hobby	$25	$30	5	30일	3	프리뷰 배포, Cold-start Prevention, 이메일 지원
Startup	$250	$300	무제한	1년	10	전 리전, 전용 Slack
Enterprise	Custom	Unlimited	무제한	Unlimited	Unlimited	Premium Support

공통으로 비교표에 올라오는 항목은 Preview Deployments, Deploy from GitHub Organization, Cold-start Prevention, 리전, 지원 채널입니다. Free에서도 작은 크레딧($5)과 2개 프로젝트로 시작할 수 있어, SDK 실험 → Cloud 소규모 배포 → 트래픽 늘면 Hobby/Startup 경로가 자연스럽습니다.

가격은 공식 페이지 기준이며 프로모션·연간 할인에 따라 달라질 수 있습니다. 구매 전 manufact.com/pricing에서 최신 표를 확인하는 것이 안전합니다.

실제 사용 시나리오

1) 사이드 프로젝트 MCP 서버를 ChatGPT 앱으로

TypeScript로 툴 몇 개를 정의하고 mcp-use로 앱 UI까지 스캐폴딩한 뒤 GitHub에 올립니다. Manufact Cloud에 저장소를 연결하면 push마다 프리뷰·프로덕션 배포가 돌고, Cloud Inspector로 툴 호출·RPC 메시지를 확인한 다음 ChatGPT Apps 쪽 제출 준비를 합니다.

2) 내부 에이전트용 MCP 서버 운영

LangChain·Vercel AI SDK·Claude Agent SDK 등 내부 에이전트가 붙을 서버를 Python으로 만들고, 팀 단위로 Startup 플랜에서 관측 보관 기간과 Slack 지원을 확보합니다. 누가 어떤 툴을 얼마나 깨뜨렸는지를 세션·분석으로 보는 쪽이 목적입니다.

3) 오픈소스 우선, 호스팅만 클라우드

이미 로컬에서 mcp-use로 서버를 돌리고 있다면, 코드 변경 없이 Cloud에 올려 콜드 스타트·리전·프리뷰만 플랫폼에 맡기는 패턴입니다. 공식 Before/After도 이미 쓰는 MCP 서버 코드를 그대로 둔다는 메시지를 강조합니다.

경쟁·대안 비교

관점	Manufact	일반 MCP 서버 호스팅/직접 구축	에이전트 프레임워크만 (LangChain 등)	ChatGPT/Claude 네이티브 제출 툴만
초점	MCP 앱+서버 풀스택 + Cloud 배포	런타임·인프라	오케스트레이션·툴 체이닝	스토어/커넥터 제출
SDK	mcp-use (TS/Python, 오픈소스)	직접 구현	프레임워크 종속	제한적
멀티 표면	ChatGPT·Claude·Gemini 등 한 코드베이스 지향	직접 맞춤	호스팅 별도	단일 벤더
배포	GitHub push 자동	CI/CD 직접	별도	제출 프로세스 중심
관측	Cloud Inspector + Analytics 내장	직접 구축	일부 벤더 연동	스토어 지표 위주
가격 감각	Free~$250+/월 크레딧형	인프라 비용	프레임워크 무료~유료	벤더 정책

Manufact가 잘 맞는 경우: MCP 앱을 ChatGPT·Claude 표면에 올리고 싶고, Git 연동 배포·Inspector·분석을 한곳에서 쓰고 싶을 때.

직접 구축/다른 PaaS가 나은 경우: 이미 Kubernetes·서버리스 파이프라인이 성숙했고 MCP는 내부 stdio/HTTP 서버 몇 개만 필요할 때, 또는 특정 클라우드 벤더 락인을 피하고 완전 통제가 필요할 때.

프레임워크만으로 충분한 경우: 배포·스토어 제출보다 에이전트 로직·평가가 핵심이고 호스팅은 기존 스택으로 충분한 때. newflix 관련 추천의 LangChain, Railway, Vercel, Netlify, Postman 등은 오케스트레이션·일반 앱 배포·API 협업 축이라 Manufact의 MCP 앱 전용 레일과는 겹치면서도 완전 대체재는 아닙니다.

장단점 요약

장점

MCP 특화 풀스택 — 서버만이 아니라 ChatGPT/Claude용 앱 표면까지 한 제품 스토리
오픈소스 SDK + 매니지드 Cloud — 로컬 실험과 운영 배포를 분리해 가져갈 수 있음
GitHub push 배포 — Vercel에 익숙한 개발자에게 학습 비용이 낮음
Inspector·분석 내장 — 배포 후 맹점을 줄이려는 설계
Free 티어 — 소규모 프로젝트로 진입 가능
YC·GitHub 스타 등 가시성 — 커뮤니티에서 레퍼런스를 찾기 쉬움

단점

카테고리가 아직 좁다 — MCP를 모르면 가치 설명이 먼저 필요
벤더 의존 — Cloud 배포·관측을 쓰면 런타임이 Manufact에 묶임
가격 체감 — Hobby $25 / Startup $250은 사이드 프로젝트에 부담, 크레딧 소진 예측 필요
한국어 공식 문서 약함 — 제품 UI·문서는 영어 중심 (newflix 한국어 소개로 보완)
시장 초기 — ChatGPT Apps / Claude Connector 정책 변화에 로드맵이 민감할 수 있음

총평

Manufact는 또 하나의 일반 AI 호스팅이라기보다, 에이전트가 도구와 UI를 만나는 MCP 레일을 제품화한 쪽에 가깝습니다. mcp-use로 만들고, GitHub push로 올리고, Inspector로 검증하고, 분석으로 운영하는 흐름이 한 문장으로 이어집니다. ChatGPT Apps Store와 Claude Connectors를 동시에 노리는 팀이라면 비교 대상으로 볼 만합니다. 반대로 내부 stdio MCP 서버만 잠깐 붙이면 되는 단계라면 SDK만 쓰고 Cloud는 나중에 붙여도 됩니다.

더 자세한 큐레이션 요약과 관련 서비스 추천은 newflix 페이지에서 확인할 수 있습니다.

Manufact on newflix
공식: manufact.com · 가격

cooked — 설치 없이 브라우저에서 바로 붙는 개인전 FPS

newflix — Tue, 28 Jul 2026 04:09:21 +0900

cooked — 설치 없이 브라우저에서 바로 붙는 개인전 FPS

"링크 대신 단어만으로 친구를 초대해 브라우저에서 바로 즐기는 개인전 FPS입니다." — newflix 큐레이터

설치, 스토어, 초대 링크 복붙… 캐주얼 슈터 한 판을 위해 치러야 하는 마찰이 너무 많습니다. cooked(cooked.house)는 그 마찰을 거의 없앱니다. 브라우저만 열면 free-for-all FPS가 돌아가고, 친구는 Room word(단어) 만 입력해 같은 방에 들어옵니다.

TL;DR

설치 없이 브라우저 FPS — 웹에서 바로 free-for-all(개인전) 슈터
단어 입장 — 초대 링크 없이 Room word로 친구 합류
연습 모드 완비 — PLAY WITH BOTS, TEST EVERY WEAPON으로 바로 감 잡기
Heat·코인·일일 챌린지 — 로그인 시 랭킹·상점 진행, 스킨/무기/헤어 코스메틱
기본 플레이 무료 — 단색 스킨 무료, 국기·이모지 스킨은 코인으로 해금 (실물 화폐 가격표는 공식 메인에 없음)

핵심 정보 한눈에 보기

항목	내용
서비스명	cooked
한 줄 설명	브라우저에서 실행되는 개인전 FPS 게임
개발	Cooked House Games
에셋 크레딧	Weapon models by Quaternius (CC0)
카테고리 (newflix)	라이프 (life)
플랫폼	웹 (브라우저). newflix에 App Store / Google Play 링크도 표기
플레이 방식	Free-for-all FPS, 봇 대전, 무기 테스트, 프라이빗 방
소셜 합류	Room word 입력 → JOIN BY WORD (링크 불필요)
진행 요소	Heat(랭킹), Daily Challenges, 코인, Shop
가격	기본 플레이 무료. 스킨 등 코스메틱은 인게임 코인(예: 국기 스킨 80, 테마 스킨 200)
newflix 등록일	2026년 7월 14일
공식 사이트	cooked.house
newflix 페이지	newflix.io/s/cooked

어떤 문제를 풀까?

캐주얼 멀티 FPS를 친구와 하려면 보통 이런 순서를 거칩니다.

클라이언트를 설치하거나 스토어에서 용량 큰 게임을 받는다
계정을 만들고 친구 추가를 한다
파티/초대 링크를 보내고, 상대도 같은 빌드·같은 지역 서버를 맞춘다

회의 사이 10분, 카페에서 폰으로 한 판, "지금 당장" 붙고 싶은 순간에는 이 마찰이 게임을 죽입니다. cooked가 겨냥하는 문제는 바로 여기입니다.

설치 장벽 제거: 브라우저가 곧 클라이언트
초대 장벽 제거: 긴 URL 대신 단어 하나로 방 합류
연습 장벽 제거: 봇 매치·무기 테스트로 멀티 전 감 잡기
가벼운 진행감: Heat 랭킹과 일일 챌린지로 "오늘 한 판"의 이유를 만듦

newflix 한국어 소개 그대로, cooked는 free-for-all FPS이며 친구는 링크 없이 단어를 입력해 같은 게임에 참여합니다. 큐레이터 한 줄도 같은 포인트를 짚습니다 — "링크 대신 단어만으로… 브라우저에서 바로".

메인 로비 — GET IN. LOCK IN. GET COOKED.

공식 사이트(cooked.house)에 들어가면 로우폴리 3D 맵이 배경으로 깔린 로비가 바로 뜹니다. 컨테이너가 늘어선 산업 지대 느낌의 맵 위에 어두운 반투명 메뉴 패널이 올라갑니다. 태그라인은 짧습니다.

// Free-for-all FPS in your browser.

중앙 액션은 네 갈래입니다.

버튼	역할
PLAY WITH BOTS	봇과 즉시 매치 — 멀티 전 연습·웜업
TEST EVERY WEAPON	무기 전체를 골라 감 테스트
START PRIVATE GAME	비공개 방 생성
Room word + JOIN BY WORD	공유받은 단어로 기존 방 입장

상단에는 Invite / Leave, Profile, Shop, Help가 있고, 우측에는 리더보드와 로그인 유도 배너가 붙습니다.

Sign in to earn Heat and climb the ranks

로그인하지 않아도 봇 플레이·방 참여 흐름은 열려 있고, Heat 적립·랭킹 상승은 계정 연동을 권하는 구조입니다. 하단 Daily Challenges는 "오늘 한 판"의 작은 목표를 줍니다. 실제 로비에서 확인한 예시:

First match today: +50 코인
Land 8 headshots (0/8): +30 코인
Get a 5-kill streak (0/5): +35 코인
Get 20 kills (0/20): +45 코인

피드백 링크와 크레딧 문구도 로비에 노출됩니다.

Cooked House Games · Weapon models by Quaternius (CC0)

핵심 기능 딥다이브

1) 브라우저 네이티브 FPS

별도 런처 없이 웹에서 free-for-all을 돌립니다. newflix 태그에는 터치 조작, 로드아웃, 웹 게임, 멀티플레이어가 함께 걸려 있어 PC 브라우저뿐 아니라 모바일 웹 플레이를 염두에 둔 제품으로 읽힙니다. (실제 조작감·지원 브라우저는 기기마다 다를 수 있으니 공식 사이트에서 확인하는 것이 좋습니다.)

2) 링크 없는 친구 초대 — Room word

cooked의 가장 뚜렷한 UX 차별점입니다. 친구가 긴 초대 URL을 복사해 메신저에 붙일 필요 없이, 방 단어를 말하고 JOIN BY WORD로 들어옵니다. 카페 테이블, 디스코드 음성, 오프라인 모임처럼 "지금 이 단어로 들어와"가 통하는 장면이 핵심 사용 시나리오입니다.

3) 봇 대전 + 무기 테스트

멀티 매치 전에 감부터 잡고 싶을 때 PLAY WITH BOTS와 TEST EVERY WEAPON이 있습니다. "한 판만 하고 싶은데 랭크 큐에 던지기는 싫은" 캐주얼 유저에게 맞는 입구입니다.

4) Heat 리더보드

로비 우측 LEADERBOARD는 Heat 점수로 순위를 보여 줍니다. 확인 시점 예시(변동 가능):

mr_noscopefr — 16,733
mrspiderman — 6,905
_albatros — 3,001
yola — 875

로그인 배너가 "earn Heat and climb the ranks"를 강조하므로, Heat는 플레이 성과·챌린지 보상과 연결된 랭킹 재화로 이해하는 것이 타당합니다. (정확한 산식은 공식 UI 툴팁/도움말에 따름.)

5) Shop — 스킨·무기·헤어

상단 Shop을 열면 SKINS / WEAPONS / HAIRSTYLE 탭이 나옵니다. 스킨 안내 문구:

Player skins — solid colors are free; flags and emoji are unlockable.

즉 단색 스킨은 무료, 국기·이모지 계열은 해금 대상입니다. 확인 시점 가격 예:

유형	예시	가격
국기 스킨	USA, Japan, S. Korea 등	80 코인
테마/이모지 스킨	Fire, Pirate, Ghost, Unicorn 등	200 코인

코인은 일일 챌린지·매치 보상 등으로 쌓이는 인게임 재화로 보이며, 메인 로비 기준으로 실물 화폐 구독/패키지 가격표는 노출되지 않았습니다. 유료 IAP 여부는 스토어 빌드·결제 UI를 추가로 확인해야 합니다. 과장 없이 말하면: 지금 확인 가능한 범위에서 기본 플레이와 단색 스킨은 무료, 코스메틱은 코인 해금.

실제 사용 시나리오

시나리오 A — 친구 3명, 지금 당장 한 판
한 명이 START PRIVATE GAME으로 방을 열고 Room word를 말로 전한다. 나머지는 JOIN BY WORD. 설치 대기 없이 free-for-all 시작.

시나리오 B — 혼자 손 풀기
PLAY WITH BOTS로 웜업 → TEST EVERY WEAPON으로 로드아웃 감각 확인 → 이후 멀티.

시나리오 C — "오늘 숙제" 느낌의 라이트 루틴
로그인 후 Daily Challenges(헤드샷 N회, 킬 스트릭 등)를 클리어하며 코인·Heat를 쌓고, Shop에서 국기 스킨을 해금.

시나리오 D — 모바일/웹으로 가볍게
newflix에 웹·스토어 링크가 함께 있어, PC 브라우저가 아니어도 접근 경로가 열려 있습니다. 터치 조작 태그와 맞춰 "짧은 세션" 용도에 가깝습니다.

가격·수익 모델 (확인된 범위)

구분	상태
기본 매치/봇/프라이빗 방	무료로 진입 가능 (로비 UI 기준)
단색 플레이어 스킨	무료
국기·이모지 등 해금 스킨	80~200 코인
일일 챌린지 보상	코인 지급
실물 화폐 요금제	공식 메인 로비에서 가격표 미확인 — 단정하지 않음

경쟁 브라우저/캐주얼 슈터들이 흔히 쓰는 패턴(무료 플레이 + 코스메틱)과 결이 같습니다. 다만 cooked는 "단어 입장" 과 초경량 웹 진입이 마케팅 카피보다 제품 자체로 먼저 드러납니다.

비슷한 경험을 주는 대안과 비교

완전 동일 포지션의 1:1 제품은 드물고, "가벼운 슈터/웹 게임/친구 즉석 플레이" 축으로 비교하는 편이 낫습니다.

비교 축	cooked	일반 설치형 캐주얼 FPS	링크 초대 웹 게임
설치	불필요(웹)	필요	보통 불필요
친구 합류	Room word	친구 코드/파티	대개 URL 공유
모드	Free-for-all 중심	팀/랭크 등 다양	장르별 상이
진행	Heat, 일일 챌린지, 코인 샵	배틀패스·시즌 등	서비스마다 상이
아트	로우폴리, Quaternius CC0 무기	고사양~캐주얼 혼재	다양

cooked를 고르기 좋은 경우
- "지금 당장, 설치 없이, 말로 방 이름만 알려주고" 한 판
- 봇·무기 테스트로 부담 없이 손만 풀고 싶을 때
- 코스메틱·일일 챌린지 정도의 가벼운 진행이 필요할 때

다른 쪽을 고르기 좋은 경우
- 팀 전술, 랭크 시즌, 대규모 맵 로테이션이 필요할 때 → 설치형 메인스트림 FPS
- 협업 화이트보드·생산성 도구가 필요할 때 → cooked와 목적 자체가 다름

장단점 요약

장점

설치 제로 진입 — 브라우저만 있으면 free-for-all 시작
Room word 초대 — 링크 복붙 없는 친구 합류 UX
연습 루프 명확 — 봇 매치 + 전 무기 테스트
가벼운 메타 — Heat 랭킹, 일일 챌린지, 코인 샵
코스메틱 가격 투명(인게임) — 국기 80 코인, 테마 200 코인 등 UI에 명시
단색 스킨 무료 — 유료 압박 없이 기본 외형 선택 가능
오픈 에셋 크레딧 명시 — Quaternius CC0 무기 모델

단점 및 주의

콘텐츠 깊이 — 메인스트림 패키지 FPS 대비 모드·맵·시즌 규모는 캐주얼 범위로 보는 것이 현실적
실물 가격 정보 부족 — 웹 메인에서 IAP/프리미엄 패키지가 안 보이면 완전 무료로 단정하기 어려움
네트워크·성능 — 브라우저·기기 성능에 따라 프레임·입력 지연 편차 가능
한국어 UI — 공식 로비 카피가 영어 중심 (게임 자체 플레이 장벽은 상대적으로 낮을 수 있음)
계정·보안 — 로그인·결제(해당 시) 정책은 서비스 약관을 별도 확인

총평

cooked는 또 하나의 슈터라기보다 즉석 멀티의 마찰을 줄인 웹 FPS 실험에 가깝습니다. newflix가 짧게 정리한 세 가지 — 브라우저 실행, 단어 친구 참여, 링크 없는 입장 — 가 공식 로비 UI와 그대로 맞물립니다. Heat·일일 챌린지·스킨 샵은 그 위에 얹힌 가벼운 중독 장치이고, 단색 스킨 무료와 코인 해금 구조는 캐주얼 웹 게임의 익숙한 리듬입니다.

회의 사이 한 판, 친구와 지금 당장 데스매치, 설치 대화 없이 단어만 말해 끝내고 싶다면 공식 사이트를 열어볼 만합니다. 서비스 개요와 큐레이션 맥락은 newflix 페이지에서 이어서 볼 수 있습니다.

newflix에서 보기: https://newflix.io/s/cooked

공식 플레이: https://cooked.house

본 글은 newflix 서비스 페이지, 공식 사이트 cooked.house 로비·상점 UI 직접 확인(2026-07-28 기준)을 바탕으로 작성했습니다. Heat 산식·스토어 IAP·지원 기기 상세는 서비스 업데이트에 따라 달라질 수 있습니다.

Snowflake — 엔터프라이즈 AI 데이터 클라우드, 한 플랫폼에서 분석·엔지니어링·ML까지

newflix — Tue, 28 Jul 2026 01:08:12 +0900

Snowflake — 엔터프라이즈 AI 데이터 클라우드, 한 플랫폼에서 분석·엔지니어링·ML까지

"데이터 사일로 해소와 비용 효율성을 동시에 원하는 기업에게 적합한 완전 관리형 AI 데이터 클라우드 플랫폼입니다." — newflix 큐레이터

Snowflake는 기업이 AI, 데이터 엔지니어링, 애플리케이션, 분석 워크로드를 하나의 AI 데이터 클라우드에서 다루도록 설계된 완전 관리형 플랫폼입니다. 전통적인 데이터 웨어하우스를 넘어, 저장과 컴퓨팅을 분리하고 사용량 기반 과금으로 확장하는 구조가 핵심입니다.

TL;DR

AI 데이터 클라우드 — 분석·데이터 엔지니어링·앱·ML 워크로드를 한 플랫폼에서 처리
완전 관리형 — 인프라 운영 부담을 줄이고 연결성·확장성에 집중
저장·컴퓨팅 분리 — 가상 웨어하우스로 워크로드별 스케일을 독립 조절
사용량 기반 과금 — 크레딧·스토리지 단위, 초 단위 과금 모델 (에디션별 단가 상이)
에이전틱 AI 확장 — CoWork·CoCo(Cortex Code) 등 데이터 위 에이전트 워크플로를 공식 전면에 배치

핵심 정보 한눈에 보기

항목	내용
서비스명	Snowflake
한 줄 설명	엔터프라이즈용 AI 데이터 클라우드
카테고리	개발도구 (dev)
플랫폼	웹 (클라우드 서비스)
등록일	2026년 7월 9일
과금 모델	사용량 기반 (크레딧 + 스토리지)
에디션 예시	Standard / Enterprise / Business Critical / VPS
클라우드	AWS, Azure, GCP
한국어	공식 한국어 사이트·요금 안내 페이지 제공
공식 사이트	snowflake.com/ko/
newflix	newflix.io/s/snowflake

어떤 문제를 풀까?

기업 데이터 환경의 고질적인 문제는 세 가지로 압축됩니다.

첫째, 사일로입니다. 부서·시스템·클라우드마다 데이터가 흩어져 있고, 같은 지표를 여러 팀이 서로 다른 파이프라인으로 복제합니다. Snowflake는 공유 가능한 데이터 레이어와 연결성을 전면에 내세워 이 복제 비용을 줄이려 합니다.

둘째, 인프라 운영 비용입니다. 온프레미스 웨어하우스나 직접 관리하는 하둡·클러스터는 용량 계획, 패치, 장애 대응에 인력이 묶입니다. 완전 관리형 플랫폼은 이 운영 레이어를 서비스 쪽으로 넘깁니다.

셋째, AI·ML 워크로드의 단절입니다. 분석용 웨어하우스, 엔지니어링용 파이프라인, 모델 학습용 환경이 분리되면 데이터 이동과 권한 관리가 복잡해집니다. Snowflake는 AI 데이터 클라우드라는 포지션으로 분석·엔지니어링·애플리케이션·ML을 같은 플랫폼 위에서 다루겠다고 명시합니다.

newflix 소개문 그대로, "AI, 데이터 엔지니어링, 애플리케이션, 분석 워크로드를 하나의 AI 데이터 클라우드에서" 다루는 것이 제품의 핵심 약속입니다.

브랜드 메시지 — 데이터 위에 에이전틱 AI

Snowflake 공식 홈: “모든 데이터에 에이전틱 AI를 적용하세요”와 CoCo·CoWork CTA, Cortex Code 인터페이스 미리보기.

최근 Snowflake 홈 메시지는 단순 웨어하우스 홍보를 넘어 에이전틱 AI로 이동했습니다. “CODE WORK” 형태로 강조된 히어로 카피와 함께 Snowflake CoWork(질문·탐색)와 Snowflake CoCo / Cortex Code(구현·코드 실행)를 나란히 소개합니다. 미리보기 UI에는 Agent Connection, SQL Connection, Warehouse, Model 설정이 보이고, 로컬 경로에 instruction 파일을 로드하는 형태까지 노출됩니다.

해석하면 이렇습니다. 데이터 플랫폼이 “쿼리 엔진”에서 끝나지 않고, 데이터 컨텍스트를 유지한 채 에이전트가 질문하고 코드·SQL을 실행하는 작업 공간으로 확장되고 있다는 신호입니다. 데이터 엔지니어·분석가·개발자가 같은 거버넌스 경계 안에서 AI 워크플로를 돌리려는 조직에 맞춘 포지셔닝입니다.

핵심 기능 딥다이브

newflix에 정리된 핵심 포인트와 공식 메시지, 가격 페이지에서 확인한 구조를 합치면 기능 축은 아래와 같습니다.

1. 완전 관리형 Snowflake Platform

인프라 프로비저닝, 패치, 스케일링을 서비스가 담당합니다. 사용자는 가상 웨어하우스 크기·동시성·쿼리 최적화에 더 집중할 수 있습니다. “서버리스” 성격의 기능과 관리형 컴퓨트가 함께 노출되며, 운영 인력을 줄이면서 성능·가용성을 유지하려는 팀의 기본 선택지가 됩니다.

2. 멀티 워크로드: 분석 + 엔지니어링 + 앱 + ML

Discover Workload Series: Data Engineering과 Science/ML(Snowpark)를 한 플랫폼·다중 워크로드로 다루는 이벤트 페이지.

Snowflake는 BI 대시보드용 쿼리뿐 아니라 데이터 엔지니어링 파이프라인과 Science/ML(Snowpark) 워크로드를 같은 플랫폼 서사 안에 둡니다. Snowpark는 파이썬·자바·스칼라 등에서 플랫폼 위에서 데이터 처리·모델 관련 작업을 수행하도록 설계된 개발 표면입니다. “One Platform. Multiple Workloads.” 문구가 이 전략을 압축합니다.

3. 데이터 사일로 해소와 공유·연결성

부서 간 데이터 복사를 줄이고, 권한 있는 공유·마켓플레이스형 교환·외부 시스템 연결을 통해 단일 진실 공급원(SSOT)에 가깝게 가져가려는 방향입니다. 태그에도 “AI 데이터 클라우드”, “데이터 엔지니어링”, “데이터 웨어하우징”, “분석”, “Snowpark”, “Data Science”, “ML”, “서버리스”가 함께 붙어 있어, 단순 스토리지가 아닌 분석·ML 공통 기반을 표방합니다.

4. 보안·거버넌스 계층 (에디션별 강화)

가격 페이지 기준 상위 에디션으로 갈수록 multi-cluster compute, 세분화된 거버넌스·프라이버시 제어, 확장 Time Travel, Tri-Secret Secure, private connectivity, failover/failback 등이 추가됩니다. 규제 산업·민감 데이터를 다루는 조직은 Business Critical 또는 Virtual Private Snowflake(VPS) 쪽을 검토하게 됩니다.

회사 배경 — How It All Started

About 페이지의 “How It All Started”: 클라우드 기반 데이터 플랫폼에서 Data Cloud로 확장한 창업 스토리.

공식 About 페이지는 Snowflake가 약 10년 만에 데이터와 AI로 기업의 잠재력을 끌어올리는 글로벌 플레이어가 되었다고 소개합니다. 창업 초기부터 클라우드 네이티브 데이터 플랫폼을 목표로 했고, 이후 Data Cloud / AI Data Cloud 서사로 확장했다는 점이 강조됩니다. 제품 평가 시 “기능 체크리스트”만 보지 말고, 저장·컴퓨트 분리 + 멀티클라우드 + 공유 아키텍처라는 초기 설계 선택이 현재 포지션을 만들었다는 맥락을 함께 보면 이해가 쉽습니다.

가격 정책 — 사용량 기반 크레딧 + 스토리지

한국어 요금 안내: 사용 기반·초당 과금, 아키텍처(저장·가상 웨어하우스·클라우드 서비스)와 서버리스 사용량이 가격에 반영된다고 설명.

Snowflake 가격의 뼈대는 고정 서버 요금이 아니라 소비(consumption) 입니다. 공식 영문 Pricing Options(플랫폼 AWS, 리전 US East Northern Virginia 기준 리스트 가격 예시)에서 확인한 구조는 다음과 같습니다.

에디션별 크레딧 단가 예시 (리스트 가격)

에디션	크레딧당 가격 (예시)	포지션
Standard	$2.00 / credit	핵심 기능, 관리형 엘라스틱 컴퓨트, 암호화, Snowpark, 데이터 공유, 압축·Time Travel 등
Enterprise	$3.00 / credit	Standard + multi-cluster, 세분 거버넌스, 확장 Time Travel 등 (Most Popular)
Business Critical	$4.00 / credit	Enterprise + Tri-Secret Secure, private connectivity, failover/failback 등
Virtual Private Snowflake	영업 문의	Business Critical 기능을 완전 분리 환경에서 제공

스토리지

On-Demand Storage 예시: $23.00 / TB / month (AWS US East N. Virginia 리스트 가격, 압축 후 월 평균 사용량 기준)
용량 할인·선납(capacity) 옵션은 공식 Consumption Table 및 계약 조건에 따름

비용 설계 시 기억할 점

가상 웨어하우스 크기·가동 시간이 컴퓨트 비용의 대부분을 좌우합니다. 초 단위 과금이어도 웨어하우스를 크게 켜 두면 비용이 빠르게 쌓입니다.
스토리지는 압축 후 평균 사용량 기준이라 원본 용량과 청구 용량이 다릅니다.
서버리스 기능·클라우드 서비스 계층 사용량도 총비용에 포함됩니다.
리전·클라우드(AWS/Azure/GCP)에 따라 단가가 달라지므로, 한국·아시아 리전을 쓸 때는 공식 계산기·Consumption Table을 다시 확인해야 합니다.
가격 가이드 PDF·영업 견적이 리드 폼 뒤에 있는 경우가 많아, 정확한 견적은 조직 규모와 워크로드 프로파일이 필요합니다.

“저렴한가?”보다 예측·가시성·최적화 도구가 중요한 제품입니다. 공식 문서의 cost management 자료와 Performance Index 등을 함께 보는 편이 안전합니다.

실제 사용 시나리오

시나리오 1: 중앙 분석 웨어하우스 통합

마케팅·재무·프로덕트가 각각 다른 DB·CSV·BI 도구에 지표를 두고 있다면, 원천 데이터를 Snowflake로 적재하고 가상 웨어하우스를 역할별로 분리합니다. 야간 ETL용 대형 웨어하우스와 주간 대시보드용 소형 웨어하우스를 나누면 비용과 성능 트레이드오프를 조절하기 쉽습니다.

시나리오 2: 데이터 엔지니어링 + ML 동일 플랫폼

배치·스트리밍으로 정제된 피처 테이블을 만들고, Snowpark로 전처리·모델 관련 작업을 이어 갑니다. Discover 시리즈가 강조하듯 “엔지니어링 세션”과 “Science/ML 세션”을 같은 제품 서사 안에서 다루는 이유가 여기에 있습니다. 데이터 복사를 줄이고 권한·감사를 한곳에서 관리하려는 팀에 맞습니다.

시나리오 3: 에이전트 보조 분석·개발

CoWork로 스키마·지표에 대해 자연어 질문을 던지고, CoCo/Cortex Code로 SQL·스크립트 초안을 생성한 뒤 웨어하우스에서 검증합니다. 완전 자동 운영을 약속하는 수준이라기보다, 거버넌스가 있는 데이터 위에서 AI 보조 루프를 돌리는 방향에 가깝습니다.

시나리오 4: 규제·민감 데이터

금융·헬스케어 등에서는 Business Critical 이상 기능(강화 암호화, private connectivity, DR)을 전제로 설계합니다. VPS는 계정 격리 요구가 극단적인 경우의 선택지입니다.

경쟁 서비스 비교

Snowflake를 검토할 때 자주 올라오는 대안은 Google BigQuery, Amazon Redshift, Databricks, Microsoft Fabric/Synapse, 그리고 경량 쪽의 MotherDuck/DuckDB 계열입니다. newflix 관련 서비스 맥락에서는 Neon(서버리스 Postgres), Cloudflare, Railway 같은 앱 인프라와 역할이 겹치기보다 보완 관계에 가깝습니다.

비교 항목	Snowflake	BigQuery	Redshift	Databricks
핵심 강점	저장·컴퓨트 분리, 공유, 멀티클라우드	서버리스 분석, Google 생태계	AWS 밀착, 익숙한 웨어하우스	레이크하우스, ML/노트북 중심
과금 감각	크레딧 + 스토리지 소비	스캔·슬롯 등	노드·RA3 등	DBU·클라우드 리소스
ML/엔지니어링	Snowpark, AI 기능 확장	BigQuery ML 등	확장 생태계	Spark·MLflow 강점
멀티클라우드	AWS/Azure/GCP	주로 GCP	주로 AWS	멀티클라우드
적합한 팀	엔터프라이즈 공유·거버넌스 중시	GCP 중심 분석팀	AWS 올인	데이터 사이언스·레이크 중심

Snowflake를 고를 때: 멀티클라우드, 데이터 공유, 관리형 웨어하우스, 엔터프라이즈 거버넌스가 우선일 때.

BigQuery를 고를 때: 이미 GCP·Looker 등에 깊숙이 있고 서버리스 분석 단순성이 중요할 때.

Databricks를 고를 때: 노트북·Spark·레이크하우스 ML 파이프라인이 제품의 중심일 때.

Redshift를 고를 때: AWS 전용 스택을 단순하게 유지하고 기존 Redshift 운영 역량이 충분할 때.

가격만으로 승부를 가르기 어렵습니다. 워크로드 패턴(인터랙티브 BI vs 대규모 ETL vs ML 학습), 기존 클라우드 계약, 인력 스킬이 최종 선택을 좌우합니다.

장단점 요약

장점

완전 관리형 AI 데이터 클라우드 — 인프라 운영을 줄이고 분석·엔지니어링·ML을 한 플랫폼 서사로 묶음
저장·컴퓨팅 분리 — 워크로드별 가상 웨어하우스로 스케일·비용 조절
사용량 기반 과금 — 유휴 클러스터를 상시 켜 두는 모델 대비 유연 (단, 최적화 필요)
멀티클라우드 — AWS, Azure, GCP 선택 가능
데이터 공유·연결성 — 사일로 해소를 제품 핵심 메시지로 제시
Snowpark·에이전틱 AI 확장 — CoWork/CoCo 등 데이터 위 AI 워크플로로 포지션 확장
에디션 단계 — Standard부터 VPS까지 보안·규제 요구에 맞게 상향
한국어 공식 자료 — 한국어 사이트 및 요금 안내 페이지 존재

단점

비용 예측이 어렵다 — 크레딧 단가·웨어하우스 크기·쿼리 패턴에 따라 청구액 변동이 큼
엔터프라이즈 중심 — 소규모 팀·가벼운 분석에는 과한 도입 비용·학습 곡선
가격 투명성 한계 — 상세 가이드·견적이 리드 폼·영업 뒤에 있는 경우가 많음
학습·운영 역량 필요 — 거버넌스, 역할 설계, 비용 모니터링을 안 하면 “비싼 웨어하우스”가 되기 쉬움
대안 대비 포지션 중복 — 이미 Databricks 또는 BigQuery에 깊이 투자한 조직은 이전이 부담

이런 팀에 맞을까?

여러 부서의 분석 데이터를 한 거버넌스 경계 안에서 공유해야 하는 중견·대기업
온프레미스·파편 웨어하우스를 클라우드로 옮기며 운영 인력을 줄이려는 데이터 팀
분석과 ML 파이프라인을 같은 데이터 레이어에서 돌리고 싶은 조직
규제·보안 요구로 에디션·격리 옵션이 필요한 산업

맞지 않을 수 있는 경우: 월 수십 달러 수준의 가벼운 BI, 단일 Postgres로 충분한 스타트업 초기, 이미 한 클라우드 분석 스택에 만족하는 소규모 팀.

총평

Snowflake는 “빠른 SQL 엔진 하나”가 아니라 엔터프라이즈 데이터를 모으고, 나누고, AI 워크로드까지 올리는 운영 체제에 가깝습니다. newflix 큐레이터 노트처럼 사일로 해소와 비용 효율을 동시에 노리는 조직에 후보이며, 최근에는 CoWork·CoCo 같은 에이전틱 AI 메시지로 “데이터 + AI” 포지션을 더 분명히 하고 있습니다.

도입 성패는 기능 체크리스트보다 비용 가시성, 웨어하우스 운영 규율, 데이터 소유권 설계에 달려 있습니다. 리스트 가격(예: Standard $2/credit, Enterprise $3/credit, On-Demand 스토리지 $23/TB·월 수준)은 출발점일 뿐, 실제 TCO는 워크로드 프로파일로 결정됩니다.

더 자세한 큐레이션 메모와 스크린샷은 newflix 서비스 페이지에서 확인할 수 있습니다.

→ Snowflake on newflix
→ 공식 사이트
→ 요금 옵션(공식)

본 글은 newflix 큐레이션 정보, 공식 사이트 공개 페이지, 가격 옵션 페이지의 리스트 가격 예시를 바탕으로 작성되었습니다. 요금·기능은 리전·계약·시점에 따라 달라질 수 있으니 도입 전 공식 문서를 확인하세요.

30 papers — Ilya Sutskever가 John Carmack에게 건넨다는 그 딥러닝 논문 목록

newflix — Mon, 27 Jul 2026 06:08:52 +0900

30 papers — Ilya Sutskever가 John Carmack에게 건넨다는 그 딥러닝 논문 목록

"현대 딥러닝을 이해하는 데 필요한 지식의 90%가 이 목록에 있다"는 소문에서 출발한, 초보자를 위한 AI 논문 읽기 사이트.

OpenAI 공동 창립자 Ilya Sutskever가 id Software 창업자 John Carmack에게 전했다는 전설적인 논문 리스트. 30 papers는 그 소문 목록을 웹으로 옮기고, 어려운 용어마다 평이한 설명을 붙인 입문자용 논문 읽기 허브입니다.

TL;DR

Ilya 추천 목록의 웹 버전 — Sutskever가 Carmack에게 건넨다는 "딥러닝 필독 논문" 소문을 기반으로 한 큐레이션
초보자 친화 설계 — 논문 요약, 키워드 하이라이트, 클릭 시 용어 정의, ChatGPT·Claude에 질문하기 버튼
완전 무료·오픈 — 웹에서 바로 읽기, GitHub 소스 공개 (mcrowley19/30papers)
학부생이 만든 사이드 프로젝트 — Michael Crowley가 비공식 ML 교육 없이 구축. 요약 오류 가능성 스스로 고지

핵심 정보 한눈에 보기

항목	내용
서비스명	30 papers
한 줄 설명	AI·딥러닝 기초 논문 읽기 목록
제작자	Michael Crowley
카테고리	AI 툴 / 학습 리소스
플랫폼	웹 (https://30papers.com)
가격	무료
현재 논문 수	약 27편 (목표 30편)
소스	GitHub mcrowley19/30papers
기반 목록	Ilya Sutskever → John Carmack 소문 목록 (Andrew Carr 공개 리스트 참고)
newflix 등록일	2026년 7월 12일
newflix 페이지	newflix.io/s/30papers

어떤 문제를 풀까?

딥러닝을 "제대로" 공부하려면 논문을 읽어야 한다는 말은 흔합니다. 문제는 어디서부터, 어떤 순서로, 어떻게 읽느냐입니다.

목록이 너무 많다 — arXiv, Papers with Code, 트위터 추천, 대학 커리큘럼이 제각각이라 초보자는 길을 잃기 쉽습니다.
용어 장벽이 높다 — encoder, residual connection, attention mechanism 같은 단어가 한 문장에 여러 개 나오면 읽기가 멈춥니다.
원문이 흩어져 있다 — 일부는 arXiv PDF, 일부는 블로그, 일부는 강의 노트. 탭을 수십 개 열어 놓고 헤매기 쉽습니다.

30 papers는 이 세 가지를 한 번에 줄이려 합니다. 검증된(소문상의) 필독 목록을 한곳에 모으고, 용어 설명을 본문에 붙이고, 막히면 ChatGPT·Claude에 바로 질문할 수 있게 만듭니다.

newflix 큐레이터 노트도 같은 취지입니다.

"AI와 딥러닝의 기초를 다지고 싶은 분들이, 낯선 용어에 대한 친절한 설명과 함께 논문을 차분히 읽어 나갈 수 있는 목록입니다."

배경 — Ilya, Carmack, 그리고 "90% 목록"

30 papers 홈: 점(dot) 패턴으로 쓴 타이틀, 목록 출처 설명, 첫 카드(CS231n)가 이어집니다.

사이트 상단 소개 문구는 솔직합니다.

"This website is based on a rumoured list of papers that Ilya Sutskever gave to John Carmack. We currently only have a list of 27. If you or anyone you know has the full, canonical list please feel free to reach out."

핵심 포인트는 세 가지입니다.

소문(rumoured) 목록 — 공식 발표가 아니라 커뮤니티에 퍼진 "Ilya가 Carmack에게 준 목록"을 출발점으로 삼음
기여 요청 — 정식 목록을 아는 사람에게 연락을 요청하는 열린 프로젝트

GitHub README는 한 걸음 더 들어갑니다. 이 목록이 "현대 딥러닝을 이해하는 데 필요한 지식의 90%"를 담는다고 주장된다는 점을 명시하고, 실제 구축은 전 OpenAI 직원 Andrew Carr가 X(트위터)에 공개한 대략적 리스트를 바탕으로 했다고 밝힙니다. 즉 30 papers는 "Ilya의 공식 커리큘럼"이 아니라, 그 소문을 재구성한 학습 사이트입니다.

제작자 Michael Crowley는 자신을 정식 ML 교육을 받지 않은 학부생이라고 소개합니다. 요약·키워드 정의에 오류가 있을 수 있음을 미리 고지하고, 피드백을 받겠다는 태도입니다. 완성된 엔터프라이즈 제품이 아니라 학습 커뮤니티용 사이드 프로젝트라는 점을 이해하는 게 중요합니다.

주요 기능 딥다이브

1. 큐레이션된 논문·강의 카드 목록

홈에는 각 자료가 카드 형태로 이어집니다. 스냅샷 시점에 확인된 대표 항목은 다음과 같습니다.

자료	왜 중요한가
CS231n (Stanford)	CNN·컴퓨터 비전 입문의 정석 강의 노트
The Unreasonable Effectiveness of RNNs (Karpathy, 2015)	문자 단위 RNN의 힘을 보여 준 고전 블로그
Understanding LSTM Networks (Olah, 2015)	LSTM을 시각적으로 풀어 쓴 최고의 해설 글
AlexNet (2012)	ImageNet 혁명을 연 CNN 논문
ResNet (He et al., 2015)	residual connection으로 초심층 네트워크 가능
Attention Is All You Need (2017)	Transformer — 현대 LLM의 뼈대
The Annotated Transformer	Transformer를 코드와 함께 해설한 주석 버전
Scaling Laws for Neural Language Models	모델·데이터·컴퓨트 스케일링 법칙
Neural Machine Translation + Attention	attention 메커니즘의 고전
Deep Speech 2, Pointer Networks, Neural Turing Machines 등	음성·시퀀스·메모리 계열 확장

목록은 비전 → 순환 모델 → 어텐션 → Transformer → 스케일링·복잡도 이론 쪽으로 자연스럽게 이어집니다. "요즘 LLM만 만져 본 사람"이 왜 Transformer 이전 세대가 필요했는지를 역추적하기 좋은 구성입니다.

2. 본문 호스팅 + 클릭형 용어 설명

저작권이 허용되는 자료는 사이트에 전문을 호스팅합니다. 예를 들어 Attention Is All You Need 페이지에서는 Abstract부터 Introduction, Model Architecture까지 바로 스크롤할 수 있고, 본문 중 encoder, decoder, attention mechanism, Multi-Head Attention, residual connection, layer normalization 같은 단어가 버튼으로 강조됩니다. 클릭하면 초보자를 위한 짧은 정의가 펼쳐집니다.

README가 강조하는 핵심 UX입니다.

논문별 요약(summary)
하이라이트된 키워드 + 사전 정의된 설명
이해가 안 되는 개념을 ChatGPT 또는 Claude에 물어보는 버튼

논문 PDF를 다운로드해 형광펜을 긋는 대신, 웹에서 읽으면서 즉시 용어를 해소하는 흐름입니다.

Olah의 LSTM 해설 역시 동일 패턴. 제목·저자·연도·미리보기 + "Read at the original source".

CS231n 카드: 스탠포드 비전 강의 자료로 연결되는 게이트웨이 페이지.

일부 유명 자료는 사이트 정책상 직접 호스팅하지 않습니다. 화면에는 다음이 표시됩니다.

제목, 저자, 연도
문서 미리보기 썸네일
"This paper is subject to copyright restrictions and cannot be hosted directly."
View / Read at the original source 버튼

4. 접근성·몰입 UI

랜딩에는 BG OFF / MOTION OFF 토글이 있어 점 패턴 배경과 모션을 끌 수 있습니다. 장시간 읽기용으로 산만한 효과를 줄이는 작은 배려입니다. 하단에 GitHub 링크가 있어 소스와 이슈를 바로 확인할 수 있습니다.

실제 사용 시나리오

시나리오 A — LLM만 쓰다 기초가 궁금한 개발자

ChatGPT·Claude로 코드를 짜다 "attention이 뭐지?"가 막히는 경우입니다.

30papers.com에서 Attention Is All You Need를 연다.
Abstract를 읽으며 encoder / decoder / attention mechanism 버튼을 눌러 용어를 확인한다.
여전히 막히면 사이트의 Claude / ChatGPT 질문 버튼으로 해당 문단을 물어본다.
필요하면 The Annotated Transformer로 코드 수준 해설을 이어 읽는다.

"논문 검색 → PDF 다운로드 → 용어 구글링 → 다시 PDF" 루프를 한 탭 안에서 끝낼 수 있습니다.

시나리오 B — 컴퓨터 비전 입문

CS231n 카드에서 원문 강의 노트로 이동한다.
이어서 AlexNet, ResNet, dilated convolution·identity mapping 계열 논문을 순서대로 본다.
비전 백본의 역사(2012→2015)를 짧은 시간에 훑는다.

시나리오 C — 스터디 그룹 커리큘럼

주 1편 페이스로 목록을 따라가면 약 6~7개월짜리 딥러닝 기초 스터디가 됩니다. 제작자가 요약을 제공하므로 발표 담당자는 원문 + 사이트 요약을 함께 준비하면 부담이 줄어듭니다. 다만 요약은 학부생 제작 콘텐츠이므로 원문 대조를 스터디 규칙으로 두는 것을 권합니다.

가격 정책

항목	내용
이용 요금	완전 무료
계정	불필요 (웹 공개)
광고 / 페이월	확인 시점 기준 없음
API / 기업 플랜	없음 (학습 사이트)
소스	GitHub 공개

수익 모델이 아니라 개인 학습 프로젝트에 가깝습니다. 서버·유지 비용은 제작자 부담으로 보이며, 기부·스폰서 구조는 README에 명시되어 있지 않습니다.

경쟁·대안 서비스 비교

30 papers는 "논문 검색 엔진"이 아니라 고정 커리큘럼형 읽기 목록입니다. 비슷한 니즈를 채우는 대안과 비교하면 역할이 분명해집니다.

비교 항목	30 papers	Papers with Code	arXiv / Semantic Scholar	The Batch / newsletter 큐레이션	대학 강의 (CS231n, fast.ai 등)
형태	고정 필독 목록 + 용어 설명	논문+코드+벤치마크 DB	검색·인용 그래프	주간 하이라이트	체계적 커리큘럼
초보자 용어 지원	강함 (인라인 정의)	약함	약함	중간	강함 (강의)
범위	~30편 큐레이션	수백만 편	전체 학술	매주 소수	한 과목 분량
원문 호스팅	일부만 / 나머지는 링크	메타데이터 중심	PDF 링크	요약 링크	강의 노트
가격	무료	무료	무료	무료~유료	무료~유료
적합한 사람	"뭘 읽어야 하지?" 단계	연구·재현 실험	문헌 조사	트렌드 팔로잉	학점·체계 학습

한 줄 정리

무엇을 읽을지 모르겠다 → 30 papers
특정 주제 SOTA와 코드를 찾는다 → Papers with Code
키워드로 광범위 검색 → arXiv / Semantic Scholar
매주 업계 뉴스+논문 하이라이트 → 뉴스레터
과제·퀴즈까지 있는 정규 학습 → 대학 강의·fast.ai

30 papers의 대체재가 아니라 입구(on-ramp) 에 가깝습니다. 목록을 끝낸 뒤에는 위 도구로 깊게 파고들면 됩니다.

장단점 요약

장점

방향이 분명하다 — "딥러닝 기초 필독"이라는 한 가지 질문에 답하는 목록
초보자 UX — 용어 버튼, 요약, ChatGPT/Claude 질문 연동
완전 무료·계정 불필요 — 바로 읽기 시작 가능
소스 공개 — GitHub에서 이슈·기여 가능
역사적 스토리텔링 — Ilya–Carmack 일화로 학습 동기를 끌어올림

단점

목록이 아직 미완 — 이름과 달리 약 27편, 정식 30편 목록도 비공인
요약 품질 편차 가능 — 제작자가 비공식 ML 교육 배경을 스스로 밝힘
한국어 미지원 — UI·요약·용어 설명이 영어 중심
검색·필터 약함 — 대규모 DB가 아니라 스크롤형 목록
호스팅 불균일 — 인기 고전 일부는 원문 클릭이 한 번 더 필요
유지보수 리스크 — 개인 사이드 프로젝트 특성상 업데이트 속도 불확실

이런 사람에게 추천

LLM API만 쓰다 기초 논문 로드맵이 필요한 개발자
스터디를 짜야 하는데 커리큘럼 초안이 필요한 모임 운영자
Karpathy·Olah·Vaswani 계열 고전을 한 줄로 연결해 보고 싶은 사람
영어 논문을 읽되 용어 장벽을 낮추고 싶은 입문자

비추천에 가까운 경우:

한국어로만 학습하고 싶은 경우 (번역·국내 강의가 더 적합)
최신 arXiv 매일 트래킹이 목적인 경우 (뉴스레터·Semantic Scholar)
재현 실험·벤치마크 코드가 핵심인 경우 (Papers with Code)

총평

30 papers는 거창한 AI 플랫폼이 아닙니다. 소문으로 유명한 Ilya의 필독 목록을, 초보자가 실제로 끝까지 읽을 수 있게 포장한 웹 사이트입니다. 현재 편수가 30에 못 미치고, 요약 정확도를 맹신하면 안 되며, UI도 영어입니다. 그럼에도 "무엇을 읽어야 하지?"라는 첫 질문에 대해 짧고 솔직한 답을 줍니다.

Transformer와 스케일링 법칙만 아는 세대가 RNN·LSTM·ResNet·CS231n으로 한 바퀴 되돌아가기에 좋은 출발점입니다. 목록을 다 외울 필요는 없습니다. 한 편을 열고, 용어 버튼을 누르고, 막히면 Claude에게 물어보는 습관만 생겨도 이 사이트의 역할은 충분합니다.

더 많은 큐레이션 정보와 관련 서비스는 newflix에서 이어서 볼 수 있습니다.

30 papers on newflix · 공식 사이트 30papers.com · 소스 GitHub