AI 비서의 불편함을 0%로 만드는 여정

"쓰면서 불편한 점을 발견하고, 바로 고치고, 다시 쓴다 — 이 사이클이 멈추지 않는다"

— "나만의 완벽한 AI 비서 만들기" 후속편

나만의 완벽한 AI 비서 만들기: Claude 활용 가이드 - Part 1

Claude Code로 슬랙·VS Code·Jupyter를 하나의 서버 워크스페이스로 통합해, 맥락이 끊기지 않는 ‘나만의 AI 비서(에이전트)’를 설계·구현하는 실전 가이드. | AI, Tech

https://blog.afinit.com/perfect-ai-assistant-guide

들어가며

전편에서 AI 개인 비서의 청사진을 그렸습니다. 서버에 AI 두뇌를 올리고, Slack·VS Code·CLI 등 다양한 환경에서 접속하는 구조였죠.

그런데 막상 매일 쓰다 보니, 불편한 점이 끊임없이 보였습니다.

"Slack에서 AI 응답이 끝났는지 모르겠네." "VS Code에서 하던 걸 Slack에서 이어보려는데 답답하네." "여러 작업을 동시에 시켰는데 뭐가 끝났는지 한눈에 안 보이네."

보통이라면 이런 불편함은 참거나, 다른 앱을 찾아 헤맵니다. 하지만 저는 다른 선택을 했습니다.

불편한 점을 발견하면, AI에게 바로 고치게 시킨다.

요즘 SaaS 서비스들이 위기라는 이야기가 나옵니다. AI가 앱을 뚝딱 만들어주는 시대니까요. 이 흐름의 본질은 단순합니다. 범용 앱은 80%만 만족시키지만, 내가 직접 만든(만들게 한) 앱은 100%를 채울 수 있다는 것.

이번 글에서는 AI 비서를 매일 쓰면서 발견한 병목들을 어떻게 하나씩 없앴는지, 그 과정과 결과를 공유합니다.

1. 병목 #1 — "VS Code에서 시킨 작업을, 이동 중에 확인하기 불편하다"

문제

전편에서는 서버에서 Claude Code를 직접 사용하는 방식이었습니다. 잘 동작했지만, 쓰다 보니 한계가 보였습니다. VS Code에서 AI에게 코드 리뷰를 시켜놓고 점심 먹으러 나가면, 스마트폰으로는 진행 상황을 보기 불편했고, "이 부분은 다른 방향이었어야 하는데..." — 이미 AI는 잘못된 방향으로 한참 진행한 뒤입니다.

터미널 세션에 종속되니 여러 클라이언트가 같은 세션을 동시에 볼 수 없고, 연결이 끊기면 그 사이 진행된 내용을 놓치고, 환경이 바뀌면 개입할 수 없었습니다.

해결: 서버-클라이언트 분리 → 어디서든 실시간 스트리밍 + 자유로운 개입

Claude Agent SDK와 소통하는 서버 앱을 별도로 만들고, 각 접속 환경은 이 서버 앱에 연결되는 클라이언트 앱으로 분리했습니다.

서버 앱이 Claude와의 통신, 세션 관리, 이벤트 저장을 전담하고, 클라이언트 앱은 순수하게 UI만 담당합니다. 이 분리 덕분에:

• 클라이언트를 꺼도 AI는 멈추지 않음 — 서버 앱에서 계속 작업하고, 끝나면 알려줍니다.

• 끊겼다 다시 연결해도 빠짐없이 복원 — 서버 앱이 모든 응답에 순번을 매겨 저장하므로, 클라이언트는 놓친 부분만 이어 받습니다.

그리고 핵심은, VS Code에서 요청한 작업이 Slack에서도 실시간으로 스트리밍된다는 점입니다. 같은 세션에 여러 클라이언트가 동시에 붙어있기 때문에, 이동 중에 스마트폰으로 Slack을 열면 AI가 지금 무엇을 하고 있는지 그대로 보입니다.

스트리밍 도중에라도 VS Code든 Slack이든 어디서든 메시지를 추가할 수 있습니다. 추가된 메시지는 대기열에 쌓였다가 AI에게 전달되고, AI는 그 내용을 반영하여 작업 방향을 수정해서 계속 진행합니다. 끝날 때까지 기다렸다가 처음부터 다시 시킬 필요가 없습니다.

2. 병목 #2 — "지금 AI가 뭘 하고 있는지 모르겠다"

문제

AI에게 분석을 시켜놓고 다른 일을 하다 보면, 끝났는지 아직 하는 중인지 알 수가 없었습니다.

해결: 완료 알림

Slack에서 AI 응답은 실시간 스트리밍으로 흘러가는데, 스트리밍 중에는 Slack 알림이 울리지 않습니다. 그래서 스트리밍이 끝나면 별도의 최종 메시지를 전송하여 Slack 알림을 트리거합니다. 다른 채널을 보고 있다가도, AI 작업이 끝나면 바로 알 수 있습니다.

3. 병목 #3 — "여러 작업을 동시에 시켰는데, 관리가 안 된다"

문제

세션 A에서 데이터 분석, 세션 B에서 코드 리뷰, 세션 C에서 Jira 정리 — 이렇게 여러 작업을 병렬로 시켜놓으면, 뭐가 끝났고 뭐가 진행 중인지 파악하기 어려웠습니다.

해결: 세션 대시보드

서버가 모든 세션의 상태를 관리하므로, 클라이언트에서 한눈에 볼 수 있는 대시보드를 만들었습니다.

• 응답이 완료된 세션은 결과를 바로 확인할 수 있고

• 진행 중인 세션은 실시간으로 뭘 하고 있는지 보이고

• 대기 중인 세션은 승인 버튼을 눌러 이어갈 수 있습니다

최종적으로 작업이 완료되면 완료 처리하여, 아직 끝나지 않은 작업이 뭔지 항상 파악할 수 있습니다.

아래는 슬랙과 vscode의 세션 대시보드입니다. 진행중, 대기, 완료 등을 확인할 수 있습니다.

4. 병목 #4 — "Slack에서는 AI를 반만 쓸 수 있다"

문제

VS Code에서는 AI가 Plan 모드로 계획을 세우고, 사용자에게 질문하고, 승인을 받는 흐름이 자연스럽습니다. 그런데 Slack에서는 이게 안 됐습니다. 이동 중에 Slack으로 복잡한 작업을 시키면, AI가 중간에 확인을 받아야 하는 순간에 막혀버렸습니다.

해결: Slack에서도 Plan 모드 & 질문 지원

• Plan 모드: AI가 계획을 세우면 Slack에 승인/수정 요청 버튼이 표시됩니다.

• 사용자에게 질문: AI가 판단이 필요할 때 Slack 버튼으로 선택지를 제시합니다.

• 추가 요청 큐: AI가 작업 중일 때 Slack에서 추가 메시지를 보내면, 대기열에 쌓였다가 자연스럽게 반영됩니다.

이제 이동 중에도 복잡한 작업의 전체 흐름을 Slack 하나로 컨트롤할 수 있습니다.

슬랙에서의 plan mode입니다. 복잡한 작업을 계획 세워줘라고 요청하면 알아서 plan mode에 진입해서, 계획을 세우고, 계획 문서를 slack canvas로 변환하여 승인여부를 물어옵니다(왼쪽 상단). 사용자는 다이어그램과 표가 포함된 구체적인 계획을 확인하고, 승인,거절, 수정 요청을 합니다.

5. 병목 #5 — "텍스트 덩어리를 읽기 힘들다"

문제

AI가 분석 결과를 장문의 텍스트로 쏟아내면, 핵심을 파악하기 어렵습니다. "A가 B를 호출하고, B는 C에 요청을 보내는데..."라는 설명을 읽다 보면 머릿속에 그림을 그리느라 정작 본질을 놓칩니다.

해결: 어디서든 다이어그램과 표로

AI에게 "Markdown 표와 Mermaid 다이어그램을 적극 활용하라"는 지침을 넣었습니다. 그리고 모든 클라이언트에서 이를 렌더링할 수 있게 만들었습니다.

실제 효과 — "이 파이프라인 구조 설명해줘"라고 물었을 때:

텍스트로 20줄 넘게 설명할 내용이 다이어그램 한 장으로 끝납니다.
(참고로, 이 글에 나온 모든 다이어그램도 동일한 방식으로 생성한 것입니다)

발표용 다이어그램이 필요할 때는 Draw.io 스킬을 씁니다. AWS 공식 아이콘이 들어간 아키텍처 다이어그램을 만들어주고, PNG 안에 편집 메타데이터가 내장되어 있어 VS Code에서 바로 수정할 수도 있습니다.

아래는 슬랙과 vscode에서 모두 다이어그램 및 표를 보여주는 예시입니다.

6. 병목 #6 — "결국 내가 먼저 말을 걸어야 일이 시작된다"

문제

아무리 AI가 강력해도, 내가 먼저 말을 걸어야 일을 시작합니다. 매일 반복되는 업무를 매번 직접 요청하는 것도, Slack 채널에 올라온 장애 메시지를 직접 발견해서 분석을 시키는 것도 결국 사람 몫이었습니다.

해결: 두 가지 트리거로 AI가 먼저 움직이게 하기

AI를 수동적인 도구에서 능동적인 비서로 바꾸려면, 사람이 아닌 다른 것이 AI를 깨워야 합니다. 이를 위해 두 가지 트리거를 만들었습니다.

시간 트리거: 때가 되면 알아서

cron 기반 스케줄러로, 정해진 시간에 AI가 알아서 작업을 수행합니다.

• 매일 아침 어제 업무 요약 + 오늘 일정 브리핑

• 매주 자동 주간 리포트 생성

• 특정 시간에 배포 실행 후 결과 알림

• 반복 모니터링 작업

"오늘 밤 3시에 배포하고 결과 아침에 알려줘"처럼 일회성 예약도 가능합니다.

이벤트 트리거: Slack에서 뭔가 일어나면 반응

Slack 채널에서 특정 키워드나 패턴이 감지되면, 미리 설정한 프롬프트에 따라 AI가 자동으로 작업을 수행합니다. 핵심은 트리거마다 프롬프트를 함께 설정할 수 있다는 점입니다. 단순히 "반응한다"가 아니라, 어떤 맥락으로 무엇을 할지까지 정의할 수 있습니다.

AI가 내 권한으로 동작하기 때문에, 아무 요청이나 받아서 처리하는 게 아니라 미리 정의한 트리거와 프롬프트에 맞는 작업만 수행합니다.

이 두 가지 트리거를 조합하면, AI가 때가 되면 알아서 보고하고, 뭔가 일어나면 알아서 반응하는 능동적인 비서가 됩니다.

설정도 간단합니다. 별도의 UI 없이 AI에게 자연어로 말하면 됩니다. "매일 아침 9시에 브리핑 보내줘", "#pr-review에서 PR 링크가 올라오면 코드 리뷰해줘" — AI가 설정 파일을 직접 수정하고, 재시작 없이 즉시 반영됩니다.

7. 병목 #7 — "매일 회의해서 진행 상황 공유하는 게 비효율적이다"

문제

팀에서 일하면 피할 수 없는 것 중 하나가 진행 상황 공유입니다. 매일 스탠드업 미팅, 주간 리뷰, 수시로 "지금 어디까지 했어?" 질문. 각자 정리해서 공유하고, 이슈가 있으면 설명하고, 다시 맥락을 맞추고... 업무를 하는 시간보다 업무를 공유하는 시간이 적지 않습니다.

그리고 AI와 작업하면 또 다른 문제가 생깁니다. AI가 어제 무엇을 했는지, 어떤 실수를 했는지 기억하지 못합니다. 같은 실수를 반복하고, 같은 질문에 다시 답해야 합니다.

해결: 자동 기록 → 자동 공유 → 스레드에서 논의

AI와 작업하면, 기록과 공유가 자동으로 일어납니다.

1단계 — 자동 기록: 모든 AI 요청은 날짜별 작업 문서에 자동 기록됩니다. 작업이 끝나면 결과 요약과 개선점(Lessons Learned)까지 정리되고, 파일 변경은 Auto-Commit으로 git에 실시간 커밋됩니다.

2단계 — 자동 수집·요약: 매일 파이프라인이 각 팀원의 git diff, Slack 메시지, Jira 티켓, 캘린더를 수집하여 프로젝트별 구조화된 일일 요약을 생성합니다.

3단계 — 구체적 링크와 함께 공유: 요약이 Slack 채널에 공유되고, 관련 Jira 티켓에도 진행상황이 자동 업데이트됩니다.

4단계 — 스레드에서 바로 논의: 요약을 보다가 궁금한 점이 있으면, github에 자세히 정리된 내용을 확인하고, 해당 Slack 메시지의 스레드에서 바로 질문하면 됩니다. 별도 회의를 잡을 필요가 없어서, 저희 ML 파트는 정기 회의를 하지 않습니다.

이와 같이 각 지라 작업별로 요약 정리가 되고, full summary를 누르면 상세 내용이 보입니다. 스레드에는 한국어로 번역을 제공해서, 한국인, 외국인 모두 쉽게 진행내용 파악이 가능합니다.

AI 메모리: 성장하는 비서

AI는 문제가 생겨도 스스로 우회해서 해결하고 넘어갑니다. 결과만 보면 잘 된 것 같지만, 비효율적인 방식으로 해결한 건 사람이 모를 수 있습니다. 그래서 AI가 작업을 완료할 때마다, 작업 중 겪은 문제와 개선 사항(Lessons Learned)을 작업 문서에 기록하게 했습니다.

• 데일리 브리핑: 매일 아침, AI가 어제 작업의 개선 사항을 보고합니다. "이 API 호출이 자주 타임아웃 나서 재시도로 처리했다"는 식. 확인 후 필요하면 바로 개선합니다.

• 위클리 브리핑: 한 주간 쌓인 개선 사항을 모아보면, 반복되는 비효율 패턴이 보입니다. 같은 문제가 3번 나왔다면, 그건 우회가 아니라 근본 수정이 필요한 겁니다.

• 메모리 저장: 개선된 내용은 메모리 파일에 저장되어, 이후 세션에서 자동 참조됩니다. 같은 실수를 반복하지 않습니다.

쓸수록 나를 더 잘 아는 비서가 됩니다.

아래와 같이, 실제 잘 작동하던 작업들이 알고보니 여러가지 비효율이 있었다는 걸 위클리 리포트로 확인한 내용입니다. 자주 반복하는 작업에 어떤 이슈들이 있을 때, 이런 리포트를 보고 해결합니다.

8. 병목 #8 — "GPU 서버 띄울 때마다 흐름이 끊긴다"

문제

ML 업무에서는 상황에 따라 다른 연산 자원이 필요합니다. 일상적인 분석은 CPU 서버로 충분하지만, 모델 학습에는 GPU가, 수억 건 데이터 처리에는 Spark 클러스터가 필요합니다.

문제는 GPU 서버를 띄울 때마다 벌어지는 일입니다. 서버 생성 → 소스코드 업로드 → 환경 설정 → Jupyter 세팅... 그리고 이 환경은 메인 서버와 달라서, 코드를 고칠 때마다 동기화해야 합니다. 이 과정에서 작업 흐름이 완전히 끊깁니다. 작업 흐름이 끊긴다는 건 AI도 연속성 있게 일할 수 없다는 뜻이고, 그만큼 업무 속도가 떨어집니다.

해결: EFS + 원격 Jupyter로 하나의 워크스페이스 유지

EFS(공유 파일 시스템)로 모든 서버가 같은 소스코드를 공유하고, 원격 Jupyter 연결로 VS Code 창을 하나만 열어놓고도 다양한 서버의 연산 자원을 사용할 수 있게 만들었습니다.

VS Code 하나만 열어두면 됩니다. 메인서버 커널로 일반 분석을 하다가, GPU가 필요하면 원격 Jupyter 커널로 전환합니다. 이때 GPU 서버의 커널에서도 Spark Connect가 동작하기 때문에, 피처 엔지니어링(Spark)과 모델 학습(GPU)을 하나의 Jupyter 커널에서 연속으로 처리할 수도 있습니다.

핵심은 이겁니다:

• 코드 동기화가 필요 없음 — EFS 덕분에 메인 서버에서 코드를 수정하면 GPU 서버에 즉시 반영됩니다.

• VS Code 창을 새로 열 필요 없음 — GPU 서버의 Jupyter에 원격 연결하면, 같은 워크스페이스에서 GPU를 사용합니다.

• GPU 커널 하나로 피처부터 학습까지 — GPU 서버의 Jupyter 커널에서 Spark Connect로 수억 건 데이터를 처리해 피처를 만들고, 바로 GPU로 모델을 학습합니다. 서버를 오갈 필요가 없습니다.

• AI의 연속성이 유지됨 — Claude가 메인 서버에서 분석하다가 "이건 GPU로 돌려야겠다"고 판단하면, GPU 서버의 Jupyter에서 바로 실행합니다. 환경이 같으니 흐름이 끊기지 않습니다.

GPU 서버를 띄우는 것도 AI에게 시키면 됩니다.

"GPU 서버 하나 띄워줘. p3.2xlarge로."
→ AI가 EC2 생성, EFS 마운트, Jupyter 시작, SSH 터널 연결
→ VS Code에서 원격 Jupyter에 자동 연결 → 같은 워크스페이스에서 GPU 사용

Claude와 Jupyter 협업

이 환경에서 특히 강력한 건, Claude와 사용자가 같은 Jupyter 노트북에서 협업할 수 있다는 점입니다.

1. Claude가 노트북을 만든다 — .ipynb 파일을 생성하고, 코드 셀을 작성하고, 실행 결과까지 채워줍니다.

2. VS Code에서 바로 열린다 — .ipynb 파일이 자동으로 열리고, 커스텀 Jupyter Extension이 노트북 경로를 기반으로 올바른 커널을 자동 연결합니다. GPU 서버의 커널도 자동 연결되어, 사용자는 그냥 열린 노트북에서 작업을 하면 됩니다.

3. 사용자가 중간에 끼어든다 — 셀을 수정하거나 새 셀을 추가하고 직접 실행합니다.

4. Claude가 변경을 인지한다 — 사용자가 수정한 내용을 파악하고, 이후 작업 방향을 조정합니다.

Claude가 대략적인 분석 프레임을 잡아주면, 사용자가 세부 조건을 조정하고, 다시 Claude에게 이어서 작업을 시키는 — 자연스러운 핑퐁이 가능합니다.

VS Code 사이드바: 코드 옆에 인프라를 두다

매일 쓰는 AWS 리소스(EC2, S3, Glue 테이블, Spark 클러스터)의 상태를 확인하려고 매번 AWS 콘솔을 여는 것도 컨텍스트 스위칭입니다. 이를 위해 VS Code 사이드바에 내 리소스만 모아 보여주는 커스텀 Extension을 만들었습니다.

AWS 콘솔이 모든 사용자의 모든 리소스를 보여준다면, 이 사이드바는 내 서버, 내 버킷, 내 테이블, 내 클러스터만 보여줍니다. 코드를 쓰는 바로 그 화면에서 모든 인프라 상태를 확인할 수 있습니다.

VScode 에서 아래와 같이 보입니다.
리로스 사용량 및, jupyter kernel 진행중 여부 및 커널에 연결된 노트북을 열수도 있고,

Spark 스케일링 상황, job 및 task 진행상황을 한눈에 볼 수 있습니다.

Gpu instance 상태 보기, 인스턴스 타입 변환, 종료 도 가능합니다.

9. 실전 사례: 이 모든 게 어우러지면

구조와 기능만으로는 와닿지 않으니, 실제 업무에서 어떻게 쓰이는지 보여드리겠습니다.

사례 1: 데이터 분석 — 테이블 찾기부터 Slack 공유까지

"이 테이블에서 최근 7일 DAU 뽑아서 팀 채널에 공유해줘" — 이 한 마디로 AI가 알아서 처리합니다.

AI가 Glue Catalog에서 테이블 스키마를 먼저 확인하므로 컬럼명을 틀리는 실수가 없고, 데이터 규모에 따라 Athena(소규모, $5/TB)와 Spark(대규모)를 알아서 선택합니다. 결과는 Slack 테이블로 변환되어 팀 채널에 바로 공유되고, 쥬피터 노트북을 통해 분석을 올바르게 했는지 확인도 가능합니다.

사례 2: 침대에서 Slack으로 장애 분석

늦은 저녁, 모니터링 채널에 알림이 왔습니다. 스마트폰을 열어보니, 멘션 트리거가 이미 작동해서 AI가 1차 분석을 끝내놓은 상태입니다.

1. 멘션 트리거 자동 발동: 모니터링 채널에 장애 키워드가 감지되자, AI가 자동으로 분석 시작

2. AI가 코드 역추적: notification.py → 관련 모듈 → 의심 테이블 조회

3. 1차 분석 완료: 스마트폰을 열었을 때 이미 다이어그램과 함께 분석 결과가 Slack에 올라와 있음

4. 추가 지시: "이 부분 더 깊게 파봐" — Slack 스레드에서 바로 추가

5. 완료: 원인 분석 리포트 + Jupyter 노트북 생성

노트북을 켜지 않고, 스마트폰 하나로 복합 장애 분석을 끝냈습니다.

사례 3: ChatOps — 채팅 한 줄로 배포부터 모니터링까지

"ACS 서비스 배포하고 모니터링해줘"

이 한 마디로 AI가:

1. 프로젝트의 배포 가이드 문서를 읽고

2. Jenkins Job을 트리거하여 배포를 실행하고

3. Grafana 대시보드 스냅샷을 찍어 결과를 Slack으로 보고합니다

배포 명령어를 외울 필요도, 콘솔에 접속할 필요도 없습니다.

사례 4: 협업 도구 통합 — 한마디로 회의 준비

"내일 10시에 스프린트 회고 미팅 잡아줘. 참석자는 팀원 전체.
안건은 지난주 Jira 완료 이슈 기반으로 정리해서 Google Doc에 올려줘."

AI가 Jira에서 완료 이슈를 검색하고, Google Docs에 안건을 작성하고, Google Calendar에 미팅을 잡고, Slack으로 팀에 알립니다. 4개의 서비스를 넘나드는 작업이 대화 한 줄로 끝납니다.

10. 21개 스킬: AI가 쓸 수 있는 도구들

서버가 "어디서든"을 보장한다면, 스킬은 "무엇을"을 정의합니다. 현재 21개의 스킬이 실제 업무 도구와 연동되어 있습니다.

핵심은 이 스킬들이 서로 연결되어 동작한다는 점입니다. 단독으로 쓸 때보다 조합했을 때 훨씬 강력합니다.

그리고 새로운 스킬이 필요하면? AI에게 "이런 기능 하는 스킬 만들어줘"라고 말하면 됩니다. AI가 직접 만들고, 테스트하고, 등록합니다.

11. 불편함 → 개선의 무한 사이클

이 글에서 소개한 모든 기능은 같은 패턴으로 만들어졌습니다.

범용 앱은 이 사이클을 돌릴 수 없습니다. 기능 요청을 올리고, 로드맵에 잡히길 기다리고, 업데이트가 나오길 바라야 합니다.

하지만 AI가 직접 도구를 만드는 환경에서는, 불편함을 느낀 그 순간 바로 고칠 수 있습니다. 이것이 SaaS 위기 시대에 개인화된 도구가 강력한 이유입니다.

실제로 이 시스템의 대부분은 제가 직접 코딩한 게 아닙니다. AI에게 "이런 기능 만들어줘"라고 요청했고, AI가 만들고, 제가 쓰면서 피드백하고, AI가 다시 고치는 — 이 사이클의 반복입니다.

하루의 흐름으로 보기

핵심: 하루 종일 같은 AI가 서버에서 유지되고, 상황에 맞는 환경을 골라 접속하기만 하면 됩니다. 환경이 바뀌어도 맥락은 끊기지 않습니다.

마치며

전편에서 "완벽한 AI 비서"를 꿈꿨다면, 이번에는 매일 쓰면서 불편한 점을 하나씩 없앤 이야기입니다.

정리하면:

1. 서버-클라이언트 분리로 어디서든 끊김 없이 접속

2. 실시간 크로스 스트리밍으로 VS Code에서 시킨 작업을 Slack에서 보고, 어디서든 개입

3. 완료 알림으로 AI 작업 상태를 놓치지 않음

4. 세션 대시보드로 병렬 작업을 한눈에 관리

5. Slack에서 Plan 모드와 질문 지원으로 모바일에서도 복잡한 작업 컨트롤

6. 다이어그램·표로 어디서든 시각적으로 이해

7. 스케줄러와 멘션 트리거로 AI가 먼저 움직이고, 동료 질문에도 답변

8. 자동 기록·공유·메모리로 회의 없이 팀 전체가 진행 상황 파악, AI도 경험 축적

9. 21개 스킬이 서로 조합되어 복합 업무 자동화

가장 중요한 건, 이 시스템이 계속 진화한다는 점입니다. 불편함을 발견하면 AI에게 말하고, AI가 고치고, 바로 반영됩니다. 병목을 찾고 없애는 이 사이클이 멈추지 않는 한, 도구는 매일 조금씩 더 나에게 맞춰집니다.

범용 앱은 80%를 만족시키지만, 불편함을 바로 고칠 수 있는 환경은 100%에 수렴합니다.

여러분의 업무 환경에서, 참고 있는 불편함은 무엇인가요?

나만의 완벽한 AI 비서 만들기: Claude 활용 가이드 - Part 1

Claude Code로 슬랙·VS Code·Jupyter를 하나의 서버 워크스페이스로 통합해, 맥락이 끊기지 않는 ‘나만의 AI 비서(에이전트)’를 설계·구현하는 실전 가이드. | AI, Tech

https://blog.afinit.com/perfect-ai-assistant-guide