AI로 콘텐츠를 만든다고 하면 보통 “프롬프트 한 방”을 떠올립니다. 그런데 한 방으로 뽑은 결과물은 품질이 들쑥날쑥해서 결국 사람이 다 손보게 되죠.
발상을 바꿔서 생성을 공장 라인처럼 단계로 나누면 어떨까요. 초안 생성, 품질 검수, 이미지 생성, 발행을 각각 독립된 공정으로 두고 사이사이에 검증을 끼워 넣는 겁니다.
실제로 블로그 글 생산을 이 구조로 자동화한 파이프라인을 운영하며 얻은 설계 원칙을 정리했습니다. 특정 도메인의 사례지만 구조 자체는 어떤 AI 자동화에든 이식할 수 있어요.
이 글에서는 파이프라인의 단계 구성, 각 단계 사이의 검증 장치, 실패 처리 설계까지 정리합니다.
핵심 요약부터 보고 갈게요.
- 생성 파이프라인의 뼈대는 생성 → 검수 → 자산 생성 → 발행의 단계 분리입니다
- 단계마다 산출물 스키마를 고정하면 중간 검증과 재시도가 가능해집니다
- 품질 검수도 자동화 대상입니다. 생성한 모델과 다른 관점의 검수 단계를 끼워 넣습니다
- 실패는 전제 조건입니다. 어느 단계에서 죽어도 원본이 보존되는 설계가 핵심이에요
단계 분리, 한 방 생성과의 결정적 차이
파이프라인의 골격은 이렇습니다.
키워드 입력 → 본문 생성 → 문체 검수(윤문) → 이미지 생성 → 저장 → 발행. 각 단계는 앞 단계의 산출물만 입력으로 받는 독립 공정입니다.
한 방 생성 대비 장점은 세 가지예요.
- 단계별 재시도: 이미지 생성이 실패해도 본문은 살아 있습니다. 실패한 공정만 다시 돌리면 돼요
- 단계별 교체: 문체 검수 로직을 갈아 끼워도 생성 단계는 건드리지 않습니다
- 단계별 계측: 어느 공정에서 품질이 깨지는지 지표로 추적할 수 있습니다
모듈화 시리즈에서 다룬 응집도·결합도 원칙이 그대로 적용됩니다. 같이 바뀌는 로직끼리 묶고 공정 간에는 스키마로 통신하는 거죠.
산출물 스키마를 고정하라
단계 분리가 성립하려면 조건이 하나 있습니다. 각 단계의 산출물이 검증 가능한 형태여야 해요.
이 파이프라인에서 본문 생성 단계의 산출물은 “제목 후보 배열 + 본문 + 이미지 프롬프트 배열 + 태그 배열”로 스키마가 고정돼 있습니다. 본문 안의 이미지 위치는 [이미지 마커] 같은 규약으로 표기하고요.
스키마가 고정되면 파이프라인 코드가 LLM 출력을 신뢰하지 않고 검증할 수 있게 됩니다.
| 검증 항목 | 실패 시 처리 |
|---|---|
| 필수 필드 존재 여부 | 생성 재시도 |
| 이미지 마커 개수 = 프롬프트 개수 | 생성 재시도 |
| 검수 후 마커 훼손 여부 | 검수 결과 폐기, 원문 유지 |
LLM을 파이프라인에 넣는 순간, 출력은 “믿는 것”이 아니라 “검증하는 것”이 됩니다. 스키마는 그 검증의 기준선이에요.
검수도 별도 공정이다
흥미로운 지점은 문체 검수 단계입니다. AI가 쓴 글에는 특유의 티(획일적 리듬, 번역투, 기계적 병렬 구조)가 남는데, 이걸 제거하는 윤문을 별도 LLM 공정으로 분리했습니다.
생성 프롬프트에 “자연스럽게 써라”를 추가하는 것보다 분리가 나은 이유가 있어요.
생성 단계는 내용의 정확성에, 검수 단계는 문체에만 집중합니다. 한 프롬프트에 목표를 몰아넣으면 둘 다 어중간해지는데, 공정을 나누면 각자의 목표 하나씩만 최적화하면 되거든요.
단일 책임 원칙의 프롬프트 버전인 셈입니다.
이때 규칙이 하나 붙습니다. 검수 공정은 내용·수치·인용을 절대 바꾸면 안 되고 문체만 손봐야 해요.
그래서 검수 후에는 이미지 마커와 핵심 수치가 보존됐는지 기계적으로 대조하고, 훼손이 감지되면 검수 결과를 버리고 원문을 씁니다.
실패를 전제로 설계하기
LLM 호출, 이미지 생성 API, 렌더링 도구까지 파이프라인의 모든 외부 호출은 실패할 수 있습니다. 그래서 실패 처리가 부가 기능이 아니라 뼈대예요.
원칙은 세 가지입니다.
첫째, 원본 보존. 어떤 공정도 앞 단계 산출물을 덮어쓰지 않습니다. 검수가 실패하면 원문이 그대로 남아야 해요.
둘째, 부분 성공 허용. 이미지 4장 중 1장이 실패하면 3장으로 저장하고 실패만 기록합니다. 전체 롤백은 과잉 대응이에요.
셋째, 실패의 가시화. 에러를 삼키지 않고 상태 필드에 남겨서 사람이 대시보드에서 실패 공정만 재실행할 수 있게 합니다.
마무리
정리하면, AI 자동화의 품질은 모델이 아니라 공정 설계에서 나옵니다. 단계를 나누고, 스키마로 검증하고, 실패를 설계하는 것.
전통적인 파이프라인 엔지니어링의 원칙이 LLM 시대에도 그대로 유효해요.
하네스 엔지니어링, 컨텍스트 엔지니어링 편과 함께 보면, “모델을 잘 쓰는 기술”의 전체 지도가 그려질 겁니다.