바로 답하자면: 대부분의 일상적인 글쓰기, 웹 프로토타입, 배치 처리 작업에서는 우선 GPT-6.2 Sol로 시작하는 걸 권장해요. Sol의 결과물이 미리 정의해 둔 납품 기준에 못 미치거나, 재작업 비용이 이미 가격 차이를 넘어섰을 때만 GPT-6.2 Astra로 갈아타면 돼요. 두 모델의 공식 API 정가는 4배 차이가 나요. 공식 평가 결과를 보면 일부 작업에서는 두 모델의 격차가 크지 않지만, 이런 결과는 특정 평가에만 해당하는 것이라 그대로 일반적인 결론으로 삼을 수는 없어요. 그래서 이 선택의 핵심은 어느 모델이 더 강한가가 아니라, 내 작업이 얼마나 높은 납품 기준을 요구하느냐예요.
위 추천은 편집진의 의견일 뿐, OpenAI 공식 모델 선정 가이드도 아니고 저희가 직접 실측한 결론도 아니에요. 본문에서 인용한 평가 데이터는 모두 OpenAI 공식 보고서에서 가져온 거예요.
이 글을 읽고 나면 알 수 있는 것
- GPT-6.2 Sol과 Astra의 출시 시점, 공개 범위, 입력·출력 능력, 공식 API 정가.
- 공식 평가에서 어떤 숫자는 의미가 있고, 어떤 숫자는 확대 해석하면 안 되는지.
- 일상적 글쓰기·퇴고, 웹 프로토타입, 복잡한 장기 프로젝트, 예산에 민감한 배치 처리 — 이 4가지 시나리오에서 각각 어떤 모델로 시작해야 하는지, 어떤 경우에 Astra로 올려야 하는지, 어떤 단계는 반드시 사람이 확인해야 하는지.
- 사실 정확성, 사용성, 재작업 횟수, 총비용을 비교할 때 바로 복사해서 쓸 수 있는 A/B 테스트 기록표.
색인: 먼저 「To Know」 개념 표와 영향 요약을 보면 용어와 이번 출시가 각 그룹에게 어떤 의미인지 빠르게 파악할 수 있어요. 1부에서는 출시 정보, 공식 평가, 가격 규칙 같은 객관적 사실을 정리해요. 2부는 편집진의 분석과 판단으로, 시나리오별 의사결정 표와 비용 추정 방법, A/B 테스트 절차를 제시하고 마지막에 출처 링크를 붙였어요.

알아두기: GPT-6.2 Sol과 Astra 관련 개념
| 개념 | 간단한 설명 |
|---|---|
| GPT-6.2 Astra | OpenAI가 2026년 11월 17일에 발표한 GPT-6.2 시리즈에서 더 높은 포지션과 더 높은 가격표가 붙은 모델 |
| GPT-6.2 Sol | 같은 날 발표된 또 다른 모델로, 공식 API 가격표는 Astra의 약 4분의 1 수준 |
| GDPval v2 | OpenAI 공식 보고서에서 사용한 평가 중 하나이며, 이 글에서는 공식이 제시한 향상 폭만 인용함 |
| ALE(Agents’ Last Exam) | 다단계 전문 업무 워크플로를 평가하며, 이 글의 향상 폭은 GPT-6 Astra를 기준선으로 삼고 GDPval v2와 혼용하지 않음 |
| FrontierCode 2.0 | 공식 보고서에 포함된 프로그래밍 평가로, 이 글에서 인용한 비용 비교는 이 테스트 안에서만 성립함 |
| max 추론 단계 | 모델 추론 강도 설정 중 최고 단계이며, 보통 더 많은 사고와 더 높은 비용을 의미함 |
| 퍼센트 포인트 | 두 백분율 사이의 차이로, 예를 들어 50%에서 56.2%로 가면 6.2퍼센트 포인트 향상됨 |
| 캐시 읽기 | 반복 사용되는 입력 내용이 캐시에 적중하면 더 낮은 단가로 과금됨 |
| 캐시 쓰기 | 내용을 캐시에 쓸 때 발생하는 비용으로, 공식 설명에 따르면 별도로 과금됨 |
| 272K 임계값 | 단일 요청 입력이 약 27.2만 token을 초과하면 전체 요청이 더 높은 배율로 과금됨 |
| 납품 기준 | 에디터가 제시한 선정 전제, 즉 “산출물이 어느 정도 수준이어야 쓸 만한지”를 미리 명확히 적어 두는 것 |
GPT-6.2 Sol과 Astra 영향 한눈에 보기
- 일반 ChatGPT 사용자: 공식 도움말 문서에 따르면 이번 라운드는 주로 ChatGPT Work와 Codex를 대상으로 순차 공개되며, 일반 Chat은 이번 출시 범위에 포함되지 않아요. 그래서 단기간에는 변화를 체감하기 어려울 수 있어요.
- 개발자와 소규모 팀: 두 모델 모두 API로 순차 공개될 예정이에요. 단가가 4배 차이 나기 때문에 모델 라우팅 전략이 곧바로 청구서에 영향을 줘요. 미리 설계해 두는 게 좋아요.
- 콘텐츠 크리에이터: 두 모델의 입력은 텍스트와 이미지, 출력은 텍스트예요. 네이티브 비디오 생성 기능은 없어서 비디오 생성 도구를 대체할 수는 없어요.
- 예산에 민감한 배치 처리 사용자: 긴 입력이 272K를 넘어설 때 적용되는 배수 규칙은 대량의 긴 문서를 처리할 때 비용에 큰 영향을 미쳐요. 단순히 단가만 비교하는 것보다 훨씬 중요해요.
1. GPT-6.2 Sol과 Astra의 객관적 사실
이 부분은 OpenAI가 공식적으로 공개한 정보만 정리했으며, 편집자의 판단은 포함하지 않아요. 확인 날짜는 2026년 11월 18일이에요.
1.1 GPT-6.2 Sol과 Astra의 출시 및 공개 범위
OpenAI는 2026년 11월 17일에 GPT-6.2 Astra와 GPT-6.2 Sol을 동시에 출시했어요. 공식 설명에 따르면 두 모델은 ChatGPT Work, Codex, API를 대상으로 단계적으로 공개되며, 일반 Chat은 이번 출시 범위에 포함되지 않아요. “단계적 공개”는 계정마다 접근 권한을 얻는 시점이 다를 수 있다는 뜻이며, 자세한 내용은 공식 도움말 문서를 기준으로 해요.
능력 형태를 보면 두 모델 모두 텍스트와 이미지 입력을 지원하고, 출력은 텍스트예요. 공식 자료에는 네이티브 영상 생성 능력에 대한 언급이 없어요. 영상 생성이 필요하다면 이번 출시로는 직접 해결되지 않아요.
1.2 GPT-6.2 Sol과 Astra의 공식 평가 데이터
아래 표는 공식 보고서의 평가 결론을 정리한 것이에요. 주의할 점은 각 행이 독립적인 평가이고 비교 기준선도 달라서, 서로 다른 행의 숫자를 함께 놓고 횡적으로 비교할 수 없다는 거예요.
| 평가 | 대상 | 공식 보고서 결과 | 사용 제한 |
|---|---|---|---|
| GDPval v2 | GPT-6.2 Astra | GPT-6 Astra 대비 6.2%p 상승, 출력 토큰 22% 감소 | 비교 기준선은 이전 세대 Astra |
| GDPval v2 | GPT-6.2 Sol | GPT-6.1 Sol 대비 5.3%p 상승 | 비교 기준선은 GPT-6.1 Sol으로 Astra의 기준선과 다름 |
| ALE | GPT-6.2 Astra | GPT-6 Astra 대비 5.2점 상승 | 단위는 ‘점’이며 GDPval의 ‘%p’와 혼용할 수 없음 |
| FrontierCode 2.0 | Sol 대비 Astra | 두 모델 모두 max 추론 등급일 때 Sol과 Astra의 격차는 0.5점 이내, 작업 비용은 Astra의 약 1/5 | 해당 테스트, 해당 추론 등급에서만 성립하며 일반적인 비용 결론이 아님 |
위 내용은 모두 OpenAI 공식 보고서의 데이터이며, 이 팀의 실제 측정 결과가 아니에요. Astra의 출력 토큰 22% 감소는 GDPval v2라는 맥락에서 제시된 것이므로, 여러분의 특정 작업에 적용할 수 있는지는 직접 검증해야 해요.

위 그림은 4개 평가를 독립 카드로 나눠서, 독자가 서로 다른 기준선의 숫자를 함께 두고 비교하는 실수를 하지 않도록 했어요. 자체 업무 데이터로 대조해 보고 싶다면 2.4절의 템플릿에 따라 결과를 기록한 뒤, APIYI apiyi.com 같은 OpenAI 호환 인터페이스를 통해 동일한 코드에서 모델을 전환할 수 있어요.
1.3 GPT-6.2 Sol과 Astra의 공식 API 가격 규칙
아래는 공식 API 표준 가격이며, 단위는 달러/100만 token입니다:
| 과금 항목 | GPT-6.2 Astra | GPT-6.2 Sol | 설명 |
|---|---|---|---|
| 캐시 미적용 입력 | $8 | $2 | Sol은 Astra의 1/4 |
| 캐시 읽기 | $0.4 | $0.1 | 캐시 적중 후 입력 단가 |
| 출력 | $40 | $10 | Sol은 Astra의 1/4 |
| 캐시 쓰기 | 별도 과금 | 별도 과금 | 상세 내용은 공식 모델 페이지 기준 |
| 입력 272K 초과 | 요청 전체의 입력 및 캐시 요율 ×2, 출력 ×1.5 | 동일 | 요청 전체를 기준으로 계산하며, 초과분에만 적용되지 않음 |
마지막 행은 특히 주의해야 해요. 272K 임계값을 넘기면 배율이 초과된 token 부분에만 적용되는 게 아니라 요청 전체에 적용돼요. 대량의 긴 문서를 넣어야 하는 작업이라면 이 규칙을 예산에 별도로 반영해야 하며, 기본 단가만 보고 판단해서는 안 돼요.
💡 가격 안내: 위 표는 OpenAI 공식 API의 표준 가격이에요. 타사 플랫폼의 가격과 가용성은 별도로 확인해야 해요. 이 글에서는 두 모델이 APIYI apiyi.com에 출시되었는지 확인하지 않았으므로, 플랫폼의 모델 목록을 기준으로 확인해 주세요.
2. GPT-6.2 Sol과 Astra, 어떻게 선택할까: 편집자의 분석과 판단
아래 내용은 편집자가 1부의 사실을 바탕으로 내린 추론과 제안이며, OpenAI의 공식 입장을 대표하지 않고 저희 쪽에서 실제로 검증한 것도 아니에요.
2.1 먼저 납품 기준을 정의하고, 그다음 GPT-6.2 Sol 또는 Astra를 선택하세요
많은 사람이 모델을 고를 때 첫 반응은 “어느 쪽이 더 강한가”를 묻는 것이에요. 그런데 FrontierCode 2.0의 공식 데이터는 다른 관점을 보여줘요. 이 테스트에서 두 모델 모두 max 추론 단계일 때 Sol과 Astra의 격차는 0.5점 이내였는데, 작업 비용은 약 1/5에 불과했어요. 이 결론을 다른 상황에 그대로 적용할 수 없다 해도, “더 강함”이 주는 이득은 작을 수 있고 비용 차이는 클 수 있다는 점을 보여주기엔 충분해요.
그래서 편집자는 모델을 고르기 전에 세 가지 질문에 먼저 답해 보길 권해요. 이 결과물은 누가 사용하나요? 오류의 대가는 얼마나 큰가요? 최대 몇 번까지 재작업을 받아들일 수 있나요? 답이 명확할수록 Sol로 충분한지 판단하기 쉬워져요. 만약 납품 기준을 명확히 쓰지 못한다면, Astra로 바꾸는 것도 더 비싼 방식으로 시행착오를 반복하는 것일 뿐이에요.

2.2 GPT-6.2 Sol과 Astra의 4가지 시나리오 의사결정 표
아래 표는 편집 제안이며 공식 가이드가 아니에요. “업그레이드 트리거 조건”은 이런 상황이 생겼을 때 Astra를 시도해볼 만하다는 뜻이고, “수동 점검 지점”은 어떤 모델을 쓰든 생략할 수 없는 단계예요.
| 시나리오 | 시작 모델 | Astra로 업그레이드하는 트리거 조건 | 반드시 수동 점검할 항목 |
|---|---|---|---|
| 일상 글쓰기 퇴고 | GPT-6.2 Sol | 2~3회를 연속으로 돌려도 어조나 구조 요구를 충족하지 못할 때, 논증이 치밀한 장문을 다뤄야 할 때 | 사실, 데이터, 인용문, 인명, 원의를 임의로 바꾸지 않았는지 |
| 웹페이지 프로토타입 | GPT-6.2 Sol | 상호작용 로직이 여러 페이지에 걸쳐 있고 Sol이 생성한 코드에서 상태 오류가 반복될 때, 디자인 시안 이미지를 바탕으로 고충실도 복원이 필요할 때 | 브라우저에서 실제로 실행, 폼 검증, 모바일 대응, 의존 패키지가 실제로 존재하는지 |
| 복잡한 장기 프로젝트 | 납품 기준에 따라 다르며, Astra를 바로 시도해도 됨 | 작업 체인이 길고 컨텍스트 의존이 많아 한 곳에서 오류가 나면 하위 작업 대량 재작업으로 이어질 때 | 핵심 의사결정 지점, 파일 간 일관성, 테스트 커버리지 |
| 예산 민감 배치 처리 | GPT-6.2 Sol | 샘플링에서 오류율이 설정한 임곗값을 넘고 후처리 수정 비용이 더 클 때 | 비율별 샘플링 점검, 단일 입력이 272K를 초과하는지, 캐시 적중률 |
일상 글쓰기 퇴고 시나리오에서 어려운 점은 대개 사실 정확성과 스타일 적합성이지 추론 깊이가 아니에요. Sol로 시작하는 편이 더 경제적이지만, 어떤 모델을 쓰든 데이터와 인용문은 반드시 사람이 확인해야 해요.
웹페이지 프로토타입 시나리오에서는 “실행된다”가 하드 기준이고 객관적으로 판단할 수 있어요. Sol로 충분한지 판단하려면 실제로 실행해 보고 핵심 상호작용, 오류 상태, 모바일 대응을 점검해야 하며, 한 번 실행에 성공했다는 이유만으로 업그레이드 여부를 결정하면 안 돼요.
복잡한 장기 프로젝트는 Astra를 바로 고려할 가장 타당한 근거가 있는 시나리오예요. 공식 보고서의 GDPval v2 출력 토큰 22% 감소는 구형 GPT-6 Astra를 비교 기준으로 한 수치라, 이를 근거로 GPT-6.2 Sol 대비 절감량을 추정할 수는 없어요. 두 신모델의 작업 총비용은 동일한 납품 기준에서 직접 검증해야 해요. 예산 민감 배치 처리는 단일 입력 길이를 우선 통제해서 272K 배율이 발동하지 않도록 해야 해요.
2.3 GPT-6.2 Sol과 Astra의 비용 산정 방법
아래에서는 공식 표준 가격을 기준으로 한 번 예시 계산을 해볼게요. 청구 규칙이 미치는 영향을 설명하기 위한 것이며, 실제 어떤 작업의 소비량을 의미하지는 않습니다. 단일 요청에서 입력 50K 토큰(캐시 미포함), 출력 5K 토큰이라고 가정해 보겠습니다.
- Sol: 0.05 × $2 + 0.005 × $10 = $0.15
- Astra: 0.05 × $8 + 0.005 × $40 = $0.60
입력을 300K 토큰, 출력을 10K 토큰으로 늘리면 272K 배율이 적용됩니다.
- Sol: 0.3 × $4 + 0.01 × $15 = $1.35
- Astra: 0.3 × $16 + 0.01 × $60 = $5.40
이 예시에서 두 가지를 알 수 있어요. 첫째, 같은 토큰 사용량에서는 두 모델의 가격 차이가 4배 정도로 일정합니다. 둘째, 272K를 넘어서면 단일 요청 비용이 크게 올라갑니다. 배치 작업이라면 긴 문서를 임계값 아래로 쪼개서 긴 컨텍스트 할증 비용을 줄일 수 있지만, 실제 절감액은 컨텍스트 중복, 추가 요청, 품질 저하에 따라 달라지기 때문에 모델을 바꾸는 것보다 반드시 더 저렴하다고 미리 가정할 수는 없습니다.
실제 비용은 실제 출력 길이와 재작업 라운드 수에 따라서도 달라집니다. 만약 Sol이 평균 3라운드가 지나야 기준을 충족하고 Astra는 1라운드에 완료된다면 최종 청구서의 격차는 줄어들어요. 2.4절에서 “재작업 라운드 수”를 기록하라고 권하는 이유이기도 합니다.
아래 코드는 연동 예시일 뿐이며, 이 글에서 실제로 측정한 값은 아닙니다. A/B 스크립트가 출력하는 것은 캐시 없이 입력이 272K를 넘지 않을 때의 공식 표준가 등가 추정치이지, 제3자 실제 청구서가 아닙니다. 제3자 비용은 해당 서비스의 실제 요율로 계산해야 합니다.
아래 예시 코드는 같은 코드베이스에서 모델을 전환하는 데 사용됩니다. 모델 ID는 공식 모델 페이지의 명명 방식을 참고했으니, 사용하시는 플랫폼의 실제 모델 목록을 기준으로 하세요.
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # APIYI OpenAI 호환 인터페이스, 모델 사용 가능 여부는 플랫폼 목록 기준
)
response = client.chat.completions.create(
model="gpt-6.2-sol", # 업그레이드가 필요하면 "gpt-6.2-astra"로 변경
messages=[{"role": "user", "content": "按以下交付标准改写这段文案:……"}]
)
print(response.choices[0].message.content)
print(response.usage) # 토큰 사용량을 기록해 총비용 계산에 사용
A/B 비교 스크립트 보기 (같은 작업을 두 모델로 실행하고 사용량 기록)
import openai
PRICES = { # 공식 표준가 상당 추정치, 제3자 실제 청구서 아님; ≤272K 및 캐시 없는 요청에만 적용
"gpt-6.2-sol": {"input": 2.0, "output": 10.0},
"gpt-6.2-astra": {"input": 8.0, "output": 40.0},
}
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # APIYI 통합 인터페이스를 통해 모델 전환
)
def run_once(model: str, prompt: str) -> dict:
resp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": prompt}],
)
u = resp.usage
cached = getattr(getattr(u, "prompt_tokens_details", None), "cached_tokens", 0) or 0
if u.prompt_tokens > 272000 or cached:
raise ValueError("이 단순화 추정은 입력 ≤272K 및 캐시 없는 요청에만 적용됩니다")
p = PRICES[model]
cost = u.prompt_tokens / 1e6 * p["input"] + u.completion_tokens / 1e6 * p["output"]
return {
"model": model,
"output": resp.choices[0].message.content,
"input_tokens": u.prompt_tokens,
"output_tokens": u.completion_tokens,
"official_standard_equivalent_usd": round(cost, 4),
}
task = "여기에 동일 작업의 전체 프롬프트와 결과물 기준을 입력하세요"
for m in PRICES:
r = run_once(m, task)
print(r["model"], r["input_tokens"], r["output_tokens"], r["official_standard_equivalent_usd"])
🚀 시작 팁: A/B 테스트의 핵심은 “동일 작업, 동일 프롬프트, 동일 결과물 기준”입니다. APIYI apiyi.com 같은 OpenAI 호환 인터페이스를 사용할 때는
model파라미터만 수정하면 모델을 전환할 수 있어 변수 통제가 용이합니다. 출시 전에 대상 모델이 플랫폼 모델 목록에 나타났는지 먼저 확인하세요.
2.4 GPT-6.2 Sol과 Astra의 A/B 테스트 기록 템플릿
아래는 빈 템플릿이에요. 여러분의 테스트 결과를 직접 채워 넣으세요. 각 시나리오마다 최소 3~5개의 대표적인 작업을 골라 각각 기록하고, 단 한 번의 결과만으로 결론을 내리지 않는 걸 권장해요.
| 점검 항목 | 기록 방법 | GPT-6.2 Sol | GPT-6.2 Astra |
|---|---|---|---|
| 사실 정확성 | 데이터, 인용문, 이름을 하나씩 대조하고 오류 수를 기록 | ||
| 사용 가능성 | 사전에 정해 둔 납품 기준을 충족했는지 (예 / 아니요 / 부분) | ||
| 재작업 라운드 수 | 최초 생성부터 기준 충족까지 총 몇 라운드가 걸렸는지 | ||
| 입력 / 출력 토큰 | 각 라운드 누적, 272K를 초과하는지 주의 | ||
| 총비용 | 각 라운드 토큰 누적 기준으로 계산, 재작업 라운드 포함 | ||
| 수작업 시간 | 검토와 수정에 쓴 분 수 | ||
| 결론 | 이 작업에서 앞으로 기본으로 사용할 모델 |
작성할 때는 ‘총비용’과 ‘수작업 시간’을 함께 보는 걸 권장해요. Astra가 절약해 준 인적 시간의 가치가 추가로 지불한 API 비용을 넘는다면 업그레이드는 합리적이에요. 반대로 그렇지 않다면 계속 Sol을 쓰면서 프롬프트와 납품 기준을 최적화하는 데 집중하는 게 좋아요.
2.5 소규모 팀이 GPT-6.2 Sol과 Astra용 라우팅을 설계하는 방법
소규모 팀이라면 편집자는 “기본은 Sol, 조건에 따라 Astra로 업그레이드”하는 라우팅 방식을 권장합니다. 구체적으로 2.2절 표에 나온 트리거 조건을 워크플로에 넣을 수 있어요. 예를 들어 특정 유형의 작업이 설정한 라운드 수를 넘겨 연속으로 재작업되면 자동으로 Astra로 전환해 다시 생성하고, 그 이유를 로그에 기록하는 식이죠. 시간이 쌓이면 자사 업무 데이터에 기반한 모델 선택 근거를 얻게 되는데, 이는 어떤 범용 평가보다도 신뢰할 수 있습니다.
이런 라우팅에는 모델을 쉽게 전환할 수 있는 연동 계층이 필요합니다. APIYI apiyi.com은 OpenAI 호환 인터페이스를 제공하며, API 키 하나로 여러 주요 모델을 호출할 수 있어 이런 라우팅을 구축하기에 적합해요. 다만 GPT-6.2 시리즈가 플랫폼 모델 목록에 공식적으로 등장하기 전까지는 기존 모델로 먼저 프로세스를 끝까지 돌려보세요.
계속 지켜봐야 할 점도 하나 있습니다. 두 모델 모두 점진적 공개 단계에 있어 공식 가격, 출시 범위, 모델 페이지 정보가 업데이트될 수 있어요. 다음 판단은 예측입니다. 더 많은 제3자 평가가 나오면서 Sol과 Astra가 특정 작업에서 보이는 차이는 공식 보고서가 보여주는 것보다 더 세분화될 겁니다. 그때가 되면 직접 만든 A/B 기록표가 어떤 단일 벤치마크 점수보다 더 참고할 가치가 있을 거예요.
참고 자료
- OpenAI 공식 발표 페이지: GPT-6.2 Astra와 Sol의 발표 노트 및 공식 평가
- 링크:
openai.com/index/introducing-gpt-6-2-astra-sol/ - 설명: 이 글의 GDPval v2, ALE, FrontierCode 2.0 데이터는 모두 이 페이지에서 가져왔어요.
- 링크:
- OpenAI 도움말 센터: ChatGPT Work와 Codex 공개 안내
- 링크:
help.openai.com/en/articles/20001275-chatgpt-work-and-codex - 설명: 공개 범위와 단계적 개방 정보
- 링크:
- GPT-6.2 Astra 모델 자료: 공식 API 모델 페이지
- 링크:
developers.openai.com/api/docs/models/gpt-6.2-astra - 설명: 가격, 캐시, 긴 컨텍스트 과금 규칙
- 링크:
- GPT-6.2 Sol 모델 자료: 공식 API 모델 페이지
- 링크:
developers.openai.com/api/docs/models/gpt-6.2-sol - 설명: 가격, 캐시, 긴 컨텍스트 과금 규칙
- 링크:
모델은 계속 개선되기 때문에, 더 신뢰할 수 있는 방법은 먼저 전달 기준을 명확히 정리한 뒤 같은 과제로 비교하는 거예요. 하나의 코드 안에서 여러 모델을 비교하고 싶다면 APIYI apiyi.com을 통해 연결한 다음, 이 글의 템플릿대로 결과를记录하면 됩니다.
무엇을 하든 미리 준비하면 이루어지고, 준비하지 않으면 실패한다. ——《예기·중용》
작성자: APIYI 기술팀
기술 교류: APIYI apiyi.com 홈페이지에서 저희에게 연락해 주세요. 더 많은 연동 자료는 docs.apiyi.com 문서 센터에서 확인할 수 있어요.
