작성자 노트: Meta Muse를 사례로 삼아 AI 에이전트를 다듬을 때 구체적으로 무엇을 다듬어야 하는지, 특히 행동 튜닝과 상태 가시성에 초점을 맞춰 설명하고, 그대로 따라 할 수 있는 단계를 제시해요.
많은 팀이 AI 에이전트를 만들 때 같은 상황을 겪어요. 모델 성능은 이미 충분하고 데모도 매끄럽게 진행되지만, 사용자들이 며칠만 써 보고 떠나버리죠. 문제는 대개 모델 자체가 아니라 행동 튜닝과 상태 가시성이라는 두 계층을 충분히 다듬지 못했다는 데 있어요. 이 글에서는 Meta의 Muse를 사례로, AI 에이전트를 다듬는다는 게 구체적으로 무엇을 다듬는 일인지 풀어볼게요.
이건 또 한 편의 “디테일이 성패를 좌우한다”는 막연한 감상이 아니에요. 공개된 보도에 따르면, Muse 팀은 출시 전에 100여 가지가 넘는 구체적인 모델 행동을 테스트하고 조정했으며, 아바타가 표정과 동작으로 에이전트가 지금 무엇을 하고 있는지 바로 보여주게 했어요. 이 두 가지는 모두 구체적인 엔지니어링 작업으로 쪼갤 수 있어요.
핵심 가치: 이 글을 읽고 나면 “다듬기”를 행동 체크리스트, 상태 신호 표, 테스트 프로세스로 바꿔서 자신의 에이전트 제품에 바로 적용할 수 있을 거예요.
AI 에이전트 다듬기의 배경: Muse를 뜯어볼 만한 이유
먼저 사례 배경부터 짚어볼게요. 보도에 따르면 Meta의 VR/AR을 담당하는 Reality Labs 부서는 2025년 한 해에만 약 192억 달러의 손실을 냈고, 메타버스 노선은 외부에서 사실상 값비싼 실패로 평가받고 있어요. 그 후 저커버그는 광고 주력 사업으로 움츠러들지 않고 AI 에이전트 방향에 계속 투자했어요. Muse는 출시 약 6주 만에 사용자가 1000만 명에 달했다고 보도됐어요.
이 프로젝트에는 ‘다듬기’와 직접 맞닿은 디테일이 두 가지 있어요. 첫째, 팀은 Scale AI 출신의 Alexander Wang과 Nat Friedman이 이끌었는데, Wang 본인의 설명에 따르면 모델과 제품 두 라인을 합쳐도 200명이 채 안 된다고 해요. 작은 팀은 의도된 선택이었고, 그 목적은 큰 팀이 합의로 의사결정을 내릴 때 생기는 타협과 경험의 불일치를 피하는 것이었어요. 둘째, Muse는 ‘시중에서 가장 똑똑한 모델’로 포지셔닝되지 않았어요. 오히려 강점은 ‘모델이 기술적으로 할 수 있는 것’과 ‘일반인이 실제로 쓸 때 느끼는 것’ 사이의 간극을 좁힌 데 있었어요. 구독 취소나 청구서 추적 같은 일상적인 작업이 그 예예요.
개발자 입장에서 Muse의 매출과 규모는 참고할 의미가 크지 않아요. 참고할 만한 건 ‘다듬기’에 대한 이해예요. 다듬기란 테스트 가능한 구체적인 행동들의 집합이지, 마케팅 용어가 아니에요.
AI 에이전트 다듬기의 핵심 포인트
Muse의 방식을 한 단계 추상화하면, AI 에이전트 다듬기는 아래 몇 가지 방향으로 정리할 수 있어요.
| 포인트 | 설명 | 사용자 이점 |
|---|---|---|
| 행동 튜닝 | 출시 전 구체적인 모델 동작을 항목별로 테스트하고 조정(Muse는 100개 이상) | 에이전트 반응을 예측할 수 있고, 좋았다 나빴다 하지 않아요 |
| 의사결정 경계 | 어떤 상황은 스스로 실행하고, 어떤 상황은 먼저 사용자에게 물어볼지 명확히 | 번거로움은 줄이면서 권한을 넘지 않아요 |
| 상태 가시성 | 에이전트가 지금 무엇을 하는지 시각적·텍스트 신호로 보여주기 | “이해한 건지, 일하는 건지”를 사용자가 추측하지 않아도 돼요 |
| 경험 일관성 | 진입점과 페이지가 달라도 동작이 일관되게 유지 | 작은 마찰이 쌓여 눈에 보이는 사용 비용이 되지 않아요 |
| 엣지 케이스 | 오류, 중단, 두 번째·세 번째 탭까지 꼼꼼하게 처리 | 매일 반복해서 써도 여전히 손에 잘 붙어요 |
AI 에이전트 다듬기 포인트 1: 행동 튜닝은 “모델이 더 똑똑해지는 것”이 아니에요
“모델이 똑똑하다”와 “에이전트가 쓰기 좋다”는 전혀 다른 얘기예요. 능력이 뛰어난 모델이라도 언제 멈춰서 확인을 받아야 하는지, 언제 바로 행동해도 되는지, 진행 상황을 어떻게 알려야 하는지를 모르면 쓰는 사람은 여전히 짜증이 나죠. Muse 팀이 조정한 100여 개 항목이 주로 이런 것들이에요.
행동 튜닝의 대상은 상황 속에서의 반응 방식이지 모델 파라미터가 아니에요. 예를 들어 사용자가 “저 구독 좀 해지해 줘”라고 말했을 때, 에이전트는 찾아낸 구독 목록을 먼저 보여주고 확인을 받아야 할까요, 아니면 바로 실행해야 할까요? 결제 페이지까지 진행했을 때 한 번 더 확인을 받아야 할까요? 이런 판단 지점 하나하나가 테스트하고 고정해 둬야 하는 행동이에요.
AI 에이전트 다듬기 포인트 2: 상태 가시성은 디자인 작업이에요
Muse의 아바타는 작은 애니메이션으로 지금 하고 있는 일이 “진행 중”임을 알려줘요. 사용자가 기술적인 상태 메시지를 읽을 필요가 없죠. 이건 AI에게 일을 맡기는 모든 사람이 품는 의문에 대한 답이에요. 내 말을 이해한 걸까? 진짜로 일하고 있는 걸까?
이런 불확실함을 없애는 건 디자인 작업이고, 데모 시나리오에서만이 아니라 제품의 구석구석을 모두 커버해야 해요. 보도에 따르면 Meta는 스마트폰 앱을 출시하기 전에 이미 음성과 동기화되는 표정·동작 생성 기술을 개발해 실시간 음성 경험과 향후 웨어러블 기기를 준비했어요. 대부분의 회사는 이 층을 “핵심 아이디어 검증 이후”로 미루지만, Muse는 미리 해둔 셈이에요.
AI 에이전트 다듬기 빠른 시작: 6가지 실전 단계
아래에서는 Muse의 접근 방식을 중소 팀도 실행할 수 있는 프로세스로 다시 정리해 볼게요. 수백 명의 인력도, 수백억 원의 예산도 필요하지 않아요. 필요한 건 “두 번째, 세 번째”를 계속 다듬어 나가는 인내심이에요.
단계 1: AI 에이전트 행동 목록 만들기
먼저 에이전트가 실제 작업에서 마주칠 판단 포인트를 나열해요. 각 항목에는 “트리거 조건, 기대 행동, 반례”를 분명히 적어 주세요. 처음에는 30~50개 정도로 시작하고, 이후 테스트 피드백에 따라 계속 보완하면 돼요. 아래는 분류 참고 예시예요.
| 행동 범주 | 대표 판단 포인트 | 다듬기 기준 |
|---|---|---|
| 의도 확인 | 지시가 모호한 경우, 예: “그 구독을 해지해” | 후보가 여러 개면 나열해서 사용자가 선택하게 하고, 임의로 추측하지 않기 |
| 자율 실행 | 위험도가 낮고 되돌릴 수 있는 작업 | 바로 실행하고, 완료 후 간단히 보고하기 |
| 고위험 차단 | 결제, 삭제, 외부 전송과 관련된 작업 | 반드시 2차 확인을 받고, 결과를 설명하기 |
| 진행 보고 | 여러 단계로 오래 걸리는 작업 | 각 핵심 단계마다 눈에 보이는 피드백 제공하기 |
| 실패 처리 | 웹사이트 접속 불가, 권한 부족 | 원인과 다음 단계 제안을 설명하고, 조용히 실패하지 않기 |
| 작업 마무리 | 작업 완료 | 명확한 “완료됨” 신호와 결과 요약 제공하기 |
2단계: AI 에이전트 자율성과 확인의 경계 정하기
체크리스트를 작성한 뒤에는 각 작업 유형마다 ‘자율 등급’을 정해야 해요. 일반적으로 세 단계로 나눠요. 즉시 실행, 실행 후 알림, 실행 전 확인이에요. 판단 기준은 주로 두 가지예요. 작업을 되돌릴 수 있는지, 실패했을 때 비용이 얼마나 큰지예요.
이 단계에서 팀 내부 의견이 갈리기 가장 쉬워요. Muse가 소규모 팀으로 운영되는 이유도 여기에 있어요. 경계 문제는 한 사람이 전체 경험에 책임을 지고 결정권을 가져야 하고, 각 모듈이 ‘부분적으로 합리적인’ 방식으로 따로 결정하게 두면 안 돼요. 그렇지 않으면 같은 작업이 A 페이지에서는 확인을 요구하고, B 페이지에서는 바로 실행되는 상황이 생겨요.
3단계: AI 에이전트 내부 상태를 사용자에게 보이는 신호로 매핑하기
에이전트 내부에는 많은 상태가 있지만, 사용자는 그중 몇 개에만 관심을 가져요. 실제 방법은 내부 상태를 사용자가 이해할 수 있는 5~6개의 상태로 묶고, 각 상태에 고정된 신호를 설계하는 거예요.
| AI 에이전트 내부 상태 | 사용자에게 보이는 신호 | 흔한 반례 |
|---|---|---|
| 의도 분석 / 계획 중 | 사고 애니메이션 또는 “요구 사항을 이해하는 중이에요” | 몇 초간 흰 화면만 보여 사용자가 멈춘 줄 알게 함 |
| 도구 호출 / 외부 서비스 접근 | 현재 단계 이름 표시, 예: “구독 페이지를 여는 중이에요” | 원시 도구 이름이나 JSON을 그대로 노출 |
| 사용자 확인 대기 | 확인 카드를 강조하고 결과를 명시 | 확인 질문을 긴 답변 속에 숨김 |
| 실행 중(다단계) | 단계별 진행 상황, 완료 및 진행 중 표시 | 로딩 스피너 아이콘 하나만 표시 |
| 완료 | 명확한 완료 표시와 결과 요약 | 답변이 끝났지만 작업 성공 여부를 말하지 않음 |
| 오류 / 중단 | 사용자가 이해할 수 있는 말로 원인과 선택 가능한 작업 설명 | 기술적 오류 또는 아예 피드백 없음 |
엔지니어링 측면에서는 모델 인터페이스의 스트리밍 출력을 활용해 이런 신호를 구동할 수 있어요. OpenAI 호환 형식에서 stream을 켜면 내용과 도구 호출이 구간별로 반환돼요. Anthropic Messages 형식의 스트리밍 이벤트는 텍스트 블록과 tool_use 블록을 구분해요. 프런트엔드에서 이런 이벤트를 수신해 해당 가시 상태로 전환하면 되고, 전체 답변이 끝날 때까지 기다릴 필요가 없어요.
단계 4: AI 에이전트 행동 테스트 세트 설계
각 행동에는 대응하는 테스트 케이스가 있어야 하고, 최소한 “정상 입력, 모호한 입력, 비정상 환경” 세 가지 상황을 포괄해야 해요. 테스트할 때는 답이 맞는지만 보지 말고 다음도 함께 봐야 해요:
- 확인이 필요한 지점에서 제대로 확인하는지, 굳이 방해할 필요 없는 곳에서 불필요하게 묻지는 않는지;
- 각 단계에서 상태 신호가 제때 나타나는지;
- 같은 작업을 다른 진입점에서 시작했을 때 동작이 일관적인지;
- 오류가 발생했을 때 사용자가 이해하고 다음에 무엇을 해야 할지 알 수 있는지.
테스트 세트를 고정해 두고, 프롬프트를 수정하거나 모델을 교체하거나 도구를 조정할 때마다 전체를 다시 실행해 한 가지를 고치면서 세 가지를 망가뜨리는 일을 피하는 게 좋아요.
단계 5: 서로 다른 AI 에이전트 기반 모델에서 비교하기
Muse는 한 가지를 보여 줘요. 다듬기 레이어의 가치는 “가장 강력한 모델”에 의존하지 않는다는 점이에요. 같은 행동 체크리스트라도 모델마다 성능이 달라지므로, 가로 비교를 통해 행동 기준을 충족하면서 비용도 적절한 조합을 찾아야 해요.
| 다듬기 단계 | 모델에 대한 주요 요구 사항 | 선정 기준 | 사용 가능 플랫폼 |
|---|---|---|---|
| 의도 해석 및 계획 수립 | 추론이 안정적이고 지시를 잘 따름 | 플래그십 또는 추론형 모델 우선 선택 | APIYI apiyi.com, 공식 API |
| 도구 호출 실행 | 함수 호출 형식이 안정적임 | 도구 호출 성능이 신뢰할 만한 모델 선택 | APIYI apiyi.com, 공식 API |
| 진행 문구 / 상태 알림 | 빠른 응답, 낮은 비용 | 가볍고 빠른 모델 선택 | APIYI apiyi.com, 공식 API |
| 테스트 세트 일괄 평가 | 대량 처리, 재현 가능 | 가성비 높은 모델을 평가자로 선택 | APIYI apiyi.com, 공식 API |
🎯 기술 제안: 여러 모델을 비교할 때는 APIYI apiyi.com을 통해 통합 호출할 수 있어요. APIYI는 이 글에서 다루는 주요 대규모 언어 모델 API를 제공하며, OpenAI와 Anthropic 두 가지 인터페이스 형식을 모두 지원해요. 동일한 에이전트 코드에서
model파라미터만 바꾸면 비교할 수 있고, 각 벤더별로 어댑터 계층을 따로 작성할 필요도 없어요. 연동 방식과 인터페이스 주소는 APIYI 문서 센터 docs.apiyi.com을 기준으로 해요.
6단계: AI 에이전트 경험의 ‘두 번째, 세 번째 다듬기’를 계속하기
참고 자료에 이런 비유가 있어요. 식당 홀만 꾸미는 걸로는 부족하고 화장실까지 깨끗이 치워야 한다는 거죠. 요즘 AI 도구는 멋진 첫 버전을 금방 만들어 줘요. 그런데 오히려 그래서 자꾸 새로운 첫 버전만 만들고, 기존 제품에서 ‘쓸 수는 있지만 불편한’ 부분은 손보지 않게 되는 경향이 생겨요.
매주 실제 사용 기록에서 사용자가 망설인 지점, 같은 질문을 반복한 지점, 중간에 포기한 구간을 골라 1단계로 돌아가 행동 체크리스트를 보강해 보세요. 계속 쓰게 되는 제품은 바로 이런 눈에 잘 띄지 않는 두 번째, 세 번째 다듬기에서 나와요.
💰 비용 안내: 행동 테스트 세트는 반복 실행이 필요해서 호출량이 적지 않아요. 모델별 입력·출력 단가와 캐시 과금 기준은 APIYI 가격 페이지 https://docs.apiyi.com/models 의 실제 데이터를 기준으로 확인해 주세요. 이 글에서는 구체적인 가격을 다루지 않아요.
AI 에이전트 다듬기 방안 비교
| 방안 | 핵심 접근 | 적합한 상황 | 주요 한계 |
|---|---|---|---|
| 더 강한 모델로만 교체 | 기반 모델을 업그레이드하고 경험이 자연스럽게 좋아지기를 기대 | 역량이 뚜렷하게 부족한 초기 프로토타입 | 비용이 오르고, 확인·보고 같은 행동 문제는 그대로 남음 |
| 프롬프트만 수정 | 시스템 프롬프트에 규칙을 쌓아 올림 | 개별 문제를 소규모로 보수 | 규칙이 쌓일수록 엉키고, 테스트가 없으면 서로 충돌하기 쉬움 |
| 시스템적 다듬기 | 행동 체크리스트 + 자율성 경계 + 상태 신호 + 테스트 세트 | 실제 사용자를 대상으로 하는 일상 업무형 에이전트 | 초기 투입이 크고, 전체 경험을 책임질 전담 인력이 필요 |
AI 에이전트 다듬기 방안 비교 해설
모델만 교체하는 방안 분석: 더 강한 모델은 복잡한 추론에서 확실히 앞서요. 하지만 우리 제품에서 어떤 조작을 먼저 확인받아야 하는지, 진행 상황을 어떻게 보여줘야 하는지는 스스로 알지 못해요. 반면 시스템적 다듬기는 사용자가 실제로 느끼는 마찰을 직접 다뤄요. Muse가 가장 강한 모델에 의존하지 않고도 초기 성장을 이뤄낸 게 좋은 예예요.
프롬프트만 수정하는 방안 분석: 프롬프트 보수는 효과가 빠르게 나타나서 단일 지점 문제를 해결하기에 좋아요. 하지만 행동 체크리스트와 테스트 세트가 없으면 규칙끼리 충돌하기 쉽고, 하나를 고치면 다른 하나가 흔들려요. 오래 운영해야 하는 에이전트라면 시스템적 다듬기가 더 안정적이에요.
💡 비교 안내: 위 방안 차이는 자사 업무 데이터로 직접 검증해 보시길 권해요. APIYI apiyi.com을 통해 같은 테스트 세트를 여러 모델에 돌려 대조해 보고, 가격 페이지 데이터와 함께 투입 대비 산출을 평가해 보세요.
AI 에이전트 다듬기 자주 묻는 질문 FAQ
Q1: AI 에이전트 다듬기란 구체적으로 무엇인가요?
에이전트가 실제 작업에서 보이는 행동을 항목별로 테스트하고, 조정하고, 고정하는 일을 말해요. 언제 확인을 받을지, 언제 스스로 실행할지, 진행 상황을 어떻게 보고할지, 오류가 났을 때 어떻게 설명할지까지 포함하죠. 동시에 사용자가 에이전트의 현재 상태를 언제든 볼 수 있게 만드는 일이기도 해요. 막연한 “경험 최적화”가 아니라 테스트 가능한 엔지니어링 작업이에요.
Q2: 행동 튜닝과 프롬프트 엔지니어링의 차이는 무엇인가요?
프롬프트 엔지니어링은 수단 중 하나이고, 행동 튜닝은 목표이자 방법론이에요. 행동 튜닝은 먼저 “기대 행동 목록”과 테스트 세트를 정의한 다음, 프롬프트, 도구 설계, 프런트엔드 상호작용 등 다양한 방식으로 구현하고 계속 회귀 검증해요. 프롬프트만 바꾸고 테스트 세트를 만들지 않으면 일관성을 보장하기 어려워요.
Q3: Muse의 사용자 규모와 팀 규모는 어느 정도인가요?
보도에 따르면 Muse는 출시 약 6주 만에 사용자 1,000만 명을 달성했어요. Alexander Wang의 말에 따르면 모델 팀과 제품 팀을 합쳐 200명이 채 되지 않는다고 해요. Meta가 일반적으로 다루는 수십억 사용자 규모에 비하면 아직 초기 성과이며, 앞으로는 서비스 비용을 낮추고 규모를 확대해야 해요.
Q4: 상태 가시성은 어떤 에이전트 시나리오에 가장 적합한가요?
주로 다음 시나리오에 적합해요.
– **대행형 작업**: 구독 취소, 청구서 추적, 양식 작성 등 여러 단계를 거치는 작업
– **시간이 오래 걸리는 작업**: 여러 웹사이트를 방문하거나 여러 도구를 호출해야 해서 실행 시간이 긴 작업
– **고위험 작업**: 결제, 삭제, 외부 전송처럼 사용자의 명확한 확인이 필요한 절차
Q5: 여러 모델을 쓰는 에이전트 다듬기 테스트 환경을 빠르게 구축하려면 어떻게 해야 하나요?
다음 순서로 진행할 수 있어요.
1. APIYI apiyi.com에서 가입하고 API 키를 발급받아요.
2. 문서 센터 docs.apiyi.com을 참고해 OpenAI 또는 Anthropic 호환 형식으로 연동해요.
3. 동일한 행동 테스트 세트를 사용해 `model` 파라미터를 바꿔 가며 비교 실행해요.
4. 가격 페이지 https://docs.apiyi.com/models 의 실제 과금 데이터를 참고해 적합한 모델 조합을 골라요.
Q6: 체계적으로 다듬는 데는 어떤 비용과 한계가 있나요?
– **초기 투입**: 행동 목록과 테스트 세트를 만드는 데 시간이 걸리고, 단기적으로는 “새 기능”이 눈에 띄지 않아요.
– **호출 비용**: 회귀 테스트에서 모델을 반복 호출하므로, 과금은 사용하는 플랫폼의 가격 페이지를 기준으로 해요.
– **조직 요구 사항**: 전체 경험에 대해 최종 결정을 내릴 사람이 필요해요. 그렇지 않으면 경계 규칙이 각자의 타협으로 일관성을 잃을 수 있어요.
– **한계**: 다듬기만으로 모델 능력의 근본적인 부족을 메울 수는 없어요. 능력이 확실히 부족할 때는 여전히 모델을 교체해야 해요.
AI 에이전트 다듬기 핵심 포인트 Key Takeaways
- 다듬기는 테스트할 수 있어요: Muse는 출시 전에 100여 가지 구체적인 모델 동작을 조정했어요.
- 쓰기 편함이 가장 똑똑함을 뜻하지는 않아요: Muse의 강점은 사용 마찰을 줄이는 것이지, 모델 성능이 가장 뛰어난 것은 아니에요.
- 경계는 누군가가 결정해야 해요: 자율 실행과 사전 확인 규칙은 통일되어야 하며, 각 모듈이 제각각 결정해서는 안 돼요.
- 상태는 반드시 보여야 해요: 사용자에게 “이해했는지, 하고 있는지, 끝났는지”를 신호로 답해야 해요.
- 예외 상황도 똑같이 중요해요: 오류, 중단, 두 번째 탭, 데모 흐름도 동등하게 다뤄야 해요.
- 여러 모델을 비교하면 더 안정적이에요: APIYI의 통합 인터페이스를 통해 같은 테스트 세트로 서로 다른 모델을 비교할 수 있어요.
요약
AI 에이전트 다듬기의 핵심 포인트는 다음과 같아요.
- 행동 튜닝: 판단 지점을 체크리스트로 정리하고, 각 항목에 트리거 조건, 기대 동작, 반례를 적어 둔 뒤 테스트 세트로 계속 회귀 테스트해요.
- 상태 가시성: 내부 상태를 사용자가 알아볼 수 있는 소수의 신호로 묶고, 이해·실행·확인·완료·오류의 전 과정에 일관되게 적용해요.
- 지속적 반복 개선: 실제 사용 기록에서 마찰 지점을 찾고, 첫 버전을 계속 새로 만드는 대신 두 번째, 세 번째 시도를 끝까지 밀고 나가요.
Muse의 경험은 중소 팀에도 그대로 적용할 수 있어요. 작은 팀이 핵심 의사결정을 맡고, 지루한 디테일을 진지하게 다루며, 실패한 뒤에는 정말 중요한 방식을 바꿔 다시 시도하면 돼요. 이 모든 과정에 수백억을 먼저 날릴 필요는 없어요.
자신의 에이전트를 위한 행동 테스트 세트를 만들 준비가 되었다면, APIYI apiyi.com을 통해 여러 모델에서 빠르게 비교해 볼 수 있어요. 플랫폼은 OpenAI와 Anthropic 인터페이스 형식을 지원하며, 연동 안내는 docs.apiyi.com에서 확인할 수 있어요. 요금은 가격 페이지 https://docs.apiyi.com/models를 기준으로 해요.
📚 참고 자료
- MindStudio – Meta의 Muse 사례 분석: Muse의 배경, 팀, 그리고 다듬은 디테일
- 링크:
mindstudio.ai/blog/meta-muse-ai-companion-lessons -
설명: 이 글의 사례 사실에 대한 주요 출처이며, 2026년 11월 4일에 게시되었어요.
-
APIYI 문서 센터: 멀티모델 통합 연동 안내
- 링크:
docs.apiyi.com -
설명: OpenAI 및 Anthropic 호환 형식의 연동 방식
-
APIYI 모델 가격 페이지: 모델별 과금 기준과 단가
- 링크:
docs.apiyi.com/models - 설명: 입력·출력 단가 및 캐시 가격은 이 페이지의 실제 데이터를 기준으로 해요.
작성자: APIYI 기술 팀
기술 교류: agent 다듬기 실천 사례를 함께 나누고 싶다면 APIYI 공식 사이트 apiyi.com에서 저희에게 연락해 주세요. 더 많은 자료는 docs.apiyi.com 문서 센터에서 확인할 수 있어요.
