| |

API로 GPT Dots를 직접 재현하는 방법? 7개 모듈로 24시간 작동하는 개인 AI 에이전트 구축

API로 GPT Dots를 직접 재현하는 방법? 7개 모듈로 24시간 작동하는 개인 AI 에이전트 구축

작성자 노트: 이 글은 모델 인터페이스, 도구, 기억, 스케줄링, 실행 환경을 활용해 개인 AI Agent를 직접 구축하는 방법을 소개하고, AI 뉴스 인텔리전스 워크플로를 예로 들어 자체 구축 시스템 각 부분의 역할과 비용을 설명해요.

API로 GPT Dots를 재현할 때 재현 가능한 핵심은 작업 모드예요. 모델이 판단을 담당하고, 프로그램이 실행을 담당하며, 데이터베이스가 기억을 맡고, 스케줄러가 당신이 자리를 비운 뒤에도 작업을 계속 진행하게 하는 방식이죠. 모델 인터페이스는 그중 한 계층일 뿐이에요. 도구 시스템, 장기 기억, 작업 큐, 실행 환경, 승인 메커니즘은 모두 개발자가 직접 구축해야 해요. OpenAI의 독점 모델 설정, 클라우드 컴퓨터, 4,000개 이상의 앱 생태계는 Dots 제품 자체에 속하는 부분이라 API로 직접 얻을 수는 없어요. 제목의 “24시간”은 Agent가 계획에 따라 백그라운드에서 작업을 계속 진행하는 방식을 뜻해요. 시스템의 실제 가용 시간은 서버, 큐, 재시도 메커니즘에 달려 있고요.

전체 글은 구축 순서대로 전개해요. 1부에서는 Dots를 7개 모듈로 나누고, 어떤 부분이 모델에서 제공되는지, 어떤 부분을 직접 구축해야 하는지 표시해요. 2부부터 6부까지는 모델 연결, 도구 호출, 장기 기억, 백그라운드 스케줄링, 실행 환경을 차례로 구현해요. 7부에서는 이 컴포넌트들을 조합해 Personal AI Radar의 완전한 설계안을 만들어요. 8부에서는 비모델 비용까지 포함한 총비용을 계산하고, 자체 구축 방식이 할 수 있는 범위와 한계를 설명해요.

build-gpt-dots-personal-ai-agent-with-api-ko-image-0

Table of Contents

To Know: GPT Dots를 재현하기 전에 알아야 할 용어

용어 설명
API 애플리케이션이 모델이나 외부 서비스를 호출하는 인터페이스예요. 이 글에서는 주로 대규모 언어 모델의 호출 인터페이스를 가리켜요.
Agent 모델로 의사결정을 하고 도구를 호출해 작업을 진행하는 애플리케이션 시스템이에요.
Function Calling 모델이 구조화된 도구 호출 요청을 출력하면, 여러분의 프로그램이 이를 실행한 뒤 결과를 다시 모델에 돌려주는 방식이에요.
tool_use / tool_result Claude Messages 인터페이스에서 도구 호출 요청과 실행 결과를 담는 메시지 타입이에요.
SQLite 단일 파일 임베디드 데이터베이스로, 선호도나 작업 상태, 로그처럼 가벼운 데이터를 저장하기에 적합해요.
벡터 검색 텍스트를 벡터로 변환한 뒤 의미적 유사도에 따라 관련 자료를 찾는 방식이에요.
작업 큐 실행할 작업을 저장해 두고 순서나 우선순위에 따라 백그라운드 Worker에 분배하는 구조예요.
Checkpoint 작업이 특정 단계까지 진행됐을 때 저장하는 진행 스냅샷으로, 중단된 뒤 이 지점에서 복구할 수 있어요.
실행 환경 브라우저, 코드, 파일 작업이 실제로 실행되는 컴퓨터나 컨테이너예요.
Playwright 코드로 브라우저를 제어하는 자동화 라이브러리로, 웹페이지 열기, 클릭, 콘텐츠 추출에 사용해요.
Prompt Injection 웹페이지나 문서에 악성 지시를 숨겨 Agent의 동작을 가로채려는 공격 방식이에요.
MCP 모델 애플리케이션과 외부 도구, 데이터 소스를 연결하는 개방형 프로토콜이에요.

1 GPT Dots는 어떤 모듈로 구성되나요

1.1 GPT Dots의 공식 기능

Dots는 OpenAI가 2026년 9월 29일에 공개한 상시 대기형 개인 AI 에이전트예요. 공식 자료에 따르면 Dots는 자체 클라우드 컴퓨터와 브라우저를 갖추고 있고, 사용자가 컴퓨터를 꺼도 이미 위임한 클라우드 작업은 계속 실행돼요. ChatGPT 메모리, 자신의 노트, 연결된 앱 데이터를 결합해 여러 프로젝트를 동시에 진행하며, ChatGPT, Slack, Microsoft Teams 같은 채널로 사용자와 소통해요.

Dots의 작동 방식에는 세 가지 핵심 메커니즘도 있어요. 능동형 리서치(Proactive Research)는 백그라운드에서 권한이 부여된 정보 소스를 읽고 리서치 노트를 만들어요. 이 과정은 읽기 전용이고, 후속 작업은 정상적인 승인 절차를 거쳐야 해요. 예약 작업과 이벤트 모니터링 덕분에 Dot은 계획된 시각이나 이벤트에 따라 계속 일할 수 있어요. Custom Rules와 Auto-review는 이메일 발송, 쇼핑 같은 작업 전에 권한과 사용자 의도를 확인하고, 송금이나 비밀번호 변경처럼 위험도가 높은 작업은 반드시 사용자가 직접 처리하도록 해요.

1.2 GPT Dots의 7개 모듈과 자체 구축 대응 관계

Dots의 기능을 뜯어보면 7개 모듈이 나와요. 아래 표는 각 모듈이 자체 구축 방식에서 어떤 구현으로 대응되는지 보여줘요.

모듈 Dots에서의 역할 자체 구축 방식의 대응 구현 제공 주체
모델 추론, 계획, 도구 선택 GPT, Claude, Gemini, DeepSeek 등 모델 API 모델 서비스
에이전트 컨트롤러 작업 분해, 여러 프로젝트 조율 직접 작성한 루프 또는 LangGraph, OpenAI Agents SDK 개발자
도구 브라우저, 앱 플러그인, Codex Function Calling + 직접 구현한 도구 함수, MCP 서비스 개발자
메모리 ChatGPT Memory, Dot 노트, 프로젝트 컨텍스트 SQLite + 벡터 검색 + 파일 시스템 개발자
작업 스케줄러 예약 작업, 이벤트 모니터링, 백그라운드 에이전트 APScheduler, Celery, Redis 큐 개발자
실행 환경 독립된 클라우드 컴퓨터 클라우드 서버, Docker, Playwright 개발자
보안 승인 Custom Rules, Auto-review, 사용자 직접 처리 도구 화이트리스트, 승인 큐, 작업 로그 개발자

표에서 첫 번째 행만 모델 API가 직접 제공하고, 나머지 여섯 행은 모두 직접 구현해야 해요. 그래서 “API 키 하나로는 Dots의 완전한 기능을 얻을 수 없다”는 말이 나와요. API 키는 모델 호출 입구를 열어줄 뿐이고, 에이전트의 손발과 기억, 생활 리듬은 직접 만들어야 하거든요.

build-gpt-dots-personal-ai-agent-with-api-ko-image-1

2 GPT Dots 재현에 필요한 모델 인터페이스 준비

2.1 APIYI를 통해 여러 모델 연결하기

APIYI(apiyi.com)는 OpenAI 호환 인터페이스와 Claude 네이티브 Messages 인터페이스를 제공해서, 하나의 API 키로 여러 모델을 호출할 수 있어요. 모델마다 사용하는 프로토콜이 다르기 때문에 설정할 때 구분이 필요해요.

모델 유형 프로토콜 Base URL 도구 호출 필드
GPT, DeepSeek, Qwen 등 OpenAI 호환 모델 OpenAI Chat Completions https://api.apiyi.com/v1 tools / tool_calls
Claude Anthropic Messages(/v1/messages) https://api.apiyi.com tool_use / tool_result
Gemini Gemini 호환 프로토콜 공식 문서에 대응하는 인터페이스로 구성 해당 프로토콜에 따름

모델 ID와 실시간 가격은 플랫폼의 모델 목록을 기준으로 해요. 아래 코드는 모두 환경 변수에서 모델 ID를 읽어오며, 모델을 바꿀 때는 설정만 수정하면 되고 Agent 코드는 그대로 유지해요.

2.2 GPT Dots 재현을 위한 최소 모델 호출

먼저 인터페이스 연결부터 확인해요. 아래 코드를 llm.py로 저장하면, 이후 장에서는 모두 여기서 client를 가져다 씁니다:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["APIYI_API_KEY"],
    base_url="https://api.apiyi.com/v1",  # APIYI OpenAI 호환 인터페이스
)
MODEL = os.environ["RADAR_MODEL"]  # 모델 목록에서 실제 사용 가능한 모델 ID를 입력

if __name__ == "__main__":
    resp = client.chat.completions.create(
        model=MODEL,
        messages=[{"role": "user", "content": "用三句话说明什么是个人 AI Agent"}],
    )
    print(resp.choices[0].message.content)

Claude를 네이티브 Messages 인터페이스로 호출할 때는 Anthropic SDK를 사용하고, Base URL에는 /v1을 붙이지 않아요:

import os
import anthropic

claude = anthropic.Anthropic(
    api_key=os.environ["APIYI_API_KEY"],
    base_url="https://api.apiyi.com",  # SDK가 자동으로 /v1/messages를 붙여줍니다
)

resp = claude.messages.create(
    model=os.environ["CLAUDE_MODEL"],
    max_tokens=1024,
    tools=[{
        "name": "search_news",
        "description": "检索近期 AI 新闻",
        "input_schema": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"],
        },
    }],
    messages=[{"role": "user", "content": "查一下今天的模型发布新闻"}],
)
for block in resp.content:
    if block.type == "tool_use":
        print(block.id, block.name, block.input)

Claude가 tool_use를 반환하면, 프로그램에서 도구를 실행한 다음 role: user로 tool_result 블록을 보내고 tool_use_id로 요청과 매칭해요. 도구 실행이 실패하면 is_error: true를 설정하면 되고, 모델이 이를 바탕으로 다음 단계를 조정합니다.

🚀 빠른 시작: APIYI의 무료 테스트 크레딧으로 위 두 코드를 먼저 실행해 보세요. OpenAI 호환 경로와 Claude 네이티브 경로 양쪽에서 모두 도구 호출이 반환되는지 확인한 다음 Agent 개발로 넘어가면 됩니다.

2.3 인터페이스 호환성과 도구 호출 능력의 차이

프로토콜 호환성은 “요청을 보낼 수 있는가”를 해결하지만, 도구 호출에서 각 모델의 성능은 여전히 차이가 있어요. APIYI가 2026년 11월에 공개한 멀티모델 도구 호출 테스트 방법은 몇 가지 주목할 포인트를 제시해요. Gemini 계열은 병렬 호출과 최종 JSON에 추가 텍스트가 섞여 들어가는지, Qwen 계열은 방해 도구가 있을 때의 선택과 다중 턴 ID 매핑, Claude 계열은 is_error 처리와 호출 라운드, GPT 계열은 엄격한 스키마 준수 정도와 토큰 사용량을 살펴봐요.

이 항목들은 테스트 시 주목할 지점일 뿐, 어떤 모델이 더 낫다고 미리 정해 둔 것은 아니에요. 후보 모델에 동일한 도구 정의와 작업을 주고 호출 횟수, 파라미터 오류 횟수, 총 토큰, 최종 정확도를 기록한 뒤 데이터로 에이전트의 주력 모델을 결정하는 걸 권해요.

Responses API도 별도로 검증해야 해요. APIYI 문서에 기록된 /v1/responses 인터페이스에 나열된 모델은 주로 GPT-4.1, o3 등이며, OpenAI의 현재 도구 호출 문서는 GPT-6 Astra, GPT-6.1 Sol이 Responses API를 사용한다고 밝히고 있어요. 새 모델의 Responses API 기능을 사용할 계획이라면 도구 호출, 내장 도구, 상태 관리를 호환성 테스트 항목으로 넣고 항목별로 검증한 뒤 배포하세요.

3 Function Calling으로 GPT Dots 스타일 에이전트가 작업을 수행하도록 만들기

3.1 Function Calling의 작업 루프

Function Calling의 루프는 딱 네 단계예요. 프로그램이 작업과 도구 정의를 모델에 보내고, 모델이 호출하려는 도구 이름과 파라미터를 반환하면, 프로그램이 실제로 그 도구를 실행하고, 실행 결과를 메시지에 추가해 다시 모델에 보내서 모델이 계속 호출할지 아니면 답변을 줄지 결정하는 흐름이죠.

핵심은 세 번째 단계예요. 모델은 호출 요청만 생성할 뿐, 검색 엔진에 접근하거나 파일을 읽고 쓰거나 메시지를 보내는 일은 모두 여러분의 코드가 수행해요. 그래서 도구의 권한 범위, 입력 검증, 실패 처리는 전부 개발자의 몫이에요.

3.2 세 가지 도구로 구성된 최소 도구 시스템

Personal AI Radar에는 세 가지 기본 도구가 필요해요. search_news는 뉴스를 검색하고, read_file은 작업 디렉터리 안의 자료를 읽으며, save_note는 정리한 결과를 자료库에 기록하죠. 아래는 완성된 Agent 루프예요.

GPT Dots로 재현한 도구 호출 루프 전체 코드 보기
import json
import pathlib
import sqlite3
from llm import client, MODEL

WORKDIR = pathlib.Path("./workspace").resolve()
DB_PATH = "radar.db"

TOOLS = [
    {"type": "function", "function": {
        "name": "search_news",
        "description": "检索近期 AI 新闻,返回标题、链接、发布时间和摘要列表",
        "parameters": {
            "type": "object",
            "properties": {
                "query": {"type": "string"},
                "days": {"type": "integer", "minimum": 1, "maximum": 7},
            },
            "required": ["query"],
        },
    }},
    {"type": "function", "function": {
        "name": "read_file",
        "description": "读取工作目录中的文本文件",
        "parameters": {
            "type": "object",
            "properties": {"path": {"type": "string"}},
            "required": ["path"],
        },
    }},
    {"type": "function", "function": {
        "name": "save_note",
        "description": "把一条整理好的新闻资料保存到资料库",
        "parameters": {
            "type": "object",
            "properties": {
                "title": {"type": "string"},
                "url": {"type": "string"},
                "summary": {"type": "string"},
                "project": {"type": "string"},
            },
            "required": ["title", "url", "summary", "project"],
        },
    }},
]

def search_news(query: str, days: int = 1):
    # 선택한 검색 서비스를 연결하세요: 검색 API, RSS 집계 또는 직접 구축한 크롤링
    raise NotImplementedError("请接入实际的搜索服务")

def read_file(path: str):
    p = (WORKDIR / path).resolve()
    if not p.is_relative_to(WORKDIR):          # 작업 디렉터리 내부만 읽기 허용
        return {"error": "path outside workspace"}
    return {"content": p.read_text(encoding="utf-8")[:20000]}

def save_note(title: str, url: str, summary: str, project: str):
    with sqlite3.connect(DB_PATH) as db:
        db.execute(
            "INSERT OR IGNORE INTO notes(url, title, summary, project) VALUES (?, ?, ?, ?)",
            (url, title, summary, project),
        )
    return {"saved": True}

REGISTRY = {"search_news": search_news, "read_file": read_file, "save_note": save_note}

def run_agent(task: str, system: str, max_rounds: int = 8) -> str:
    messages = [
        {"role": "system", "content": system},
        {"role": "user", "content": task},
    ]
    for _ in range(max_rounds):
        msg = client.chat.completions.create(
            model=MODEL, messages=messages, tools=TOOLS,
        ).choices[0].message
        messages.append(msg.model_dump(exclude_none=True))

        if not msg.tool_calls:
            return msg.content

        for call in msg.tool_calls:
            fn = REGISTRY.get(call.function.name)
            try:
                args = json.loads(call.function.arguments or "{}")
                result = fn(**args) if fn else {"error": "unknown tool"}
            except Exception as e:
                result = {"error": f"{type(e).__name__}: {e}"}
            messages.append({
                "role": "tool",
                "tool_call_id": call.id,
                "content": json.dumps(result, ensure_ascii=False),
            })
    raise RuntimeError("超过最大工具调用轮次")

이 코드에는 꼭 기억해 둘 만한 설계가 세 군데 있어요. max_rounds는 루프 횟수를 제한해서 모델이 같은 도구를 반복 호출하며 토큰을 소모하는 일을 막아줘요. 도구에서 발생한 예외는 {"error": ...} 형태로 감싸 모델에게 돌려주기 때문에, 모델이 인자를 바꾸거나 다른 방법을 시도할 여지가 생기죠. read_file은 경로 검증으로 읽기 범위를 작업 디렉터리 안으로 고정하는데, 이게 가장 기본적인 권한 경계예요.

3.3 자체 작성 루프에서 Agent 프레임워크로 업그레이드

자체 작성 루프는 단일 작업, 적은 수의 도구가 필요한 시나리오에 적합해요. 작업에 중단 후 복구, 사람의 승인, 복잡한 분기가 필요할 때는 LangGraph로 이전할 수 있어요. LangGraph는 State로 작업 상태를 저장하고, Checkpointer로 진행 상황을 영속화하며, Human-in-the-loop로 검토를 기다리며 일시 중지하는 기능을 제공해요. OpenAI Agents SDK도 워크플로 오케스트레이션과 Guardrails를 제공해요. 도구 수가 많아지면 MCP로 검색, 파일, 이메일 등의 기능을 독립 서비스로 캡슐화해서 여러 Agent가 재사용할 수 있어요.

4 GPT Dots 스타일 Agent에 장기 기억 구축하기

4.1 네 계층 기억의 구분

Dots의 컨텍스트는 ChatGPT Memory, Dot 자체 노트, 현재 작업 컨텍스트, 연결된 앱 데이터에서 와요. 그리고 새 작업에서는 필요할 때만 과거 기록을 검색하고 전체 채팅 기록을 불러오지 않아요. 직접 구축한 Agent도 같은 방식을 쓸 수 있어요. 기억을 계층별로 관리하는 거예요:

기억 계층 저장 내용 수명 주기 기록 시점
현재 컨텍스트 이번 작업 지시, 최근 도구 결과 현재 작업 매 대화 턴
프로젝트 기억 프로젝트 목표, 핵심 결정, 진행 상황 프로젝트 지속 기간 작업 완료 또는 결정 변경 시
사용자 기억 선호, 관심 분야, 보고 형식 장기 사용자가 선호를 명확히 표현할 때
경험 기억 실패 원인, 수정 방법 장기, 규칙에 따라 업데이트 작업 실패 또는 사용자 수정 후

모델을 호출할 때마다 현재 컨텍스트에 검색해 낸 관련 기억만 더해서 프롬프트에 넣어요. 모든 과거 메시지를 요청에 밀어 넣으면 토큰 비용이 높아지고 검색 품질이 떨어져요.

4.2 SQLite 테이블 구조 설계

다음 테이블 구조는 네 계층 기억과 작업 상태를 포괄하며, runs 테이블은 5부의 중단점 복구도 함께 담당해요:

CREATE TABLE IF NOT EXISTS user_memory (
    key TEXT PRIMARY KEY, value TEXT, updated_at TEXT
);
CREATE TABLE IF NOT EXISTS projects (
    id TEXT PRIMARY KEY, goal TEXT, decisions TEXT, status TEXT, updated_at TEXT
);
CREATE TABLE IF NOT EXISTS runs (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    project_id TEXT, run_date TEXT,
    next_stage TEXT, state_json TEXT,
    status TEXT, error TEXT, updated_at TEXT,
    UNIQUE (project_id, run_date)
);
CREATE TABLE IF NOT EXISTS notes (
    url TEXT PRIMARY KEY, title TEXT, summary TEXT, project TEXT,
    created_at TEXT DEFAULT CURRENT_TIMESTAMP
);
CREATE TABLE IF NOT EXISTS lessons (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    project_id TEXT, lesson TEXT, created_at TEXT
);

notes는 URL을 기본 키로 해서 같은 뉴스를 반복 수집할 때 자동으로 중복 제거해요. runs의 (project_id, run_date) 유니크 제약은 프로젝트마다 하루에 실행 기록이 하나만 있도록 보장해서, 재시작 후에도 당일 진행 상황을 찾을 수 있어요.

4.3 벡터 검색으로 과거 자료 소환하기

구조화된 데이터는 SQL로 조회하고, 의미적으로 관련된 자료는 벡터 검색을 써요. 방법은 notes.summary와 lessons.lesson의 임베딩 벡터를 생성해서 sqlite-vec, Chroma 같은 벡터 DB에 저장하고, 메타데이터에 프로젝트, 날짜, 출처를 기록하는 거예요. 주제를 생성할 때 먼저 당일 뉴스로 지난 30일의 유사 자료를 검색하고, 매칭된 몇 개의 요약을 프롬프트에 붙이면 모델이 “이 뉴스가 기존 주제의 진전인지 완전히 새로운 사건인지” 판단할 수 있어요. 사용자도 매번 배경을 다시 설명할 필요가 없어요.

5 GPT Dots 스타일 Agent를 백그라운드에서 계속 작동시키기

5.1 세 가지 백그라운드 메커니즘의 차이

백그라운드 실행에는 세 가지 메커니즘이 관여하며, 각각 맡은 역할이 달라요. 예약 작업은 시스템 스케줄러(APScheduler, cron)가 시간에 맞춰 트리거하는 방식으로, “언제 시작할지”를 해결해요. 백그라운드 모델 요청은 OpenAI Background Mode처럼 비동기 응답을 받는 방식이에요. 요청을 제출하면 response ID를 받고, 상태를 폴링해 결과를 가져오죠. 나름의 수명 주기와 데이터 보존 조건이 있어서 한 번에 오래 걸리는 추론에 적합해요. 장기 Agent 스케줄링은 작업 큐, 영속화된 상태, Worker로 구성되며, 여러 날에 걸친 다단계 작업의 진행, 재시도, 복구를 담당해요.

권장하는 데이터 흐름은 다음과 같아요: 스케줄러 → 작업 큐 → Agent Worker → 모델 API → 도구 실행 → 결과 데이터베이스 → 알림. 주기 작업과 장기 작업은 분리해 관리하고, 주기 작업은 큐에 작업을 넣는 일만 맡으며, 장기 작업은 Worker가 상태에 따라 진행해요.

5.2 단계별 Checkpoint와 실패 재시도

아래는 Personal AI Radar의 스케줄링 골격이에요. 단계를 하나 완료할 때마다 Checkpoint를 기록하고, 프로세스가 다시 시작되면 next_stage부터 이어서 진행해요:

import time
from datetime import date
from apscheduler.schedulers.blocking import BlockingScheduler
from radar_store import load_or_create_run, save_checkpoint, mark_failed
from radar_stages import HANDLERS, TransientError
from notify import notify_owner

STAGES = ["collect", "verify", "analyze", "topics", "report"]

def daily_radar():
    run = load_or_create_run("ai-radar", date.today().isoformat())
    if run.status == "done":
        return
    start = STAGES.index(run.next_stage)
    for stage in STAGES[start:]:
        for attempt in range(3):
            try:
                run.state = HANDLERS[stage](run.state)
                save_checkpoint(run, done_stage=stage)   # runs 테이블에 기록
                break
            except TransientError:                       # 네트워크, 속도 제한 등 재시도 가능한 오류
                time.sleep(30 * 2 ** attempt)
        else:
            mark_failed(run, stage)
            notify_owner(f"Radar 在 {stage} 阶段失败,进度已保存")
            return

sched = BlockingScheduler(timezone="Asia/Shanghai")
sched.add_job(daily_radar, "cron", hour=8, minute=0,
              misfire_grace_time=3600, max_instances=1)
sched.start()

max_instances=1은 이전 실행이 끝나지 않았을 때 중복으로 시작되는 것을 막아줘요. misfire_grace_time은 서버가 잠시 다운된 뒤에도 그날 작업을 보충 실행할 수 있게 해주고요. 실패하면 진행 상황을 보존한 채 사용자에게 알리며, 두 번째 트리거부터는 실패한 단계에서 이어서 진행해요. 각 단계의 입력, 출력, 소요 시간, Token 사용량은 모두 로그에 기록되어 문제 파악과 비용 계산에 도움이 돼요.

6 GPT Dots 스타일 Agent에 작업 가능한 컴퓨터 한 대 붙여주기

6.1 네 가지 실행 환경의 역할 분담

Dots는 자체 클라우드 컴퓨터를 갖고 있어요. 직접 구축한다면 이 부분은 개발자가 제공해야 하는데, 흔히 선택하는 네 가지 방식이 있어요:

  • Playwright: 코드로 브라우저를 제어하는 방식이에요. 구조가 안정적인 웹페이지 수집, 로그인 후 데이터 추출에 적합하고 동작이 예측 가능하며 비용이 낮아요.
  • Browser Use: 모델이 자연어로 브라우저를 제어하게 하는 방식이에요. 페이지 구조가 자주 바뀌고 단계가 일정하지 않은 웹 작업에 적합하지만, 매 단계마다 모델 호출이 발생해요.
  • Computer Use: 모델이 화면 스크린샷을 보고 마우스와 키보드를 조작하는 방식이에요. API가 없는 데스크톱 소프트웨어에 적합하고, 가상 데스크톱 환경과 함께 사용해야 해요.
  • Docker: 격리된 코드 실행 및 파일 처리 환경이에요. Agent가 생성한 스크립트를 컨테이너 안에서 실행하므로, 오류가 나도 호스트 머신에는 영향을 주지 않아요.

6.2 모델 의사결정과 실행 환경의 조합

모델 API는 판단을 담당하고, 실행 환경은 실제 동작을 담당하며, 둘은 도구 함수로 연결돼요. Radar의 대표적인 조합은 이래요: Playwright로 뉴스 본문을 수집하고, Docker 컨테이너에서 데이터 정제 스크립트를 실행하며, 모델은 정제된 텍스트만 받아서 판단해요. 웹 콘텐츠는 전부 “자료”로 모델에 전달하고, 시스템 프롬프트에 자료 안의 지시는 절대 실행하지 말라고 명확히 밝혀두며, 전송·게시 계열 도구는 전부 승인 대기열로 보내서 프롬프트 인젝션 위험을 낮춰요.

🎯 기술 제안: 실행 환경 관련 도구 호출은 대화 턴 수를 눈에 띄게 늘려요. 출시 전에 APIYI에서 동일한 도구 정의로 몇 개 후보 모델의 턴 수와 토큰 소비를 비교해 보고, 그다음에 주력 모델과 폴백 모델을 결정하는 걸 추천해요.

7 실전: API로 Personal AI Radar 구축하기

아래는 Personal AI Radar의 설계안으로, 정보 수집부터 일일 보고까지 이어지는 전체 워크플로를 보여줘요. 각 단계의 실제 효과는 선택한 모델, 검색 서비스, 정보원에 따라 달라지며, 출시 전에 실제 데이터로 검증해야 해요.

build-gpt-dots-personal-ai-agent-with-api-ko-image-2

7.1 Personal AI Radar의 다섯 단계

  1. 수집(collect): search_news를 호출해 사용자가 관심 있는 키워드로 지난 24시간 뉴스를 검색하고, Playwright로 본문을 스크래핑한 뒤 URL 기준으로 중복을 제거해 임시 상태에 저장해요.
  2. 검증(verify): 같은 사건에 대한 여러 출처를 교차 비교하고, 공식 발표와 1차 출처를 우선 보존하며, 단일 출처뿐인 항목은 “확인 대기”로 표시해요.
  3. 분석(analyze): 모델이 각 뉴스에 대해 이벤트 요약, 핵심 사실과 출처, 사용자 관심 분야와의 관련도를 포함한 구조화 JSON을 출력해요. 동시에 과거 자료를 검색해 새 사건인지 이미 다룬 주제의 진행 상황인지 판단해요.
  4. 주제 선정(topics): 사용자 기억에 저장된 선호도와 프로젝트 기억에 이미 작성한 주제를 결합해 후보 주제를 만들고, 각 후보에 사실 요약과 출처 링크를 붙여 notes 테이블에 기록해요.
  5. 보고(report): 당일 브리핑을 생성해 사용자에게 푸시해요. 사용자가 채팅에서 “수정”, “다시 실행”, “채택” 같은 지시를 보내면 Agent가 프로젝트 기억을 업데이트하고 필요에 따라 다시 실행해요.

7.2 핵심 설정과 예외 처리

Radar의 핵심 설정은 하나의 YAML 파일에 모아 두는 것을 권장해요. 관심 키워드, 정보원 허용 목록, 주력 모델과 대체 모델 ID, 일일 실행 시간, 시간대, 한 번에 허용할 최대 도구 라운드, 일일 토큰 예산 상한이 포함돼요. 모델 ID는 환경 변수로 주입해서 모델을 바꿀 때 코드를 수정할 필요가 없어요.

예외 처리는 유형별로 구분해요. 네트워크 타임아웃, 속도 제한 같은 일시적 오류는 지수 백오프로 재시도해요. 모델이 출력한 JSON 파싱에 실패하면 오류 정보를 도구 결과로 돌려보내 모델이 한 번 다시 생성하게 해요. 주력 모델이 연속으로 실패하면 대체 모델로 전환해요. 당일 토큰 사용량이 예산을 넘으면 분석 단계에서 관련도가 낮은 항목을 건너뛰고 브리핑에 그 사실을 명시해요. 게시, 외부 이메일 발송 같은 모든 작업은 초안만 생성하고 사용자 확인을 기다려요.

8 자체 구축 GPT Dots 스타일 에이전트의 비용과 능력의 경계

8.1 자체 구축 방식의 다섯 가지 비용

자체 구축 에이전트의 총비용은 이렇게 표현할 수 있어요:

C_total = C_model + C_server + C_database + C_tools + C_maintenance

  • 모델 토큰: 호출할 때마다 입력 토큰 ÷ 10⁶ × 입력 단가 + 출력 토큰 ÷ 10⁶ × 출력 단가로 누적해요. 장기간 운영할 때는 도구 호출 라운드, 재시도 횟수, 컨텍스트 중복 전송, 캐시 적중 상황까지 함께 집계해야 해요.
  • 서버: 스케줄러, 워커, 브라우저를 돌리는 클라우드 호스트예요. 브라우저 자동화는 메모리 요구량이 꽤 높아요.
  • 데이터베이스: SQLite 자체는 비용이 없지만, 데이터가 많아지면 PostgreSQL이나 관리형 벡터 데이터베이스로 옮기면서 저장 비용이 생겨요.
  • 도구: 검색 API, 웹 스크래핑 프록시, 알림 서비스 같은 서드파티 서비스는 호출 횟수나 월 단위로 과금돼요.
  • 유지보수: 정보 소스 개편, 모델 업데이트, 의존성 업그레이드에 들어가는 개발자 작업 시간은 장기적으로 볼 때 비중이 가장 큰 항목인 경우가 많아요.

8.2 모델 가격 참고

APIYI의 2026년 11월 13일 기술 문서에는 아래와 같은 Claude 모델 가격 예시가 있어서 모델 비용을 가늠하는 데 참고할 수 있어요:

모델 입력 / 백만 Token 출력 / 백만 Token 캐시 읽기 / 백만 Token 사용 가능 플랫폼
Claude Opus 5.5 $4 $20 $0.20 APIYI
Claude Sonnet 5.5 $2 $10 $0.10 APIYI
Claude Fable 5.2 $8 $40 $0.20 APIYI

실제로 어떤 모델을 쓸 수 있는지, 그룹 구성과 실시간 가격은 docs.apiyi.com/models 모델 목록을 기준으로 하면 돼요. 가격은 단가만 반영하니, 작업 성공률은 2.3절의 방법으로 따로 테스트해야 해요. Radar 같은 작업은 입력의 대부분이 반복되는 시스템 프롬프트와 과거 자료라서 캐시 읽기 단가가 일반 입력보다 훨씬 낮아요. 그래서 캐시를 잘 활용하는 게 Token 비용을 줄이는 핵심 수단이에요.

build-gpt-dots-personal-ai-agent-with-api-ko-image-3

8.3 Dots 구독 요금 비교

개인 사용자를 보면, ChatGPT Pro 100, Pro 200, Pro 500의 월 요금은 각각 $100, $200, $500이고, 세 플랜 모두 Dots 사용 자격을 갖추고 있어요. 다만 공식적으로 개인 Pro의 Dot에 별도의 월 요금을 따로 책정하지는 않았어요. Dot에 위임된 ChatGPT Work 또는 Codex 작업은 해당 제품의 한도와 규칙에 따라 계산되며, 실제 소비량은 모델, 컨텍스트, 추론, 도구 호출, 검색량에 따라 달라져요. 개인 Pro는 만 18세 이상이어야 하고, 현재 유럽경제지역(EEA), 영국, 스위스는 대상에서 제외돼요.

기업 쪽에서는 조건을 충족하는 Enterprise 워크스페이스가 업무 유형별 정액 요금 또는 사용량 기반 과금 중에서 선택할 수 있어요. 2026년 11월 18일부터 활성화된 Dots에 대해 과금이 시작되며, 그 이전의 프리뷰 기간은 무료예요. Work 또는 Codex로 위임된 작업은 별도로 청구돼요. 구체적인 금액은 워크스페이스에 실제로 적용되는 견적을 기준으로 해요.

8.4 자체 구축 방식의 역량 한계

자체 구축 방식은 Dots의 핵심 작업 모드를 그대로 재현할 수 있어요. 작업 지속 추진, 계층형 메모리, 도구 호출, 정기 스케줄링, 사람의 승인까지 모두 가능해요. 장점은 모델을 자유롭게 바꿀 수 있고, 데이터와 프로세스를 완전히 직접 통제할 수 있으며, 워크플로를 업무에 맞춰 깊이 있게 커스터마이징할 수 있다는 점이에요.

반면 Dots의 독점적인 부분은 직접 보완해야 하거나 격차를 감수해야 해요. OpenAI 내부 모델 구성, Dot 전용 클라우드 컴퓨터, 4,000+ 앱 플러그인 생태계, Slack과 Teams를 넘나드는 커뮤니케이션 채널, Auto-review 안전 심사 체계가 그렇죠. Dots 자체에도 한계는 있어요. Axios 기자가 2026년 10월에 실측한 결과를 보면, Dots는 다단계 여행 계획과 38페이지 기념 앨범 제작을 완수했지만, 내용에 의심스러운 통계 수치가 등장했고 쇼핑 단계에서는 결국 사용자가 직접 마무리하도록 유도했어요. 자체 구축 Agent도 마찬가지로 결과를 사람이 확인해야 하고, 계정과 자금이 관련된 작업에는 사람의 확인 절차를 남겨두어야 해요.

자주 묻는 질문 FAQ

Q1: API 키 하나로 GPT Dots의 모든 기능을 바로 사용할 수 있나요?

API 키가 제공하는 것은 모델 호출 기능이에요. 메모리, 도구, 스케줄링, 실행 환경, 승인은 모두 직접 구축해야 하고, Dots의 전용 클라우드 컴퓨터와 애플리케이션 생태계도 API로는 얻을 수 없어요. APIYI apiyi.com의 키 하나로 여러 모델을 편리하게 전환할 수 있으며, Agent의 나머지 부분은 여전히 이 글의 3~6부에 따라 구현하면 돼요.

Q2: GPT Dots를 재현할 때 OpenAI 호환 인터페이스와 Claude 네이티브 인터페이스 중 어느 것을 선택해야 하나요?

두 방식 모두 같은 Agent에 연결할 수 있어요. GPT, DeepSeek 같은 모델은 OpenAI 호환 인터페이스를 사용하고, Claude는 네이티브 Messages 인터페이스를 사용하면 `tool_use`, `tool_result`, `is_error` 메커니즘을 완전히 활용할 수 있어요. 컨트롤러 안에 통일된 도구 호출 인터페이스를 추상화하고, 두 경로 각각에 어댑터를 하나씩 작성하는 것을 권장해요.

Q3: 모델마다 도구 호출 성능이 똑같나요?

프로토콜이 호환되더라도 모델마다 병렬 호출, Schema 준수, 오류 복구, 호출 라운드에서 차이가 있어요. 동일한 도구 정의와 작업으로 비교 테스트를 수행하고 호출 횟수, 파라미터 오류, Token, 정확도를 집계한 뒤 주력 모델과 폴백 모델을 결정하세요.

Q4: 자체 구축 Agent로 어떻게 “24시간 작업”을 구현하나요?

“24시간”은 계획에 따라 백그라운드에서 작업을 계속 진행하는 작업 방식을 의미해요. 구현은 세 가지에 달려 있어요: 상주 서버의 스케줄러, Checkpoint가 있는 작업 상태, 재시도 가능한 Worker. 서버 유지보수나 의존성 장애가 발생하면 작업이 일시 중지되고, 복구되면 중단 지점부터 계속돼요.

Q5: Personal AI Radar는 한 달에 대략 얼마 정도 비용이 드나요?

정보 소스 수, 각 뉴스의 처리 심도, 선택한 모델에 따라 달라요. 먼저 일주일 운영해 보면서 로그로 일일 입력/출력 Token을 집계하고, 8.1절 공식과 모델 단가로 모델 비용을 계산한 뒤 서버, 검색 API, 유지보수 공수를 더하면 돼요.

Q6: 자체 구축 Agent는 프롬프트 인젝션(Prompt Injection)을 어떻게 방어하나요?

웹 페이지와 문서 내용을 자료로 전달하고, 시스템 프롬프트에 자료 안의 지시는 실행하지 않는다고 명시하세요. 도구는 작업 완료에 필요한 최소 권한만 개방하고, 외부 전송·게시·삭제류 작업은 수동 승인 큐로 보내며, 모든 도구 호출을 로그에 기록하세요. 이런 조치가 위험을 크게 낮춰주지만, 결과는 여전히 정기적으로 사람이 표본 점검해야 해요.

GPT Dots 재현 핵심 포인트 Key Takeaways

  • 재현 목표: Dots의 동작 방식을 재현하는 것인데, 전용 모델·클라우드 컴퓨터·앱 생태계는 직접 대체해야 합니다.
  • 일곱 개 모듈: 모델, 컨트롤러, 도구, 메모리, 스케줄링, 실행 환경, 승인 — 이 가운데 API에서 가져오는 것은 모델뿐입니다.
  • 도구 호출: 모델이 요청을 제안하고 프로그램이 도구를 실행하며, 권한과 실패 처리는 개발자가 담당합니다.
  • 메모리 계층화: 현재 컨텍스트, 프로젝트, 사용자, 경험의 네 계층을 분리해 저장하고 필요할 때 검색합니다.
  • 백그라운드 실행: 스케줄러 + 작업 큐 + Checkpoint를 조합해, 실패하면 재시도하고 중단 지점부터 복구합니다.
  • 비용 계산: 모델 Token 외에 서버, 데이터베이스, 도구, 유지보수 인건비까지 모두 포함해야 합니다.
  • 모델 선택: APIYI를 통해 여러 모델을 통합 연결하고, 동일한 테스트 데이터로 주력 모델을 선정합니다.

요약

API로 GPT Dots를 재현하는 핵심 포인트는 다음과 같습니다.

  1. 계층 구분: 모델 API는 의사결정을, Agent 프레임워크는 오케스트레이션을, 실행 환경은 실제 실행을 담당하므로 세 가지를 각각 구축해야 합니다.
  2. 최소 루프 먼저 완성: 모델 하나, 도구 세 개, SQLite 테이블 하나, 정기 작업 하나만 있으면 지속적으로 동작하는 개인 Agent를 만들 수 있습니다.
  3. 데이터로 선택: 모델의 도구 호출 성능과 실제 비용은 모두 동일 조건 테스트를 통해 도출해야 합니다.

Personal AI Radar는 아주 좋은 출발점이에요. 지속 작업, 메모리, 도구 호출, 스케줄링, 인간-AI 협업이라는 Dots의 다섯 가지 핵심 역량을 모두 아우르니까요. APIYI apiyi.com을 통해 여러 후보 모델을 연결하고, 동일한 도구 정의로 비교 테스트를 마친 뒤 가장 안정적인 성능을 보인 모델을 여러분의 Agent에 넣는 것을 권합니다.

📚 참고 자료

  1. OpenAI 공식 발표 – Introducing dots: Dots의 제품 포지셔닝, 클라우드 컴퓨터, 애플리케이션 생태계
  2. 링크: openai.com/index/introducing-dots
  3. 설명: Dots의 공식 기능 설명을 가장 먼저 확인하기 좋은 자료

  4. ChatGPT Learn – Tasks and memory: Dots의 장기 작업, 백그라운드 Agent, 메모리, 능동적 리서치

  5. 링크: learn.chatgpt.com/docs/dots/tasks-and-memory
  6. 설명: 자체 Agent의 메모리 계층과 스케줄링 메커니즘을 설계할 때 참고할 자료

  7. OpenAI Help Center – About ChatGPT Pro tiers: Pro 100, Pro 200, Pro 500의 가격과 할당량 규칙

  8. 링크: help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers
  9. 설명: 자체 구축 비용과 구독 요금을 비교할 때 참고

  10. ChatGPT Learn – Dots 엔터프라이즈 관리자 가이드: Enterprise 워크스페이스에서 Dots를 개설하고 과금하는 방식

  11. 링크: learn.chatgpt.com/docs/enterprise/dots-admin-guide
  12. 설명: 기업 사용자가 Dots 비용을 평가할 때 참고

  13. OpenAI Function Calling 문서: 도구 호출의 요청 및 반환 형식

  14. 링크: developers.openai.com/api/docs/guides/function-calling
  15. 설명: 3장의 도구 루프를 구현하기 위한 공식 근거

  16. LangGraph 공식 문서: 상태를 유지하는 장기 실행 Agent 워크플로 런타임

  17. 링크: langchain-ai.github.io/langgraph
  18. 설명: Checkpoint, 지속성, 인간 승인을 바로 활용할 수 있는 구현

  19. APIYI 다중 모델 도구 호출 재현 테스트: 5단계로 다중 턴 도구 호출 소규모 테스트를 설계하는 방법

  20. 링크: help.apiyi.com/en/one-key-multi-model-reproducible-tool-calling-test-en.html
  21. 설명: 여러 모델의 도구 호출 성능을 비교하는 테스트 방법

  22. APIYI Base URL 설정 안내: OpenAI 호환, Claude, Gemini 엔드포인트 설정

  23. 링크: help.apiyi.com/en/apiyi-base-url-v1-claude-gemini-endpoint-config-guide-en.html
  24. 설명: 다양한 프로토콜의 모델 접속을 설정할 때 참고

저자: APIYI 기술팀
기술 교류: APIYI 공식 웹사이트를 통해 저희에게 연락해 주세요. 더 많은 접속 자료는 docs.apiyi.com 문서 센터에서 확인하실 수 있습니다

관련 글

Similar Posts