DeepSeek + REA (Reverse Engineer Anything) is INSANE!
Quick Summary
영상은 DeepSeek와 REA가 오픈소스 코드에서 설계 근거를 찾아 고객 보고서 에이전트, 출시 페이지 편집기, 미답변 질문 탐색기에 어떻게 반영했는지 보여준다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
영상은 DeepSeek와 REA가 오픈소스 코드에서 설계 근거를 찾아 고객 보고서 에이전트, 출시 페이지 편집기, 미답변 질문 탐색기에 어떻게 반영했는지 보여준다.
📌 핵심 요점
- 발표자는 DeepSeek Harness에 REA(Reverse Engineer Anything)를 연결해 세 프로젝트를 검토했다. 각 사례에서 어떤 파일이 설명을 뒷받침하는지, 어디까지 확인할 수 있었는지를 함께 기록했다고 설명한다.
- Hugging Face의 에이전트 라이브러리는 Python으로 작성돼 REA의 JavaScript 정적 분석 대상이 없었다. 발표자에 따르면 DeepSeek가 Python 코드를 직접 읽고 파일과 줄 번호를 근거로 남겼다. 이를 참고한 고객 보고서에는 주간 성과, 차트 세 개, 다음 주 할 일이 담겼다.
- Puck에서 가져온 아이디어는 페이지를 데이터로 표현하는 방식이다. 출시 페이지 편집기 시연에서는 블록을 추가하면 옆에 표시된 데이터와 페이지 미리보기가 함께 바뀌었다.
- Discourse 사례에서는 검색 기능과 질문의 해결 상태를 참고했다. 질문 탐색기는 게시물 42개를 대상으로 답변이 필요한 글을 표시하고, 각 글이 높은 순위를 받은 이유와 답변 초안을 보여줬다.
- 발표자는 완성 여부를 판단할 때 근거 문서의 파일·함수와 실제 코드를 대조하고, 주요 기능을 직접 사용해 원본에서 파악한 동작이 구현됐는지 확인하라고 권한다.
🧩 배경과 문제 정의
출발점은 AI Profit Boardroom 회원들이 제기한 세 가지 업무 문제였다. 대행사는 고객 보고서를 반복해서 써야 했고, 강의 운영자는 출시 페이지를 만들고 싶었으며, 대규모 커뮤니티 운영자는 아직 도움을 기다리는 질문을 찾고 싶었다. 발표자는 각 문제에 대응하는 오픈소스 프로젝트를 골랐다. 세 사례를 관통하는 질문은 AI가 어떤 설계를 참고했는지 사람이 확인하고, 그 설계가 결과물에서도 작동하는지 판단할 수 있느냐는 것이다.
🕒 시간순 섹션별 상세정리
1. 세 가지 업무 질문과 REA의 역할
- 발표자는 GitHub의 세 프로젝트를 고객 보고서, 출시 페이지, 커뮤니티 질문 탐색에 연결하고, 사례가 모두 회원들의 질문에서 나왔다고 보여준다. [00:43]
- REA의 정적 분석 기능은 JavaScript와 TypeScript를 읽으며, 분석 기록에는 설명의 근거와 확인하지 못한 항목이 함께 담긴다고 보여준다. [01:31]
2. 고객 보고서와 Python 분석의 한계
- Hugging Face 라이브러리에서 REA가 분석할 JavaScript 파일은 나오지 않았다. 발표자는 DeepSeek가 Python 파일을 읽어 설명에 줄 번호를 붙였고, 확인하지 못한 내용도 기록했다고 드러낸다. [04:18]
- 발표자는 가상의 고객명을 촬영 전에 바꿨다고 드러낸다. 완성된 보고서에는 주간 성과와 차트 세 개, 다음 주 할 일이 표시된다. [04:55]
3. 블록 편집이 페이지에 반영되는 과정
- Puck 사례에서 발표자가 주목한 것은 블록 편집과 화면 사이의 관계다. 블록이 바뀌면 페이지 데이터가 갱신되고, 그 데이터에 따라 화면이 다시 그려진다. [06:13]
- 출시 페이지 편집기 시연에서는 소개, 후기, 질문 등의 블록을 조합하는 동안 옆에서 페이지 데이터의 변화를 확인할 수 있다. [06:35]
4. 커뮤니티에서 답변을 기다리는 질문 찾기
- 발표자는 Discourse의 검색 기능과 해결 상태 표시 기능을 검토하고, 관련도와 답변 상태를 활용해 운영자가 살펴볼 질문을 추렸다고 보여준다. [08:03]
- 게시물 42개를 사용한 시연에서는 글을 선택하면 높은 순위를 받은 이유와 짧은 답변 초안이 나타난다. [08:19]
5. 완료 판단과 재사용 범위
- 발표자는 근거 문서가 가리키는 파일·함수와 미확인 항목을 읽고, 주요 기능을 직접 써보며 설명한 동작이 구현됐는지 점검하라고 권한다. [09:23]
- 마무리에서는 필요한 기능으로 검토 범위를 좁히고 라이선스를 확인하라고 권한다. 세 결과물을 대행사, 강의 운영자, 코치의 업무에 연결한 뒤 커뮤니티 자료를 안내하며 영상을 끝낸다. [11:19]
🧾 결론
- 세 시연은 서로 다른 설계 아이디어를 업무에 적용했다. 보고서에는 단계별 처리 과정을, 편집기에는 페이지 데이터 모델을, 질문 탐색기에는 답변 상태 구분을 활용했다.
- Python 사례는 분석 주체를 구분해야 하는 이유를 보여준다. REA가 직접 분석할 수 있었던 범위와 DeepSeek가 소스를 읽고 설명한 범위가 달랐다.
- 업무에 쓸 수 있는지는 사람이 판단한다. 발표자도 모델이 지어낸 시연용 고객명을 촬영 전에 바꿨다고 밝혔다.
📈 투자·시사 포인트
- 대행사가 보고서 자동화의 가치를 평가하려면 주간 비교와 차트 작성에서 줄어드는 시간, 수치와 고객 정보를 검토하는 데 드는 시간을 함께 살펴볼 수 있다.
- 강의·커뮤니티 운영자에게 출시 페이지 편집기의 가치는 반복 편집에 있다. 기존 블록을 추가하거나 옮겼을 때 의도한 내용과 순서가 유지되는지가 도입 판단 기준이다.
- 커뮤니티 지원 도구는 실제로 답변을 기다리는 질문을 얼마나 잘 찾아내는지로 평가할 수 있다. 영상의 42개 게시물 시연만으로 더 큰 커뮤니티에서의 정확도나 운영비 절감 폭을 추정하기는 어렵다.
⚠️ 불확실하거나 확인이 필요한 부분
- 발표자는 각 도구를 만드는 데 몇 분이 걸렸다고 말한다. 실제 고객 데이터를 연결하고 오류를 수정하거나 결과를 검수하는 데 걸린 시간은 제시하지 않는다.
- 보고서의 고객명 하나를 촬영 전에 교체했다는 설명이 있다. 차트 수치와 주간 성과 해석이 실제 고객 자료와 일치하는지는 영상에서 검증되지 않았다.
- 질문 탐색기의 시연 규모는 게시물 42개다. 운영자가 판정한 미답변 질문과 얼마나 일치했는지, 놓친 질문은 몇 개인지에 관한 수치는 없다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 검토 권한이 있는 소스의 라이선스에서 재사용할 수 있는 범위를 확인한다.
- 도입 판단에 중요한 설명 하나를 골라 근거 문서에 적힌 파일·함수와 대조하고, 미확인 항목이 그 판단에 영향을 주는지 살핀다.
- 고객 보고서의 주간 비교와 차트를 원자료와 대조하고, 고객명과 다음 주 할 일을 담당자가 검토한다.
- 질문 탐색기가 골라낸 글과 놓친 글을 운영자가 함께 읽어, 실제로 답변이 필요한 질문을 구분했는지 평가한다.
❓ 열린 질문
- 실제 고객 자료를 사용할 때 보고서 작성부터 검수까지 총 작업 시간은 얼마나 달라질까?
- 이미 답변을 받았지만 해결 표시가 없는 질문을 탐색기는 어떻게 분류하며, 운영자의 판단과 얼마나 일치할까?