GLM 5.3 AI Full COURSE 1 HOUR (Build & Automate Anything)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

GLM 5.3으로 무엇이든 만들고 자동화하려면 모델 성능만 기대할 것이 아니라 목표·검증 기준·권한·메모리·실행 환경을 하나의 에이전트 작업 체계로 설계해야 한다.

📌 핵심 요점

1. GLM 5.3의 핵심 발전은 모델 크기나 사전훈련 확대가 아니라 계획, 도구 사용, 자기검증, 오류 복구, 장기 실행을 강화한 후훈련이다. 같은 기반 모델임에도 Terminal Bench 3.0 점수가 4.6에서 28.3으로 상승한 것은 이러한 변화가 짧은 응답보다 복잡한 장기 과제에서 두드러진다는 점을 보여준다.
2. 성과를 높이는 프롬프트는 구현 절차를 세세하게 지시하기보다 달성할 결과와 완료 조건을 명확히 정의한다. 링크 작동, 모바일 가독성, 데이터 저장, 계산 정확성처럼 직접 검사할 기준을 넣으면 모델이 계획·구축·테스트·수정을 반복하며 결과를 보완할 수 있다.
3. Z Code의 실전 자율성은 권한과 추론 강도에 크게 좌우된다. Full Access와 Max 노력 수준은 복잡한 작업의 완성도와 첫 시도 성공률을 높일 수 있지만 토큰 소비와 변경 위험도 커지므로, 민감한 환경에서는 Ask Before Changes와 단계별 검증이 더 적합하다.
4. /goal, 예약 작업, 스킬, 플러그인, Obsidian 외부 메모리를 결합하면 일회성 대화를 반복 가능한 운영 흐름으로 전환할 수 있다. 특히 공용 볼트와 재사용 스킬은 모델이나 하네스가 바뀌어도 개인화된 문맥과 품질 기준을 이어가는 기반이 된다.
5. 자동화의 실제 한계도 분명하다. 예약 작업에는 실행 중인 앱·컴퓨터·인터넷이 필요하고, 원격 접속 링크는 보안 관리가 필요하며, Browser Use의 정확도는 낮다고 평가된다. 장기 작업에서는 무료 토큰 한도, 캐시 활용, 비혼잡 시간 할인, 클라우드 실행 비용까지 함께 설계해야 한다.

🧩 배경과 문제 정의

• GLM 5.3의 핵심 변화는 기반 모델의 크기나 사전훈련 확대가 아니라, 계획·도구 사용·검증·복구·장기 실행 능력을 강화한 후훈련에 있다.
• 실전 가치는 짧은 답변보다 여러 단계의 복잡한 업무를 스스로 진행하고, 결과가 목표를 충족하는지 확인한 뒤 완수하는 능력에서 나온다.
• Z Code의 권한·추론 강도·프로젝트 연결과 Goal 모드, 예약 자동화, 스킬·플러그인·외부 메모리 구성이 작업 품질과 자율 실행 범위를 좌우한다.

🕒 시간순 섹션별 상세정리

1. 후훈련으로 달라진 GLM 5.3의 성격

• GLM 5.3은 올바르게 설정하면 비즈니스용 도구·웹사이트·앱 제작과 반복 업무 자동화를 맡을 수 있으며, 작업을 백그라운드에서 계속 실행하는 활용까지 목표로 한다. [01:51]
• Z AI는 GLM 5.2와 크기·아키텍처·사전훈련이 같은 기반 모델에 후훈련만 추가했으며, 원시 지식보다 계획·도구 사용·자기검증·오류 복구·장기 작업 능력을 크게 바꿨다. [02:06]

2. 실제 전문 업무를 닮은 장기 과제 훈련

• 약 한 달의 추가 후훈련은 코딩 퍼즐보다 여러 단계와 긴 맥락을 요구하는 전문 업무에 집중했으며, 일부 과제는 숙련 엔지니어가 며칠간 수행할 규모였다. [02:10]
• 연구 에이전트가 실제 업무 패턴으로 실행 환경을 만들고, 판정 에이전트와 정답을 보지 못하는 검증기가 결과의 외형이 아니라 실제 목표 달성 여부를 검사했다. [03:23]

3. 장기 작업에서 커진 벤치마크 상승폭

• 최대 600회 실행과 10시간 작업을 허용하는 Terminal Bench 3.0에서 점수가 4.6에서 28.3으로 약 6배 상승해, 동일 기반 모델의 장기 완수 능력이 크게 개선됐다. [04:10]
• Deep SWE는 46.2에서 66.9, SWE Marathon은 19.4에서 42.5, Automation Bench는 26.2에서 48.2로 올랐으며, 짧은 시험보다 길고 다단계인 시험에서 상승폭이 더 컸다. [04:31]

4. 독립 평가의 우위와 경쟁 모델 대비 한계

• Artificial Analysis가 평가한 전문 업무 벤치마크 GDPval에서 GLM 5.3은 1,769점을 기록해 Claude Fable 5의 1,743점과 GT5.6 Soul의 1,730점을 앞섰으며, Z AI가 직접 채점하지 않은 결과라는 점에서 신뢰도가 더 높다. [05:30]
• Z AI의 최고 난도 종합 시험에서는 Claude Fable 5가 39.5%로 GLM 5.3의 34.5%를 앞섰고, Moonshop의 Kim K3도 Deep SWE Marathon을 포함한 여러 항목에서 더 높은 성능을 냈다. [06:13]

5. Z Code 접근과 권한·추론 수준 설정

• Z Code의 무료 체험으로 GLM 5.3을 사용할 수 있지만 제공 토큰이 많지 않아 복잡하거나 장시간 실행하는 프로젝트에서는 한도가 빠르게 소진될 수 있다. [07:01]
• Full Access는 반복 승인을 줄여 자율 실행에 적합하고 Ask Before Changes는 민감한 시스템을 보호하는 데 유리하며, GLM 5.3과 Max 노력 수준의 조합은 더 많은 토큰을 쓰는 대신 완성도와 첫 시도 성공률을 높인다. [07:21]

6. 프로젝트 환경 연결과 자연어 작업 정의

• 새 작업은 로컬 폴더, Docker·SSH 기반 원격 연결, 프로젝트 외부 실행 중 하나를 선택하며, VPS 작업에는 원격 환경이 필요하지만 일반적인 제작은 로컬 방식이 더 단순하고 빠르다. [08:48]
• 웹사이트·앱·도구뿐 아니라 없애고 싶은 반복 업무도 자연어로 원하는 결과를 적어 시작할 수 있어, 구현 방법보다 목표와 필요한 기능을 명확히 정의하는 일이 중요하다. [09:31]

7. 검증 조건을 포함한 첫 웹사이트 제작

• 반려견 미용업체 랜딩 페이지 프롬프트에는 예약 전환 목표, 헤드라인, 선택 이유 세 가지, 고객 우려 해소 영역, 연락처 수집 폼을 포함하고 완료 전에 폼이 실제로 제출 내용을 저장하는지 테스트하는 조건까지 넣었다. [10:00]
• 첫 결과는 7분 54초 동안 자율적으로 제작됐고 저장 위치·수행 단계·테스트 내역을 함께 남겼으며, 브라우저 미리보기에서 결과를 확인한 뒤 대화로 디자인과 기능을 반복 수정할 수 있다. [10:32]

8. Goal 모드를 활용한 앱 제작과 반복 완수

• 주간 계획 앱은 요일별 작업 추가·완료 처리·남은 작업 이동·주간 완료 수 집계를 목표로 삼았으며, 초기 버전은 39초 만에 생성되고 후속 개선은 18분 동안 자율적으로 진행됐다. [12:28]
• /goal 모드는 제작 에이전트와 판정 에이전트가 기준을 충족할 때까지 작업과 검사를 반복하며, 같은 제작 방식으로 중국어·영어를 전환할 수 있는 다국어 웹사이트까지 확장할 수 있다. [14:15]

9. 예약 자동화의 작업·일정·출력 설계

• 예약 작업은 Z Code 앱과 컴퓨터가 켜진 상태에서 지정한 시간마다 실행되며, 최신 AI 뉴스를 주기적으로 수집하는 것처럼 사람이 매번 시작하지 않아도 되는 업무에 적합하다. [15:11]
• 월요일 오전 9시에 이번 주의 새로운 AI 자동화 뉴스만 확인하고 콘텐츠 아이디어와 웹페이지를 생성하도록 범위·최신성 검증·출력 형식을 지정했으며, 복잡한 지시는 Whisper Flow 음성 입력으로 빠르게 작성할 수 있다. [15:51]

10. 무인 실행 설정과 필수 운영 조건

• 사람이 없는 동안 실행할 예약 작업에는 Full Access, GLM 5.3, Max 노력 수준을 적용할 수 있고, Run Now로 즉시 시험한 뒤 작업 기록과 이전 실행 결과를 다시 확인할 수 있다. [17:02]
• 예약 시각에 앱을 닫거나 컴퓨터를 끄거나 인터넷 연결이 끊기면 작업이 실행되지 않으므로, 상시 켜진 컴퓨터와 필요한 연결 상태를 유지해야 한다. [18:23]

11. 모바일 원격 제어와 접근 링크 보안

• QR 코드나 공유 링크로 휴대전화를 연결하면 Z Code가 실행 중인 컴퓨터의 작업을 원격에서 제어할 수 있어, 데스크톱 앞에 있지 않아도 진행 상태를 확인하고 명령을 보낼 수 있다. [18:40]
• Telegram을 비롯한 여러 채널을 연결할 수 있지만 공유된 QR 코드가 노출되면 접근 위험이 생기므로, 사용 후 코드를 새로 발급해 기존 연결 정보를 무효화해야 한다. [19:18]

12. 스킬과 플러그인으로 확장하는 작업 체계

• 스킬은 SEO 콘텐츠 제작이나 모바일 앱 설계처럼 반복할 워크플로·허용 도구·상세 절차를 저장하며, 필요할 때 호출하거나 편집·비활성화·삭제하고 다른 코딩 에이전트의 스킬도 가져올 수 있다. [19:59]
• 플러그인은 GitHub 저장소·클라우드 서비스·iOS 시뮬레이터·브라우저 제어 같은 외부 도구를 연결하지만, Browser Use는 시각적 인상에 비해 정확도와 실용성이 낮아 안정적인 자동화 수단으로 쓰기 어렵다. [22:22]

13. 내장 메모리와 Obsidian 외부 기억의 차이

• Z Code의 내장 메모리는 사용자 정보를 보존해 반복 설명을 줄이지만 해당 환경에 묶이며, Obsidian 볼트는 여러 에이전트가 함께 읽고 갱신할 수 있는 공용 외부 메모리 역할을 한다. [23:53]
• 로컬 Obsidian 볼더를 사용하도록 요청하자 Z Code가 볼트 위치와 일일 노트·에이전트 메모리·다이제스트를 찾아 최근 정보를 불러왔고, 기존 기록을 즉시 작업 문맥으로 활용했다. [25:19]

14. 개인화된 문맥의 재사용과 첫 실전 프로젝트 전환

• Obsidian 기록을 이용하면 개인 업무에 맞는 SEO 키워드, 전날 수행한 작업, GLM 5.3으로 자동화할 후보를 만들 수 있으며, 모델이 바뀌어도 같은 볼트를 연결해 축적한 문맥을 재사용할 수 있다. [26:23]
• 여러 에이전트가 볼트의 노트를 자동으로 갱신하고 서로 연결하면 수작업 관리 시간이 줄고, 최신 정보와 개인화된 문맥을 어떤 에이전트에서도 다시 활용할 수 있다. [27:19]

15. 결과 중심 프롬프트와 자율 계획

• 모델은 요청을 단계별 계획으로 나눠 순차 실행하고, 마지막에는 실제 목표를 기준으로 결과를 자체 검증한다. [29:23]
• 파일명과 HTML 태그를 일일이 지시하는 대신, 불안한 첫 고객이 신뢰하고 예약하도록 만드는 페이지라는 결과를 주면 모델이 목표에 맞춰 세부 결정을 내릴 수 있다. [30:37]

16. 검증 문장이 만드는 품질 차이

• 링크 작동 여부, 모바일 가독성, 숫자 계산, 데이터 저장처럼 직접 확인할 조건을 프롬프트 끝에 넣으면 모델이 결과를 다시 점검하고 수정한다. [30:54]
• GLM 5.3의 사후 학습은 목표 달성 여부를 판정하는 검증기와 채점기를 활용했기 때문에, 명확한 검증 기준이 학습된 작업 방식과 맞아떨어진다. [31:24]

17. Goal Mode의 장기 작업 방식

• 일반 채팅에서는 사용자가 계획과 오류 확인을 책임지지만, Goal Mode는 계획·구축·테스트·수정을 반복하며 완료 조건을 충족할 때까지 작업한다. [32:37]
• Terminal Bench 점수는 4.6에서 28.3으로 상승했으며, 이 지표는 여러 단계의 장기 작업에서 목표를 놓치지 않는 능력을 측정한다. [33:14]

18. 병렬 프로젝트와 예약 작업

• 여러 프로젝트를 백그라운드에서 동시에 실행하면 한 작업이 끝날 때까지 기다리지 않고 여러 에이전트가 병렬로 업무를 처리할 수 있다. [34:13]
• 예약한 AI 자동화 뉴스 작업은 최근 날짜의 관련 헤드라인을 찾고, 주간 뉴스 목록과 세부 내용을 정렬한 웹페이지까지 생성한다. [34:34]

19. 반복 개선되는 재사용 스킬

• 기본 생성 결과의 웹 디자인이 평범하더라도, 콘텐츠 구성과 디자인 규칙을 스킬로 만들면 이후 가이드와 앱에 같은 품질 기준을 반복 적용할 수 있다. [35:11]
• 스킬에 피드백과 세부 규칙을 누적한 뒤 “가이드 스킬을 사용하라”고 호출하면, Claude나 Z Code에서 동일한 맞춤형 작업 방식을 재사용할 수 있다. [36:20]

20. 에이전틱 운영체제로 도구 통합

• Z Code, Claude Code, Obsidian과 브라우저 기반 에이전트가 서로 분리되면 탭 전환과 컨텍스트 전환이 늘어나 작업 시간이 낭비된다. [37:03]
• 미션 컨트롤에 에이전트와 시각화된 메모리 시스템을 모으면 새 모델이 나올 때마다 작업 체계를 바꾸지 않고 필요한 모델만 기존 시스템에 연결할 수 있다. [37:31]

21. 미션 컨트롤과 연결형 자동화

• Z Code CLI와 Obsidian 메모리를 포함한 미션 컨트롤 대시보드를 결과 목표로 요청할 수 있으며, 예시 기준 예상 구축 시간은 약 20분이다. [38:54]
• 예약 자동화를 UI로 감싸면 실행 날짜별 기록과 결과를 한 화면에서 확인하고, 뉴스 탐색 결과를 SEO 콘텐츠 생성 흐름으로 연결할 수 있다. [40:13]

22. 다른 하네스와 API로 기능 확장

• GLM 5.3가 작업을 판단하는 두뇌라면 Z Code와 Hermes는 도구와 인터페이스를 제공하는 하네스이며, 같은 모델도 하네스에 따라 사용 방식이 달라진다. [41:42]
• Hermes의 봇 모드에서는 연구원이나 콘텐츠 작성자처럼 역할별 팀원을 만들고, WhatsApp과 유사한 화면에서 각 GLM 5.3 대화를 분리해 관리할 수 있다. [42:28]

23. 피드백 분석·주간 계획·모바일 앱 구축

• 고객 이메일·리뷰·설문·통화 메모를 한 폴더에 모으면 전체 자료를 주제별로 분류하고, 빈도순 불만·실제 인용문·주요 칭찬을 담은 분석 페이지를 만들 수 있다. [44:10]
• 주간 플래너는 요일별 작업 추가, 완료 처리, 미완료 작업 이동, 전주 대비 완료량 비교와 영구 저장을 포함하며 각 기능의 실제 작동까지 완료 조건에 넣는다. [45:03]

24. 캐싱과 시간대에 따른 토큰 최적화

• Z Code의 캐시 적중률은 98% 이상이고 Z AI 기준 실효 토큰은 약 30% 늘어나므로, 여러 프로젝트를 새로 여는 것보다 하나의 프로젝트에서 긴 대화를 유지하는 편이 유리하다. [47:06]
• 중국 시간대의 피크 시간을 벗어난 사용량은 할당량의 절반만 차감되며, 긴급하지 않은 대형 작업을 비혼잡 시간에 예약하면 같은 한도로 더 많은 작업을 처리할 수 있다. [48:01]

25. 기존 도구 호환성과 반복 업무 자동화

• Anthropic 형식과 호환되는 엔드포인트를 사용하면 Claude Code에 GLM 5.3를 연결할 수 있고, OpenCode에서는 100만 토큰 컨텍스트를 유지한 채 엔진만 교체할 수 있다. [49:04]
• 프로젝트의 instructions 파일에 브랜드 색상, 문체, 모바일 속도, 완료 전 테스트 규칙을 기록하고 매번 먼저 읽게 하면 간단한 재사용 스킬이 된다. [49:49]

26. 흔한 실수와 서브 에이전트 활용

• 짧고 모호한 질문이나 낮은 effort 설정은 복잡한 구축 작업을 얕은 결과로 만들기 때문에, 구체적인 작업 목표를 주고 고난도 작업에는 Max 설정을 사용해야 한다. [50:52]
• 맥락과 검증 기준을 생략하거나 80% 완성된 결과를 처음부터 다시 만들면 비용이 커지므로, 메모리·예시·검증 문장을 제공하고 기존 결과에 피드백을 더해 완성해야 한다. [51:16]

27. 빠른 모델 발전과 클라우드 실행

• GLM 계열과 중국 오픈소스 모델은 이전 버전보다 빠르게 개선되고 있으며, GLM 5.3는 오픈 가중치를 제공해 향후 발전 가능성을 남긴다. [54:08]
• 모델 규모가 커서 로컬 실행에는 과도한 GPU 자원이 필요하므로, 대부분의 사용자는 더 빠르고 안정적인 클라우드 호스팅 API를 사용하는 편이 현실적이다. [54:42]

🧾 결론

• GLM 5.3의 차별점은 더 많은 지식을 답하는 능력보다 여러 단계의 일을 끝까지 수행하고 실제 목표 달성을 검증하는 능력에 있다.
• 가장 효과적인 사용법은 결과 중심 프롬프트에 측정 가능한 완료 조건을 붙이고, Goal Mode나 후속 피드백으로 기존 결과를 반복 개선하는 것이다.
• 다섯 번 이상 반복하는 절차는 스킬로, 매주 같은 시각에 수행하는 업무는 예약 작업으로 전환할 때 자동화의 시간 절감 효과가 커진다.
• 모델·하네스·공용 메모리·외부 도구를 미션 컨트롤 형태로 통합하면 새 모델이 등장해도 전체 작업 체계를 다시 만들지 않고 필요한 구성 요소만 교체할 수 있다.

📈 투자·시사 포인트

• AI 경쟁의 평가 기준은 짧은 벤치마크 점수에서 장시간·다단계 업무의 실제 완수율과 검증 가능성으로 이동할 가능성이 크다.
• 같은 모델도 Z Code나 Hermes 같은 하네스, 권한 관리, 스킬, 외부 메모리 구성에 따라 활용 가치가 달라지므로 모델 자체뿐 아니라 에이전트 운영 계층과 통합 생태계가 중요해진다.
• 캐시 적중률, 비혼잡 시간 할인, 작업당 토큰 소비량은 장기 에이전트의 경제성을 결정하는 핵심 변수이므로 명목 가격보다 완료된 업무당 총비용을 비교해야 한다.
• 오픈 가중치 모델의 빠른 발전은 선택지를 넓히지만 대형 모델의 로컬 실행에는 과도한 GPU 자원이 필요하므로, 다수 사용자에게는 안정적인 클라우드 호스팅과 API 인프라가 계속 중요할 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• Terminal Bench, GDPval, Deep SWE 등 제시된 수치는 평가마다 경쟁 모델의 순위가 다르므로 원문 평가표, 실행 조건, 채점 방식과 함께 확인해야 한다.
• 무료 체험 토큰, 98% 이상의 캐시 적중률, 실효 토큰 증가와 비혼잡 시간 할인은 계정·시점·서비스 정책에 따라 달라질 수 있어 실제 적용 전에 최신 조건을 확인해야 한다.
• Browser Use는 정확도와 실용성이 낮다고 평가됐으므로 결제, 발행, 데이터 변경처럼 실패 비용이 큰 자동화에는 별도의 검증 절차가 필요하다.
• 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

• 다섯 번 이상 반복한 업무 하나를 선정하고 원하는 결과, 입력 자료, 금지 조건, 완료 기준을 한 문서로 정의한다.
• 첫 프로젝트 프롬프트 끝에 링크 작동, 모바일 표시, 데이터 저장, 계산 정확성 등 실제로 검사할 조건을 추가한다.
• 민감도에 따라 Full Access와 Ask Before Changes를 구분하고, 고난도 작업에서만 Max 노력 수준을 적용해 토큰 사용량과 결과를 비교한다.
• 검증된 절차는 스킬로 저장하고 정기 업무는 예약 작업으로 전환한 뒤 Run Now로 즉시 시험해 실행 기록을 확인한다.

❓ 열린 질문

• 후훈련으로 나타난 장기 과제 성능 향상이 실제 기업 업무의 다양한 도구·권한·오류 환경에서도 같은 수준으로 재현될까?
• 독립 평가에서의 우위와 Z AI 자체 고난도 시험에서의 열세를 함께 고려할 때 GLM 5.3에 가장 적합한 업무 유형은 무엇일까?
• Full Access의 자율성과 Ask Before Changes의 안전성 사이에서 업무별 최적 권한 경계를 어떻게 정량화할 수 있을까?