2시간 만에 유튜브를 만든 프롬프트, 단어 5개
Quick Summary
영상에 따르면 안드레이 카파시는 클로드와 함께 2시간 만에 유튜브 영상 큐레이션 사이트 ‘해커튜브’를 만들었고, 제목의 ‘단어 5개’는 서버가 준비된 뒤 후속 작업을 맡길 때 쓴 지시였다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
영상에 따르면 안드레이 카파시는 클로드와 함께 2시간 만에 유튜브 영상 큐레이션 사이트 ‘해커튜브’를 만들었고, 제목의 ‘단어 5개’는 서버가 준비된 뒤 후속 작업을 맡길 때 쓴 지시였다.
📌 핵심 요점
- 카파시가 바꾸고 싶었던 것은 추천 기준이었다. 해커튜브는 해커뉴스 20년치 댓글에서 서로 다른 세 사람이 서로 다른 세 달에 걸쳐 진지하게 추천한 영상 6,454개를 모았다.
- 카파시는 직접 코드를 읽거나 쓰지 않았다고 밝혔다. 클로드가 댓글 분석과 앱 구현을 맡는 동안 카파시는 유튜브 API 키, 서버, 도메인을 준비했다.
- 카파시가 공개한 집계는 입력 약 5억 400만 토큰, 출력 약 760만 토큰이었다. 전체 토큰의 90% 이상이 댓글 분류에 쓰였고, 앱 제작과 배포에는 약 100만 토큰이 들었다고 한다.
- 카파시는 모델이 의도를 파악할 수 있을 때 세부 요구사항을 줄인다고 설명했다. 다만 해커튜브에서처럼 짧게 일을 맡기는 방식은 자신이 신뢰하는 오퍼스 5.5 이상에 한정했다.
- 영상은 에이전트가 자기 작업을 검증할 수 있어야 사람이 자리를 비울 수 있다고 설명한다. 그때 사람이 맡을 일은 결과를 이해하고 어느 쪽이 더 나은지 판단하는 것이다.
🧩 배경과 문제 정의
카파시는 금요일 밤 유튜브에서 과장된 썸네일과 늘 비슷한 추천을 봤다고 적었다. 그는 자신의 취향이 대중의 이용 패턴 속에서는 ‘반올림 오차’처럼 작다고 봤다. 다음 날 눈을 돌린 곳은 해커뉴스 댓글이었다. 오랜 시간 여러 사람이 거듭 권한 영상을 모으면 자신이 보고 싶은 목록을 만들 수 있다는 생각이었다.
🕒 시간순 섹션별 상세정리
1. 유튜브 추천에 대한 불만에서 나온 해커튜브
- 영상은 카파시가 토요일 아침 클로드에 작업을 맡긴 뒤 두 시간 만에 해커뉴스 댓글에서 고른 영상 6,454개를 모았다고 전해진다. [00:26]
- 카파시는 AI 사용 경험이 크게 갈리는 이유로 맡기는 일의 규모, 분야별 모델 성능 차이, 요금제와 연구 환경에 따른 접근성 차이를 꼽았다. [02:03]
2. 두 시간 동안 가장 많은 자원을 쓴 일
- 공개 데이터에 담긴 댓글 약 4,300만 개에서 추천 댓글 약 4만 개를 추렸다. 사이트 소개에 따르면 영상 선정 기준은 서로 다른 세 사람이 서로 다른 세 달에 걸쳐 진지하게 추천했는지였다. [03:19]
- 카파시는 외부 서비스와 서버를 준비했다. 그가 공개한 집계에서는 댓글 분류가 전체 토큰의 90% 이상을 차지했고, 앱 제작과 배포에는 약 100만 토큰이 쓰였다. [03:52]
3. 다섯 단어가 쓰인 시점과 사람에게 남은 일
- 카파시는 세부 요구사항이 모델의 선택을 지나치게 제한할 수 있다고 봤다. 영상에서 다섯 단어가 등장하는 시점은 서버가 준비된 뒤이며, 카파시는 이런 위임 방식을 오퍼스 5.5 이상에서 쓴다고 밝혔다. [05:02]
- 카파시는 결과를 이해하는 데 더 많은 시간을 쓰게 될 것으로 봤다. 짧은 기술 설명부터 다이어그램, 눌러 볼 수 있는 웹페이지, 주제별 설명 영상까지 결과를 살펴보는 형식을 제시했다. [05:50]
4. 검증과 피드백, 스킬 파일의 실제 효과
- 클로드 코드 개발자 보리스 체르니는 모델이 자기 작업을 검증할 수 있어야 한다고 강조했다. 해커튜브에서는 공개 뒤 이용자 요청을 받아 두 시간 안에 검색 필터와 정렬, 재생 목록이 추가됐다고 한다. [06:56]
- 영상이 소개한 비교 실험에서 스킬 9개 중 2개는 대조군보다 비용이 적게 들었고 6개는 차이가 없었으며 1개는 통과율이 낮아졌다. 이어 소개한 크로마의 18개 모델 실험에서는 입력이 길어질수록 성능이 불안정해졌다. [07:39]
5. 다시 쓸 수 있는 데이터와 사람이 내릴 판단
- 카파시는 서버 코드는 비공개로 두고 댓글 분석 데이터를 공개했다. 영상은 엿새 뒤 다른 채널 목록으로 영상 4만 7천 개를 담은 사이트를 3분 만에 만들었다는 후속 사례를 보여준다. [08:09]
- 영상은 해커튜브에서 가치가 남는 자산으로 20년치 추천을 추린 목록을 꼽는다. 카파시는 모델의 역량을 판단하는 사례로 좌표의 육지·바다 구분 결과를 세계 지도처럼 펼쳐 본 평가도 공유했다. [09:26]
- 끝으로 영상은 의도를 간결하게 전하고, 에이전트가 작업을 검증하게 한 뒤, 사람이 결과를 이해하고 고르는 방식을 정리한다. 마지막 질문은 시청자가 자신의 화면에서 느낀 어떤 불편을 직접 고쳐 보고 싶은가이다. [10:16]
🧾 결론
- 해커튜브의 개성은 ‘누가, 얼마나 오랫동안 추천했는가’라는 질문에서 나왔다. 이 기준이 같은 유튜브 영상으로도 전혀 다른 목록을 만들었다.
- 다섯 단어가 등장했을 때는 이미 서비스의 목적이 정해져 있었고 서버도 준비돼 있었다. 지시가 짧아도 됐던 이유를 이해하려면 그때까지 모델과 사람이 각각 무엇을 맡았는지 함께 봐야 한다.
- 카파시가 다른 사람에게 건넨 것은 댓글을 분석한 데이터였다. 화면을 새로 만들어도 그 안에 담긴 추천 목록은 다시 쓸 수 있었다.
📈 투자·시사 포인트
- AI 앱의 비용을 살필 때는 화면과 기능을 구현하는 비용뿐 아니라 쓸 만한 데이터를 만드는 비용도 따져야 한다. 해커튜브에서 토큰을 가장 많이 쓴 작업은 추천 댓글을 가려내는 일이었다.
- 큐레이션 서비스의 차별성을 평가하려면 어떤 자료를 확보했고 어떤 기준으로 추렸는지 살펴볼 만하다. 해커튜브에서는 20년에 걸친 커뮤니티의 추천 이력이 그 근거였다.
- 코딩 에이전트 도구의 경제성은 결과 품질과 작업당 비용을 나눠 봐야 한다. 영상이 소개한 스킬 9개 비교에서 대조군보다 나았던 2개는 같은 일을 더 싸게 마쳤다는 점에서 앞섰다.
⚠️ 불확실하거나 확인이 필요한 부분
- 제작 시간과 토큰 수는 영상이 전한 카파시의 글과 댓글에 근거한다. 정액제를 이용했다는 설명이 있어 토큰 수만으로 실제 지불액을 확정하기 어렵다.
- 영상은 서버 작업을 맡긴 지시를 ‘다섯 단어’라고 소개한다. 한국어 전사만으로는 원문의 정확한 단어 구성을 확인하기 어렵다.
- 스킬 9개 비교에서 나타난 비용 차이와 통과율은 해당 실험의 결과다. 영상에 나온 정보만으로 다른 모델과 과제에서도 같은 효과가 날지 판단하기 어렵다.
- 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
- 반복해서 아쉬웠던 추천 화면 하나를 고르고, 내가 신뢰하는 추천의 기준을 한 문장으로 적는다.
- 에이전트에 작업을 맡기기 전에 결과가 그 기준을 충족했는지 확인할 방법을 정한다. 큐레이션이라면 선정된 항목과 그 근거를 함께 확인한다.
- 작업 기록에서 데이터 선별과 앱 구현에 쓴 시간·토큰을 나눠 본다. 같은 기능을 다시 만들 때 재사용할 수 있는 데이터도 표시한다.
- 스킬 파일의 효과는 같은 과제에서 적용 전후의 통과율과 비용을 각각 비교해 판단한다.
❓ 열린 질문
- 서로 다른 사람의 장기간 추천을 요구하는 기준은 좋은 영상을 얼마나 잘 가려내며, 최근에 나온 좋은 영상은 얼마나 놓칠까?
- 공개 직후 기능을 빠르게 추가한 해커튜브에서 시간이 지나도 검색·정렬·재생 목록이 기대대로 작동하는지는 어떻게 확인할 수 있을까?
- 공개한 추천 데이터를 다른 사람이 재사용하면, 같은 영상 목록에서 어떤 새로운 이용 경험을 만들 수 있을까?