YouTubeTech Bridge·2026년 11월 18일·0

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.

원본 열기

🖼️ 인포그래픽

2시간 만에 유튜브를 만든 프롬프트, 단어 5개 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

2시간 만에 유튜브를 만든 프롬프트, 단어 5개의 핵심 내용을 4단계로 요약한 인포그래픽
2시간 만에 유튜브를 만든 프롬프트, 단어 5개 핵심 내용을 4단계로 압축한 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

  1. 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.
  2. 카파시는 직접 코드를 읽거나 쓰지 않았다고 밝혔다. 클로드가 댓글 분석과 앱 구현을 맡는 동안 카파시는 유튜브 API 키, 서버, 도메인을 준비했다.
  3. 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.
  4. 카파시는 모델이 의도를 파악할 수 있을 때 세부 요구사항을 줄인다고 설명했다. 다만 해커튜브에서처럼 짧게 일을 맡기는 방식은 자신이 신뢰하는 오퍼스 5.5 이상에 한정했다.
  5. 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?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.