이원준 (gome) — 포트폴리오

소개

컨설팅팀이 쓰는 자동화 도구부터 사내 AI 에이전트, 온체인 정산 시스템까지 — 필요한 걸 직접 만들고 운영해 왔습니다.

웹3 성장 스튜디오 DeSpread에서 한국 마케팅 PM으로 일하며 Solana, Aptos, Sui, Berachain 등 여러 글로벌 프로젝트를 맡았습니다. 이후 파트장으로 KOL·커뮤니티 마케팅을 이끌면서 KOL 정산, 월간 리포트, 마케팅 범위 관리처럼 사람이 반복해서 손대야 하는 업무가 많았습니다.

이런 반복을 줄이려고 직접 도구를 만들기 시작했습니다. 담당자가 코드 없이 업무를 처리하는 대시보드, 자연어로 사내 업무를 실행하는 에이전트 도구, 형식이 제각각인 리포트를 수치로 정리하는 LLM 파이프라인 등을 만들었습니다. 커뮤니티 관리 부담을 덜려고 만든 봇은 현재 250개 이상의 한국 텔레그램 커뮤니티에서 쓰이고 있습니다.

반복 업무를 코드와 LLM으로 줄이고, 비개발자가 바로 쓰는 도구로 만들어 왔습니다. 마케팅과 개발을 모두 해봤기 때문에, 어디서 병목이 생기는지 짚어내고 팀에서 실제로 쓰일 때까지 개선합니다.

gomeboard

설계·개발·운영 전담

컨설팅팀 업무 전반을 자동화한 대시보드

Slack 업무 봇KOL 정산 자동화캠페인 PDF 리포트

harness

거버넌스·운영 직접 · 데이터/리서치 공동

AI 에이전트가 현업 도구를 실행하는 사내 플랫폼

거버넌스 도구PM 운영 플러그인자연어 SQL 조회

marketmarket

종목 페이지 · 가격 정합성 담당

예측시장 기반 한국 커뮤니티

한국주식 종목 페이지리포트 LLM 정량화실시간 데이터 정합성

gomebot

봇·컨트랙트·정산 전담

한국 Web3 커뮤니티 봇 + USDT 리워드 스마트 컨트랙트

커뮤니티 운영 봇온체인 USDT 정산컨트랙트 보안

poly-oracle

수집~온체인 전 과정 단독

폴리마켓 정산용 온체인 데이터 오라클

ECDSA 서명 데이터UMA 릴레이어 봇멀티소스 폴백

storyteller

기획 · 티어/그레이딩 로직 설계

한국 크립토 KOL 마인드쉐어 캠페인

KOL 티어 산정 로직메시지 그레이딩 프롬프트

기술 스택

언어Languages

TypeScriptPythonSolidity

프론트엔드 · 런타임Frontend · Runtime

Next.jsReactTailwind CSSNode.js

데이터Data

PostgreSQLPrismaSupabase

AI · LLMAI · LLM

OpenAIAnthropicGeminiVercel AI SDKMCPZod

Web3 · 온체인Web3 · On-chain

FoundryviemwagmiethersSolana

인프라 · 도구Infra · Tooling

VercelAWSTurborepopnpmGitHub Actions

경력

DeSpread데이터 기반 웹3 성장 스튜디오

컨설팅 파트장

2023년 2월 ~ 현재 · 3년 5개월

여러 주요 블록체인 프로젝트의 한국 마케팅을 총괄하며 KOL·커뮤니티 마케팅과 KPI 관리를 담당했습니다. 캠페인 기획, 실행, 성과 측정을 직접 맡으면서 반복적인 수작업이 많다는 걸 알게 됐고, 이를 하나씩 자동화하며 역할을 개발·자동화 영역으로 넓혔습니다.

현재는 예측시장 커뮤니티 마켓마켓에서 제품 기획과 개발을 함께 맡고 있습니다. 직접 코드를 작성하는 동시에 개발팀의 작업 범위와 우선순위를 정리하고, 마케팅 논의에도 참여합니다. 마케팅과 개발을 모두 경험한 사람으로서 두 팀 사이의 요구사항을 연결하고, 필요한 도구를 직접 만들어 문제를 해결합니다.

직접 맡은 프로젝트

몬드리안AI당신의 AI 여정을 가속화합니다

AI 모델 개발 인턴

2021년 7월 ~ 2022년 1월 · 7개월

카메라 비전 기반 AI 모델 개발을 맡아, 산업 현장의 위험도와 이상 징후를 분석하는 모델을 만들었습니다. 여객기 착륙 위험도 분석 모델, 항만 구조물의 균열 패턴과 심각도를 수치화하는 모델 등을 맡았고, 데이터 수집·전처리부터 모델 학습과 평가 파이프라인 구축까지 담당했습니다.

이와 함께 LLM 개발과 실험 파이프라인 구축에도 참여해, 모델을 반복적으로 학습·평가하고 개선할 수 있는 환경을 만들었습니다.

프로젝트

프로젝트 ①

gomeboard

DeSpread 컨설팅팀 업무 자동화 대시보드 — 흩어진 운영 스크립트를 팀원이 바로 쓰는 내부 도구로 묶었습니다

설계·개발·운영 전담

01 · 문제

팀 안에는 이미 여러 자동화가 있었지만 담당자별로 흩어져 있었습니다. 비슷한 스크립트가 각자 따로 운영됐고, 비개발자가 업무를 처리하려면 여전히 개발자의 도움을 받아야 하는 경우가 많았습니다.

자동화는 있었지만 팀 전체가 쓰는 도구라기보다, 만든 사람만 아는 스크립트에 가까웠습니다. 이걸 하나의 운영 도구로 묶어, 담당자가 코드 없이 업무를 처리하는 구조로 바꾸고자 했습니다.

02 · 내 역할

초기 기능을 정하고, 개발해서 팀 운영에 붙이는 과정까지 대부분 직접 맡았습니다. 따로 운영되던 자동화 흐름을 흡수해 하나의 대시보드로 합쳤고, 실제 팀 업무에 맞춰 계속 개선했습니다.

업무 요청 흐름은 처음엔 Notion을 대시보드처럼 쓰고 n8n 워크플로로 운영했습니다. Slack으로 요청이 들어오면 Notion 프로젝트 페이지·캘린더에 업무를 기재하고 마케팅 스코프를 차감하는 방식이었습니다. 이후 DB 연동, 텔레그램 조회수 수집, 정산까지 한 흐름으로 묶으려다 보니 노코드 도구로는 한계가 있어, 전체를 코드로 다시 구현했습니다.

Gomeboard에 묶은 주요 흐름은 다음과 같습니다.

업무 요청 → 추적 → 정산

KOL 포워딩, 커뮤니티 PR 같은 요청 업무를 하나의 흐름으로 묶었습니다. 담당자가 요청을 등록하면 추적과 정산까지 자연스럽게 이어지도록 만들었습니다.

특히 정산은 부담이 컸습니다. GTM 캠페인이 몰리면 KOL 정산 건수가 많아 분기에 한 번씩 몰아서 처리했고, 그때마다 PR 링크를 엑셀로 일일이 모아 채널별로 교차 검증해야 했습니다. 지금은 PR 링크만 모아 넣으면 채널별 집행 횟수와 금액이 자동으로 집계돼, 정산에 쓰던 시간이 거의 들지 않습니다.

접수

담당자가 Slack /요청 명령어나 대시보드 모달로 요청을 등록합니다. 요청 내용은 DB에 기록되고, 계약된 마케팅 스코프가 자동 차감되며, 담당 채널로 알림이 전송됩니다.

추적

포워딩 업무가 생성되면 해당 KOL 채널을 자동으로 모니터링합니다. 포워딩 콘텐츠가 올라오면 게시물 링크와 조회수를 읽어와 성과 데이터로 기록합니다.

정산

누적된 성과 데이터로 채널별 정산표를 만들고, DB에 등록해 둔 KOL 지갑으로 Privy를 통해 USDT를 한 번에 송금합니다. 주소를 일일이 붙여넣다 잘못 보낼 위험을 없앴습니다.

콘텐츠 성과 자동 수집

블로그, 미디어, 텔레그램 링크를 붙여넣으면 성과 지표가 자동으로 채워지도록 했습니다. 담당자가 탭을 오가며 제목, 날짜, 매체명, 조회수를 일일이 확인하던 과정을 줄였습니다.

붙여넣기

담당자가 콘텐츠 URL을 입력합니다.

파싱

블로그와 미디어 콘텐츠는 페이지에서 주요 정보를 읽어오고, 텔레그램 콘텐츠는 사내 데이터를 기반으로 제목, 날짜, 매체, 조회수를 자동으로 가져옵니다.

적재

수집된 성과 지표는 정형 데이터로 저장되어, 이후 집계와 리포트에 바로 반영됩니다.

캠페인 리포트 자동 생성

이 리포트는 원래 손이 많이 갔습니다. SQL로 데이터를 뽑고, 메타베이스 카드마다 차트 제목·축 라벨까지 일일이 맞춘 뒤 설명 텍스트를 쓰다 보면 보고서 하나를 마무리하는 데 1~2일이 걸렸습니다.

지금은 캠페인 성과를 매일 쌓고, 캠페인이 끝나면 버튼 한 번으로 리포트를 만듭니다. 설명 텍스트를 줄이고 데이터를 더 풍부하게 보여주는 쪽으로 바꿨는데, 프로젝트팀 반응이 더 좋았습니다.

수집

캠페인 리더보드 데이터를 매일 자동으로 수집해 저장합니다.

집계

KPI 달성률, 성과 추세, Top 채널, 등급 분포 등 캠페인 성과를 한 번에 계산합니다.

리포트

집계된 데이터를 바탕으로 3페이지 PDF 리포트를 자동 생성해, 담당자가 바로 내려받을 수 있게 했습니다.

한국 시장 데이터·뉴스 브리핑

한국 시장의 커뮤니티 반응과 뉴스 흐름을 매일 요약해, 대시보드에서 바로 확인할 수 있도록 만들었습니다.

수집

네이버 뉴스와 텔레그램 메시지를 매일 자동으로 수집합니다.

요약

Claude를 활용해 주요 이슈를 카테고리별로 정리하고, 커뮤니티 분위기와 자주 등장하는 키워드를 요약합니다.

제공

요약된 내용은 대시보드와 인사이트 화면에 표시되어, 담당자가 따로 리서치하지 않아도 시장 흐름을 빠르게 확인할 수 있습니다.

07 · CLI · 에이전트 연동

대시보드에서 처리하던 업무를 API와 CLI에서도 실행할 수 있게 만들었습니다. 사람이 쓰던 업무 도구를 CLI 기반 AI 에이전트도 자연어 명령으로 실행할 수 있게 확장했습니다.

결과

Gomeboard로 비개발 팀원이 코드 없이 업무를 처리하는 셀프서비스 환경을 만들었습니다. 담당자별로 흩어져 있던 자동화는 하나의 운영 도구로 통합됐고, 반복되던 요청·추적·정산·리포트 업무를 팀 단위 자산으로 바꿨습니다. 당시 컨설팅팀 9명이 함께 쓰는 도구로 운영했습니다. 정산은 분기에 몰아서 하던 것을 월 단위로 옮겼고, 지금은 월 1만 달러 안팎을 한 번의 사고 없이 처리하고 있습니다.

대시보드, API, CLI를 함께 제공해 사람이 쓰면서 AI 에이전트도 실행할 수 있는 업무 도구로 확장했습니다.

어려웠던 점 · 판단

n8n은 업무를 거드는 자동화 도구였지만, 대시보드는 실무 관리를 처음부터 끝까지 책임져야 했습니다. 처음부터 만들다 보니 초기엔 기능이 부족해, 실무를 손으로 병행하며 버그를 고쳐 갔습니다. 팀원들의 피드백을 받아 고치기를 반복한 끝에, 대시보드만으로 업무가 끝나는 상태까지 끌어올렸습니다.

직무 연결고리

→ 단순한 내부 대시보드가 아니라, 비개발 실무팀의 반복 업무를 자동화하고 AI 에이전트가 실제 운영 도구를 실행하게 만든 경험입니다.

실무에서 직접 겪은 문제를 프로덕트로 풀었고, 코드·LLM·에이전트 연동으로 팀 운영까지 이어갔습니다. AX팀이 하는 일과 가장 맞닿아 있는 경험입니다.

프로젝트 ②

harness

Claude 기반 AI 에이전트 하네스 — 팀이 반복해서 쓰는 AI 작업을 스킬·플러그인으로 묶고, Gomeboard와 연결했습니다

거버넌스·운영 직접 · 데이터/리서치 공동

01 · 문제

컨설팅팀에서는 리서치, 데이터 조회, 운영 자동화 같은 AI 작업이 반복되고 있었지만, 실행 방식은 담당자마다 달랐습니다. 공통으로 쓸 수 있는 실행 환경이 없다 보니, 필요한 기능이 생길 때마다 따로 구현하거나 개발자의 도움을 받아야 했습니다.

저는 이 반복 작업들을 팀 공통 흐름으로 정리하고, 자연어로 요청하면 실제 업무가 실행되는 흐름을 만들고 싶었습니다.

02 · 내 역할

Claude 기반 AI 에이전트를 컨설팅팀이 공통으로 사용할 수 있도록, 스킬과 플러그인을 모아 실행하는 하네스 구축에 참여했습니다.

그중 전사 거버넌스 도구와 PM 운영 플러그인은 직접 만들었고, 데이터 조회·리서치 작성 플러그인은 제가 처음 만든 뒤 팀원들과 함께 발전시켰습니다. 프롬프트에 머물지 않고, 실제 팀 업무에 붙는 실행 도구로 만들었습니다.

에이전트 실행 구조

단순히 답하는 챗봇이 아니라, 사내 데이터와 운영 도구를 직접 다루는 실행 흐름으로 설계했습니다. 조회와 실행 권한을 나누고, 결과를 내보내기 전에 한 번 더 거치도록 만들었습니다.

요청

담당자가 필요한 작업을 자연어로 요청합니다.

도구 선택

데이터 조회·리서치·운영 중 요청에 맞는 스킬·플러그인을 고릅니다.

실행

데이터는 읽기 전용으로 조회하고, 운영 업무만 Gomeboard 명령으로 실행합니다. 조회와 실행 권한을 분리했습니다.

출력 검사

결과를 내보내거나 저장하기 전에, 형식이 어긋났거나 부적절한 내용은 한 번 더 걸러냅니다.

반환

결과를 정리해 담당자에게 돌려주거나 문서로 저장합니다.

04 · 만든 스킬 · 플러그인

거버넌스전사 공통 거버넌스 플러그인을 만들었습니다. PR 자동 리뷰, 시크릿 스캔, Git 가드레일 훅으로 구성됩니다.

PR 리뷰 에이전트는 코드 변경을 확인해 리뷰 코멘트를 남기고, 시크릿 스캔은 API 키나 접속 정보처럼 노출되면 안 되는 값을 잡아냅니다. 가드레일 훅은 메인 브랜치 직접 커밋 같은 위험한 작업을 사전에 막습니다.

데이터자연어 데이터 조회 플러그인을 처음 만들었습니다. 컨설팅팀 담당자가 한국어로 질문하면, 에이전트가 이를 읽기 전용 SQL로 변환해 데이터를 조회합니다. DB 연결은 MCP로 처리하고, 조회 결과는 다시 비즈니스 맥락에 맞는 언어로 정리해 돌려줍니다.

덕분에 담당자가 직접 SQL을 작성하지 않아도 필요한 데이터를 확인하고, 캠페인 성과나 운영 지표를 빠르게 해석할 수 있습니다.

리서치멀티소스 RAG 기반 리서치 작성 플러그인을 처음 만들었습니다. 여러 출처를 교차 확인해 내용을 정리하고, 팀 문체에 맞는 초안을 생성하도록 구성했습니다.

초안을 생성하는 데서 끝나지 않고, 저장 직전에 출력 규칙을 어긴 내용이 없는지 확인하는 가드레일을 넣었습니다. 잘못된 형식이나 부적절한 표현이 그대로 문서로 남지 않도록 했습니다.

운영PM 운영 플러그인을 직접 만들었습니다. 컨설팅팀 PM이 자연어로 업무를 요청하면, 에이전트가 이를 Gomeboard 명령으로 변환해 실행합니다.

정산 정리, 업무 요청 등록, 성과 조회처럼 기존에는 대시보드에서 직접 처리하던 업무를 자연어로 실행할 수 있게 했습니다.

Gomeboard 연동 — 자연어로 운영 업무 실행

기존에는 담당자가 Gomeboard 대시보드를 열고 필요한 메뉴를 찾아 업무를 처리해야 했습니다. Harness를 연동한 뒤에는 같은 업무를 자연어로 요청하면, 에이전트가 적절한 플러그인을 골라 Gomeboard 명령으로 변환해 실행합니다.

요청

PM이 필요한 업무를 자연어로 입력합니다. 정산 정리, 업무 요청 등록, 캠페인 성과 조회 같은 요청을 그대로 말할 수 있습니다.

실행

에이전트가 요청을 해석하고 알맞은 스킬이나 플러그인을 고릅니다. 이후 이를 Gomeboard에서 실행 가능한 명령으로 변환해 처리합니다.

반영

업무 요청, 정산, 성과 조회 결과가 기존 Gomeboard 업무 흐름 안에 그대로 기록됩니다. 사람과 에이전트가 같은 운영 도구를 공유하도록 만든 구조입니다.

결과

Harness로 컨설팅팀의 AI 활용 방식을 공통 실행 환경으로 정리했습니다. 이제 PM이 자연어로 데이터 조회, 리서치, 운영 업무를 직접 실행할 수 있습니다.

Gomeboard와 연동하면서, 답변만 하는 AI가 아니라 실제 운영 시스템을 움직이는 업무 도구로 확장됐습니다.

에이전트가 사내 DB 스키마와 데이터 위치를 참조하게 되면서, 컨설팅팀이 ‘이 데이터는 어디서 보나요’를 개발팀에 묻거나 SQL 작성을 맡기던 일이 거의 없어졌습니다. 지금은 DeSpread 팀 약 20명이 쓰는 사내 AI 작업 환경으로 자리 잡았습니다.

어려웠던 점 · 판단

가장 까다로웠던 건 팀원마다 에이전트 실행 환경이 제각각이라는 점이었습니다. 플러그인을 전역에 설치하는지 레포 안에 두는지부터 달라서, 제 환경에선 되던 스킬이 다른 사람 환경에선 작동하지 않는 경우가 잦았습니다. 그래서 훅으로 검증을 강제하고, 에이전트가 해도 되는 일과 하면 안 되는 일(읽기 전용 권한 포함)을 명확히 나눠 어디서든 똑같이 동작하도록 맞췄습니다.

직무 연결고리

→ Harness는 개별 기능이라기보다, AI 에이전트가 실무 도구를 직접 실행하게 만든 팀 공통 인프라입니다. 스킬·플러그인 설계부터 MCP 기반 데이터 연동, 가드레일, Gomeboard 실행 연동까지 맡았습니다.

사람이 하던 운영 흐름을 자연어 AI 도구로 옮기고, 에이전트가 그 흐름을 함께 수행하도록 만든 작업입니다.

프로젝트 ③

marketmarket

폴리마켓 기반 예측시장 한국 커뮤니티 — 한국주식 종목 페이지와 예측시장 실시간 가격 정합성을 맡아 구현했습니다

종목 페이지 · 가격 정합성 담당

01 · 제품

마켓마켓은 폴리마켓 기반 예측시장을 중심으로 한 한국 커뮤니티입니다. ‘예측’이라는 소재로 웹2·웹3 유저를 모으고, 이 유저 풀을 다른 웹3 서비스로 연결하는 것을 목표로 합니다.

저는 이 안에서 두 축을 맡았습니다. 하나는 한국 종목(주식) 페이지, 다른 하나는 예측시장의 실시간 가격 데이터 정합성입니다.

02 · 한국주식 종목 페이지

종목 하나를 열면 필요한 정보가 한 화면에 모입니다. 실시간 캔들 차트, DART 재무·공시, 밸류에이션 지표, 애널리스트 컨센서스(목표주가·의견 분포), 그리고 해당 종목의 예측마켓과 종목 댓글까지 함께 볼 수 있습니다.

흩어진 한국 주식 정보를 한데 모으고, 예측 커뮤니티를 종목 단위로 잇는 것이 이 페이지의 역할입니다.

애널리스트 리포트 정량화

종목 페이지의 애널리스트 컨센서스(평균 목표주가·상승 여력·의견 분포)는 증권사 리포트에서 나옵니다. 한국 증권사 리서치는 API 없이 PDF로만 제공되는 경우가 많아, 이를 제품에서 쓸 수 있는 정형 수치로 바꾸는 파이프라인을 만들었습니다.

수집

증권사 리서치 PDF를 자동으로 모읍니다.

추출

LLM으로 목표주가·매출·영업이익·EPS 등 8개 수치를 구조화해 추출합니다. 스키마 검증·신뢰도 점수·단위 정규화(조원→백만원)를 거치고, 이미지로만 된 PDF는 멀티모달 OCR로 폴백합니다.

컨센서스

여러 증권사 추정치를 평균·중앙값·표준편차로 집계해 종목 페이지의 컨센서스로 제공합니다.

예측시장 실시간 가격 정합성

예측시장 가격은 빠르게 변하는데, 수집 과정에서 이 변동을 놓치면 차트가 실제 가격과 어긋납니다. 실제로 한 시장에서 가격이 0.06 → 0.34 → 1.00으로 오르는 중간 단계가 통째로 유실되는 걸 실데이터로 찾아내고, 이를 잡는 정합성 파이프라인을 설계해 구현했습니다.

추적·대조·화면 반영까지 구현했고, 실시간 클라이언트 반영은 현재 진행 중입니다.

추적 대상 선정

거래량·만료 임박·노출도를 기준으로 추적할 시장을 매분 갱신합니다.

대조 · 보정

워커가 시장 중요도에 따라 45초~5분 주기로 폴리마켓과 대조하고, 놓친 가격 변동을 메웁니다. ‘정상 동작했다’는 기록을 함께 남겨, 누락 여부를 사후에 검증할 수 있게 했습니다.

화면 반영

정산이 끝난 시장의 차트 종점을 보강하고, 최신 가격을 화면에 덧입혀 실제와 맞춥니다.

05 · 그 외 직접 구현

시세실시간 시세 WebSocket — 장 세션 단계(장전·정규·시간외)를 인식하고 틱을 캔들로 병합합니다. 연결이 끊기면 재연결하고, 복구 전까지는 REST로 캔들 차트를 메웁니다.

밸류에이션밸류에이션 엔진 — Piotroski F-Score(표준 9개 기준 중 DART 공시로 산출 가능한 8개 지표), Altman Z, PER·PBR·EV 멀티플·PEG, 변동성·모멘텀·가치·규모 4팩터 레이더.

결과

예측시장 커뮤니티 안에서, 흩어진 한국 주식 정보를 종목 단위로 모은 페이지를 만들었습니다. PDF로만 존재하던 애널리스트 리포트를 신뢰도를 매긴 정형 수치로 바꿨고, 빠르게 변하는 예측시장 가격이 화면과 어긋나지 않도록 실시간 정합성 파이프라인을 구현했습니다. 이 정합성 파이프라인은 약 3개월간 데이터 누락 없이 운영되고 있습니다.

어려웠던 점 · 판단

제가 맡은 가격 데이터는 첫 버전이 주기적 API 호출로 구현돼 있었는데, 이걸 운영 중인 서비스에 지장 없이 실시간 페칭(WebSocket)으로 바꾸는 게 어려웠습니다. 한 번에 갈아끼우지 않고 단계마다 main에서 검증 기간을 둔 뒤 다음 단계로 넘어갔고, 문제가 생기면 곧바로 끌 수 있는 킬 스위치를 미리 넣어 두어 운영에 영향을 주지 않고 옮겼습니다.

직무 연결고리

→ PDF에 흩어진 수치를 LLM으로 뽑아 제품에서 쓰는 데이터로 바꾸고, 빠르게 변하는 실시간 데이터가 화면과 어긋나지 않게 정합성을 코드로 검증·보정한 경험입니다. LLM 프로덕트와 실시간 데이터 파이프라인을 같이 다뤄야 했습니다.

프로젝트 ④

poly-oracle

폴리마켓 예측시장 정산용 온체인 데이터 오라클 — 여러 시장의 가격·지표를 모아 서명하고, 온체인에 전달해 예측시장을 정산합니다

수집~온체인 전 과정 단독

01 · 배경

폴리마켓 같은 예측시장은 ‘이 사건이 실제로 일어났는가’를 객관적인 데이터로 정산해야 합니다. 그 정산에 쓸 가격·지표 데이터를, 출처와 무결성을 검증할 수 있는 형태로 온체인에 공급하는 오라클을 만들었습니다.

암호화폐 시세, 한국 주식·지수, 환율, 부동산 지표를 모아 서명하고, 조건이 충족되면 온체인 오라클에 값을 전달합니다.

02 · 내 역할

데이터 수집기부터 서명, API 서버, 온체인 릴레이어 봇까지 전 과정을 직접 만들고 운영했습니다.

수집 → 서명 → 온체인 전달

자산을 정산하는 데이터라 ‘이 값이 진짜 그 출처에서 나왔는지’를 누구나 확인할 수 있어야 합니다. 수집한 데이터에 서명을 붙이고 원본 응답까지 함께 남겨, 사후에 검증할 수 있도록 설계했습니다.

수집

거래소·공공 API에서 시세·지표를 주기적으로 수집합니다. 환율은 여러 소스를 폴백으로 묶어, 한 곳이 끊겨도 멈추지 않고 신뢰할 수 있는 값을 유지합니다.

서명

각 데이터에 지갑 서명(ECDSA)을 붙이고 거래소 원본 응답을 함께 저장합니다. 온체인에서 출처와 무결성을 검증할 수 있습니다.

온체인 전달

릴레이어 봇이 조건이 충족된 시장을 감지해 폴리마켓 정산 오라클(UMA)에 값을 제안합니다. DB에 시장을 추가하는 것만으로 새 시장에 대응합니다.

04 · 무인 운영을 위한 안전장치

사람이 지켜보지 않아도 데이터가 비거나 틀리지 않도록, 누락을 스스로 감지하고 메우게 만들었습니다. 마지막으로 저장된 시각과 현재를 비교해 빠진 구간을 자동으로 다시 채우고, 누락이 의심되면 경보를 보냅니다. 한국 시장은 UTC 서버에서 장 시간과 휴장일을 환산해, 장이 닫힌 시간의 잘못된 데이터가 섞이지 않게 했습니다.

결과

예측시장 정산에 쓰는 가격·지표 데이터를, 서명으로 출처를 검증할 수 있는 형태로 온체인에 공급하는 오라클을 만들어 운영했습니다. 수집부터 서명, 온체인 전달, 무인 운영까지 한 사람이 설계하고 책임졌습니다. API 제약으로 최대 12시간까지 지연되던 시장 데이터를 1분 안팎으로 끌어내렸습니다.

어려웠던 점 · 판단

빈 데이터나 잘못된 값을 자동으로 복구하도록 짰지만, 막상 운영해 보니 미처 예상하지 못한 예외가 많았습니다. Slack으로 곧바로 들여다볼 수 있게 모니터링을 붙이고, 한 번 겪은 문제는 빠짐없이 복구 로직에 반영하는 일을 반복했습니다.

직무 연결고리

→ 온체인에서 자산 정산에 쓰이는 데이터 인프라를 직접 설계·운영한 경험입니다. 값이 틀리면 바로 정산 사고로 이어지는 영역이라, 수집값의 출처와 서명, 온체인 트랜잭션까지 직접 챙겨야 했습니다.

프로젝트 ⑤

gomebot

한국 Web3 커뮤니티 봇과 온체인 USDT 리워드 시스템 — 봇부터 컨트랙트·정산·대시보드까지 직접 만들고 운영했습니다

봇·컨트랙트·정산 전담

01 · 배경

Berachain 커뮤니티 봇으로 시작해, 지금은 여러 한국 Web3 커뮤니티에서 쓰는 운영 봇으로 확장했습니다. 스팸 차단, 예약 메시지 같은 기본 기능에 더해, 활동 리워드를 온체인에서 USDT로 정산하는 시스템까지 직접 만들었습니다.

정산 내역이 체인에 남아 검증할 수 있고, 서버가 임의로 잔액을 바꿀 수 없는 구조로 설계했습니다.

02 · 내 역할

텔레그램 봇(Python), 리워드 스마트컨트랙트(Solidity·Foundry), 온체인 정산 로직, dApp 대시보드(Next.js)까지 통합해 운영했습니다.

03 · 온체인 USDT 리워드 정산

커뮤니티 이벤트 리워드를 Base·Arbitrum 메인넷에서 USDT로 정산합니다. 정산 스마트컨트랙트와 온체인 claim 흐름을 직접 만들고 운영했습니다.

유저는 확정된 보상을 직접 claim하고, 정산 내역은 체인에 남아 검증할 수 있도록 구성했습니다.

04 · 컨트랙트 보안

정산은 자산을 직접 다루는 영역이라 컨트랙트 보안을 우선으로 설계했습니다. 서명 재사용과 중복 수령을 막고, 비정상적인 배치 요청이나 예외 상황에서는 정산이 중단되도록 했습니다.

Foundry로 재진입 등 공격 시나리오를 테스트하며 컨트랙트를 점검했습니다.

05 · 커뮤니티 봇 · 자동화

안티스팸50개가 넘는 스팸 패턴으로 메시지를 거릅니다. 링크와 키워드를 함께 보는 조합 규칙, 그룹·채널명을 도용한 사칭 감지, 제재가 누적되면 자동으로 블랙리스트에 올리는 규칙을 운영합니다. 규칙은 DB에서 관리해 코드 수정 없이 바로 반영됩니다. 지금까지 3만 건이 넘는 스팸을 차단했습니다.

뉴스매일 정해진 시각에 시세·글로벌/한국 뉴스·텔레그램 메시지를 수집하고, Gemini로 핵심을 선별해 이미지 카드로 만들어 자동 발행합니다.

대시보드Next.js 웹 대시보드에서 채널·유저 활동 분석, 리워드 claim, 볼트 관리를 처리합니다. 텔레그램 미니앱 지갑(wagmi·viem·reown)을 연동해 앱 안에서 바로 claim할 수 있습니다.

결과

커뮤니티 운영 봇에서 시작해, 리워드를 온체인에서 USDT로 정산하는 시스템까지 직접 만들고 운영했습니다. 봇·스마트컨트랙트·대시보드가 하나의 서비스로 맞물려 돌아가고, 정산 내역은 체인에 기록돼 검증할 수 있습니다. 현재 259개 채팅방, 합산 구독자 약 17만 명 규모에서 운영되고 있습니다.

어려웠던 점 · 판단

편의성과 보안 사이에서 균형을 잡는 데 가장 공을 들였습니다. 운영을 위해 일부 기능은 봇 소유자인 제가 멈추거나 대신 처리할 수 있게 두되, 유저 잔액만큼은 저조차 손댈 수 없도록 컨트랙트를 설계했습니다. 처음부터 누군가 공격해 온다고 가정하고 테스트하며 다듬었습니다.

직무 연결고리

→ 온체인 정산과 컨트랙트 보안을 직접 코드로 구현한 경험입니다. 자산을 다루는 서비스에 필요한 안전장치를 설계하고, 봇부터 대시보드까지 실제 유저가 쓰는 형태로 운영했습니다.

프로젝트 ⑥

storyteller

Kaito Yaps에서 착안한 한국 크립토 KOL 마인드쉐어 캠페인 — 캠페인을 기획하고, KOL 티어 산정 로직과 메시지 그레이딩 프롬프트를 직접 설계했습니다

기획 · 티어/그레이딩 로직 설계

01 · 배경

한국 크립토 마케팅에서는 ‘어떤 KOL 채널이 실제로 영향력 있는가’를 대부분 구독자 수로 판단했습니다. 하지만 구독자 수는 부풀리기 쉬워서, 콘텐츠가 실제로 커뮤니티에 퍼지는 정도와는 차이가 컸습니다.

트위터 기반으로 영향력을 점수화하는 Kaito Yaps에서 착안해, 한국 텔레그램 KOL 생태계에 맞는 마인드쉐어 캠페인 스토리텔러를 기획했습니다. KOL 콘텐츠의 품질과 확산을 점수화해, 캠페인 보상과 KOL 선정의 객관적인 근거로 삼는 구조입니다.

02 · 내 역할

마케팅 PM으로서 캠페인 전체를 기획했고, 거기서 그치지 않고 제품개발팀과 함께 시스템을 만들며 KOL 티어 산정 로직과 메시지 그레이딩 프롬프트를 직접 설계했습니다.

KOL의 영향력을 객관적으로 재야 하는 문제를, 데이터와 LLM 기반 점수화로 풀었습니다.

KOL 티어 · 평판 시스템

캠페인의 핵심은 채널의 영향력을 구독자 수가 아니라 채널 간 인용(전달) 관계로 계산하는 것입니다. 영향력 있는 채널이 자주 인용하는 채널일수록 높게 평가받도록 설계했습니다.

수집

채널 간 메시지 전달·인용 관계를 일정 기간 단위로 수집합니다. 자가 인용이나 그룹방 자동 전달처럼 의미 없는 신호는 걸러냅니다.

가중 점수

단순 인용 횟수가 아니라 누가 인용했는지에 가중치를 둡니다. 상위 티어 채널에 인용될수록 높은 점수를 받습니다.

티어 산정

점수와 누적 인용량을 함께 보고 채널을 A+부터 D까지 티어로 분류하고, 서로 자주 인용하는 채널들을 하나의 영향력 그룹으로 묶습니다.

04 · 메시지 그레이딩 프롬프트

KOL 채널의 메시지에 품질 기준으로 A/B/C/D 등급을 매기는데, 이때 쓰는 평가 프롬프트를 개선했습니다. 광고성·템플릿·AI 생성으로 의심되는 메시지를 걸러내고, 실제 근거가 있는 콘텐츠가 제대로 평가받도록 기준을 다듬었습니다.

결과

스토리텔러는 한국 크립토 KOL의 영향력을 구독자 수가 아니라 실제 콘텐츠 확산과 인용 관계로 점수화하는 캠페인으로 자리 잡았습니다. KOL 티어 시스템은 캠페인 보상과 KOL 선정의 근거가 됐고, 지금은 등록된 KOL 채널 400여 개를 매주 평가하며, 내부 KOL 분석 데이터로도 쓰이고 있습니다.

어려웠던 점 · 판단

어느 채널이 대략 어느 티어인지 감은 있었지만, 'A+는 누구, C는 누구'라는 기준을 세워 정량화하는 게 어려웠습니다. DB에 있는 채널을 전부 훑어 가며 B·C 티어에 가장 많은 채널이 모이는 항아리형 분포가 나오도록 기준치를 맞췄습니다. 메시지 그레이딩 프롬프트도 잘 쓴 글이 낮게 나오거나 엉성한 글이 높게 나오는 사례를 백테스팅으로 찾아 가며 계속 손봤습니다.

직무 연결고리

→ 마케팅 실무에서 나온 문제를 데이터 프로덕트로 기획하고, 평판 산정 로직과 LLM 그레이딩 프롬프트까지 직접 설계한 경험입니다. 기획에서 멈추지 않고 LLM 시스템 설계까지 직접 했고, 프롬프트를 다듬어 평가 품질을 끌어올렸습니다.