텍스트 자동화 — 요약·분류·번역 워크플로우

🎯 학습 목표

이 강을 마치면 다음을 할 수 있습니다.

• 뉴스 RSS에서 기사를 자동 수집하고 LLM으로 요약하는 파이프라인을 구축합니다.
• 고객 리뷰 텍스트를 감정(긍정·부정·중립)으로 자동 분류합니다.
• 한국어 텍스트를 영어로 배치 번역하는 워크플로우를 만듭니다.
• Code 노드로 LLM 응답을 정제해 다음 단계에서 안정적으로 사용합니다.

💡 텍스트 자동화의 활용 범위

이 섹션에서는 자동화에서 텍스트 처리가 얼마나 광범위하게 쓰이는지 살펴보겠습니다.

비즈니스에서 처리해야 하는 데이터의 상당 부분은 비정형 텍스트입니다. 고객 문의 이메일, SNS 댓글, 뉴스 기사, 계약서, 리뷰, 채팅 로그가 여기에 해당합니다. 이런 데이터를 사람이 일일이 읽고 정리하는 것은 많은 시간과 노력이 필요합니다. LLM을 n8n에 연결하면 이 과정을 대규모로 자동화할 수 있습니다.

텍스트 자동화가 해결하는 대표적인 업무 세 가지가 있습니다. 첫 번째는 요약입니다. 긴 뉴스·보고서·이메일을 핵심만 추출합니다. 두 번째는 분류입니다. 들어오는 텍스트를 카테고리로 나눕니다(긍정/부정, 유형별 분류). 세 번째는 번역입니다. 한국어 콘텐츠를 여러 언어로 자동 변환합니다. 이 세 가지는 실무에서 가장 자주 요청받는 AI 자동화 패턴이며, 각각을 이번 강에서 실전으로 구현합니다.

📰 실전 1: 뉴스 RSS → AI 요약 워크플로우

이 섹션에서는 RSS 피드에서 최신 기사를 가져와 AI가 자동 요약하는 워크플로우를 살펴보겠습니다.

RSS(Really Simple Syndication)는 뉴스·블로그 등이 최신 콘텐츠를 구독자에게 제공하는 표준 형식입니다. n8n에는 RSS Read 노드가 내장되어 있어 RSS URL을 입력하면 최신 기사 목록을 자동으로 가져옵니다.

워크플로우 구성은 다음과 같습니다. Schedule Trigger(매일 오전 8시) → RSS Read 노드(RSS URL 입력) → IF 노드(오늘 날짜 기사만 필터) → OpenAI 노드(요약) → Google Sheets 또는 Notion 노드(결과 저장).

OpenAI 노드의 핵심 설정을 살펴보겠습니다. 모델은 gpt-4o-mini, Temperature는 0.3(일관성 중요), Max Tokens는 300(요약이므로 짧게). 시스템 프롬프트: "당신은 뉴스 에디터입니다. 기사를 한국어로 3~5문장 핵심 요약으로 정리합니다. 반드시 JSON으로 답합니다: {title: 기사 제목, summary: 3~5문장 요약, keywords: 핵심 키워드 3개 배열}". 사용자 메시지: "다음 기사를 요약해주세요: 제목: {{ $json.title }} 본문: {{ $json.content }}".

응답은 JSON 형식이므로, Code 노드에서 const result = JSON.parse($input.first().json.message.content);로 파싱한 뒤 return [{ json: result }];를 반환합니다. 이후 Google Sheets 노드에서 title, summary, keywords를 각 열에 저장합니다. 매일 오전 8시가 되면 전날 주요 뉴스가 자동으로 요약·정리되어 시트에 저장됩니다.

😊 실전 2: 감정 분류 자동화

이 섹션에서는 고객 리뷰를 긍정·부정·중립으로 자동 분류하는 워크플로우를 살펴보겠습니다.

감정 분류(Sentiment Analysis)는 텍스트에서 작성자의 감정·태도를 파악하는 작업입니다. 전통적인 방식은 긍정·부정 단어 사전을 만들어 매칭하는 방식이었지만, LLM은 맥락을 이해하므로 훨씬 정확합니다. "별로인데요... 기대했던 것보다 낫네요"처럼 반어적 표현도 올바르게 분류합니다.

워크플로우 구성: Webhook 트리거(리뷰 제출 이벤트 수신) → OpenAI 노드(감정 분류) → Code 노드(JSON 파싱) → Switch 노드(카테고리별 분기) → 각 분기 처리.

시스템 프롬프트: "당신은 감정 분석 전문가입니다. 입력 텍스트의 감정을 분석해 반드시 다음 JSON으로 답합니다. 다른 텍스트는 절대 출력하지 마세요: {"sentiment": "긍정|부정|중립", "score": 0.0-1.0, "keywords": ["핵심 감정 표현 키워드"]}".

Code 노드로 파싱 후, Switch 노드의 조건을 {{ $json.sentiment }}의 값으로 설정합니다. 긍정이면 "이벤트 혜택 메시지 발송" 경로로, 부정이면 "고객 서비스 팀 알림" 경로로 분기합니다. 점수(score)가 0.3 미만인 강한 부정 리뷰는 긴급 알림으로 처리합니다. 이 워크플로우는 수천 건의 리뷰를 실시간으로 분류하고, 부정 리뷰에 즉각 대응하는 고객 서비스 자동화를 실현합니다.

🌍 실전 3: 한국어 → 영어 배치 번역

이 섹션에서는 대량의 한국어 텍스트를 영어로 배치 번역하는 워크플로우를 살펴보겠습니다.

번역은 LLM이 가장 뛰어난 능력을 발휘하는 분야 중 하나입니다. Google 번역 API보다 맥락을 고려한 자연스러운 번역 품질을 제공하며, 특히 업계 특화 용어나 문화적 뉘앙스 처리에서 차이가 납니다.

배치 번역 워크플로우 구성: Google Sheets 노드(번역할 한국어 텍스트 목록 읽기) → SplitInBatches(크기 5) → OpenAI 노드(번역) → Wait(2초, Rate Limit 대응) → Code 노드(결과 정리) → Google Sheets 노드(번역 결과 업데이트).

번역 품질을 높이는 시스템 프롬프트 예시: "당신은 전문 번역가입니다. 한국어를 영어로 번역할 때 다음 원칙을 따릅니다: 1) 직역보다 의역을 우선합니다 2) IT·비즈니스 분야 용어는 업계 표준 영어 용어를 사용합니다 3) 격식 수준을 유지합니다. 반드시 JSON 형식으로 답합니다: {translation: 번역 결과, notes: 번역 시 고려한 사항}".

번역 후 Code 노드에서 JSON 파싱 결과를 Google Sheets Update 노드에 전달합니다. 각 행의 "영어 번역" 열을 AI 번역 결과로 업데이트합니다. SplitInBatches와 Wait 노드로 Rate Limit을 지키면서 수백~수천 건도 안정적으로 처리합니다.

🔧 LLM 응답 정제 — Code 노드 활용

이 섹션에서는 LLM이 예상과 다른 형식으로 응답할 때 안전하게 정제하는 방법을 살펴보겠습니다.

JSON 출력을 강제했음에도 LLM이 가끔 응답 앞뒤에 설명 텍스트를 추가하거나, 백틱으로 JSON을 감싸거나(코드 블록 형식), 필드명을 살짝 다르게 쓰는 경우가 있습니다. 자동화에서는 이런 예외 상황도 안전하게 처리해야 합니다.

안전한 JSON 파싱을 위한 Code 노드 패턴은 다음과 같습니다.

const raw = $input.first().json.message.content;
// 백틱 코드 블록 제거
const cleaned = raw.replace(/```json
?/g, '').replace(/```/g, '').trim();
try {
  const result = JSON.parse(cleaned);
  return [{ json: result }];
} catch (e) {
  // 파싱 실패 시 원본 텍스트와 에러 정보 함께 전달
  return [{ json: { parseError: true, raw: cleaned, error: e.message } }];
}

파싱 실패 건은 IF 노드로 필터링해 별도로 처리합니다. 실패 건의 원본 텍스트를 로그에 저장하면 프롬프트를 개선하는 데 도움이 됩니다. 실제 운영 환경에서는 전체 자동화의 99% 이상이 정상 파싱되어야 안정적이라고 볼 수 있습니다.

📝 핵심 요약

작업	권장 설정	핵심 팁
요약	Temperature 0.3, Max Tokens 300	원하는 요약 길이·형식을 시스템 프롬프트에 명시
감정 분류	Temperature 0.1, Max Tokens 100	JSON 출력 강제, Switch 노드로 카테고리 분기
번역	Temperature 0.3, Max Tokens 500	SplitInBatches + Wait으로 Rate Limit 대응
응답 정제	Code 노드	백틱·공백 제거 후 try-catch로 안전 파싱

다음 강에서는 이미지 생성 자동화를 살펴봅니다. DALL-E를 n8n에 연결해 텍스트 입력으로 이미지를 자동 생성하는 워크플로우를 만들면, 콘텐츠 제작 자동화의 새로운 영역을 경험할 수 있습니다.