Zhipu Qingyan(智谱清言)은 Zhipu AI가 독자적인 General Language Model(GLM) 아키텍처를 기반으로 개발한 엔터프라이즈급 대화형 AI 플랫폼입니다. 인터랙티브 데스크톱 및 모바일 웹 어시스턴트이자 노코드 에이전트 생성 환경으로 작동하는 이 플랫폼은 개별 전문가, 크리에이터 및 팀이 복잡한 일상 업무 워크플로를 해결할 수 있도록 지원합니다. 핵심적으로 Zhipu Qingyan은 이중 언어 자연어 이해, 실시간 웹 브라우징, 격리된 샌드박스에서의 코드 실행, 멀티모달 이미지 생성 및 영구 에이전트 프레임워크를 결합합니다. 기본 GLM 어시스턴트가 특화된 커스텀 에이전트와 어떻게 함께 작동하는지 이해함으로써 사용자는 문서 종합 및 정량 분석부터 자동화된 콘텐츠 초안 작성에 이르는 일상적인 작업을 구조화되고 반복 가능한 디지털 워크플로로 전환할 수 있습니다.
GLM 어시스턴트 아키텍처의 이해
Zhipu Qingyan의 기본 대화 환경은 GLM 기반 모델 패밀리(GLM-4 및 GLM-4V, CogView와 같은 멀티모달 변형 포함)에 의해 구동됩니다. 단순한 텍스트 완성 봇과 달리 이 플랫폼은 동적 도구 라우팅 기능을 갖춘 통합 워크벤치 역할을 합니다. 사용자가 문의를 제출하면 기본 모델은 매개변수 메모리에서 직접 답변할지, 실시간 검색을 호출할지, Python 코드를 실행할지, 아니면 업로드된 미디어를 처리할지 결정합니다.
내장 도구 생태계
표준 어시스턴트에는 자동으로 활성화되거나 사용자 요청에 따라 활성화되는 여러 통합 모듈이 포함되어 있습니다:
- 실시간 웹 검색: 외부 웹 소스를 쿼리하여 속보, 최신 문서, 재무 벤치마크 또는 최근 동향을 검색하고 생성된 응답과 함께 검증 가능한 인용을 제공합니다.
- 고급 데이터 분석(코드 샌드박스): 테이블형 데이터셋(CSV, XLSX)을 로드하고 수학 연산을 수행하며 통계 계산을 실행하고 다운로드 가능한 시각화 차트를 렌더링할 수 있는 격리된 Python 실행 환경을 실행합니다.
- 멀티모달 인식 및 합성: 비전 모델을 사용하여 다이어그램, 손필기 메모, 사진 입력을 검사하는 동시에 CogView 엔진을 활용하여 설명 프롬프트에서 직접 고해상도 일러스트레이션 및 그래픽을 생성합니다.
- 장문 문서 처리: 방대한 PDF 보고서, 연구 논문, Word 원고 및 슬라이드 자료와 같은 대용량 파일을 수집하여 사용자가 수백 페이지에 걸쳐 요약을 추출하거나 상충되는 관점을 비교하거나 숨겨진 데이터 포인트를 찾을 수 있도록 합니다.
일반 어시스턴트 vs. 커스텀 에이전트: 언제 무엇을 사용할 것인가
기본 GLM 어시스턴트는 임시적이고 개방형인 질문을 처리하지만, 반복적인 업무 책임에는 전용 커스텀 에이전트(인터페이스에서는 智能体로 표기)를 사용하는 것이 유리합니다. 커스텀 에이전트는 고정된 시스템 지침, 엄선된 참조 문서 및 특정 도구 권한을 팀 간에 재사용하거나 공유할 수 있는 영구 어시스턴트로 캡슐화합니다.
| 차원 | 기본 GLM 어시스턴트 | 커스텀 에이전트 (GLMs) |
|---|---|---|
| 주요 목적 | 임시 연구, 일반 Q&A, 자발적 글쓰기 | 표준화된 워크플로, 반복 작업, 역할 기반 지원 |
| 설정 오버헤드 | 설정 불필요; 즉시 열어서 대화 가능 | 지침, 도구 및 문서 정의에 2~5분 소요 |
| 컨텍스트 유지 | 세션에 국한됨; 새 대화 스레드 시작 시 초기화 | 영구 시스템 페르소나, 제약 조건 및 지침 |
| 지식 베이스 | 일반 매개변수 지식 및 활성 세션 업로드 내용 | 에이전트에 연결된 영구 비공개 파일 라이브러리(RAG) |
| 도구 구성 | 모든 플랫폼 도구에 대한 자동 동적 라우팅 | 명시적으로 전환된 도구(예: 검색 전용, 샌드박스 전용) |
| 가장 적합한 용도 | 일회성 번역, 빠른 설명, 탐색적 브레인스토밍 | 주간 보고, 스타일 강제 카피라이팅, 데이터 감사 |
Zhipu Qingyan에서 커스텀 에이전트를 구축하는 방법
커스텀 에이전트를 생성하는 데는 소프트웨어 개발 경험이나 API 지식이 필요하지 않습니다. 이 플랫폼은 데스크톱 브라우저를 통해 Zhipu Qingyan에서 액세스할 수 있는 시각적 구성 스튜디오를 제공합니다.
1단계: 에이전트 센터 접속
Zhipu Qingyan에 로그인하고 탐색 패널에서 에이전트 센터(智能体中心)를 선택합니다. 에이전트 생성(+创建智能体)을 클릭하여 왼쪽에 구성 컨트롤, 오른쪽에 실시간 대화형 미리보기 샌드박스가 있는 2분할 워크스페이스로 들어갑니다.
2단계: 이름, 페르소나 및 시스템 지침 정의
사용자는 대화형 안내 프롬프트 또는 수동 양식 구성을 통해 에이전트 동작을 구성할 수 있습니다:
- 에이전트 프로필: 명확한 이름(예: "임원 브리핑 편집기" 또는 "이커머스 카피 검토자")과 운영 초점을 요약한 간결한 설명을 입력합니다.
- 시스템 프롬프트(지침): 에이전트의 핵심 역할, 행동 경계, 출력 형식 및 제약 조건을 정의합니다. 잘 구조화된 지침 세트에는 다음이 포함되어야 합니다:
- 주요 역할 및 대상 청중.
- 단계별 처리 방법론.
- 구체적인 스타일 규칙(예: 전문적인 어조, Markdown 표, 글머리 기호 요약).
- 부정 제약 조건(예: "제공된 지식 베이스 문서를 벗어나 추정하지 말 것. 정보가 부족한 경우 명확히 밝힐 것").
3단계: 비공개 지식 베이스 연결
모델을 미세 조정하지 않고도 도메인별 자료에 에이전트의 기반을 두려면 지식 베이스(知识库) 섹션에 문서를 업로드합니다:
- 지원 형식: PDF 문서, Microsoft Word 파일, 일반 텍스트 레코드 및 스프레드시트를 업로드할 수 있습니다.
- 자동 색인화: 시스템은 검색 증강 생성(RAG)을 위해 업로드된 파일을 파싱, 청크 분할 및 벡터화합니다. 사용자가 에이전트와 상호 작용할 때 관련 발췌문이 검색되어 프롬프트 컨텍스트에 주입되므로 사실적 정확성이 보장됩니다.
- 모범 사례: 벡터 검색 정밀도를 높이기 위해 불필요한 표지, 손상된 서식 또는 오래된 버전을 제거하여 문서를 정리한 후 업로드합니다.
4단계: 도구 및 외부 기능 구성
에이전트가 작업을 완료하는 데 필요한 특정 기능을 켜거나 끕니다:
- 에이전트가 라이브 소스를 확인하거나 외부 주장을 검증해야 하는 경우 웹 검색을 활성화합니다.
- 에이전트가 수치 계산, 스프레드시트 변환 또는 차트 생성을 처리하는 경우 코드 샌드박스를 활성화합니다.
- 에이전트가 마케팅 시각 자료나 컨셉 일러스트레이션을 생성하는 경우 AI 이미지 생성을 활성화합니다.
- 기술 팀의 경우 **사용자 정의 작업(APIs)**을 구성하여 에이전트가 표준화된 OpenAPI 스키마를 통해 내부 CRM 엔드포인트 또는 엔터프라이즈 재고 데이터베이스에서 데이터를 가져오도록 허용합니다.
5단계: 샌드박스에서 테스트 및 게시
오른쪽 미리보기 패널을 사용하여 엣지 케이스를 테스트하고, 부정 제약 조건을 확인하며, 문서 검색 품질을 검사합니다. 검증이 완료되면 게시 범위를 선택합니다:
- 비공개: 작성자 계정만 접근 가능.
- 링크 공유: 직접 URL을 통해 동료나 협업자가 사용 가능.
- 공개: 커뮤니티 탐색을 위해 공개 에이전트 광장에 등록.
일상 작업을 위한 실용적인 워크플로
Zhipu Qingyan을 효과적으로 배포하려면 올바른 인터페이스 모드를 특정 운영 병목 현상과 결합해야 합니다.
1. 연구 종합 및 장문 문서 감사
연례 보고서, 학술 프리프린트 또는 경쟁사 백서를 분석할 때:
- 대상 문서를 GLM 어시스턴트 또는 특화된 연구 에이전트에 직접 업로드합니다.
- 지표, 방법론 및 전략적 위험에 초점을 맞춘 계층적 임원 요약을 생성하도록 모델에 지시합니다.
- 다음과 같은 프롬프트 쿼리를 사용합니다: “3절에 언급된 자본 지출 수치와 6절의 수익 전망을 비교하고 차이를 표로 제시하십시오.”
- 원본 자료를 효율적으로 감사할 수 있도록 명시적인 페이지 참조나 섹션 제목을 요청합니다.
2. 정량적 데이터 정제 및 시각화
주간 지표 보고 또는 운영 스프레드시트의 경우:
- 코드 샌드박스 도구가 활성화된 채팅 세션에 CSV 또는 Excel 스프레드시트를 업로드합니다.
- 어시스턴트에게 데이터셋 스키마를 검사하고 누락된 값을 감지하며 요약 통계를 계산하도록 요청합니다.
- 구체적인 시각적 변환을 요청합니다: “전환율이 2.5% 미만인 행을 필터링하고 마케팅 채널별로 그룹화한 후 평균 획득 비용을 표시하는 가로 막대 차트를 생성하십시오.”
- 생성된 차트 그래픽과 Python 샌드박스에서 생성된 수정된 스프레드시트 파일을 모두 다운로드합니다.
3. 마케팅 카피라이팅에서 브랜드 가이드라인 적용
마케팅 팀은 브랜드 보이스에 맞게 카피를 편집하는 데 많은 시간을 소비하곤 합니다. 커스텀 에이전트는 제약 조건을 표준화하여 이를 해결합니다:
- 브랜드 톤, 금지된 유행어, 글자 수 상한 및 타깃 오디언스 페르소나를 지정하는 지침으로 에이전트를 구성합니다.
- 회사 스타일 가이드와 제품 카탈로그를 에이전트의 지식 베이스에 업로드합니다.
- 팀원은 원시 제품 주요 항목만 제공하면 수동 수정 없이도 브랜드 기준을 엄격하게 준수하는 세련된 소셜 미디어 게시물, 뉴스레터 스니펫 또는 광고 변형을 얻을 수 있습니다.
4. 회의록 구조화 및 실행 항목 추적
구조화되지 않은 회의 녹취록이나 거친 브레인스토밍 메모를 실행 가능한 결과물로 변환합니다:
- 회의 오디오 녹취록이나 정돈되지 않은 글머리 기호 메모를 어시스턴트에 붙여넣습니다.
- 구조화된 템플릿으로 모델에 프롬프트를 입력합니다: “세 가지 섹션을 추출하십시오: 결정된 주요 사항, 미결 질문, 작업·담당자·마감일이 포함된 실행 항목 표.”
- 모델은 대화의 군더더기를 제거하고 컨텍스트를 기반으로 모호한 참조를 명확히 하며 배포 가능한 완성된 메모를 생성합니다.
더 나은 결과를 얻기 위한 전략적 팁
기본 어시스턴트와 커스텀 에이전트 모두에서 일관된 출력 품질을 얻으려면 다음 운영 방식을 적용하십시오:
- 컨텍스트와 작업의 분리: 배경 컨텍스트, 소스 발췌문 및 지침을 하나의 긴 문장으로 섞지 말고 명확히 구분된 블록으로 제공합니다.
- 부정적 경계 설정: 추측성 추정 피하기, 일반적인 도입부 군더더기 생략하기, 출력을 특정 형식으로 제한하기 등 어시스턴트에게 하지 말아야 할 일을 명시적으로 알립니다.
- 지식 청크의 반복 개선: 커스텀 에이전트가 특정 지식 베이스 세부 정보를 찾아내지 못하는 경우, 단일 모놀리식 문서 대신 더 작고 집중된 모듈식 파일로 자료를 다시 업로드합니다.
- 대화형 개선 활용: 초기 출력을 초안으로 취급합니다. 더 깊은 기술적 깊이 요청, Markdown 표로의 재포맷, 어조 전환 등 목표를 정한 후속 조정을 통해 최종 결과를 다듬습니다.