Claude Opus 4.6과 GPT-5.3 Codex 출시: 에이전트 팀 시대의 개막

여러분, 2026년 2월 5일에 Anthropic과 OpenAI가 거의 동시에 주요 모델 업데이트를 발표했습니다. Anthropic은 Claude Opus 4.6을, OpenAI는 GPT-5.3 Codex를 내놓으면서 AI 개발 도구 경쟁이 한층 더 치열해졌는데요. 재밌는 점은, 두 회사 모두 이번 신규 모델을 개발하면서 기존 모델(Opus 4.5, Codex 5.2)을 활용했다는 겁니다. AI가 AI를 개발하는 시대가 본격화된 거죠.

이번 글에서는 Opus 4.6과 Codex 5.3의 핵심 변화를 비교해 보고, Claude Code의 실험적 기능인 ‘에이전트 팀’의 작동 원리와 실무 활용법까지 정리하겠습니다. 결론부터 말하면, 제가 더 크게 보는 건 모델 업데이트 자체가 아닙니다. 에이전트 팀 기능이 단순한 생산성 도구를 넘어 개발 방식 자체를 바꿀 수 있다고 봅니다.

핵심 요약

• Claude Opus 4.6: 컨텍스트 윈도우 100만 토큰 확장, 장문맥 정보 검색 능력 76% 향상 (기존 18% 대비), 엑셀 함수/파워포인트 디자인 처리 능력 강화
• GPT-5.3 Codex: 처리 속도 25% 개선, 터미널 벤치마크 77.3% 달성 (Opus 4.6의 65.4% 상회), 토큰 효율성 향상
• Claude Code 에이전트 팀: 메인 에이전트가 팀 리더로 동작하며 여러 팀메이트 에이전트를 조율. 팀원 간 쌍방향 메시지 전송 지원
• 실무 차이: 장문맥 처리는 Opus 4.6, 짧은 반복 작업은 Codex 5.3가 유리
• tmux 통합: Claude Code 에이전트 팀을 터미널 분할창으로 동시 관찰 가능 (tmux 환경에서)

Claude Opus 4.6: 장문맥과 업무 자동화의 진화

컨텍스트 윈도우의 혁신적 확장

Opus 4.6에서 가장 주목할 변화는 베타 버전에서 100만 토큰 규모의 컨텍스트 윈도우를 지원한다는 점입니다. 기존 Opus 4.5가 20만 토큰까지만 처리했던 것에 비해 다섯 배 늘어났습니다. 컨텍스트 윈도우(Context Window)란 AI 모델이 한 번에 입력받고 기억할 수 있는 텍스트 분량을 말합니다. 100만 토큰은 대략 75만 단어, 평균적인 책 3-4권 분량에 해당하죠.

기존 Opus 모델은 다 좋은데 컨텍스트 윈도우가 좀 작다는 게 아쉬웠습니다. 이번에 컨텍스트 윈도우가 넓어지면서 대규모 코드베이스 분석, 긴 문서 요약, 복잡한 프로젝트 맥락 유지에서 확실한 이점이 생겼습니다. 예전에는 20만 토큰 제약 때문에 큰 프로젝트를 쪼개서 처리해야 했는데, 100만 토큰이면 웬만한 중소형 프로젝트 전체를 한 번에 로드할 수 있습니다.

장문맥 정보 검색 능력의 비약적 향상

토큰을 많이 받아들이는 것과 그 안에서 정확한 정보를 찾아내는 건 별개 문제입니다. AI로 개발하다 보면 컨텍스트가 길어질수록 중요한 정보를 놓치는 일이 자주 생기는데요. Anthropic은 긴 문맥 속에 숨겨진 여덟 개의 미세한 정보를 찾아내는 능력을 평가했습니다.

결과를 보면 차이가 큽니다.

• Opus 4.5: 100만 토큰 입력 시 18% 정확도
• Opus 4.6: 100만 토큰 입력 시 76% 정확도

네 배 이상 올라간 수치죠. 실무로 옮기면 “대규모 코드베이스에서 특정 함수 호출 위치 추적”, “긴 로그 파일에서 오류 패턴 탐지”, “방대한 문서에서 모순되는 규격 발견” 같은 작업을 훨씬 안정적으로 할 수 있다는 뜻입니다.

코딩 능력과 업무 자동화 강화

Opus 모델은 늘 코딩을 잘했죠. 이번에도 에이전트 코딩 능력은 4.5 대비 소폭 향상에 그쳤지만, 터미널 벤치마크(SWE-bench)에서 65.4%를 기록하며 복잡한 다단계 코드 생성과 리팩토링에서 안정적인 성능을 유지합니다.

제가 더 흥미롭게 본 건 업무 자동화 영역의 개선입니다. Opus 4.6은 엑셀 복잡 함수 처리와 파워포인트 다중 슬라이드 디자인 생성 능력이 크게 좋아졌습니다. 예를 들어 INDEX-MATCH 중첩, 배열 수식, VLOOKUP 대체 같은 고급 엑셀 함수를 더 정확히 작성하고, 파워포인트에서는 여러 슬라이드에 걸친 일관된 디자인 테마 적용과 복잡한 차트 생성을 자동화할 수 있습니다.

가격은 기존과 동일하게 100만 토큰당 입력 5달러, 출력 25달러로 유지됩니다.

GPT-5.3 Codex: 속도와 효율의 최적화

처리 속도 25% 개선

Codex 5.2를 쓰면서 가장 많이 나왔던 불만이 응답이 느리다는 점이었습니다. 5.3 버전은 이걸 해결하려고 처리 속도를 25% 끌어올렸습니다. 토큰 생성 속도(Tokens per Second)가 빨라지면 긴 코드 블록 작성, 대규모 리팩토링, 실시간 코드 리뷰 피드백 같은 작업에서 체감 대기 시간이 확 줄어듭니다.

터미널 벤치마크에서 Opus 앞서

SWE-bench 터미널 벤치마크에서 Codex 5.3은 77.3%를 기록했습니다. Codex 5.2의 64%에서 13.3%p 올랐고, Opus 4.6의 65.4%를 11.9%p 앞섰습니다. 터미널 벤치마크는 실제 소프트웨어 엔지니어링 작업(코드 생성, 버그 수정, 테스트 통과)의 완료율을 재는 지표인데요. 적어도 이 항목에서는 Codex가 Opus를 앞선다는 점이 눈에 띕니다.

동시에 토큰 소비량도 개선돼서, 기존 5.2 대비 더 적은 토큰으로 더 높은 정확도를 냅니다. 비용 효율이 그만큼 좋아진 거죠.

웹 개발과 UI 디자인 개선

OpenAI 문서를 보면 Codex 5.3은 단일 프롬프트만으로 완성도 높은 웹 애플리케이션을 만들어 냅니다. 5.2와 5.3 버전으로 생성한 웹사이트를 나란히 놓고 보면, 5.3 쪽이 레이아웃 일관성, 색상 조합, 반응형 디자인 처리에서 좀 더 세련됐습니다.

두 모델의 실전 비교: 언제 무엇을 쓸 것인가

벤치마크 수치만으로는 알 수 없는 실무 체감 차이를 정리해 보겠습니다. 참고로 코딩 영역만 놓고 보면, 저는 이번에도 Opus 4.6이 체감상 조금 더 나은 결과를 냈다고 느꼈는데요. 이건 어디까지나 제 개인적인 체감이니까 여러분도 두 모델을 직접 비교해 보시면 좋겠습니다.

장문맥 처리: Opus 4.6의 압도적 우위

Opus 4.6이 유리한 경우:

• 10,000줄 이상의 대규모 코드베이스 리팩토링
• 여러 모듈에 걸친 의존성 추적 및 아키텍처 분석
• 긴 문서(API 명세, 법률 계약서, 연구 논문)의 요약 및 교차 참조
• 100개 이상의 파일이 얽힌 프로젝트의 일관성 검증

Opus 4.6의 100만 토큰 컨텍스트 윈도우와 76% 정보 검색 정확도는 이런 작업에서 Codex 5.3를 크게 앞섭니다. 특히 “전체 프로젝트 컨텍스트를 유지하면서 점진적으로 코드를 수정”하는 에이전트 작업에서 Opus가 더 안정적이죠.

짧은 반복 작업: Codex 5.3의 속도 이점

Codex 5.3이 유리한 경우:

• 100줄 이하의 함수 단위 코드 생성
• 빠른 프로토타이핑 (30분 내 MVP 완성)
• 실시간 코드 리뷰 및 즉각 수정
• 짧은 스크립트 자동화

Codex 5.3의 25% 빠른 처리 속도와 77.3% 터미널 벤치마크는 짧고 반복적인 작업에서 생산성을 높입니다. 10개 함수를 연속으로 생성할 때 속도 차이가 누적되면 체감 대기 시간이 크게 줄어들죠.

비용 vs 성능 트레이드오프

항목	Opus 4.6	Codex 5.3
컨텍스트 윈도우	100만 토큰	표준 (약 8만 토큰 추정)
장문맥 정보 검색	76%	미공개
터미널 벤치마크	65.4%	77.3%
처리 속도	표준	+25%
가격 (100만 토큰 기준)	입력 $5 / 출력 $25	미공개

결국 작업 특성에 맞춰 모델을 고르는 게 합리적입니다. 예를 들어 큰 레거시 프로젝트 마이그레이션은 Opus 4.6, 신규 마이크로서비스 API 구현은 Codex 5.3가 잘 맞습니다.

Claude Code 에이전트 팀: 협업하는 AI의 등장

에이전트 팀이란 무엇인가

사실 저는 Opus 4.6 업데이트보다 이 에이전트 팀 기능이 더 큰 변화라고 봅니다. Claude Code의 ‘에이전트 팀(Agent Teams)‘은 하나의 메인 세션이 팀 리더로 동작하고, 여러 개의 독립적인 Claude Code 인스턴스를 팀메이트로 생성해 병렬 작업을 조율하는 기능입니다. 2026년 2월 기준 실험적 기능(Experimental Feature)으로 제공되고, 설정 파일에서 플래그를 활성화해야 쓸 수 있습니다.

서브 에이전트와의 차이

기존 Claude Code도 ‘서브 에이전트(Sub-agent)’ 개념을 지원했습니다. 서브 에이전트도 메인 에이전트가 여러 작업을 병렬로 실행하게 해 주죠. 그런데 서브 에이전트는 메인에게만 결과를 보고합니다. 서브 에이전트끼리는 직접 소통할 수 없거든요.

에이전트 팀의 핵심 차이:

• 팀원 간 쌍방향 메시지 전송: 팀메이트끼리 직접 메시지를 주고받을 수 있다
• 브로드캐스트 메시지: 팀 리더가 전체 팀원에게 동시 메시지 전송 가능
• 독립적 컨텍스트와 채팅: 각 팀원은 고유한 컨텍스트 윈도우와 채팅 인스턴스를 가진다
• 팀 리더의 조율 역할: 메인 세션이 작업 분배, 권한 관리, 결과 통합을 담당

메시지 브로드캐스트 메커니즘

에이전트 팀의 핵심은 팀원 간 비동기 메시지 교환 구조입니다. 메인 세션(팀 리더)은 작업을 분배할 때 각 팀원에게 역할과 목표를 전달합니다. 팀원들은 작업 중 다른 팀원의 출력물이 필요하면 직접 요청 메시지를 보낼 수 있습니다.

예를 들어:

1. UX Expert 팀원: “사용자 플로우 다이어그램 완성”
2. Tech Architect 팀원: “UX Expert에게 다이어그램 요청” → 메시지 전송
3. UX Expert: 다이어그램 전달
4. Tech Architect: 다이어그램 기반으로 API 명세 작성
5. 두 팀원 모두 팀 리더에게 결과 보고

서브 에이전트 방식에서는 2단계에서 Tech Architect가 팀 리더를 거쳐야 했습니다. 에이전트 팀에서는 직접 소통하니까 왕복 대기 시간이 줄어들죠.

권한 관리 구조

Claude Code를 --auto 모드(자동 승인)로 실행하면 메인 세션의 권한 설정이 모든 팀원에게 상속됩니다. 파일 읽기/쓰기, 터미널 명령 실행, 웹 검색 같은 권한이 팀 전체에 똑같이 적용되죠.

팀원이 작업 중 추가 권한이 필요하면 팀 리더에게 요청합니다. 예를 들어 UX Expert 팀원이 웹 검색 권한을 요청하면, 팀 리더가 승인 여부를 판단합니다. 사용자는 팀 리더의 권한 요청 알림만 받으면 되니까, 팀원 수가 늘어나도 권한 관리가 복잡해지지 않습니다.

에이전트 팀 실전 활용: 단계별 가이드

활성화 방법

에이전트 팀 기능은 기본적으로 비활성화되어 있습니다. 활성화하려면 Claude Code 설정 파일을 수정해야 합니다.

1단계: 설정 파일 열기

# macOS/Linux
nano ~/.claude/settings.json

# Windows
notepad %USERPROFILE%\.claude\settings.json

2단계: 플래그 추가

{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}

3단계: Claude Code 재시작

claude-code

tmux를 활용한 분할창 모드

tmux(Terminal Multiplexer)는 하나의 터미널을 여러 창(pane)으로 분할해 주는 도구입니다. tmux 환경에서 Claude Code를 실행하면 각 팀원이 독립적인 pane에 표시되어 팀 전체 활동을 동시에 관찰할 수 있습니다.

tmux 설치 (macOS):

brew install tmux

tmux 세션에서 Claude Code 실행:

tmux
claude-code

Claude Code는 실행 환경을 자동으로 감지합니다. tmux 안에서 실행하면 팀원 생성 시 자동으로 pane을 분할해 각 팀원을 표시해 줍니다.

인프로세스(In-Process) 모드: tmux 없이 일반 터미널에서 실행하면 팀원들이 하단 탭 리스트로 표시됩니다. 탭을 클릭해 각 팀원의 세션으로 전환할 수 있습니다.

팀 구성 프롬프트 예시

에이전트 팀을 호출하려면 프롬프트에서 명시적으로 역할을 정의하고 팀 구성을 요청하면 됩니다.

예시 1: 코드 리뷰 팀

코드베이스 전반에 걸친 TODO 주석을 추적하는 CLI 도구를 설계한다.
다양한 관점에서 문제를 해결하도록 에이전트 팀을 구성하라.

팀 구성:
1. UX Expert: 사용자 경험과 CLI 인터페이스 설계 담당
2. Tech Architect: 기술 아키텍처와 확장성 검토 담당
3. Devil's Advocate: 비판적 검토로 맹점 발견 담당

예시 2: 병렬 코드 리뷰 팀

현재 코드베이스를 다음 세 가지 관점에서 리뷰하라:

팀 구성:
1. Security Reviewer: 보안 취약점 탐지 집중
2. Performance Reviewer: 성능 병목 지점 분석 집중
3. Test Coverage Reviewer: 테스트 누락 영역 점검 집중

각 팀원은 독립적으로 분석 후 발견 사항을 보고하라.

팀 리더는 프롬프트를 파싱해 각 역할별로 팀원 인스턴스를 생성하고, 역할 정의를 초기 컨텍스트로 전달합니다.

팀원과의 개별 상호작용

tmux 분할창 모드에서는 각 팀원의 pane에서 직접 입력할 수 있습니다. 예를 들어 UX Expert pane으로 이동해 추가 질문을 입력하면, 해당 팀원만 응답하죠.

인프로세스 모드에서는 하단 탭에서 팀원을 선택한 뒤 프롬프트를 입력합니다. 팀 리더 세션으로 돌아가려면 “Team Lead” 탭을 클릭하면 됩니다.

팀 종료

팀 작업이 끝나면 팀 리더에게 종료를 요청합니다.

팀을 정리해 줘.

팀 리더는 각 팀원에게 종료 신호를 보내고, 팀원들이 작업을 정리한 뒤 인스턴스를 닫습니다. tmux pane도 자동으로 닫히고, 팀 리더 세션만 남습니다.

에이전트 팀의 실전 활용 사례

사례 1: 병렬 코드 리뷰

하나의 에이전트로 전체 코드베이스를 리뷰하면 특정 관점(예: 보안)에만 집중하기 어렵습니다. 에이전트 팀으로 세 명의 전문가를 구성하면:

• Security Reviewer: SQL 인젝션, XSS, CSRF 취약점 탐색
• Performance Reviewer: N+1 쿼리, 메모리 누수, 불필요한 루프 탐색
• Test Coverage Reviewer: 테스트 누락 함수, Edge Case 미검증 영역 탐색

세 팀원이 동시에 작업하니까 시간이 1/3로 줄고, 각자의 전문 영역에서 더 깊이 있는 피드백을 줍니다. 팀 리더는 세 팀원의 보고서를 통합해 우선순위 순으로 정리한 최종 리뷰 리포트를 만들어 주죠.

사례 2: 적대적 토론을 통한 가설 검증

단일 에이전트는 “그럴듯한 설명”을 하나 찾으면 거기서 멈추는 경향이 있습니다. 에이전트 팀으로 적대적 역할을 부여하면 더 견고한 결론을 끌어낼 수 있습니다. 사람도 토론을 거치면서 주제를 명확하게 다듬어 가잖아요. 그 과정을 에이전트끼리 시키는 셈입니다.

프롬프트 예시:

React의 useEffect 클린업 함수가 필요한 경우와 불필요한 경우를 조사하라.

팀 구성:
1. Proponent: useEffect 클린업이 중요한 이유 주장
2. Skeptic: 클린업이 과도하게 사용되는 사례 지적
3. Mediator: 두 관점을 종합하여 실무 가이드라인 도출

Proponent와 Skeptic이 각자의 근거를 제시하고 서로의 주장을 반박합니다. Mediator는 두 관점을 종합해 “메모리 누수 가능성이 있는 구독/타이머는 클린업 필수, 단순 상태 업데이트는 불필요” 같은 실무 지침을 정리해 줍니다.

사례 3: 대규모 리팩토링 병렬 처리

10개 모듈을 동시에 리팩토링해야 할 때는, 각 팀원에게 모듈을 나눠 할당합니다.

다음 10개 모듈을 TypeScript strict 모드로 마이그레이션하라.

팀 구성:
1. Teammate 1: 모듈 A, B 담당
2. Teammate 2: 모듈 C, D 담당
3. Teammate 3: 모듈 E, F 담당
4. Teammate 4: 모듈 G, H 담당
5. Teammate 5: 모듈 I, J 담당

각 팀원은 타입 에러 해결 후 테스트 통과를 확인하라.

다섯 팀원이 병렬로 작업하면 전체 마이그레이션 시간이 크게 줄어듭니다. 팀 리더는 각 팀원의 커밋을 통합하고 통합 테스트를 실행하죠.

에이전트 팀이 바꾸는 개발자의 역할

단일 에이전트에서 팀 관리자로

에이전트 팀 기능은 단순한 생산성 도구가 아닙니다. 개발자의 역할 자체를 다시 정의한다고 봅니다. 기존에는 개발자가 하나의 AI 에이전트를 보조 도구로 썼다면, 에이전트 팀 시대에는 개발자가 AI 팀의 관리자가 됩니다.

필요한 역량의 변화:

• 코드 작성 속도 → 작업 분해 및 역할 정의 능력
• 알고리즘 최적화 → 에이전트 간 협업 구조 설계
• 버그 직접 수정 → 팀원 출력물의 품질 검증 및 통합

개발자는 “어떤 기능을 구현할 것인가”보다 “어떤 팀 구성으로 문제를 해결할 것인가”에 더 많은 시간을 쓰게 됩니다. 소프트웨어 엔지니어링이 점점 관리(Management) 영역으로 옮겨가고 있다는 신호죠.

오케스트레이션 능력의 중요성

에이전트 팀을 효과적으로 활용하려면 다음 능력이 필요하다:

1. 작업 분해(Task Decomposition): 큰 문제를 독립적으로 실행 가능한 하위 작업으로 쪼개기
2. 역할 정의(Role Definition): 각 팀원의 전문 영역과 책임 범위를 명확히 정의
3. 의존성 관리(Dependency Management): 어떤 작업이 다른 작업의 출력을 필요로 하는지 파악
4. 품질 검증(Quality Assurance): 팀원들의 출력물을 검토하고 일관성 확인
5. 통합(Integration): 여러 팀원의 결과를 하나의 완성된 산출물로 결합

전통적인 프로젝트 관리자(PM)나 테크 리드의 역량과 비슷합니다. 코딩 능력보다 조율 능력(Orchestration)이 경쟁력의 핵심이 되는 거죠.

인간-AI 협업의 새로운 패러다임

에이전트 팀은 “AI가 인간을 대체하는가”라는 이분법적 질문을 무의미하게 만듭니다. 대신 “인간이 AI 팀을 얼마나 잘 운영하는가”가 새로운 평가 기준이 됩니다.

전통적 개발: 1명 개발자 + 5명 주니어 → 생산성 6배 에이전트 팀 개발: 1명 개발자 + 5개 에이전트 → 생산성 10배 이상

에이전트는 지치지 않고, 24시간 작동하고, 병렬 처리도 완벽합니다. 개발자는 에이전트가 할 수 없는 것, 즉 창의적 문제 정의, 비즈니스 맥락 이해, 최종 품질 책임에 집중하면 됩니다.

실무 적용 팁과 주의 사항

팀 규모는 3-5명이 적정

이론적으로는 팀원을 무한정 늘릴 수 있지만, 실무에서는 3-5명이 가장 효율적입니다. 팀원이 너무 많으면:

• 팀 리더의 조율 부담 증가
• 팀원 간 메시지 오버헤드 증가
• 컨텍스트 윈도우 분산으로 각 팀원의 이해도 저하

병렬성이 높은 작업(예: 10개 독립 모듈 수정)이라면 5명 이상도 효과적일 수 있지만, 상호 의존성이 높은 작업(예: 아키텍처 설계)은 3명이 적당합니다.

역할 정의는 구체적으로

“프론트엔드 개발자”보다 “React 컴포넌트 접근성(a11y) 전문가”가 더 좋은 역할 정의입니다. 역할이 구체적일수록 팀원의 출력물 품질이 올라갑니다. 프롬프트에서 다음을 명시해 보세요:

• 전문 영역: 무엇에 집중하는가
• 제약 조건: 무엇을 하지 말아야 하는가
• 출력 형식: 최종 결과물의 형태 (코드, 다이어그램, 보고서 등)

중간 점검을 자주 하라

팀원들이 작업 중일 때 팀 리더에게 “현재 진행 상황 요약해 줘”라고 요청해 보세요. 팀 리더가 각 팀원에게 상태를 물어보고 종합 보고서를 줍니다. 방향이 틀어졌을 때 일찍 바로잡을 수 있습니다.

권한 관리 주의

--auto 모드는 편리하지만, 팀원 수만큼 파일 쓰기와 터미널 명령 실행 횟수가 늘어납니다. 민감한 프로젝트에서는 팀 리더만 수동 모드로 실행하고, 팀원의 권한 요청을 직접 승인하는 편이 안전합니다.

마무리: 개발 방식의 패러다임 전환

Claude Opus 4.6과 GPT-5.3 Codex의 등장은 AI 모델 성능 경쟁이 새로운 단계에 접어들었다는 걸 보여 줍니다. Opus의 100만 토큰 컨텍스트 윈도우와 장문맥 정보 검색 능력은 대규모 프로젝트 처리의 한계를 크게 넓혔고, Codex의 속도 개선과 터미널 벤치마크 향상은 반복 작업의 효율을 끌어올렸습니다.

제가 말하고 싶은 건, 에이전트 팀 기능이 이보다 더 근본적인 변화를 예고한다는 점입니다. 개발자가 코드를 직접 작성하는 시대에서 AI 팀을 조율하는 시대로 넘어가는 거죠. 단일 에이전트가 비서였다면, 에이전트 팀은 부서 전체에 가깝습니다. 개발자는 기술 스택과 알고리즘을 익히는 대신, 문제를 독립적 작업으로 쪼개고 전문화된 역할을 정의하고 팀의 출력물을 통합하는 관리자 역량을 길러야 합니다.

Anthropic과 OpenAI가 이렇게 경쟁하면 사용자는 더 강력한 도구를 더 낮은 가격에, 더 빠르게 손에 넣게 됩니다. 두 회사 모두 자사 모델로 차세대 모델을 개발하는 자기 개선 사이클에 들어섰습니다. AI 발전 속도가 그만큼 더 빨라진다는 뜻이죠.

결론부터 말하면, 이제 질문은 “AI가 무엇을 할 수 있는가”가 아닙니다. “나는 AI 팀을 어떻게 운영할 것인가”입니다. 에이전트 팀 기능을 직접 써 보고, 작업을 쪼개는 감각을 훈련하고, 오케스트레이션 패턴을 몸에 익혀 보면 좋겠습니다. 그게 다가오는 시대의 핵심 경쟁력이라고 봅니다.

---

관련 영상

이 글과 연결된 영상은 개발동생 유튜브 채널에서 보기에서 확인할 수 있습니다.