AI 콘텐츠 변환 엔진 구축 기획안 (Patreon 글 → 방송 / 오디오 / 책 콘텐츠 변환 시스템)
1. 프로젝트 개요
본 프로젝트는 작성된 글을 다양한 콘텐츠 형태로 재활용하기 위한 콘텐츠 변환 엔진(Content Transformation Engine) 구축을 목표로 한다.
글은 단순히 하나의 완성된 콘텐츠가 아니라 다양한 콘텐츠의 원천 데이터(Source Data) 로 활용된다.
작성된 글은 시스템을 통해 다음 형태로 자동 변환된다.
음악 방송용 문장
오디오 낭독 문장
쇼츠 콘텐츠 문장
책 초안
콘텐츠 데이터셋
이를 통해 하나의 글이 다양한 미디어 콘텐츠로 확장되는 콘텐츠 자동 생산 구조를 구축한다.
2. 목표
본 시스템의 목표는 다음과 같다.
작성된 글을 콘텐츠 데이터 자산화
글을 여러 매체에서 재사용 가능한 형태로 변환
콘텐츠 제작 과정의 자동화
콘텐츠 제작 속도 향상
장기적으로 책, 방송, 오디오 콘텐츠 생산 기반 구축
3. 핵심 개념
본 프로젝트는 글을 다음과 같은 구조로 바라본다.
글
↓
콘텐츠 데이터
↓
콘텐츠 생산
즉
글 → 데이터 → 콘텐츠
라는 구조를 가진다.
4. 시스템 구성
시스템은 다음 네 단계로 구성된다.
1. 콘텐츠 추출
2. 콘텐츠 정규화
3. 콘텐츠 가공
4. 콘텐츠 출력
전체 흐름은 다음과 같다.
Patreon 글
↓
Extractor
↓
Normalizer
↓
Processor
↓
Content Database
↓
콘텐츠 출력
5. 시스템 아키텍처
Browser (Patreon)
↓
Chrome Extension
↓
Extractor Tool
↓
Content Normalizer
↓
Content Processor
↓
Content Database
↓
콘텐츠 출력
6. 주요 구성 요소
6.1 콘텐츠 추출 도구 (Extractor)
Patreon 등의 플랫폼에서 작성된 글을 수집한다.
수집 데이터
글 제목
작성일
태그
본문 HTML
본문 텍스트
출력 데이터 예
raw_post.json
역할
글 원문 보존
플랫폼 종속 데이터 제거
콘텐츠 데이터화
6.2 콘텐츠 정규화 (Normalizer)
HTML 및 마크업 데이터를 정리하고 텍스트를 통일된 형태로 변환한다.
주요 기능
HTML 제거
불필요한 링크 제거
문단 정리
줄바꿈 통일
특수문자 정리
출력
normalized_text.json
6.3 콘텐츠 가공 엔진 (Processor)
정규화된 텍스트를 다양한 콘텐츠 형태로 변환한다.
주요 기능
문장 분해
글을 의미 단위로 분해한다.
segments.json
방송용 문장 생성
음악 방송 중간에 삽입할 수 있는 문장을 생성한다.
broadcast_lines.json
예
AI는 정답을 만든다.
인간은 의미를 만든다.
낭독용 문장 생성
오디오 낭독을 위한 문장을 생성한다.
narration_lines.json
책 초안 생성
여러 문장을 묶어 책 초안을 생성한다.
book_draft.md
태그 생성
문장의 분위기와 주제를 분석한다.
예
AI
철학
창작
기술
사회
7. 콘텐츠 데이터베이스 구조
content_db/
raw/
normalized/
processed/
work_001/
original.json
segments.json
broadcast_lines.json
narration_lines.json
metadata.json
8. 개발 환경
본 시스템은 CLI 기반 개발 환경을 사용한다.
개발 도구
Python
Git
CLI 환경
Codex CLI
개발 환경
Linux 또는 macOS
9. 개발 방식
AI 개발 도구를 활용한 개발 방식을 사용한다.
역할 구분
Codex
→ 코드 생성 및 수정
Git
→ 버전 관리
CLI
→ 자동화 실행
개발 흐름
Codex → 코드 작성
Git → 버전 관리
CLI → 실행 및 자동화
10. 기대 효과
본 시스템 구축을 통해 다음 효과를 기대할 수 있다.
콘텐츠 생산 효율 향상
하나의 글이 여러 콘텐츠로 자동 변환된다.
콘텐츠 재사용성 증가
글이 다음 콘텐츠로 확장된다.
음악 방송
유튜브 콘텐츠
오디오북
책
콘텐츠 데이터 자산화
글이 단순 콘텐츠가 아닌 콘텐츠 데이터베이스로 축적된다.
11. 향후 확장
향후 시스템은 다음 방향으로 확장 가능하다.
AI 문장 추천
콘텐츠 자동 생성
방송용 콘텐츠 자동 편성
오디오 콘텐츠 자동 생성
출판용 콘텐츠 자동 편집
12. 결론
본 프로젝트는 글을 단순 콘텐츠가 아닌 콘텐츠 데이터 자산으로 전환하는 시스템 구축을 목표로 한다.
이를 통해 작성된 글은 다양한 콘텐츠 형태로 확장될 수 있으며 장기적으로 콘텐츠 생산 시스템의 핵심 인프라로 활용될 수 있다.
Codex에 적합한 프롬프트
Codex는 실제 파일을 읽고 수정하고 명령을 실행할 수 있으니, *“코드베이스 안에서 일하는 프롬프트”*가 좋습니다.
A. 추출 도구용 Codex 프롬프트
너는 Python CLI 도구를 만드는 시니어 엔지니어다.
현재 작업 디렉터리의 프로젝트를 먼저 살펴보고, 기존 구조를 최대한 존중하면서 구현하라.
목표:
Patreon 원문을 저장하는 extractor 도구를 만든다.
이번 단계에서는 "가공"은 하지 말고, 원문을 최대한 손상 없이 추출하여 JSON으로 저장하는 기능만 구현한다.
범위:
- Patreon HTML 또는 복사한 article HTML 조각을 입력으로 받는다.
- 제목, 날짜, 태그, 원문 HTML, 원문 텍스트를 추출한다.
- 결과를 raw/{slug}/raw_post.json 으로 저장한다.
- 이번 단계에서는 요약, 문장 분해, 태깅, AI 호출은 구현하지 않는다.
요구사항:
1. Python 3.11 기준으로 구현
2. CLI 엔트리포인트 제공: python -m content_engine.extractor <input_file>
3. 출력 JSON 필드:
- source
- title
- published_at
- tags
- html
- text_raw
- collected_at
- source_file
4. 입력 HTML 구조가 불완전해도 가능한 범위에서 복구
5. UTF-8 처리
6. 에러 메시지는 사람이 이해 가능하게 작성
7. 샘플 입력 1개와 테스트 추가
8. README에 실행 예시 추가
제약:
- 의존성은 최소화
- 필요하면 beautifulsoup4 사용 가능
- selenium, playwright는 이번 단계에서 사용하지 말 것
- 기존 파일이 있으면 먼저 읽고 최소 수정
응답 방식:
- 먼저 저장소 구조와 관련 파일을 확인한 뒤 구현
- 작업을 끝까지 진행
- 마지막에 변경 파일 목록, 실행 명령, 샘플 출력 경로만 간단히 정리
B. 가공 도구용 Codex 프롬프트
너는 콘텐츠 데이터 파이프라인을 설계하는 시니어 Python 엔지니어다.
현재 프로젝트에서 raw_post.json을 입력으로 받아
정규화와 1차 가공을 수행하는 processor를 구현하라.
목표:
원문 JSON을 읽어서 normalized_text.json, segments.json, broadcast_lines.json을 생성한다.
범위:
- HTML 정리
- 문단 정리
- 문장 분리
- 방송용 짧은 문장 생성
- 이번 단계에서는 LLM API 호출 없이 규칙 기반 처리만 구현
입력:
raw/{slug}/raw_post.json
출력:
processed/{slug}/normalized_text.json
processed/{slug}/segments.json
processed/{slug}/broadcast_lines.json
세부 요구사항:
1. normalized_text.json:
- cleaned_text
- paragraph_count
- char_count
2. segments.json:
- id
- type
- text
- source_paragraph_index
3. broadcast_lines.json:
- 1~3문장 길이
- 단독으로 읽어도 비교적 의미가 통하도록 구성
- 너무 긴 문장은 분할
4. 규칙 기반 휴리스틱을 함수로 분리
5. 테스트 추가
6. README에 사용법 문서화
제약:
- Python 3.11
- 표준 라이브러리 우선
- 함수는 재사용 가능하게 모듈화
- 하드코딩 최소화
응답 방식:
- 관련 파일을 먼저 확인
- 구현 후 테스트 또는 샘플 실행까지 진행
- 마지막에 사용 명령과 남은 개선 포인트를 짧게 정리
Codex에 특히 잘 먹는 요소
“현재 작업 디렉터리의 프로젝트를 먼저 살펴보고”
“기존 구조를 존중”
“이번 단계에서는 ~ 하지 말 것”
“마지막에 변경 파일 목록/실행 명령만 간단히 정리”
이런 문구입니다. Codex가 로컬 컨텍스트를 활용하고, 장황한 계획보다 실제 변경에 집중하도록 유도하기 좋습니다.
Gemini에 적합한 프롬프트
Gemini 쪽은 명세서 생성, 구조화된 출력, 설계 초안, JSON/YAML 스키마 정리에 특히 강하게 쓰기 좋습니다. Gemini CLI는 터미널 에이전트이고, MCP 연결이 가능하며, Gemini API는 구조화된 출력(JSON)을 공식 지원합니다.
A. Gemini용 설계 프롬프트
You are a senior software architect designing a Python CLI content pipeline.
Use only the information I provide below and make reasonable deductions from it.
Do not rely on unrelated outside assumptions.
When something is unspecified, choose a practical default and state it clearly.
Task:
Design a two-stage system:
1. extractor
2. processor
Project goal:
Convert Patreon posts into reusable content assets for broadcast inserts, narration, and future book production.
Requirements:
- Python 3.11
- CLI-first architecture
- Minimal dependencies
- JSON-based intermediate files
- UTF-8 safe
- Future MCP integration possible
- Future Chrome extension integration possible
Please produce:
1. recommended folder structure
2. JSON schemas for raw_post.json, segments.json, broadcast_lines.json
3. CLI command design
4. module breakdown
5. error handling policy
6. testing strategy
7. a phased implementation plan
Output format:
Return valid Markdown with these exact sections:
- Overview
- Folder Structure
- JSON Schemas
- CLI Commands
- Module Responsibilities
- Error Handling
- Testing Plan
- Phase 1 / Phase 2 / Phase 3
B. Gemini용 코드 생성 프롬프트
You are a senior Python engineer.
Generate production-oriented code for a CLI tool that reads raw_post.json
and outputs normalized_text.json and segments.json.
Use the provided schema and requirements.
Prefer clean, modular, testable code.
Do not add unrelated features.
Requirements:
- Python 3.11
- standard library first
- type hints required
- clear docstrings
- human-readable error messages
- unit tests included
Input schema:
[paste raw_post.json schema here]
Output schema:
[paste normalized_text.json and segments.json schema here]
Return:
1. file tree
2. full code for each file
3. test code
4. example command
5. short explanation of design choices
Gemini에 특히 좋은 방식
먼저 설계/스키마/단계 분리
그다음 코드 생성
출력 형식을 정확히 고정
입니다. Gemini 쪽은 구조화 출력과 긴 문맥 활용이 강점이라, 설계 문서 → 스키마 → 코드 순으로 쓰면 안정적입니다.
AI Content Transformation Engine Project Proposal
(System for Converting Patreon Posts into Broadcast, Audio, and Book Content)
1. Project Overview
This project aims to build a Content Transformation Engine that converts written articles into multiple reusable content formats.
Rather than treating a written article as a single finished product, this system treats each article as source data for multiple types of content.
Through this system, a single article can be automatically transformed into:
Short lines for music broadcast inserts
Audio narration scripts
Short-form content lines
Book draft material
Structured content datasets
This enables the creation of a content production pipeline where one article expands into multiple media outputs.
2. Objectives
The objectives of this project are:
Convert written articles into structured content assets
Transform articles into formats reusable across multiple media platforms
Automate parts of the content production process
Increase the efficiency of content creation
Build a foundation for long-term content production including books, broadcasts, and audio content
3. Core Concept
This project views written articles using the following structure:
Article
↓
Content Data
↓
Content Production
In other words:
Article → Data → Content
The article becomes structured data that can generate multiple forms of media.
4. System Structure
The system is composed of four main stages:
1. Content Extraction
2. Content Normalization
3. Content Processing
4. Content Output
Overall pipeline:
Patreon Article
↓
Extractor
↓
Normalizer
↓
Processor
↓
Content Database
↓
Content Output
5. System Architecture
Browser (Patreon)
↓
Chrome Extension
↓
Extractor Tool
↓
Content Normalizer
↓
Content Processor
↓
Content Database
↓
Content Output
6. Core Components
6.1 Content Extraction Tool
The extractor collects written articles from platforms such as Patreon.
Collected data includes:
Article title
Publication date
Tags
Original HTML content
Raw text content
Example output:
raw_post.json
Responsibilities:
Preserve the original article
Remove platform-specific data
Convert the article into structured content data
6.2 Content Normalization
The normalization stage cleans and standardizes the extracted content.
Main functions:
Remove HTML markup
Clean unnecessary links
Normalize paragraph structure
Standardize line breaks
Clean special characters
Output:
normalized_text.json
6.3 Content Processing Engine
The processor converts normalized text into multiple content formats.
Main functions include:
Sentence Segmentation
Break the article into semantic units.
segments.json
Broadcast Line Generation
Generate short lines suitable for insertion into music broadcasts.
broadcast_lines.json
Example:
AI produces answers.
Humans produce meaning.
Narration Script Generation
Create narration-friendly versions for audio reading.
narration_lines.json
Book Draft Generation
Combine segments into potential book draft structures.
book_draft.md
Tag Generation
Analyze the topic and mood of segments.
Examples:
AI
Philosophy
Technology
Creativity
Society
7. Content Database Structure
content_db/
raw/
normalized/
processed/
work_001/
original.json
segments.json
broadcast_lines.json
narration_lines.json
metadata.json
8. Development Environment
The system will be developed using a CLI-based development workflow.
Primary tools:
Python
Git
CLI environment
Codex CLI
Recommended operating systems:
Linux
macOS
9. Development Method
The development process incorporates AI-assisted coding tools.
Role distribution:
Codex
→ Code generation and modification
Git
→ Version control
CLI
→ Execution and automation
Development workflow:
Codex → Code development
Git → Version management
CLI → Execution and automation
10. Expected Outcomes
This system will provide the following benefits.
Increased Content Production Efficiency
A single article can automatically generate multiple types of content.
Higher Content Reusability
Articles can be expanded into:
Music broadcasts
YouTube content
Audiobooks
Books
Content Data Asset Creation
Articles are transformed into a structured content database, not just standalone content pieces.
11. Future Expansion
Possible future extensions include:
AI-assisted sentence recommendations
Automated content generation
Automatic broadcast content scheduling
Automated audio content production
Automated publishing preparation for books
12. Conclusion
This project aims to transform written articles into structured content assets that can power a long-term content production ecosystem.
Instead of treating each article as a single piece of content, the system enables one article to generate multiple media outputs.
Over time, the system can evolve into a core infrastructure for scalable content production.
FROM BUNTGAMES.COM