OpenClaw로 구축한 일일 YouTube → LinkedIn 파이프라인: 아키텍처, 문제점, 그리고 교훈

한 개발자가 매일 유튜브에서 링크드인으로 콘텐츠를 자동 전송하는 OpenClaw 스킬의 상세 분석을 공개했습니다. 이 스킬은 매일 아침 약 30명의 AI 유튜버를 확인하고, Apify 액터를 통해 트랜스크립트를 가져온 후, OpenClaw 게이트웨이를 통해 LLM 분석을 실행하고, 동영상당 26개 열의 데이터를 구글 시트에 기록합니다. 비용은 Apify 기준 하루 약 $0.20이며, 별도의 LLM 키가 필요 없습니다(기존 Codex 할당량 사용). 트랜스크립트의 90%는 기본 자막에서 제공되며, Whisper는 거의 사용되지 않습니다.

핵심 아키텍처

매일 오전 9시에 실행되며, Apify 비동기 방식으로 트랜스크립트를 가져옵니다(동기 엔드포인트는 일관되게 BOT_DETECTION 반환). LLM 출력은 봉투 상단이 아닌 outputs[0].text 내부에 중첩되어 있습니다. 시트 쓰기는 ARG_MAX 무음 실패를 피하기 위해 5개씩 그룹화해야 합니다. 한 크리에이터는 하루에 15개 이상의 동영상을 게시하기도 합니다.

주요 함정

• entries.X 블록의 비밀은 스킬 제거 시 사라집니다. 저자는 이로 인해 YouTube API 키를 잃었습니다. 이제 모든 것은 env.vars에 저장합니다.
• Codex 유휴 턴 감시는 5-10분 후에 Discord 턴을 종료합니다. timeoutSeconds는 도움이 되지 않습니다. 해결책: setsid bash로 장기 작업을 백그라운드에서 실행하고 Proactivity 크론을 사용하여 자체 상태를 폴링합니다.
• nohup을 통해 파이프될 때 Python stdout은 블록 버퍼링됩니다. 백그라운드 실행은 완료될 때까지 0바이트 로그를 생성했습니다. python3 -u 또는 PYTHONUNBUFFERED=1을 사용하세요.

시트를 통한 LLM 튜닝

LLM 분석은 구글 시트의 4가지 사용자 편집 가능 셀(linkedin_focus, audience_description, voice_and_tone, avoid)을 통해 사용자 정의됩니다. 어조를 조정하기 위해 코드 변경이 필요 없습니다. 셀을 편집하면 스킬이 적응합니다. 저자는 이 패턴이 최적인지 피드백을 구하고 있습니다.

저자는 몇 주간의 프로덕션 테스트 후에 스킬을 ClawHub에 게시할 계획입니다.