OpenClaw를 활용한 LinkedIn 접근 자동화의 실용적인 교훈

한 개발자가 3주간의 시행착오 끝에 OpenClaw를 사용해 LinkedIn 자동화를 진행한 경험을 기록하며, 효과적이었던 구체적인 기술적 접근법과 피해야 할 함정을 공유했습니다.

LinkedIn 자동화 탐지

에이전트에 브라우저 접근 권한을 부여해 LinkedIn을 탐색하고 연결 요청을 보내는 것은 실제로 작동하지 않습니다. LinkedIn은 세션 수준에서 거의 즉시 자동화를 탐지하여 2일 이내에 계정 제한으로 이어집니다. 문제는 에이전트 자체가 아니라 LinkedIn을 스크랩하고 클릭할 수 있는 일반 웹사이트처럼 취급하는 데 있습니다.

계정 워밍업 요구사항

ICP 점수화와 의도 신호

넓은 키워드 검색에 맞는 모든 사람과 연결하는 것은 끔찍한 결과를 낳습니다. 아웃리치 전에 점수화 계층을 추가하면 결과가 크게 개선됩니다. 이 계층에는 직책과 회사뿐만 아니라 해당 인물이 최근에 게시물을 올렸는지, 관련 콘텐츠에 댓글을 달았는지, 지난 90일 내에 직장을 바꾸었는지와 같은 참여 신호가 포함되어야 합니다. 이러한 의도 신호를 필터링에 추가함으로써 답변률이 잡음 수준에서 유용한 수준으로 증가했습니다.

속도 제한의 미묘한 차이

무료 LinkedIn 계정, 프리미엄, Sales Navigator는 완전히 다른 안전 임계값을 가지고 있습니다. 계정 유형에 관계없이 동일한 속도 제한을 적용하는 것은 제한을 받는 빠른 길입니다. 에이전트는 어떤 종류의 계정에서 작동하는지 알고 그에 따라 조정해야 합니다.

대화 흐름 설계

연결을 수락받는 것은 비교적 쉽지만, 에이전트가 후속 대화를 예약된 통화까지 처리하는 것이 어려운 부분입니다. 이는 누군가 질문으로 답변했을 때 무엇을 말할지, 침묵했을 때 무엇을 말할지, 언제 캘린더 링크로 에스컬레이션할지에 대한 명시적인 결정 트리가 필요합니다. 대부분의 에이전트 설정은 연결 요청과 첫 메시지 전송에서 멈추는데, 이는 전체 워크플로우의 약 20%에 불과합니다.

모델 라우팅 전략

ICP 점수화와 의도 신호 탐지는 저렴하고 빠른 Haiku 또는 Sonnet 모델에서 실행할 수 있습니다. 실제 대화 초안 작성은 어조와 타이밍이 중요한 부분이므로 더 강력한 모델의 이점을 받습니다. 이는 필요하지 않은 부분에 Opus를 실행하지 않는 일반적인 OpenClaw 원칙을 따릅니다.

해당 개발자는 이제 에이전트가 의도 신호를 기반으로 리드를 찾고, ICP에 대해 점수를 매기며, 연결 요청부터 데모 예약까지 대화를 처리하는 전체 루프를 운영하고 있으며, 리드당 비용은 기본적으로 설정 비용을 제외한 토큰 비용으로 제한됩니다.