LLM·하네스로 더 좋은 n8n 워크플로 생성하기
LLM에 정확한 정보와 도구를 제대로 쥐여 주면 더 높은 품질의 n8n 워크플로를 생성할 수 있습니다. 이 글은 LLM의 작업 환경 전체를 설계하는 접근 방식인 '하네스(Harness)'를 만들어 실험한 내용을 다뤘습니다. 같은 모델과 같은 요청을 두고 하네스 수준만 바꿨을 때 모델이 생성한 n8n 워크플로 품질이 어떻게 달라지는지 소개합니다.
Miles
Workflow Automation Engineer
InfoGrab의 Workflow Automation Engineer로서, n8n 기반 업무 자동화와 LLM·에이전트 시스템을 설계부터 운영까지 직접 구축합니다. 2019년부터 이어온 백엔드 개발 경험을 바탕으로, 단순 워크플로 구성을 넘어 Claude Code·MCP 기반 멀티 에이전트 오케스트레이션 환경을 직접 설계·구현합니다. 파일 기반 메모리, 키워드·시맨틱 검색, 에이전트 간 작업 분배를 재사용 가능한 인프라로 체계화하고, 반복되는 운영 문제는 Skill·훅·CLI 도구로 추상화해 팀 전체가 쓸 수 있는 형태로 표준화합니다. AI 파이프라인을 막연히 붙이지 않고 토큰 비용·지연·정확도를 직접 측정하며, 모델 티어링과 프롬프트 구조를 A/B로 검증해 비용과 품질의 최적점을 찾는 데 강점이 있습니다. 추측이 아니라 로그와 데이터로 원인을 규명해 가장 효율적인 해결책을 설계하고, 만든 것을 도구화해 팀 생산성으로 환원하는 방식으로 일합니다.