OpenAI Codex를 사용할 계정과 작업 방식을 확인한다.

ChatGPT/Codex 사용 가능 계정
Codex 앱, CLI, 또는 IDE 확장
OpenAI Platform API Key 필요 여부
Git 설치
GitHub 계정

Codex 제품 사용 = 작업공간에서 파일을 읽고 고치고 리뷰하는 경험
OpenAI API 사용 = 내 코드에서 Responses API를 호출하는 경험

openai-codex-work-automation

API Key를 코드에 직접 쓰지 않는다.
원본 민감자료는 private/에 둔다.
실습용 자료는 redacted/에 둔다.
Git commit 전 민감정보를 점검한다.
외부 API나 hosted tool에 넣는 자료는 retention 정책을 확인한다.

개발자용 에이전트 제품은 Codex로,
앱 안의 코드 생성 호출은 Responses API로 옮긴다.

OpenAI 계정
OPENAI_API_KEY
Python 또는 Node.js 실행 환경
Git 저장소
Codex 실행 가능 여부

cd D:\openai-codex-work-automation
Get-Location

$env:OPENAI_API_KEY = "sk-proj-여기에-본인-키-붙여넣기"

python --version
python -m pip install openai

node -v
npm -v
npm install openai

간단한 함수 설명 요청
Claude Messages API 형태 이해
OpenAI Responses API 형태로 변환
output_text 읽기
reasoning effort 설정
결과를 outputs/에 저장

message = claude.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Explain this function"}
    ],
)

print(message.content[0].text)

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input=[
        {"role": "user", "content": "Explain this function"}
    ],
    max_output_tokens=1024,
    reasoning={"effort": "low"},
)

print(response.output_text)

messages -> input
max_tokens -> max_output_tokens
message.content[0].text -> response.output_text
Claude sampling 복사 금지 -> OpenAI reasoning/structured output 중심으로 재설계

Write a Python function memoized_fibonacci(n: int) -> int.
Return code only.

cd D:\openai-codex-work-automation
python -m pip install openai
python test_openai.py

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input=(
        "You are a senior Python code assistant.\n"
        "Write a Python function memoized_fibonacci(n: int) -> int.\n"
        "Return code only."
    ),
)

print(response.output_text)

OPENAI_API_KEY가 환경변수로 주입되었다.
Responses API 호출이 성공했다.
response.output_text를 출력했다.

def normalize(nums):
    total = sum(nums)
    return [n / total for n in nums]

Explain this Python function and suggest one safe refactor.
Point out one edge case.

코드 생성보다 코드 설명과 위험 탐지가 먼저다.
Codex/API 결과는 항상 실행과 테스트로 확인한다.

cd D:\openai-codex-work-automation
npm install openai
node test_openai.mjs

import OpenAI from "openai";

const client = new OpenAI();

const response = await client.responses.create({
  model: "gpt-5.5",
  input:
    "Explain this Python function and suggest one safe refactor:\n\n" +
    "def normalize(nums):\n" +
    "    total = sum(nums)\n" +
    "    return [n / total for n in nums]\n",
  max_output_tokens: 1024,
  reasoning: { effort: "low" },
});

console.log(response.output_text);

gpt-5.5: 복잡한 코드/전문 업무 기본값
gpt-5.4: 비용을 낮춘 고성능 대안
gpt-5.4-mini: 속도와 비용이 중요한 반복 작업
Codex 특화 모델: 장시간 agentic coding이나 Codex형 환경에서 검토

처음부터 가장 싼 모델로 고정하지 않는다.
대표 과제로 품질을 확인한 뒤 비용·지연을 조정한다.

cd D:\openai-codex-work-automation
mkdir outputs -ErrorAction SilentlyContinue

API 응답을 콘솔에 찍고 끝내지 않고 outputs/에 저장한다.

from pathlib import Path

Path("outputs").mkdir(exist_ok=True)
Path("outputs/first_openai_response.md").write_text(response.output_text, encoding="utf-8")

outputs/first_openai_response.md가 생겼다.
응답 내용이 UTF-8로 저장되었다.

프롬프트에 없는 기능을 만들어내지 않았는가?
실행 가능한 코드인가?
예외 상황을 설명했는가?
테스트가 필요한 부분을 표시했는가?
결과 파일이 약속한 위치에 저장되었는가?

outputs/first_openai_response.md를 검토해줘.
실행 가능성, 과대 추정, 빠진 예외 처리, 테스트 필요성을 기준으로 문제를 찾아줘.

지금 만든 OpenAI Responses API 예제를 내 업무 자동화에 맞게 바꾸고 싶습니다.

현재 폴더와 파일을 먼저 읽고,
어떤 입력 자료를 받아 어떤 산출물을 만들면 좋을지 질문해줘.

아직 파일을 수정하지 말고,
먼저 저에게 5개 이하의 질문을 해주세요.

현재 프로젝트 폴더를 읽고, Module 2에서 만든 파일(test_openai.py, test_openai.mjs, outputs/first_openai_response.md)이 있는지 확인해줘.

없으면 무엇이 빠졌는지 알려주고, 있으면 Module 3 Step 3부터 sources/product_brief.md를 만들 예정이라고 안내해줘.
AGENTS.md는 Module 4에서 만든다고 명시해줘.

InsightPulse는 마케팅 팀이 광고, 리드, 콘텐츠 데이터를 하루 또는 주 단위로 한 장에 요약해 팀 보고와 의사결정을 더 빨리 끝내게 해주는 업무 도구입니다.

sources/product_brief.md

sources/product_brief.md를 읽고 InsightPulse의 검색광고 스타일 카피 초안을 만들어주세요.

요구사항:
- 핵심 메시지 1개
- 검색광고 제목 후보 8개
- 검색광고 설명 후보 3개
- product_brief.md에 없는 성과 수치나 보장 표현은 만들지 말 것
- 결과를 outputs/copy/first_ad_copy_v1.md 파일로 저장

knowledge_base/ad_copy_validation.md

# 검색광고 초안 검수 기준

- 제목 후보는 8개 이상이어야 합니다.
- 설명 후보는 3개 이상이어야 합니다.
- 각 문장은 단독으로 읽혀도 의미가 있어야 합니다.
- 같은 말을 반복하지 않습니다.
- product_brief.md에 없는 성과 수치나 보장 표현을 만들지 않습니다.
- "업계 1위", "ROI 보장", "전환율 상승 보장" 같은 과장 표현을 쓰지 않습니다.
- 너무 긴 문장은 짧게 수정합니다.

아래 파일을 모두 읽어주세요.

- sources/product_brief.md
- knowledge_base/ad_copy_validation.md
- outputs/copy/first_ad_copy_v1.md

작업:
1. first_ad_copy_v1.md를 검토하세요.
2. knowledge_base/ad_copy_validation.md 검증 기준을 적용하세요.
3. product_brief.md에 없는 표현이 없는지 확인하세요.
4. 개선된 카피를 outputs/copy/first_ad_copy_v2.md로 저장하세요.
5. 무엇이 좋아졌는지 outputs/copy/improvement_notes.md로 정리하세요.

참고: AGENTS.md 작업 규칙은 Module 4에서 만듭니다. 이 단계에서는 검증 기준 문서만 적용합니다.

first_ad_copy_v2.md를 바탕으로 다음 산출물을 만들어줘.

1. LinkedIn 게시글 2개
2. 이메일 제목 후보 5개
3. 랜딩 히어로 문구 3개
4. 각 채널별 주의점

결과는 outputs/copy/channel_variants.md에 저장해줘.

product_brief.md와 channel_variants.md를 바탕으로 3~5장짜리 설명 슬라이드 구조를 만들어줘.

결과는 outputs/slides/slide_outline.md에 저장하고,
각 장마다 핵심 메시지, 근거, 시각 요소 제안을 포함해줘.

def write_text_file(path: str, content: str) -> str:
    file_path = Path(path)
    file_path.parent.mkdir(parents=True, exist_ok=True)
    file_path.write_text(content, encoding="utf-8")
    return f"wrote {file_path.as_posix()}"

sources/product_brief.md
knowledge_base/ad_copy_validation.md
outputs/copy/first_ad_copy_v1.md
outputs/copy/first_ad_copy_v2.md
outputs/copy/improvement_notes.md
outputs/copy/channel_variants.md
outputs/slides/slide_outline.md

openai-codex-work-automation/
├── AGENTS.md
├── sources/
├── knowledge_base/
├── decisions/
├── outputs/
├── scripts/
└── tests/

git --version
git status

민감자료가 있으면 private repo를 사용한다.
원본 자료는 .gitignore로 제외한다.
산출물과 템플릿 중심으로 commit한다.

openai-codex-workspace

git init
git status

.env
.env.local
private/
sources/raw/private/
*.key
*.pem

AGENTS.md는 너무 길게 쓰지 않는다.
긴 기준은 knowledge_base나 docs로 분리한다.
AGENTS.md는 어떤 문서를 언제 읽을지 알려주는 라우터 역할을 한다.

knowledge_base/brand.md

브랜드 톤
금지 표현
고객 대상
주요 메시지
사용 가능한 근거

knowledge_base/output_formats.md

광고 카피 형식
보고서 형식
슬라이드 아웃라인 형식
회의록 요약 형식
리스크 체크리스트 형식

sources/product_brief.md를 읽고 InsightPulse 검색광고 카피를 만들어줘.

요구사항:
- 제목 후보 8개, 설명 후보 3개
- product_brief.md에 없는 성과 수치나 보장 표현은 만들지 말 것
- brand 톤과 금지 표현을 반드시 지켜줘
- 결과를 outputs/copy/before_after_run.md로 저장

agents_md_before.md와 agents_md_after.md를 읽고,
위 5가지 기준으로 before/after 차이를 표로 정리해줘.
왜 after가 더 안정적인지 3문장으로 설명해줘.

git status
git add AGENTS.md knowledge_base decisions outputs
git commit -m "set up codex workspace guidance"
git push

원본을 안전하게 보관한다.
처리 가능 상태를 기록한다.
요약과 색인을 만든다.
Codex가 반복해서 읽을 짧은 context_summary를 만든다.

python --version
node -v
npm -v
git --version

raw 자료 수집
-> 처리 가능 여부 확인
-> processed markdown/csv 생성
-> DATA_INVENTORY.md 업데이트
-> document_index.md 생성
-> context_summary.md 압축

sources/raw/pdf/
sources/raw/docx/
sources/raw/excel/
sources/raw/hwp/
sources/processed/markdown/
sources/processed/csv/
knowledge_base/

공개 PDF 보고서
샘플 Excel
회의록 텍스트
제품 소개서
제안서 초안

민감정보가 포함된 원본은 private/에 둔다.
수업 공유 자료는 redacted/로 만든다.

pip install pandas openpyxl pdfplumber pypdf python-docx tabulate

sources/raw의 파일 유형을 보고, 필요한 추출 스크립트 목록을 제안해줘.
먼저 파일을 수정하지 말고 어떤 스크립트가 필요한지 계획만 세워줘.

| file | status | reason | next_action |
|---|---|---|---|
| sample.hwp | needs_review | 추출 도구 확인 필요 | PDF/DOCX 변환본 확보 |

sources/raw 폴더의 PDF, DOCX, Excel, 이메일, 웹자료를 읽을 수 있는 형태로 변환해줘.
변환 결과는 sources/processed에 저장하고 DATA_INVENTORY.md를 업데이트해줘.

시트 목록
컬럼 목록
행 수
개인정보 가능성
분석 가능한 질문
분석 불가능한 질문

processed markdown과 csv 요약을 바탕으로 knowledge_base/document_index.md를 만들어줘.
파일별 목적, 핵심 내용, 업무에 쓸 수 있는 질문을 정리해줘.

개인 이메일
전화번호
고객명
광고 계정 ID
계약 금액
내부 성과 수치
원문 재배포 제한 문서

knowledge_base/privacy_checklist.md
redacted/sample_redacted.md

원본 민감자료가 commit 대상에서 제외되었는가?
DATA_INVENTORY.md가 최신인가?
document_index.md와 context_summary.md가 만들어졌는가?
privacy_checklist.md가 있는가?

Claude Code 제품 예제를 Anthropic API 예제로 오해한다.
Claude Messages API를 Chat Completions로만 옮긴다.
tool_use를 function_call로 바꾸면서 도구 실행 루프를 빠뜨린다.
CLAUDE.md를 AGENTS.md로 옮기지 않는다.
파일 편집을 bare API가 자동으로 해줄 것이라 기대한다.

1. 제품형: Claude Code CLI/Desktop/Agent experience
   -> Codex App/CLI/IDE

2. API형: Anthropic Messages API 호출
   -> OpenAI Responses API

3. 에이전트 자동화형: Claude Agent SDK + tools
   -> Responses API + function tools 또는 Agents SDK

first = client.responses.create(
    model="gpt-5.5",
    input="Read the authentication module and summarize it.",
)

second = client.responses.create(
    model="gpt-5.5",
    previous_response_id=first.id,
    input="Now find all places that call it.",
)

print(second.output_text)

지금까지의 Codex 작업공간, API 호출 예제, 자료 자산화 결과, 마이그레이션 검토 내용을 바탕으로 decisions/next_actions.md를 업데이트해줘.

형식:
1. 현재 전환 대상
2. 제품형 Codex로 옮길 것
3. Responses API로 옮길 것
4. function tool이 필요한 것
5. 보안/retention 확인이 필요한 것
6. 다음 30분 액션
7. 멘토링에서 확인받을 질문