실제 사례로 배우는 OpenAI Codex 업무 자동화

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.

product_brief.md
-> OpenAI Responses API 또는 Codex에게 산출물 요청
-> 카피/메일/랜딩 문안 생성
-> 검증 기준 적용
-> outputs/에 저장

test_openai.py
test_openai.mjs
outputs/first_openai_response.md
outputs/

현재 프로젝트 폴더를 읽고, Module 2에서 만든 파일(API 스크립트, outputs/first_openai_response.md 등)이 있는지 확인해줘.

아직 없는 파일(sources/, knowledge_base/ 등)은 이 Module 3 Step에서 순서대로 만든다고 안내해줘.
AGENTS.md는 Module 4에서 만듭니다.

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()}"

Codex 제품은 파일 편집 경험을 제공한다.
Responses API는 함수 도구나 shell 도구를 명시적으로 설계해야 한다.

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

AGENTS.md 없이 요청한 결과
AGENTS.md와 기준 문서를 읽고 요청한 결과

구체성
톤 일관성
근거 준수
파일 저장 위치
금지 표현 회피

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