top of page

Block Buzz AI 에이전트, Unity Gateway 사용

13분 전
9분 분량

Block은 11월 12일 자사의 Buzz 워크스페이스가 Databricks Unity Gateway를 사용해 직원들에게 단일 모델 환경이 아닌 모델 선택권을 제공한다고 설명했다. Block Buzz AI 에이전트는 동료와 대화를 공유하며, 협업과 모델 선택을 동일한 작업 공간 안에 담는다.

이 엔지니어링 설명은 엔터프라이즈 구매자에게 유용한 구분을 제시한다. AI 모델을 선택하는 일과 해당 모델을 중심으로 업무를 구성하는 일은 별개의 결정이다. 공유 인터페이스는 둘을 연결하지만, 구매자는 그 결과로 만들어진 워크플로가 완료된 업무의 품질을 개선한다는 근거를 여전히 필요로 한다.

관련 비교 대상은 과제별 모델 조합과 모든 업무를 동일한 모델로 표준화하는 방식이다. Anthropic의 기존 멀티 에이전트 연구는 이러한 아키텍처 선택을 위한 기준점이 된다. 어느 접근법도 자동으로 우위를 차지하지는 않는다. 답은 과제 구조, 조정 오버헤드, 그리고 결과를 수용하는 데 필요한 사람의 노력에 달려 있다.

Block Buzz AI 에이전트가 공유 대화에 참여하다

Buzz 협업 설명에 따르면 직원은 에이전트를 만들고, 모델 또는 코딩 하니스를 선택하며, 동료를 참여시킬 수 있다. 에이전트는 모델과 도구를 사용해 과제를 수행하는 소프트웨어다. 하니스는 그러한 상호작용을 관리하는 주변 소프트웨어를 뜻한다.

Buzz는 오픈 소스이며 자체 호스팅을 지원하고, 다른 하니스와 함께 경량 버전의 Goose를 포함한다. 직원들은 이를 코딩과 분석에 사용한다. Unity Gateway는 하나의 통합 환경을 통해 최첨단 모델과 일부 오픈 웨이트 모델에 대한 접근을 제공한다. 오픈 웨이트 모델은 라이선스 조건에 따라 학습된 파라미터를 사용할 수 있게 한다.

의미 있는 변화는 작업 방식에 있다. 즉, 사람들이 에이전트의 작업을 함께 검토하고 기여할 수 있다.

완성된 답변을 받는 것과 그 답변이 만들어지는 과정에 참여하는 것의 차이를 생각해 보자. 동료는 오래된 가정이 최종 권고안에 포함되기 전에 이를 알아챌 수 있다. 또 다른 동료는 최초 요청자가 언급하지 않은 중요한 비즈니스 제약을 제공할 수 있다.

이는 공유 작업이 제공할 수 있는 잠재적 이점이지, 이번 공개를 통해 입증된 측정 결과는 아니다. 그 가치는 재작업을 막을 수 있을 만큼 충분히 이른 시점에 유용한 개입이 이뤄지는지에 달려 있다. 중간 산출물로 가득한 대화는 간결한 완성 답변보다 더 많은 주의를 요구할 수도 있다.

지식 노동자에게 이 구분은 판단이 프로세스의 어느 지점에 개입하는지와 관련된다. 다듬어진 요약을 검토하면 표현과 결론에 주의가 집중된다. 업무가 전개되는 과정을 지켜보면 시스템이 특정 방향으로 진행하기 전에 범위, 출처, 정의에 의문을 제기할 기회가 생긴다.

이러한 기회에는 의도적인 설계가 필요하다. 대화가 보인다고 해서 어떤 문서가 응답에 영향을 주었는지, 어떤 지침이 행동을 통제했는지가 반드시 드러나는 것은 아니다. 독자는 대화의 투명성과 완전한 실행 기록을 구분해야 한다.

동료 간 협업에도 같은 구분이 적용된다. 늦게 참여한 사람은 모든 대화를 읽지 않고도 결정을 이해할 수 있는 충분한 맥락을 필요로 한다. 그렇지 않으면 워크스페이스는 요약의 부담을 에이전트에서 사람 검토자로 옮길 위험이 있다.

따라서 공유 대화는 감독이 쉬워졌다는 증거라기보다 감독을 위한 인터페이스가 된다. 가장 중요한 실용적 검증 기준은 팀이 업무가 어떻게 이뤄졌는지 재구성하는 시간을 줄이면서 중대한 오류를 더 일찍 발견하는지 여부다.

Block Buzz의 작동 방식을 알고 싶은 독자에게 이 구분은 이야기를 현실에 맞게 유지해 준다. 워크스페이스는 참여자들이 만나고 기여하는 방식을 바꾼다. 그 방식이 특정 업무를 개선하는지는 여전히 평가의 문제다.

모델 선택이 엔터프라이즈 AI 팀에 부담을 준다

즉각적인 부담은 직원에게 어느 정도의 유연성을 제공할지 결정하는 플랫폼 책임자에게 돌아간다. 하나의 모델로 표준화하면 지원, 조달, 평가가 단순해진다. 과제별 선택을 허용하면 이러한 팀이 이해하고 유지해야 하는 조합의 수가 늘어난다.

모델 유연성은 업무의 중심을 통합에서 평가와 운영 정책으로 옮긴다.

Databricks는 일반 공급을 발표한 8월 4일 Unity Gateway 출시에서 이러한 균형을 제시했다. 이 회사는 모델과 도구 전반의 선택권을 유지하면서 비용, 접근 권한, AI 상호작용을 중앙에서 감독할 수 있다고 설명한다.

이 연대기는 중요하다. 11월 설명은 게이트웨이 출시가 아니라 기존 인프라의 활용 사례를 다룬다. 독자는 모든 기반 구성 요소가 새로 도입된 것으로 보지 않고, 이를 엔터프라이즈 아키텍처 공개로 평가해야 한다.

공통 접근 계층의 실용적 매력은 이해할 수 있다. 팀이 주변 애플리케이션을 다시 구축하지 않고 다른 모델을 평가할 수 있다면, 제공업체 변경은 더 관리하기 쉬운 실험이 된다. 동등한 접근성이 동등한 행동을 뜻하지는 않으므로 애플리케이션은 여전히 테스트가 필요하다.

따라서 Block Buzz의 모델 선택은 어떤 모델이 가장 좋은 답을 내놓는지를 넘어서는 조직적 질문을 제기한다. 어떤 조합을 지원할지, 어떤 조합을 실험 단계에 둘지, 어떤 조합에 민감한 업무를 더 이상 맡기지 않을지를 누가 결정하는가?

허용적인 정책은 유용한 실험을 장려할 수 있다. 반면 직원이 평가할 시간이 없는 선택지들 가운데 고르게 만들 수도 있다. 제한적인 정책은 그러한 부담을 줄이지만, 과제 요구사항이나 사용 가능한 모델이 변한 뒤에도 어제의 기본값을 유지할 위험이 있다.

엔터프라이즈 구매자에게 유용한 중간 지점은 목적이 명확한 승인된 구성 집합이다. 이는 Block의 내부 정책에 대해 공개된 설명이 아니라, 이 아키텍처에서 도출되는 분석적 함의다.

예를 들어 코딩 보조 도구는 비즈니스 요약을 작성하는 보조 도구와 다른 수용 기준을 적용받아야 한다. 정확성, 응답 시간, 허용 가능한 데이터, 필수 검토 절차는 모두 업무에 따라 달라진다. 공유 인터페이스가 이러한 차이를 없애서는 안 된다.

이 지점에서 표준화된 보조 도구와의 비교도 실질적인 의미를 갖는다. 성능이 충분하고 업무가 반복적이라면 일관된 기본값이 더 나은 운영상 선택일 수 있다. 전문화가 반복 가능한 이점을 만들 때 유연성은 그 가치를 입증한다.

따라서 구매자는 더 긴 모델 목록을 더 높은 직원 생산성과 동일시해서는 안 된다. 지원되는 모든 선택지는 교육, 문제 해결, 평가, 유지보수 의무를 어느 정도 수반한다. 이러한 의무는 비즈니스 사례에 포함되어야 한다.

압박은 단기적이며 구체적이다. 플랫폼 팀은 모든 모델 업데이트가 전사적 마이그레이션으로 이어지지 않도록 변경을 승인하는 방법이 필요하다. 전략적 가치는 각 선택에 근거를 연결한 채 이 과정을 반복 가능하게 만드는 데 있다.

조정자는 작업자만큼 중요하다

Block은 내부 벤치마킹을 바탕으로, 더 뛰어난 조정 모델과 더 작은 작업자 모델을 결합하는 실험을 설명한다. 조정자는 업무를 나누고 결과를 통합하며, 작업자는 위임된 부분을 처리한다.

경제적 가치는 단순히 더 작은 모델을 사용하는 데 있지 않고, 위임의 품질에 달려 있다.

관련 선례는 Anthropic의 멀티 에이전트 연구 시스템이다. 2025년 6월 엔지니어링 설명은 리드 에이전트가 병렬로 작업하는 리서치 에이전트를 지휘하는 방식을 다룬다. Anthropic은 조정의 어려움과 늘어난 자원 소비를 강조하면서도, 내부 리서치 평가에서 이점을 보고했다고 밝혔다.

Anthropic은 긴밀하게 의존하는 작업은 여러 에이전트에 적합하지 않을 수 있다고도 경고했다. 이 조건은 리서치와 코딩을 비교할 때 중요하다. 독립적인 검색과 상호 의존적인 변경은 모두 고도화된 추론을 포함하더라도 서로 다른 조정 요구를 만든다.

이 비교는 Buzz에 대한 독립적 평가가 아니라 아키텍처적 맥락을 제공한다. Anthropic의 결과는 자사 시스템과 평가에 속한다. 이는 Block의 성능을 입증하거나 다른 조직이 달성할 결과를 예측할 수 없다.

그럼에도 기반 메커니즘은 살펴볼 가치가 있다. 조정자는 업무의 어느 부분이 분리 가능한지 파악하고, 필요한 산출물을 지정하며, 반환된 작업이 요청을 충족하는지 판단해야 한다. 이 단계의 오류는 이후의 모든 기여에 영향을 미친다.

예를 들어 비즈니스 지표의 예상치 못한 변화를 조사하는 가상의 상황을 상상해 보자. 별도의 작업자가 정의, 최근 소프트웨어 변경, 보고 가정을 각각 점검할 수 있다. 이들의 발견은 조정자가 상충하는 설명을 조율하고 아직 검증되지 않은 내용을 식별할 때에만 유용해진다.

초기 분해 과정에서 공유된 의존성을 놓치면, 병렬 작업은 잘못된 질문에 대한 그럴듯한 답을 여러 개 만들 수 있다. 작업자를 추가한다고 이 실수가 바로잡히지는 않는다. 겉보기의 합의를 통해 잘못된 틀이 더 설득력 있어 보이게 할 수 있다.

따라서 전체 비용에는 계획 수립, 반복되는 맥락 제공, 도구 사용, 종합, 수정이 포함된다. 더 작은 작업자 모델은 개별 단계의 비용을 줄일 수 있지만, 수용 가능한 결과에 필요한 단계 수는 늘릴 수 있다.

경과 시간도 비슷한 구조를 가진다. 독립적인 작업은 동시에 진행될 수 있지만, 전체 업무는 필요한 의존 관계를 여전히 기다려야 한다. 느리거나 혼란스러운 작업자는 종합을 지연시킬 수 있고, 너무 이른 종합은 미완성 작업을 감출 수 있다.

Block Buzz의 모델 선택은 이 전체 사슬을 기준으로 평가되어야 한다. 작업자 산출물만 비교하면 조정자가 적절한 과제를 배정했는지, 불필요한 작업을 요청했는지, 일관되지 않은 결과를 수용했는지를 놓치게 된다.

이로써 개발자는 더 유용한 비교 단위를 얻게 된다. 즉, 정의된 자원 예산 안에서 수용된 워크플로다. 벤치마크는 구성을 바꾸면서도 과제, 수용 기준, 검토 기대치를 유지해야 한다.

더 단순한 시스템이 승리할 여지도 남는다. 뛰어난 모델이 위임 없이 업무를 정확히 끝낼 수 있다면, 추가 에이전트를 조정하는 일은 정당화해야 할 비용이 된다. 이 아키텍처는 추가 구조가 문서화된 한계를 해결할 때 설득력을 얻는다.

공통 게이트웨이가 모든 통제 문제를 해결하지는 않는다

Databricks의 AI 거버넌스 문서는 모델 접근, 트래픽 관리, 서비스 정책, 모니터링을 위한 통제를 설명한다. 서비스 정책은 요청과 응답이 진행되는 방식을 관리하는 규칙이다. 문서는 연결된 도구의 권한과 활동 기록도 다룬다.

이는 플랫폼 기능이다. 이러한 기능의 제공 여부가 개별 고객이 어떤 설정을 활성화했는지, 또는 모든 애플리케이션 경로가 이를 얼마나 일관되게 사용하는지를 입증하지는 않는다.

중앙화된 접근은 통제 경계를 정의하는 데 도움이 되지만, 주변 워크플로에는 여전히 명시적인 책임 구분이 필요하다.

공유 에이전트 대화는 신원에 관한 질문을 제기한다. 질문을 하는 직원, 정보를 검색하는 에이전트, 답변을 읽는 동료는 서로 다른 역할을 맡는다. 방어 가능한 설계는 각 단계에서 누구의 권한이 적용되는지 설명해야 한다.

가상의 토론에 일부 참가자만 접근할 수 있는 정보가 포함되어 있다고 가정해 보자. 토론 참여 권한이 있다고 해서 모든 원본 문서를 자동으로 조회할 권한까지 주어져서는 안 된다. 반대로 조회가 허가되었다고 해서 그 결과 텍스트를 참석자 모두와 공유할 수 있는지는 별개의 문제다.

이는 Block의 배포에 결함이 있다는 증거라기보다 일반적인 설계상의 고려 사항이다. 공개된 설명만으로는 완전한 보안 평가를 제공하지 않는다. 독자는 아키텍처 개요를 보증 보고서로 받아들이지 말아야 한다.

자체 호스팅은 또 다른 구분을 만든다. 조직의 인프라에서 워크스페이스를 운영한다는 것은 애플리케이션이 위치한 곳에 대해서는 말해 준다. 그러나 모든 모델 요청이 어디에서 처리되는지, 연결된 시스템이 데이터를 어디에 보관하는지를 그 자체로 확정하지는 않는다.

유사한 구성을 검토하는 구매자라면 인터페이스 소유권과 데이터 흐름을 별도로 살펴봐야 한다. 핵심 질문은 무엇이 애플리케이션을 벗어나는지, 어느 대상이 이를 수신하는지, 이후 어떤 보존 규칙이 적용되는지에 관한 것이다.

쓸모 있는 활동 기록은 워크플로 전반의 의사결정도 연결해야 한다. 모델 요청이 발생했다는 사실을 아는 것과, 왜 도구가 실행됐는지, 어떤 지시가 이를 승인했는지, 그에 따른 작업을 누가 승인했는지를 이해하는 일은 다르다.

여러 에이전트가 같은 결과에 기여할 때 관리상의 과제는 더 커진다. 책임은 최종 답변을 게시한 에이전트만으로 판단할 수 없다. 특히 외부 시스템을 변경하는 경우, 검토자는 중요한 중간 작업을 이해할 필요가 있다.

예산 통제는 관련된 운영상의 문제를 만든다. Databricks의 AI spend controls는 추가 요청을 중단할 수 있는 알림과 엄격한 한도를 설명한다. 워크플로는 그 경계에 도달했을 때의 결과를 명확히 정해야 한다. 일시 중지, 실패 처리, 또는 승인된 계속 진행 요청 중 무엇인지가 필요하다.

사용자가 무엇이 완료됐고 무엇이 아직 끝나지 않았는지 이해한다면 갑작스러운 중단도 수용할 수 있다. 부분 결과가 완성된 결과처럼 보일 때 관리가 더 까다로워진다. 명확한 완료 상태는 권한 및 지출 통제와 함께 마련돼야 한다.

Block Buzz AI 에이전트가 주는 더 넓은 교훈은 협업과 거버넌스가 서로 다른 수준에서 작동한다는 점이다. 공유 워크스페이스는 참여를 조직하지만, 통제 메커니즘은 여전히 신원, 데이터 이동, 작업, 불완전한 실행을 고려해야 한다.

빠진 증거는 완료된 작업이다

11월 공개 내용은 측정된 보편적 비용 또는 속도 향상을 제시하지 않는다. 실험에 대한 설명은 혼합 에이전트 팀이 기업 업무 전반에서 더 단순한 대안보다 우수하다는 주장과 구분돼야 한다.

가장 강력한 증거는 재현 가능한 구성을, 해당 결과에 도달하기 위해 필요한 사람의 노력까지 포함한 승인된 결과와 연결하는 것이다.

Anthropic의 이전 effective agents guidance는 관련된 균형 관점을 제공한다. 이 가이드는 가장 단순하면서 실행 가능한 접근법부터 시작하고, 정당한 이유가 있을 때 복잡성을 추가하라고 권고한다. 또한 미리 정의된 워크플로와 모델이 자체 프로세스를 지시하는 시스템을 구분한다.

이 지침은 Buzz에 대한 비판이 아니며, 이번 공개 이전에 나온 것이다. 여기서 중요한 점은 평가 원칙이다. 추가적인 자율성과 조정은 입증된 필요에 답해야 한다.

유용한 평가는 완료의 정의에서 출발해야 한다. 소프트웨어 작업에서 생성된 코드는 중간 산출물이다. 승인에는 관련 검사를 통과하고, 요청을 충족하며, 해결되지 않은 결함 없이 검토를 통과하는 일이 포함될 수 있다.

분석 업무에서도 읽기 쉬운 설명만으로는 마찬가지로 충분하지 않다. 결과에는 정확한 정의, 근거가 뒷받침된 결론, 중요한 불확실성에 대한 설명이 필요하다. 그렇지 않으면 유창한 응답이 직원에게 여전히 필요한 작업을 감출 수 있다.

사람의 수정 작업도 명시적으로 다뤄야 한다. 초안을 더 빨리 만들지만 더 긴 검토를 요구하는 구성은 과제를 반드시 단축한 것이 아니다. 마찬가지로 누군가가 나중에 누락된 증거를 재구성해야 한다면 저렴한 실행도 비용이 커질 수 있다.

실패도 분모에 계속 포함돼야 한다. 성공한 실행만 보고하면, 수용 가능한 결과가 나올 때까지 어려운 작업을 반복 시도하는 시스템에 유리하다. 구매자는 중단되거나 포기되거나 거부된 과제가 어떻게 처리됐는지 알아야 한다.

이를 위해 민감한 내부 과제를 공개할 필요는 없다. 조직은 기밀 입력을 노출하지 않고도 평가 방법, 작업 범주, 승인 규칙, 집계 결과를 설명할 수 있다. 원시 사례를 공개할 수 없을 때에도 투명한 방법론은 중요하다.

같은 원칙은 모델 교체에도 적용된다. 조정자, 작업자 모델, 지시문, 도구가 모두 함께 바뀐다면 개선을 모델 선택에 귀속하기는 어렵다. 신중하게 범위를 제한한 비교는 결과를 더 해석하기 쉽게 만든다.

따라서 Block Buzz의 작동 방식을 살펴보는 독자에게 내부 벤치마킹은 완성된 답변이 아니라 중요한 단서다. 그 의미는 벤치마크가 무엇을 측정하는지와 그러한 측정이 일상적인 직원 과제를 반영하는지에 달려 있다.

지식 관리 측면도 있다. 팀에는 대화가 끝난 후에도 발견 가능한 승인된 정의와 근거 문서가 필요하다. searchable knowledge base에 관한 관련 논의는 지속 가능한 증거와 일시적인 대화 맥락을 구분하는 데 도움이 된다.

이 구분은 반복 가능성에 영향을 준다. 특정 동료가 문서화되지 않은 사실을 제공했기 때문에 답변이 성공했다면, 모델 구성만 반복해서는 같은 결과를 재현할 수 없다. 뒷받침하는 지식과 검토 과정도 설명에 포함돼야 한다.

이러한 공백이 아키텍처를 무효화하는 것은 아니다. 이는 시스템이 어떻게 구성되는지에 대한 신뢰할 수 있는 설명과, 다른 조직이 특정 업무량에 이를 채택해야 한다는 증거 사이의 경계를 정의한다.

Block의 공개 이후 주목할 점

다음으로 유용한 발전은 아키텍처의 유연성을 관찰 가능한 운영 결과로 바꾸는 일일 것이다. 앞으로 몇 달 동안 가장 유익한 신호는 평가 공개, 지속적인 사용, 지원되는 구성의 유지에 필요한 작업량과 관련된다.

더 많은 에이전트를 사용할 수 있다는 증거가 아니라, 전체 워크플로가 개선된다는 증거를 주목해야 한다.

첫 번째 신호는 구성 간 재현 가능한 비교다. 이는 식별된 작업 범주, 명확한 승인 규칙, 실패한 시도에 대한 회계를 의미한다. 비교 가능한 조건에서 혼합 에이전트 팀과 신뢰할 만한 더 단순한 대안을 비교해야 한다.

이러한 공개는 숨겨진 작업을 검토자에게 전가하지 않으면서 반복 가능한 향상을 보인다면 작업별 구성의 근거를 강화할 것이다. 특히 위임이 불필요한 오버헤드를 더하는 과제를 식별한다면, 혼합된 결과도 유용할 수 있다.

극적인 개선이 없더라도 공개된 방법론은 중요하다. 구매자는 결과가 더 나은 작업 분해, 다른 모델, 개선된 도구, 또는 더 신중하게 정의된 요청 중 무엇에서 비롯됐는지 알아야 한다. 이러한 설명이 발견이 다른 곳으로 이전될 수 있는지를 결정한다.

두 번째 신호는 초기 실험을 넘어선 지속적인 사용이다. 관련 증거는 단순히 생성된 에이전트나 사용 가능한 통합 수를 세는 것이 아니라 반복되는 워크플로와 승인된 결과를 설명할 것이다.

직원들이 중요한 과제를 위해 공유 워크스페이스로 반복해서 돌아온다면 지속적인 사용은 협업 주장을 강화할 것이다. 고립된 도구로의 빈번한 포기 또는 회귀 증거는 그 주장을 약화시키고 인터페이스의 한계를 파악하는 데 도움이 된다.

도입은 감독과 함께 해석해야 한다. 활발한 대화는 생산적인 참여를 뜻할 수 있지만, 반복적인 명확화가 필요하다는 신호일 수도 있다. 중요한 구분은 동료들이 판단을 보태는지, 아니면 피할 수 있었던 오해를 바로잡는 데 시간을 쓰는지다.

세 번째 신호는 구성 변경의 유지보수 부담이다. 구매자는 모델 교체, 하니스 업데이트, 통제 유지, 이후 기존 워크플로 점검에 대한 구체적인 설명을 주목해야 한다.

그러한 변경이 일상적이고 범위가 명확해진다면 공통 액세스 계층은 실용적인 형태의 유연성을 뒷받침한다. 각 교체에 광범위한 재시험과 수동 복구가 필요하다면 선택의 운영상 가치는 더 제한적이 된다.

Block Buzz AI 에이전트는 구체적인 기업 질문을 더 쉽게 드러낸다. 표준화는 어디에서 끝나야 하며, 작업별 구성은 어디에서 시작해야 하는가? 그 답이 모든 부서나 과제에서 동일할 필요는 없다.

주목할 증거는 조직이 성공과 실패를 모두 설명할 만큼 충분한 가시성을 갖추고 그러한 결정을 반복해서 내릴 수 있는지다. 이는 자율적 업무에 대한 또 하나의 일반론적 주장보다 더 유용할 것이다.

유사한 아키텍처를 도입하기 전에, 팀이 이미 잘 이해하고 있는 반복 과제를 선택하라. 수용 가능한 결과에 무엇이 포함되는지와 일반적으로 어느 정도의 검토가 필요한지를 정의하라. 중단, 수정, 실패한 시도를 포함해 제안된 에이전트 워크플로를 그 기준선과 비교하라. 다른 검토자가 결과가 왜 승인됐는지 이해할 수 있도록 근거 자료를 보존하라. 그런 다음 추가된 모델 선택이 노력을 줄였는지, 품질을 높였는지, 또는 단지 업무를 다른 곳으로 옮겼는지 물어보라. 워크플로의 어느 부분이 실제로 위임의 혜택을 받으며, 어느 부분은 여전히 동료의 판단에 의존하는가? 그 답을 바탕으로 무엇을 더 넓게 배포할지 결정하라.

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page