당신의 데이터베이스가 이제 영화 스튜디오가 되었습니다.

행과 열은 이야기를 전달하지 않습니다. 재무 지표, 분석가 평가, 생산 예측을 담은 30열 테이블은 수십억 달러에 달하는 위험을 암호화할 수 있지만, 대부분의 사람들에게는 정적 잡음처럼 보입니다. 경험 많은 분석가조차도 임원, 고객 또는 소비자에게 실제로 중요한 것을 설명하기 위해 SQL 결과 집합을 분석하는 데 몇 시간이 걸립니다.

전통적인 도구는 이를 해결하는 척하지만, 스프레드시트, BI 대시보드, 임시 차트는 KPI와 예쁜 그래프를 표면화하지만, 비전문가들이 실제로 가지고 있는 질문에는 거의 대답하지 못합니다: "그래서 뭘?" 대시보드는 자유 현금 흐름 수익률이 세그먼트에 따라 다르다는 것을 보여줄 수 있지만, 왜 석유 중심의 생산자가 가스 중심의 회사보다 나은 성과를 내고 있는지, 그리고 이것이 다음 분기 전략에 무엇을 변화시켜야 하는지를 설명하지 않습니다.

서사는 보통 애프터사이드처럼 다가오며, 슬라이드 덱이나 급하게 작성된 이메일 요약에 덧붙여진다. 누군가는 CSV 파일을 내보내고, 스크린샷을 파워포인트에 붙여 넣으며, 이해관계자들이 숫자를 이해할 수 있도록 스크립트나 발표 노트를 작성한다. 맥락은 분석가의 머릿속에 존재하며, 데이터 제품 자체에는 없고, 다음 요청으로 넘어가는 순간 사라진다.

수동 보고 파이프라인은 확장성이 없습니다. 하나의 복잡한 데이터 세트를 일관된 4분 분량의 설명 비디오로 변환하려면 다음이 필요합니다: - 진정한 인사이트를 찾기 위한 심층 분석 - 통계를 이야기로 전환하기 위한 대본 작성 - 차트와 도표를 만들기 위한 시각 디자인 - 녹화, 편집 및 다듬기를 위한 비디오 제작

각 단계는 시간과 주의를 소모합니다. 30개 이상의 열로 구성된 북미 에너지 선물과 같은 복잡한 데이터 세트에 대한 단일 설명서는 분석가, 디자이너 및 비디오 편집자가 수일 동안의 작업을 쉽게 소모할 수 있습니다. 이를 주간 업데이트, 여러 지역 또는 수십 개의 제품 라인에 반복하면 계산이 무너집니다.

한편, 데이터 볼륨은 계속 증가하고 있습니다. 기업들은 매 클릭, 거래, 센서 판독값, 지원 티켓을 기록한 후, 변화된 내용을 전달하기 위해 정적인 보고서에 의존합니다. 비즈니스 인텔리전스 팀은 이해관계자들이 원시 대시보드를 해석할 수 없거나 해석하고 싶지 않은 상황에서 끝없는 "이 과정을 설명해 주실 수 있나요?" 요청을 수용하며 병목 현상이 됩니다.

현재의 진짜 도전은 정보를 저장하거나 쿼리하는 것이 아닙니다. 데이터베이스와 클라우드 웨어하우스가 그것을 해결했습니다. 어려운 문제는 소통입니다: 원시 SQL 출력에서 누구나 이해할 수 있는 명확하고 매력적인 설명 영상이나 내러티브로 어떻게 전환할 것인가, 그것도 분석가와 비디오 제작자의 군대를 고용하지 않고 즉시 가능합니다.

자동화 워크플로우를 오래된 SQL 테이블에 적용해 모션 그래픽 스튜디오에서 나온 듯한 완벽한 내레이터가 있는 설명 영상을 얻는 모습을 상상해 보세요. 그것이 바로 n8n으로 완전히 구축된 데이터-투-비디오 파이프라인의 핵심입니다. 이 시스템에서는 귀하의 데이터베이스가 한 번에 스크립트 작가, 스토리보드 아티스트, 비디오 편집기가 되는 역할을 합니다.

데이터가 PostgreSQL 또는 기타 SQL 백엔드에서 흐르고, AI 에이전트의 연쇄를 거쳐 4분짜리 화이트보드 스타일의 설명 비디오로 출력됩니다. 아무도 대본을 작성하지 않고, 타임라인을 열지 않으며, 음성 녹음을 하지 않습니다. n8n이 쿼리부터 최종 MP4까지 모든 단계를 조율합니다.

이 데모는 실제 북미 에너지 부문 데이터 세트에서 실행됩니다: 30개 이상의 선물 가격, 분석가 평가, 생산 예측 및 재무 지표가 포함되어 있습니다. 이러한 복잡한 데이터를 통해 워크플로우는 샘플의 55%를 차지하는 석유 중심 생산업체들이 가스 중심 기업 대비 11.2%의 자유 현금 흐름 수익률(가스 중심 기업은 7.1%)을 기록하고, P/E 비율 또한 7.9배 대 10.5배로 거래되고 있다는 통찰을 제공합니다.

모든 것이 손으로 그린 스타일의 시각 자료 위에 깔끔하고 인간적인 느낌의 내레이션으로 마무리됩니다. 기름 중심과 가스 중심 회사의 분할 화면 차트가 보이고, 수익 차이를 강조하는 굵은 레이블이 표시되며, 가치 배수가 동기화된 음성과 함께 움직이는 단순한 막대 그래프로 그려집니다.

튜토리얼의 짧은 30초 클립에서는 이러한 과정을 보여줍니다: 내레이터가 생산 믹스에 따라 수익이 어떻게 diverge하는지를 설명하고, 애니메이션 화이트보드 다이어그램이 화면에서 스스로 그려집니다. 점프 컷이나 어색한 정지 없이, 분석가가 대본을 작성하고 스튜디오에서 제작한 것처럼 느껴지는 연속적인 설명입니다.

비하인드 스토리에서 n8n은 데이터를 가져와 OpenRouter에서 호스팅하는 모델인 GPT, Grok 또는 Gemini를 통해 분석 및 내러티브 생성을 위해 라우팅한 후, Google Gemini Nano Banana Pro에 텍스트 프롬프트를 전달하여 이미지 생성을 진행합니다. 마지막 조립 단계에서는 시각 요소와 오디오가 하나의 비디오 파일로 결합됩니다.

한 번 실행 버튼을 누르면 데이터가 업데이트되고, 워크플로우가 실행되며, 새로운 설명서가 그 반대편에서 생성됩니다—당신의 튜토리얼, 내부 리소스, 또는 공개용 설명 영상 페이지를 위한 준비가 완료됩니다.

n8n은 워크플로우 도구에서 완전 자동화된 데이터-비디오 스튜디오로 발전하는 네 가지의 독특한 단계를 갖추고 있습니다. 각 단계는 일반적으로 사람들이 수작업으로 수행하는 특정 창의적 작업을 처리합니다: 분석가, 대본 작성자, 일러스트레이터, 그리고 비디오 편집자입니다. 이들이 함께 raw SQL 데이터를 변환하여 의도적으로 제작된 것처럼 보이는 4분짜리 설명 영상을 만듭니다, 자동 생성된 것이 아닙니다.

1단계는 데이터 분석입니다. AI 에이전트가 귀하의 SQL 데이터베이스(튜토리얼에서는 PostgreSQL을 사용하지만, 어떤 SQL 소스도 가능)와 직접 연결되어 30개 이상의 재무 열이 포함된 에너지 가격 테이블과 같은 정의된 테이블에서 데이터를 가져옵니다. 이 에이전트는 스키마, 열 유형, 행 수 및 데이터 분포를 검사한 후, 실행 요약, 방법론, 주요 발견 및 권장 사항과 같은 섹션이 포함된 1,200단어의 구조화된 분석 보고서를 작성합니다.

이 에이전트는 단순히 요약하는 것 이상의 역할을 합니다. 예를 들어, 원유 중심의 생산자와 가스 중심의 생산자를 비교하고, 자유 현금 흐름 수익률(11.2% 대 7.1%)과 가치 평가 격차(7.9배 대 10.5배 P/E)와 같은 지표를 도출합니다. 이 보고서는 이후 모든 단계에서 사용하는 단일 진실의 출처가 되며, 서사, 비주얼, 오디오 모두 동일한 기본 데이터와 일치하도록 유지됩니다.

2단계는 스토리 생성입니다. 별도의 AI 스토리텔러가 분석 보고서를 받아 다섯 개의 이야기 구성 요소로 재구성합니다: 설정, 맥락, 주요 통찰, 시사점, 그리고 핵심 요점. 통계의 단락 대신, 유튜브 브레이크다운을 위한 내레이션 스크립트처럼 들리는 인간 친화적인 비트가 제공됩니다.

이 내러티브 에이전트는 속도와 명확성을 강제로 설정합니다. 일반 청중에게 중요한 숫자는 무엇인지, 강조할 비교는 무엇인지, 위험, 이익 또는 이상치를 어떻게 프레임할지를 결정합니다. 그 결과는 데이터베이스에서 읽어 내려온 것처럼 느껴지지 않고 편집된 느낌의 대본이 됩니다.

3단계는 비주얼 생성입니다. 다섯 개의 내러티브 세그먼트 각각에 대해, 워크플로우는 Google Gemini Nano Banana Pro를 호출하여 화이트보드 스타일의 일러스트레이션을 생성합니다. 프롬프트에는 특정 개체(석유 중심 생산자, 가스 중심 기업), 메트릭, 그리고 관계가 포함되어 있어 각 프레임은 기본 SQL 인사이트를 직접 반영합니다.

이 이미지는 관람자를 위한 시각적인 기준점 역할을 합니다. 이 시스템은 손으로 그린 설명서의 톤에 맞춘 다섯 개의 일관된 스타일의 프레임을 출력합니다. 대체 도구를 탐색하고 싶다면, n8n 통합 - 공식 통합 라이브러리에는 교체할 수 있는 추가 이미지 및 AI 서비스가 나열되어 있습니다.

4단계는 비디오 조립입니다. n8n이 함께 엮습니다:

• 1다섯 개의 서사 텍스트 구간
• 2각 세그먼트에 대한 텍스트 음성 변환 오디오
• 3다섯 개의 화이트보드 스타일 이미지

오디오와 비주얼이 하나의 MP4 설명 동영상으로 동기화되어 있으며, 보통 약 4분 길이로 출판 준비가 완료됩니다. 타임라인 스크러빙이나 수동 렌더링이 필요 없이, SQL 쿼리에서 최종 파일까지 완전히 자동화된 비디오 파이프라인입니다.

1단계는 당신의 n8n 워크플로우를 작은 데이터 팀처럼 보이게 만듭니다. 중앙에는 오케스트레이터 에이전트가 자리 잡고 있으며, 이는 어떤 질문을 할지, 언제 더 많은 데이터를 가져올지, 그리고 얼마나 많은 분석 패스를 실행할지를 결정하는 고수준의 컨트롤러입니다. SQL을 직접 다루지 않고, 그 작업을 전문 파트너에게 위임합니다.

그 파트너는 데이터 검색 에이전트로, 오직 PostgreSQL 인스턴스와 소통하는 목적에 맞게 설계된 작업자입니다. n8n 내부에서 이 에이전트는 실시간 연결을 제공하는 데이터베이스 도구와 연결되어 필요에 따라 자신의 SQL을 생성하고 실행할 수 있습니다. 미리 준비된 쿼리도 없고, 정적인 대시보드도 없이 그저 동적인 프롬프트가 실제 데이터베이스 호출로 전환됩니다.

“SELECT * FROM energy”를 하드코딩하는 대신, 워크플로우는 에이전트에게 도구 설명을 제공하고 모델이 중요하다고 판단하는 테이블, 열 및 필터를 결정하도록 합니다. 처음에는 스키마를 샘플링하며 넓게 시작한 다음, 특정 조인, 시간 범위 또는 하위 세그먼트로 좁힐 수 있습니다. 이는 하나의 워크플로우가 오늘은 30개 열의 에너지 데이터셋에, 내일은 마케팅 퍼널 테이블에 맞게 단 한 번의 수동 편집 없이 적응할 수 있음을 의미합니다.

오케스트레이션 로직은 중요합니다. 오케스트레이터 에이전트는 임무를 받습니다: 이 데이터베이스 슬라이스에서 모든 의미 있는 트렌드, 이상 징후 및 패턴을 추출하는 것입니다. 그런 다음 데이터 검색 에이전트에게 다음 작업을 지시합니다: - 스키마 검사 (열, 데이터 유형, 행 수) - 기술 통계 추출 - 섹터, 제품 또는 지역과 같은 주요 차원으로 분할

원시 데이터가 돌아오면 시스템 메시지가 데이터 검색 에이전트를 분석가 모드로 전환합니다. 에이전트는 느슨한 총알 목록이 아니라 구조화된 약 1,200단어의 보고서를 출력해야 합니다. 이 간략한 내용은 명확하고 전문적인 언어로 작성된 임원 요약, 방법론, 데이터 프로필, 주요 발견 및 권장 사항을 포함해야 합니다.

데릭 청의 데모는 Supabase에서 호스팅된 에너지 테이블을 샌드박스로 사용하지만, 이 패턴은 모든 PostgreSQL 호환 백엔드에 일반화됩니다. 그의 예시에서 에이전트는 석유 중심과 가스 중심 생산자 간의 구분, 자유 현금 흐름 수익률 차이(11.2% 대 7.1%), 그리고 가치 평가 차이(7.9배 대 10.5배 P/E) 같은 항목들을 자동으로 드러냅니다. 이는 정형화된 인사이트가 아니라 에이전트의 자체 쿼리와 비교를 통해 나타납니다.

목표가 이야기 준비가 된 보고서이기 때문에, 에이전트는 숫자가 말하는 "무엇"에 그치지 않습니다. 트렌드를 실행 가능한 통찰력으로 변환해야 합니다: 어떤 세그먼트가 성과를 초과하고, 어떤 지표가 그 성과를 이끌며, 의사결정자가 다음에 무엇을 해야 하는지를 말이죠. 이 1,200단어의 결과물은 나중에 2단계에서 이야기 구성 요소로 잘라내고 궁극적으로 설명 비디오의 프레임으로 사용될 마스터 스크립트가 됩니다.

2단계는 스프레드시트 사고방식에서 스토리텔링 사고방식으로 배턴을 넘깁니다. 이 워크플로우는 새로운 전문가인 마스터 데이터 스토리텔러 에이전트를 양성하는데, 그의 전적인 임무는 1,200단어의 분석 보고서를 분기별 실적 발표가 아닌, 긴밀하게 구성된 화이트보드 설명처럼 느껴지도록 변환하는 것입니다. 차트를 조정하는 대신, 이 에이전트는 비트, 장면 및 시각적 은유로 사고합니다.

그의 정체성은 고밀도 화이트보드 애니메이션 스튜디오의 수석 감독처럼 설계되어 있습니다. 즉, 이는 제작에서 예상할 수 있는 제약을 가정합니다: 4분 런타임, 빠른 템포, 불필요한 장면 없음, 그리고 단일 프레임에서 명확하게 전달되어야 하는 비주얼. 그가 내리는 모든 결정—강조할 요소, 잘라낼 요소, 전환 방법—은 그 제작 마인드를 위한 것입니다.

구조적으로, 에이전트는 다섯 부분으로 구성된 JSON 배열을 출력합니다. 각 요소는 최종 비디오의 한 세그먼트를 나타내며, 두 가지 페이로드를 포함합니다: 내레이션 스크립트와 세부적인 비주얼 프롬프트. n8n은 "스토리"를 인식하지 않고, 하류 노드가 추측 없이 소비할 수 있는 순서화된 데이터 구조로 봅니다.

내레이션 세그먼트는 각각 30~45초 분량의 미니 장면처럼 읽힙니다. 하나의 주요 인사이트를 전달하는 데 초점을 맞춥니다. 에너지 데이터셋의 경우, 한 세그먼트는 오일 중심 기업과 가스 중심 기업을 완전히 구분하며, 오일 중심 회사(샘플의 55%)가 11.2%의 자유 현금 흐름 수익률을 제공하는 반면, 가스 기업은 7.1%를 기록하고, 주가는 각각 7.9배와 10.5배의 주가 수익 비율로 거래된다는 내용을 강조할 수 있습니다. 분석가가 1단계에서 끌어낸 모든 수치는 청중이 따라갈 수 있는 대화가 됩니다.

비주얼 프롬프트는 샷 디자인에 깊게 들어갑니다. "에너지 회사를 그려라" 대신 JSON은 다음과 같이 구체화할 수 있습니다: "넓은 화이트보드 장면, 분할 화면; 왼쪽에는 '석유 중심(55%)'이라고 표시되고, 굵은 글씨로 '11.2% FCF 수익'과 '7.9배 주가수익비율(P/E)'; 오른쪽에는 '가스 중심(45%)'과 함께 '7.1% FCF 수익' 및 '10.5배 P/E'; 석유 굴착기와 가스 우물의 간단한 아이콘; 깨끗한 검은 선 그림, 높은 대비." 이러한 구체성 수준은 Google Gemini Nano Banana Pro가 일관된, 브랜드에 맞는 프레임을 생성할 수 있게 합니다.

부드러운 전환이 이 다섯 개의 세그먼트를 하나의 서사로 엮어줍니다. 에이전트는 명확하게 연결 고리를 스크립트합니다: 이전 통계에 대한 회상, 다음 세그먼트에 대한 암시, 그리고 “가치 평가에서 시선을 돌리면, 실제 이야기가 생산 믹스에 나타납니다.”와 같은 언어적 연결이 포함됩니다. 이러한 전환 문장은 각 세그먼트와 함께 JSON에 저장되므로, n8n이 나중에 오디오와 비주얼을 조합할 때 최종 컷은 의도적으로 느껴집니다—스프레드시트 내보내기보다 스튜디오 파이프라인에 가까운 느낌입니다.

3단계는 워크플로우가 백오피스 분석처럼 들리던 것에서 벗어나 프로덕션 스튜디오처럼 보이기 시작하는 단계입니다. 스토리 단계의 다섯 가지 서사 세그먼트는 각각 비주얼 브리프가 되어, n8n이 이를 구글의 제미니 나노 바나나 프로 모델에 대해 병렬 작업으로 펼칩니다. 이는 힉스필드 API를 통해 접근할 수 있습니다.

각 브리프는 잘 정리된 JSON 페이로드로 도착합니다: 세그먼트 제목, 2-3 문장 설명, 주요 데이터 포인트, 그리고 명확한 "화이트보드 스타일, 깨끗한 배경 위의 검은 마커" 아트 디렉션. 프롬프트는 또한 "UI 크롬 없음", "로고 없음", "포토리얼리즘 없음"과 같은 제약을 인코딩하여 Nano Banana Pro가 스톡 사진 생성기가 아닌 스토리보드 아티스트처럼 행동하게 만듭니다.

n8n의 HTTP 요청 노드는 Higgsfield 호출을 처리합니다. 각 세그먼트에 대해 Nano Banana Pro 엔드포인트에 POST를 보내며, 본문에는 다음이 포함됩니다: - 마스터 데이터 스토리텔러가 생성한 텍스트 프롬프트 - 출력 형식이 PNG로 설정됨 - 해상도가 1920×1080으로 설정됨 - 비디오 안전 프레이밍을 위해 가로세로 비율이 16:9로 잠금 설정됨

Higgsfield는 이미지 생성을 비동기 작업으로 처리하여 워크플로우가 차단되지 않고 기대합니다. 첫 번째 호출은 작업 ID를 반환하며, n8n은 이를 항목에 저장하고 전용 "작업 상태" 루프로 전달합니다. 이 루프는 API를 과도하게 호출하지 않기 위해 확인 간격을 5–10초로 설정된 대기 노드를 사용합니다.

루프를 통과할 때마다 HTTP 요청 노드가 트리거되어 작업 ID와 함께 Higgsfield 상태 엔드포인트에 요청을 보냅니다. 응답은 대기 중, 실행 중, 완료, 또는 실패의 간단한 상태 머신을 노출합니다. 스위치 노드는 해당 필드를 기준으로 분기하여 완료된 작업만 루프를 빠져나가 다운스트림 처리로 진행됩니다.

작업이 "완료" 상태가 되면, n8n은 이미지 URL 또는 이진 페이로드를 가져와 파일 이름을 `segment-03-cashflow.png`와 같이 정규화하고, 조립 단계에 대해 예측 가능한 위치에 저장합니다. HTTP 노드, 루핑 및 이진 데이터 처리에 대한 더 깊은 구현 세부 사항은 n8n 문서 - 공식 문서에서 이 파이프라인이 사용하는 정확한 구성 패턴을 안내합니다.

4단계는 자산 더미를 완성된, 시청 가능한 파일로 변환합니다. 이 시점에서 n8n은 다섯 개의 내러티브 세그먼트, 일치하는 화이트보드 이미지, 구조화된 메타데이터를 보유하고 있습니다. 비디오 조립은 이러한 요소들을 엄격한 타임라인으로 연결하여 외부 렌더러가 데이터를 추측 게임이 아닌 스토리보드처럼 다룰 수 있도록 합니다.

모든 것은 JSON 매니페스트로 시작됩니다. n8n은 각 스토리 비트를 정렬된 장면 배열로 매핑하며, 각 장면은 다음을 포함합니다: - `text` (내레이션 라인 또는 단락) - `image_url` (제미니 나노 바나나 프로 출력) - `duration_seconds` - `voice_id` 또는 스타일 - `scene_index`

해당 매니페스트는 전역 설정도 저장합니다: 목표 해상도(일반적으로 1080p), 프레임 속도, 배경 색상 및 오디오 믹스 레벨. 이 스키마를 표준화함으로써, 상위 에이전트에 손을 대지 않고도 나중에 렌더 엔진을 교체할 수 있습니다.

무거운 작업은 Railway 또는 Hostinger VPS와 같은 서비스에 배포된 맞춤형 비디오 생성 API로 이동합니다. 이 API는 다음을 처리합니다: - 각 세그먼트에 대한 텍스트 음성 합성 - 시각적 요소가 발화의 강조와 일치하도록 파형 정렬 - 전환과 배경 음악이 포함된 최종 MP4 렌더링

서비스는 백그라운드에서 HTTPS를 통해 JSON 페이로드를 수신하고, 렌더 작업을 큐에 추가하며, `job_id`와 상태 엔드포인트를 반환합니다. n8n은 HTTP 노드를 통해 이 요청을 전송하며, 모든 이미지 URL과 내레이션 블록을 포함한 전체 매니페스트를 원시 JSON으로 전달합니다.

그 후, 워크플로우는 폴링 루프로 들어갑니다. 간단한 대기 노드가 10–20초 동안 일시 정지한 후, HTTP 노드가 `/status/{job_id}`를 확인하여 API가 `completed` 또는 `failed`를 보고할 때까지 대기합니다. 성공적으로 완료되면, 응답에는 클라우드 저장소를 가리키는 서명된 `video_url`이 포함됩니다.

n8n은 해당 URL을 로컬 디스크나 S3에 다운로드한 후, 파일을 이메일에 첨부하거나 직접 Slack이나 YouTube에 게시합니다. 여러분의 SQL 쿼리가 조용히 4분짜리 설명 영상으로 변모한 것입니다.

이 시스템의 모든 자동화된 설명자는 간결하지만 의견이 분명한 스택에서 운영됩니다: n8n은 오케스트레이션을, OpenRouter는 AI 두뇌를, PostgreSQL은 진실을, 그리고 Higgsfield-Gemini 조합은 시각적 요소를 담당합니다. 각 구성 요소는 SQL 쿼리부터 렌더링된 프레임까지 파이프라인의 특정 단계에 적합하게 삽입됩니다.

중심에는 n8n이 자리 잡고 있으며, Hostinger의 KVM2 플랜과 같은 VPS에서 자체 호스팅되고 있습니다. 이 설정이 중요한 이유는 다음과 같습니다: SaaS 요금제 제한에 걸리는 대신, 사실상 무제한의 워크플로 실행과 AI 에이전트, 전체 루트 액세스, 병렬 실행을 위한 대기 모드가 활성화된 원클릭 n8n을 제공합니다.

VPS에서의 셀프 호스팅은 레이턴시와 제어를 여러분의 손에 유지합니다. CPU와 RAM을 언제 확장할지, 비밀 정보를 어떻게 관리할지, 자동화 스택이 어느 지역에 위치할지 결정하는 것은 하루에 수백 개의 데이터에서 비디오 작업을 처리하는 팀에게 매우 중요합니다.

AI 논리는 OpenRouter를 통해 흐르며, 이는 GPT, Grok, Gemini와 같은 모델 위에 메타 레이어로 작용합니다. 이 워크플로우는 데이터 분석, 내러티브 구조화, 시각적 프롬프트와 같은 다양한 작업을 주변 n8n 노드를 변경하지 않고도 다양한 모델로 라우팅할 수 있습니다.

OpenRouter가 공급업체를 추상화하므로, 실제 작업 부하에서 모델 A/B 테스트를 수행할 수 있습니다. "마스터 데이터 스토리텔러" 에이전트에서 GPT를 Grok으로 교체하거나, 데이터 분석가를 더 저렴한 모델 티어로 이동시키는 모든 작업을 n8n의 API 키와 모델 이름을 통해 할 수 있으며, 전체 파이프라인 재작성 없이 가능합니다.

에이전트 하단에는 PostgreSQL이 모든 것을 진실의 출처로 고정합니다. n8n의 네이티브 Postgres 노드는 30개 이상의 열을 가진 에너지 데이터셋과 같은 테이블에 대해 SQL 쿼리를 실행하여, AI 에이전트가 직접 소비할 수 있는 구조화된 행을 반환합니다.

그 긴밀한 PostgreSQL 통합 덕분에 동일한 자동화가 아키텍처가 아닌 쿼리만 변경함으로써 에너지 가격에서 SaaS 지표 또는 사용자 로그로 전환될 수 있습니다. 뷰, 물질화된 뷰, 예약된 새로 고침은 에이전트가 작업할 수 있는 깔끔한 미리 모델링된 데이터를 제공합니다.

비주얼은 두 부분으로 구성된 스택에서 생성됩니다: Higgsfield는 이미지 생성 API 계층이고, Google Gemini Nano Banana Pro는 기본 모델입니다. n8n은 내러티브 세그먼트와 장면 설명을 Higgsfield의 엔드포인트로 전송하며, 이 엔드포인트는 Gemini를 호출하여 깔끔한 화이트보드 스타일의 프레임을 렌더링합니다.

Higgsfield가 간단한 HTTP API를 제공하기 때문에, 워크플로우는 비디오당 다섯 개 또는 오십 개의 이미지를 요청하고, 프롬프트 템플릿을 조정하며, 에피소드 간 일관된 스타일을 유지할 수 있습니다. 그 결과: SQL, 에이전트, 그리고 제미니가 모든 프레임을 공동 연출하는 데이터베이스 기반의 영화 스튜디오입니다.

에너지 시장은 일반적으로 스프레드시트에서 소멸하는 밀집하고 다중 요인 데이터의 정확한 유형을 생성합니다. Derek Cheung의 튜토리얼인 '자동화, 데이터, 비디오, 에이전트, 데이터베이스에서, 설명 비디오, 학습, 리소스, 링크'는 실제 데이터셋을 통해 이 문제를 해결합니다: 북미 에너지 회사, 미래 가격, 그리고 30개 이상의 재무 및 운영 지표를 포함합니다. 분석가 평가, 생산 예측, 대차대조표 통계 및 가치 평가 비율이 모두 n8n에 연결된 단일 PostgreSQL 테이블에 위치해 있습니다.

손으로 제작된 모델 대신 n8n의 AI 에이전트가 해당 테이블을 가져와 1,200단어의 분석 보고서를 생성합니다. 이 에이전트는 열 구조, 행 수, 그리고 분포를 검사한 후, 생산 믹스에 따라 세분화합니다. 그 이후, 파이프라인은 기름 중심의 생산자와 가스 중심의 기업이라는 두 개의 명확한 집단을 식별합니다.

그 집단은 주요 발견을 드러냅니다: 석유 중심 생산자들이 승리하고 있습니다. 이들은 샘플의 55%를 차지하지만 의미 있게 더 강한 현금 생성과 더 매력적인 가치 평가를 보여줍니다. 에이전트는 단지 “석유가 더 나아 보인다”고 말하지 않고, 얼마나 더 나은지를 정확히 수치로 제시합니다.

자유 현금 흐름 수익률이 첫 번째 기준 지표가 됩니다. 석유 중심의 기업들은 11.2%의 자유 현금 흐름 수익률을 기록하며, 가스 중심의 기업들과 비교해 7.1%에 불과합니다. 이 4.1%포인트의 격차는 누구도 엑셀이나 BI 대시보드를 사용하지 않고도 자본에 대한 현금 수익이 실질적으로 더 높다는 신호를 줍니다.

가치는 직관을 더욱 확장합니다. 더 강력한 현금 생성에도 불구하고, 석유 생산자들은 가스 회사에 비해 더 저렴한 P/E 비율로 거래됩니다: 7.9배 대 10.5배. 자동화된 스크립트는 이 점을 명시적으로 언급하며, 석유 중심 기업을 더 높은 수익률과 더 낮은 배수로 틀짓고 있습니다 — 이는 포트폴리오 매니저들과 공감할 수 있는 고전적인 가격 책정 오류 이야기입니다.

모든 숫자는 내러티브 엔진으로 직접 연결됩니다. "마스터 데이터 스토리텔러" 에이전트는 11.2% 대비 7.1% 수익률과 7.9배 대비 10.5배 P/E를 자본 효율성, 위험 및 시장 인식에 대한 다섯 부분으로 구성된 스크립트로 변환합니다. 각 세그먼트는 Google Gemini Nano Banana Pro의 화이트보드 스타일 시각 자료를 받으며, 수익률 스프레드를 위한 막대 차트, 배수를 비교하기 위한 나란한 비교, 55%의 오일 중심 비율을 강조하는 요소가 포함됩니다.

최종 4분 길이의 설명 비디오는 내레이션, 시각 자료 및 화면상의 지표를 결합하여 에너지 형평성 포지셔닝에 대한 독립적인 브리핑을 제공합니다. 어떤 인간도 한 단어를 쓰거나 한 프레임을 그리지 않습니다. 기본 자동화를 조사하거나 포크하고자 하는 독자를 위해 n8n 워크플로우와 커뮤니티 생태계는 공식 n8n GitHub 저장소에서 시작되며, 이는 OpenRouter 모델 및 PostgreSQL 백엔드와 원활하게 결합됩니다.

귀하의 데이터베이스는 이미 설명 콘텐츠의 작업 대기열에 쌓여 있습니다. 이 n8n 워크플로우는 잊힌 행들을 편집자, 모션 디자이너 또는 음성 더빙 아티스트 없이도 설명 비디오의 지속적인 흐름으로 전환합니다. 한 개의 SQL 쿼리를 입력하면, 4분짜리 화이트보드 비디오가 생성됩니다.

튜토리얼의 핵심 아이디어를 복제하는 것부터 시작하세요: 네 가지 단계, 하나의 파이프라인. n8n을 SQL 소스(예: PostgreSQL, Supabase 등)와 연결하고 AI 에이전트가 하나의 잘 정의된 데이터셋(하나의 제품 라인, 하나의 지역, 하나의 분기)를 가져오도록 하세요. 10,000행 규모의 콘텐츠 공장을 꿈꾸기 전에 작은 것을 배포하세요.

그곳에서 에이전트 스택을 복제하세요. OpenRouter를 사용하여 분석 및 스크립트 작성을 위해 Grok, GPT 또는 Gemini와 같은 모델에 접근한 다음, 프롬프트를 Google Gemini Nano Banana Pro에 연결하여 화이트보드 스타일의 이미지를 생성하세요. 모든 비디오가 불필요한 데이터 나열이 아닌 탄탄하고 임원 준비 완료된 이야기처럼 느껴지도록 튜토리얼의 동일한 다섯 부분 서사 구조를 유지하세요.

인프라를 새롭게 구축할 필요도 없습니다. Hostinger VPS에서 n8n을 자체 호스팅하세요 (Derek는 KVM2 플랜을 사용합니다). 이를 통해 SaaS 요금 한도 없이 무제한 실행이 가능합니다. 한 대의 서버, 하나의 워크플로우, 데이터 웨어하우스에서 끌어오는 수천 번의 자동 실행.

빠르게 시작하려면 공식 리소스 및 링크를 확인하세요: - n8n 문서: https://n8n.io - OpenRouter: https://openrouter.ai - Higgsfield / Gemini Nano Banana Pro: https://cloud.higgsfield.ai - Derek의 AI 자동화 스쿨 커뮤니티: https://www.skool.com/ai-automation-engineering-3014

가장 중요한 것: 자신의 지표를 플러그인하세요. 마케팅 속성 테이블, 이탈 로그, 판매 퍼널, 센서 데이터—이들을 동일한 네 단계 청사진을 통해 처리하세요. 프롬프트를 조정하고 시각 자료를 변경하면, 데이터베이스는 보고의 번거로움에서 벗어나 완전 자동화된 비디오 스튜디오처럼 작동하기 시작합니다.

n8n은 무엇이며 이 워크플로우에서 왜 사용되나요?

n8n은 중앙 오케스트레이터 역할을 하는 워크플로우 자동화 도구입니다. SQL 데이터베이스, AI 모델, 비디오 생성 API와 같은 다양한 서비스를 연결하여 매끄럽고 자동화된 파이프라인을 생성합니다.

이것을 만들기 위해 고급 코딩 기술이 필요한가요?

아니요, 이것은 로우코드 접근 방식입니다. API와 데이터 구조에 대한 약간의 이해가 도움이 되지만, n8n의 시각적 인터페이스를 통해 많은 워크플로우를 노드를 연결하여 광범위한 코드를 작성하지 않고도 구축할 수 있습니다.

PostgreSQL 이외에 다른 데이터베이스를 사용할 수 있나요?

네, 이 워크플로우는 적응 가능합니다. n8n은 다양한 SQL 데이터베이스를 지원하므로, 연결 노드의 약간의 조정을 통해 MySQL이나 Microsoft SQL Server와 같은 원하는 데이터베이스에 연결할 수 있습니다.

AI 에이전트가 이 과정에서 중요한 이유는 무엇인가요?

AI 에이전트는 인지 작업을 자동화합니다. 인간이 데이터를 분석하고 스크립트를 작성하는 대신, 에이전트는 데이터베이스를 자율적으로 쿼리하고, 주요 통찰력을 식별하며, 그 발견을 매력적인 이야기로 구조화합니다.