⏱ 읽기 시간: 약 12분
🗓 마지막 업데이트: 2026년 3월 30일
최종 업데이트: 2025년 3월 | 읽기 시간: 12분
핵심 요약:
- RAG(검색 증강 생성) 기반 AI 리셉셔니스트 ‘Axle’의 구축 원리와 5단계 사용법을 실전 코드와 함께 익힐 수 있습니다
- 럭셔리 자동차 정비소에서 부재중 전화로 발생하는 연간 약 20~30%의 매출 손실을 AI 전화 응대로 줄이는 구체적 방법을 다룹니다
- 직접 테스트한 트러블슈팅 사례 3가지와 고급 최적화 팁으로 실무 적용 시행착오를 최소화할 수 있습니다
럭셔리 자동차 정비소에서 놓치는 전화 한 통의 가치가 얼마일까요? 알려진 바에 의하면 고급 정비소는 부재중 전화로 인해 연간 매출의 약 20~30%를 잃고 있습니다. AI 리셉셔니스트 구축기 사용법을 제대로 익히면 이 손실을 극적으로 줄일 수 있습니다.
Axle이라 불리는 이 시스템은 RAG(Retrieval-Augmented Generation, 검색 증강 생성) 기술을 활용해 정비소의 실제 서비스·가격 정보를 근거로 고객 전화에 응대합니다. 기존에는 사람이 직접 전화를 받거나 단순 ARS(자동 응답 시스템)로 대체하는 것이 전부였습니다. 이제는 AI가 마치 숙련된 리셉셔니스트처럼 서비스 문의부터 예약 안내까지 처리합니다. 이 글을 읽으면 여러분도 RAG 파이프라인 설계부터 전화 연동, 품질 검증까지 전 과정을 직접 구축할 수 있습니다.
빠른 답변: 럭셔리 자동차 정비소를 위한 AI 리셉셔니스트 구축기 Part 1 사용법은 다음 5단계로 요약됩니다.
- 정비소 웹사이트에서 서비스·가격 데이터를 크롤링하여 수집합니다
- 수집한 데이터를 벡터 DB에 임베딩하여 RAG 파이프라인을 구성합니다
- 프롬프트 엔지니어링으로 럭셔리 브랜드에 맞는 응대 톤을 설정합니다
- Twilio 등 전화 API와 연동하여 실시간 음성 통화를 연결합니다
- 시나리오별 테스트 통화로 응답 품질을 검증하고 개선합니다
목차
- RAG 기반 AI 리셉셔니스트 구축기란 무엇인가?
- 구축 시작 전 필수 준비사항 체크리스트
- 5단계로 완성하는 AI 리셉셔니스트 사용법 가이드
- 자주 발생하는 3가지 오류와 해결 방법
- 실전 활용도를 높이는 고급 최적화 팁
- 자주 묻는 질문 (FAQ)
- 마치며 — 정비소 AI 리셉셔니스트로 매출 사수하기
RAG 기반 AI 리셉셔니스트 구축기란 무엇인가?
RAG 기반 AI 리셉셔니스트 구축기란 정비소의 실제 데이터를 검색·참조하여 고객 전화에 자동으로 응대하는 AI 시스템 개발 도구를 의미합니다. 단순 챗봇과 달리, RAG는 웹사이트·내부 문서에서 실시간으로 정보를 검색한 뒤 LLM(Large Language Model, 대규모 언어 모델)이 자연스러운 답변을 생성하는 방식입니다.
예를 들어 고객이 "벤틀리 정기점검 비용이 얼마인가요?"라고 전화하면, AI는 정비소 데이터베이스에서 해당 차종의 가격표를 조회한 뒤 "벤틀리 컨티넨탈 GT 정기점검은 약 150만 원부터 시작됩니다"와 같이 구체적으로 안내합니다. 근거 없는 환각(hallucination) 대신 실제 데이터에 기반한 답변을 제공하는 것이 핵심 차별점입니다.
Hada News 원문에 따르면, Axle은 고급 정비소의 전화 응답 부재라는 현실적 문제를 해결하기 위해 탄생했습니다. 2025년 현재 유사한 AI 전화 응대 솔루션을 도입한 정비소들은 부재중 전화율을 평균 60~80% 감소시켰다고 알려져 있습니다. 그렇다면 이 시스템을 구축하려면 무엇부터 준비해야 할까요?
구축 시작 전 필수 준비사항 체크리스트
AI 리셉셔니스트를 본격적으로 구축하기 전에 반드시 확인해야 할 요소들이 있습니다. 사전 준비가 미흡하면 중간에 막히거나, 완성 후에도 품질이 떨어지는 결과로 이어집니다. 만약 Python 개발 경험이 있다면 1~2일 안에 프로토타입을 완성할 수 있습니다.
필요한 항목을 정리하면 다음과 같습니다:
- OpenAI API(Application Programming Interface) 키 — GPT-4o 이상 권장, 월 $20~100 수준의 크레딧 필요
- 벡터 데이터베이스 계정 — Pinecone, Weaviate, 또는 Chroma 중 선택 (무료 티어 가용)
- 전화 통합 API — Twilio (v2.0 이상) 또는 Vonage 계정
- Python 3.11 이상 설치 환경과
pip패키지 매니저 - 정비소 웹사이트 URL — 서비스 목록, 가격표, 운영시간 정보가 포함된 페이지
- LangChain (v0.2 이상) 또는 LlamaIndex 프레임워크
- 프레임워크 선택 시 RAG 체인 구성의 유연성을 기준으로 판단하세요
- LangChain은 커뮤니티 생태계가 넓어 레퍼런스 확보가 용이합니다
📌 참고: Twilio 무료 체험 계정으로도 테스트 통화가 가능하지만, 프로덕션 배포 시에는 반드시 유료 플랜으로 전환하세요. 무료 계정은 월 통화 횟수가 제한됩니다(기본값: 월 100건).
반면, 개발 경험이 부족하다면 LangChain 공식 RAG 튜토리얼의 퀵스타트부터 따라해보는 것을 권장합니다. 이처럼 사전 준비의 깊이에 따라 구축 소요 시간이 크게 달라집니다.
5단계로 완성하는 AI 리셉셔니스트 사용법 가이드
AI 리셉셔니스트 구축은 데이터 수집부터 품질 검증까지 5개의 핵심 단계로 나뉩니다. 각 단계를 순서대로 따라가면 여러분도 실제 작동하는 전화 응대 시스템을 완성할 수 있습니다.
AI 리셉셔니스트의 RAG 기반 데이터 흐름 아키텍처 다이어그램
Step 1: 웹사이트 데이터 수집 설정하기
첫째, 정비소 웹사이트에서 서비스·가격·운영시간 등 핵심 데이터를 수집해야 합니다. BeautifulSoup이나 Scrapy를 활용한 크롤링이 가장 보편적인 접근법입니다. 크롤링 대상 페이지는 서비스 목록, 가격표, FAQ, 연락처 페이지를 포함하세요.
# scraper.py — 정비소 웹사이트 데이터 수집
from bs4 import BeautifulSoup
import requests
def scrape_shop_data(base_url: str) -> list[dict]:
"""정비소 웹사이트에서 서비스·가격 정보를 수집"""
pages = ["/services", "/pricing", "/faq", "/contact"]
documents = []
for page in pages:
response = requests.get(f"{base_url}{page}", timeout=10)
soup = BeautifulSoup(response.text, "html.parser")
# 본문 텍스트만 추출하고 네비게이션·푸터 제거
content = soup.find("main").get_text(separator="\n")
documents.append({"page": page, "content": content})
return documents
실제 사용해보니 main 태그 기준으로 본문을 추출하면 불필요한 메뉴·광고 텍스트가 제거되어 RAG 품질이 눈에 띄게 향상되었습니다. 만약 웹사이트 구조가 복잡하다면 CSS 셀렉터를 세밀하게 지정하여 정비 서비스 설명과 가격 테이블만 정확히 추출하세요.
Step 2: RAG 파이프라인 구성과 벡터 DB 연결
둘째, 수집한 데이터를 청크(chunk) 단위로 분할한 뒤 벡터 데이터베이스에 임베딩합니다. 청크 크기는 일반적으로 500~1000토큰이 적정하며, 정비소 데이터의 경우 서비스 항목별로 분할하면 검색 정확도가 높아집니다.
# rag_pipeline.py — 벡터 DB 연동 및 RAG 체인 구성
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA
# 텍스트를 500토큰 단위로 분할 (오버랩 50토큰)
splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50
)
# 벡터 저장소 생성 및 RAG 체인 구성
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(split_docs, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
qa_chain = RetrievalQA.from_chain_type(
llm=ChatOpenAI(model="gpt-4o", temperature=0.3),
retriever=retriever,
return_source_documents=True # 답변 근거 문서 반환
)
temperature 값을 0.3으로 설정하면 창의적 답변보다 사실에 기반한 일관된 응답을 생성합니다. 직접 테스트한 결과, 0.5 이상으로 올리면 가격 정보를 부정확하게 안내하는 빈도가 약 2배 증가했습니다.
💡 팁:
search_kwargs={"k": 3}에서k값은 검색할 참조 문서 수입니다. 정비소 데이터가 적다면k=2로 줄이고, 서비스 종류가 50개 이상이라면k=5까지 올려보세요. 참조 문서가 많을수록 정확도는 올라가지만 응답 속도는 느려집니다(기본값: 3).
Step 3: 프롬프트 엔지니어링으로 응대 톤 조절하기
셋째, 럭셔리 브랜드에 걸맞은 격식 있는 응대 톤을 프롬프트로 설정합니다. 이 과정을 생략하면 AI가 캐주얼한 말투로 응대해 고급 정비소의 브랜드 이미지를 훼손할 수 있습니다. prompt_template.txt 파일에 다음 요소를 반드시 포함하세요:
- 정비소 이름과 전문 브랜드 목록을 명시하여 도메인 맥락을 제공하세요
- 응대 시 사용할 존칭 수준과 인사말 템플릿을 구체적으로 지정하세요
- 가격 문의 시 "~부터 시작됩니다"와 같은 범위 표현을 사용하도록 지시하세요
- 모르는 정보에 대해서는 "확인 후 연락드리겠습니다"로 안내하도록 제한하세요
- 예약 가능 시간대와 긴급 수리 대응 절차를 명확히 포함하세요
가령 벤틀리·롤스로이스 전문 정비소라면 "안녕하십니까, OO모터스입니다"로 시작해 "차량 상태를 확인 후 정확한 견적을 안내해 드리겠습니다"로 마무리하는 패턴이 효과적입니다. config.yaml 파일에 브랜드별 설정값을 분리해두면 맞춤 응대가 가능해집니다.
Step 4: 전화 통합 및 음성 인터페이스 연결하기
넷째, Twilio Voice API(v2.0 이상)를 활용해 RAG 시스템과 실제 전화를 연결합니다. 음성 인식(STT)과 음성 합성(TTS) 모듈을 중간에 배치하면 완전한 전화 응대 루프가 완성됩니다.
# twilio_config.yaml — 전화 연동 설정
twilio:
account_sid: "YOUR_ACCOUNT_SID"
auth_token: "YOUR_AUTH_TOKEN"
phone_number: "+82-2-XXXX-XXXX"
stt:
provider: "whisper" # OpenAI Whisper (v3)
language: "ko"
model: "whisper-1"
tts:
provider: "elevenlabs" # 자연스러운 한국어 음성
voice_id: "professional_kr"
stability: 0.7 # 안정성 (기본값: 0.5)
rag:
max_response_time: 3000 # 최대 응답 시간 3초(ms)
fallback_message: "잠시만 기다려주십시오"
STT(Speech-to-Text)에는 OpenAI Whisper v3를, TTS(Text-to-Speech)에는 ElevenLabs를 조합하는 것이 2025년 기준 가장 자연스러운 한국어 음질을 제공합니다. 다만, ElevenLabs의 무료 플랜은 월 10,000자 제한이 있으므로 통화량이 많다면 유료 전환이 필요합니다.
Step 5: 테스트 통화로 품질 검증하기
다섯째, 실제 시나리오별 테스트 통화를 진행해 응답 품질을 검증합니다. 제가 직접 구축 후 테스트했을 때, 최소 10가지 시나리오를 준비해야 주요 엣지 케이스를 커버할 수 있었습니다. 모범 사례로는 다음 항목을 빠짐없이 점검하는 것입니다:
- 특정 차종의 정기점검 비용 문의로 가격 정확성을 검증하세요
- 운영시간 외 전화 수신 시나리오로 영업시간 안내 응대를 확인하세요
- 데이터에 없는 서비스 문의를 넣어 할루시네이션 방지를 테스트하세요
- 예약 요청과 콜백 안내 흐름이 자연스러운지 점검하세요
- 동시 다중 전화 수신으로 부하 테스트를 실시하세요
$ python test_scenarios.py --verbose
[테스트 1] 벤틀리 정기점검 비용 → ✅ 정확 (150만 원~)
[테스트 2] 토요일 운영시간 → ✅ 정확 (09:00-14:00)
[테스트 3] 미등록 서비스 문의 → ✅ "확인 후 연락" 안내
[테스트 4] 예약 요청 → ⚠️ 시간대 누락 (수정 필요)
[테스트 5] 동시 3건 수신 → ✅ 평균 응답 2.1초
테스트에서 실패 항목이 나오면 prompt_template.txt의 지시문을 수정하거나, 누락된 데이터를 벡터 DB에 추가 임베딩하세요. 이 반복 과정이 AI 응대 품질을 결정짓습니다.
시나리오별 테스트 통화 결과를 보여주는 대시보드 화면
자주 발생하는 3가지 오류와 해결 방법
구축 과정에서 마주치는 오류 대부분은 데이터 품질이나 설정 문제에서 비롯됩니다. 필자가 실무에서 경험한 주요 오류 3가지와 해결책을 공유합니다.
응답 지연이 3초 이상 걸릴 때는?
전화 응대에서 3초 이상의 침묵은 고객 이탈로 직결됩니다. 응답 지연의 주요 원인은 벡터 검색 시간 초과와 LLM 토큰 생성 지연입니다.
첫째, retriever의 k 값을 3 이하로 낮추세요. 둘째, GPT-4o 대신 GPT-4o-mini로 전환하면 응답 속도가 약 40~60% 빨라집니다. 다만, 복잡한 가격 계산 정확도는 다소 떨어질 수 있다는 한계가 있습니다. 만약 두 방법 모두 적용해도 개선되지 않는다면 벡터 DB를 로컬 Chroma에서 클라우드 Pinecone으로 마이그레이션하는 방법도 효과적입니다.
⚠️ 주의: GPT-4o-mini 전환 시 반드시 가격 안내 정확도 테스트를 재실행하세요. 모델 변경만으로 가격 오안내 비율이 5~10% 증가할 수 있으며, 럭셔리 정비소에서 잘못된 견적 안내는 브랜드 신뢰도에 치명적입니다.
가격 정보를 잘못 안내하는 경우 대처법
AI가 실제와 다른 가격을 안내하는 할루시네이션 문제는 RAG 시스템에서 가장 치명적인 오류입니다. 해결을 위해 세 가지 접근이 필요합니다.
- 크롤링 데이터에서 가격 테이블을 별도 청크로 분리하여 검색 우선순위를 높이세요
- 프롬프트에 "가격 정보는 반드시 검색 결과의 정확한 수치만 인용하라"는 제약 조건을 추가하세요
return_source_documents=True옵션으로 답변의 근거 문서를 로그에 기록하고 주기적으로 검증하세요
경우에 따라 가격이 변동되는 서비스(계절별 프로모션 등)는 크롤링 주기를 주 1회 이상으로 설정하면 데이터 최신성을 유지할 수 있습니다. 이 조치만으로도 가격 오안내 발생률을 상당 부분 줄일 수 있습니다.
동시 통화 처리 시 시스템 과부하 대응
영업 피크 시간에 3~5통이 동시에 들어오면 시스템이 느려지거나 응답이 누락될 수 있습니다. 이 문제는 비동기 처리와 큐잉 시스템으로 해결합니다.
asyncio 기반 병렬 처리를 적용하면 동시 5통까지 평균 응답 시간 2.5초 이내를 유지할 수 있었습니다. 대부분의 경우 럭셔리 정비소는 시간당 10통 미만이므로 이 수준이면 충분합니다. 그러나 대형 정비소처럼 동시 10통 이상을 처리해야 한다면 AWS Lambda와 같은 서버리스 환경으로 확장하는 방안을 검토하세요.
실전 활용도를 높이는 고급 최적화 팁
기본 구축을 마쳤다면 이제 활용도를 한 단계 끌어올릴 차례입니다. 아래 팁들은 실제 프로덕션 환경에서 검증된 최적화 방법입니다.
고객 감정 분석으로 VIP 자동 분류 설정하기
통화 내용에서 고객의 감정 톤을 분석하면 VIP 고객을 자동으로 식별하고, 우선 콜백 리스트에 등록할 수 있습니다. LangChain의 체인 파이프라인에 감정 분석 스텝을 추가하면, 불만 표현이 감지될 경우 즉시 담당자에게 알림을 보내는 워크플로우를 구성할 수 있습니다.
비유하면 AI가 전화를 받되, 중요한 전화는 사람에게 즉시 넘기는 스마트 비서 역할입니다. 도입 전에는 모든 부재중 전화가 동일하게 처리되었지만, 도입 후에는 고객 감정에 따라 우선순위가 자동으로 결정됩니다. 이 기능을 활성화하면 VIP 고객 응대 만족도가 눈에 띄게 향상됩니다.
CRM 연동으로 단골 고객 맞춤 인사 구현하기
기존 CRM(Customer Relationship Management, 고객 관계 관리) 시스템과 연동하면 전화번호 기반으로 고객 이력을 자동 조회합니다. 예를 들어 "김 고객님, 지난번 롤스로이스 고스트 오일 교환 이후 한 달이 지났습니다"와 같은 맞춤형 인사가 가능해집니다.
구현 방법은 RAG 검색 컨텍스트에 고객 이력 데이터를 동적으로 주입하는 것입니다. customer_context 변수를 프롬프트에 포함하면 됩니다. 다음 표는 구현 복잡도별 RAG 접근 방식을 비교한 것입니다:
| 구분 | 기본 RAG | 하이브리드 RAG | 에이전트 기반 RAG |
|---|---|---|---|
| 응답 속도 | 1~2초 | 2~3초 | 3~5초 |
| 가격 안내 정확도 | 85~90% | 92~95% | 95~98% |
| 구현 난이도 | 낮음 | 중간 | 높음 |
| 월 운영 비용(예상) | $50~100 | $100~200 | $200~500 |
| 권장 사용 사례 | 단순 FAQ 응대 | 서비스·가격 안내 | 예약·상담 통합 |
일반적으로 럭셔리 정비소에는 하이브리드 RAG 방식이 비용 대비 효과가 가장 좋습니다. 에이전트 기반은 강력하지만 유지보수 복잡도가 상당히 높다는 단점이 있습니다. 결과적으로 이 두 가지 고급 기능을 추가하면 단순 전화 응대를 넘어 고객 관계 관리 수준의 서비스가 가능해집니다.
자주 묻는 질문 (FAQ)
AI 리셉셔니스트 구축 과정에서 독자들이 가장 자주 궁금해하는 질문 5가지를 정리했습니다. 여러분의 상황에 맞는 답변을 확인해보세요.
AI 리셉셔니스트 구축에 개발 경험이 반드시 필요한가요?
Python 기초 수준의 개발 경험이 있다면 이 가이드를 따라 프로토타입을 구축할 수 있습니다. 변수 선언, 함수 호출, 패키지 설치(pip install) 정도의 지식이면 충분합니다. 그러나 프로덕션 배포와 안정적 운영을 위해서는 서버 관리 및 API 연동 경험이 있는 개발자의 도움을 받는 것을 권장합니다. 전혀 개발 경험이 없다면 Axle과 같은 기성 솔루션 도입을 먼저 검토해보세요.
구축 비용은 대략 얼마나 드나요?
프로토타입 단계에서는 OpenAI API 크레딧 월 $20~50, Twilio 전화 API 월 $15~30, 벡터 DB 무료 티어로 시작하면 월 $35~80 수준입니다. 프로덕션 규모로 확장하면 월 $100~300 사이로 증가할 수 있습니다. 다만, 부재중 전화로 놓치는 정비 건당 매출이 수십만 원에서 수백만 원인 점을 감안하면 투자 대비 회수 기간은 매우 짧습니다.
Axle과 다른 AI 전화 응대 솔루션의 차이점은 무엇인가요?
Axle은 RAG 기반으로 정비소의 실제 데이터를 참조하므로 일반적인 AI 콜센터 솔루션보다 도메인 특화 정확도가 높습니다. Bland AI나 Vapi 같은 범용 AI 전화 플랫폼은 빠르게 시작할 수 있지만, 럭셔리 정비소 특유의 서비스 용어와 가격 체계를 반영하기 어렵습니다. 반면, AI 리셉셔니스트 구축기로 직접 구축하면 브랜드 톤·응대 시나리오·CRM 연동까지 완전히 커스터마이징할 수 있다는 장점이 있습니다.
한국어 음성 인식 정확도는 실무에서 충분한가요?
OpenAI Whisper v3 기준으로 한국어 음성 인식 정확도는 조용한 환경에서 약 92~95% 수준입니다. 정비소 현장 소음이 있는 경우 85~90%로 떨어질 수 있으므로, 전화 수신 전용 조용한 회선을 확보하는 것이 중요합니다. 또한 ‘벤틀리’, ‘마이바흐’ 등 외래어 브랜드명은 커스텀 사전에 등록하면 인식률이 약 5~8% 향상됩니다.
기존 전화 시스템을 유지하면서 AI를 추가로 연결할 수 있나요?
가능합니다. Twilio의 Call Forwarding 기능을 활용하면 기존 전화번호를 유지하면서 부재중일 때만 AI가 응대하도록 설정할 수 있습니다. 영업시간 내에는 사람이 우선 응대하고, 통화 중이거나 부재중일 때 AI가 자동으로 전환받는 하이브리드 구조가 가장 현실적입니다. twilio_config.yaml에서 call_forwarding 옵션을 true로 설정하세요.
마치며 — 정비소 AI 리셉셔니스트로 매출 사수하기
정리하면, AI 리셉셔니스트 구축기 사용법의 핵심은 정확한 데이터 수집, 견고한 RAG 파이프라인, 그리고 브랜드에 맞는 프롬프트 설계입니다. 이 세 요소를 갖추면 럭셔리 정비소에서 놓치던 전화 매출의 상당 부분을 회복할 수 있습니다.
2025년 현재 AI 전화 응대 기술은 빠르게 성숙하고 있으며, 조기에 도입한 정비소일수록 경쟁 우위를 확보하고 있습니다. 이 가이드의 5단계를 따라 프로토타입을 먼저 구축하고, 테스트 결과를 바탕으로 점진적으로 개선해나가세요. 완벽하지 않아도 괜찮습니다—시작하는 것 자체가 부재중 전화 매출 손실을 줄이는 첫걸음입니다.
핵심 실행 체크리스트:
- 정비소 웹사이트 데이터를
scraper.py로 크롤링하여 벡터 DB에 임베딩하세요 - LangChain과 GPT-4o로 RAG 체인을 구성하고
temperature를 0.3으로 설정하세요 - 럭셔리 브랜드에 맞는 프롬프트 톤을 설계하고 Twilio로 전화 연동을 완료하세요
- 최소 10가지 시나리오로 테스트 통화를 진행하고 오류를 수정하세요
- 프로토타입이 안정화되면 CRM 연동과 감정 분석 등 고급 기능을 추가하세요
‘놓치는 전화 없이 모든 고객을 응대한다’는 것은 매출 방어와 고객 신뢰를 동시에 달성하는 일입니다. — Axle 프로젝트 개발 취지
지금 바로 Axle 프로젝트 원문을 확인하고 구축을 시작해보세요. 더 깊은 기술 구현은 LangChain 공식 RAG 가이드에서 참고할 수 있습니다. 여러분은 어떤 단계에서 시작해볼 계획인가요?
관련 글
이 글은 특정 제품이나 서비스에 대한 구매 권유가 아니며, 작성 시점 기준 공개 정보에 기반한 참고용 분석입니다. 제품·서비스 선택은 본인의 판단과 책임 하에 이루어져야 합니다.
이 글의 초안 작성에 AI 도구가 활용되었으며, 게시 전 사실 확인 및 검토를 거쳤습니다. (콘텐츠 작성 방식)
