저는 한 달 동안 약간은 광기 어린 일을 했습니다. 10개 분야에 걸쳐 평균 이상의 LinkedIn 게시물 400개를 수집하고, 분석 에이전트(analysis agents) 군단에 통과시켜 왜 그들의 첫 문장이 효과적이었는지 역공학(reverse-engineered)했습니다. 그런 다음 그 결과물을 Claude Code 및 Codex를 위한 오픈 소스 기술(open-source skills)로 변환했습니다.

이 포스트에서는 데이터가 무엇을 말해주는지, 기술을 압박 테스트(pressure-tested)했을 때 무엇이 놀라웠는지, 그리고 어디에서 이를 얻을 수 있는지에 대해 다룹니다.

데이터셋

창업자(founders), 마케팅(marketing), 엔지니어링(engineering), 영업(sales), 인사(HR), 재무(finance), 디자인(design), 데이터(data), 제품(product), 그리고 퍼스널 브랜딩(personal brands) 등 10개 분야에 걸쳐 작성자의 기준치(baselines)를 상회하는 400개의 게시물을 수집했습니다. 각 게시물에 대해 저는 후크(hook, '... 더 보기' 이전의 처음 210자), 구조, 참여도 분할(댓글 vs 재게시 vs 좋아요 vs 저장), 그리고 작성자의 기준치를 추적했습니다. 이는 대형 계정의 평균적인 게시물이 소규모 계정의 바이럴 히트처럼 읽히지 않도록 하기 위함이었습니다.

가장 강력한 단일 신호는 지루하고 일관적이었습니다: 후크가 대부분의 역할을 수행하며, 후크는 공식적(formulaic)이라는 것입니다. 여기서 '공식적'이라는 말은 비하하는 의미가 아닙니다. 동일한 16가지 첫 줄 패턴이 분야를 막론하고 계속해서 이상치(outliers)를 만들어내고 있었습니다.

16가지 후크 공식

그중 10개는 긴 형식의 사고 리더십(thought-leadership) 패턴이며, 검증된 2025-2026년 게시물의 참조 참여 수치를 포함합니다:

공식	예시 승수
Platform Risk Anaphora	4,240 eng
...

나머지 6개는 400개의 게시물 말뭉치(corpus)에서 도출되었으며, 더 짧고 감정적인 경향을 보입니다: 감정적 콜드 오픈(Emotional Cold-Open), 허가증(Permission Slip, "엉망인 상태로 출시해도 괜찮습니다"), 미끼와 전환 반전(Bait-and-Switch Reversal), 이름 명시적 감사(Named Gratitude), 아이에게 설명하기(Explain-to-Kids), 그리고 지위 박탈적 겸손(Status-Strip Humility)입니다.

명확하지 않은 부분은 각 공식마다 주요 참여 목표가 있다는 점입니다. 댓글 유도(Comment-gate) 공식은 도달 범위(reach)를 제한하지만 리스트를 구축합니다. 이름 명시적 감사(Named Gratitude)는 재게시(reposts)를 유도합니다. 아이에게 설명하기(Explain-to-Kids)는 저장(saves)을 유도합니다. 주제만 보고 공식을 선택하는 것은 잘못된 화폐(currency)를 벌어들이는 기술적으로만 바이럴인 게시물을 만드는 방법입니다. 따라서 이 기술은 먼저 "이 게시물을 통해 무엇을 얻고 싶은가?"라고 묻고, 그 다음에 주제별로 좁혀 들어갑니다.

연구를 기술로 전환하기

저는 이 전체 워크플로우를 Claude Code와 Codex용 10가지 스킬 번들로 패키징했습니다. 여기에는 16가지 공식에 기반한 게시물 작성기, AI의 흔적을 제거하는 휴머니저(humanizer), 현재 알고리즘 휴리스틱스에 대한 사전 발행 감사 도구, 댓글 및 답글 초안 작성기, 붙여넣은 모든 바이럴 게시물의 원리를 역설계하는 후크 추출기, 콘텐츠 플래너, 프로필 최적화 도구, 참여도 분석(engager analytics), 그리고 스레드 모니터가 포함됩니다.

설치:

/plugin marketplace add sergebulaev/linkedin-skills

또는

npx skills add sergebulaev/linkedin-skills

저장소(Repo): https://github.com/sergebulaev/linkedin-skills (MIT, 작성 시점 기준 약 300개 스타).

저를 놀라게 한 부분: 스킬이 압박 속에서 이상한 방식으로 실패한다

스킬을 배포하는 것은 쉬운 반이었습니다. 흥미로운 엔지니어링은 코드를 테스트하듯이 이를 테스트하면서 나왔습니다.

저는 TDD-for-skills 커뮤니티의 '압력 테스트(pressure test)' 아이디어를 차용했습니다. 즉, 에이전트를 현실적이고 고압적인 시나리오에 배치하는 것입니다 (예: 창업자가 4분 동안 무대에 올라가서 초안을 직접 작성했고, 그대로 마음에 들어 하며 지금 당장 게시하기를 원함). AI의 흔적이 가득한 초안을 건네주고, 스킬이 여전히 제 역할을 하는지 확인하는 방식입니다.

에이전트 스킬을 작성한다면 얻어갈 만한 세 가지 발견 사항:

1. 모호한 판단 유보 문구(Ambiguous judgment caveats)가 새어 나온다. 열거된 규칙은 유지된다. 제 휴머니저 스킬에는

2. 열거되지 않은 항목은 반드시 누락됩니다 (A missing enumeration is a guaranteed miss). 동일한 회귀 분석 (regression)을 형제 번들 (sibling bundles) 전체에 걸쳐 실행했을 때, 한 플랫폼의 휴머니저 (humanizer)가 계속해서 "어떻게 생각하시나요? 아래에 의견을 남겨주세요."라는 문구를 통과시키는 것을 발견했습니다. 이는 에이전트 (agent)가 압박에 굴복했기 때문이 아닙니다. 해당 번들의 정제 규칙 (scrub rules)에 '결론 맺기 (dead-closer)' 섹션이 아예 없었기 때문입니다. 에이전트는 열거된 규칙을 놀라울 정도로 충실하게 따르며, 이는 양날의 검과 같습니다. 즉, 당신이 열거하는 것을 잊은 것은 존재하지 않는 것과 같습니다.

3. 일부 인기 있는 조언은 재현되지 않습니다. 스킬 작성 (skill-writing) 커뮤니티에는 금지 목록 ("X를 하지 마세요")이 상충하는 인센티브 (incentives) 하에서 역효과를 낸다는 발견이 있습니다. 저는 이를 A/B 테스트했습니다: 동일한 스킬에 대해, 하나는 금지 목록이 포함된 변형으로, 다른 하나는 긍정적인 레시피 (positive recipe)로 재작성하여, 두 경우 모두 금지된 패턴을 적극적으로 요구하는 이해관계자를 대상으로 테스트했습니다. 결과는 무승부였으며, 두 경우 모두 금지된 문구가 전혀 유출되지 않았습니다. 강력한 모델 (strong model)에서는 구체적이고 확인 가능한 금지 사항이 잘 작동합니다. 실제로 유출되는 것은 모호한 판단 언어 (vague judgment language)입니다. 모든 것을 리팩토링 (refactoring)하기 전에 당신의 스택 (stack)에서 먼저 테스트하십시오.

패밀리 (The family)

이제 다른 플랫폼들을 위한 동일한 아키텍처 (architecture)가 존재합니다: X, Instagram, YouTube, Threads, TikTok, 그리고 Facebook. 각 플랫폼은 네이티브 (native) 방식으로 설계되었습니다 (TikTok 휴머니저는 한 호흡에 말할 때 문장이 살아남는지 확인하며, X용 휴머니저는 이모지를 280자 제한에 대해 두 글자로 계산합니다).

모든 것은 MIT 라이선스입니다. 코퍼스 (corpus)가 놓친 후크 패턴 (hook pattern)을 발견하거나, 스킬을 깨뜨리는 압박 시나리오를 발견한다면 이슈 (issues)와 PR (pull requests)을 열어주세요.