Industrial Agents: 중국 공장에서 생산 계획·근무표·도면 분석을 맡은 산업용 에이전트
중국 산업용 에이전트가 대기업 시범을 넘어 중소기업 생산 현장으로 퍼지고 있다는 신화망 기사입니다. Midea 징저우 세탁기 공장은 에이전트 10여 개가 핵심 생산 업무 38개를 맡아 시간 단위 일을 초 단위로 끝내고, Lenovo 우한 기지의 Luban은 직원 1만 명의 근무 일정을 8초에 계산합니다. 시나리오 카탈로그, 솔버 분리 구성, 8주 시범 계획을 붙였습니다.
중국 제조 현장의 산업용 에이전트는 대화 상대가 아니라 생산 계획, 근무표, 도면 공정 분석처럼 정해진 업무 하나를 맡는 실무 도구로 자리 잡고 있습니다. Midea는 공장 업무를 시나리오 38개로 쪼개 에이전트에 나눠 맡겼고, Lenovo는 1만 명 근무 일정을 8초에 짭니다. 우리 공장에 옮기려면 모델을 고르기 전에 업무를 시나리오 단위로 목록화하고, 설비·인력·납기 같은 제약 조건과 사람이 승인할 지점을 먼저 정해야 합니다.
요약
신화통신이 2026년 10월 24일 한국어판에 낸 이 기사는 중국에서 산업용 에이전트가 소수 대기업의 시범 단계를 넘어 중소기업까지 퍼지는 규모화 단계에 들어섰다고 전합니다. 기사가 꼽는 기반은 둘입니다. 하나는 클라우드 기반 인프라이고, 다른 하나는 초기 비용이 작은 구독 모델입니다. 에이전트가 쓰이는 곳은 생산 일정 관리, 공정 분석, 설비 고장 분석입니다. 예를 들어 기계 도면이 시스템에 올라오면 에이전트가 1~2분 안에 부품과 공정 요구를 분석하고, 주문이 수십 건 한꺼번에 들어와도 설비·인력·납기를 따져 생산 계획을 세웁니다. 업계는 올해를 상용화 원년으로 보며, 기사가 인용한 IDC 자료에서 중국 공업기업 가운데 파운데이션 모델이나 에이전트를 쓰는 비율은 2024년 9.6%에서 2025년 47.5%로 뛰었습니다.
정책도 같은 방향을 밀고 있습니다. 공업정보화부 등 8개 부처는 올해 1월 2027년까지 고수준 산업용 에이전트 1,000개, 산업 분야 고품질 데이터세트 100개, 대표 응용 시나리오 500개를 내놓겠다는 목표를 발표했고, 상하이는 2028년까지 고수준 에이전트 300개를 개발한다는 행동계획을 가동했습니다. 기사는 현장 사례로 Midea(美的) 징저우 세탁기 공장과 Lenovo(联想) 우한 산업기지를 들고, 공급사 쪽에서는 헤이후테크(黑湖科技)의 도면 분석 에이전트와 징둥공업(JD Industrial)의 Industrial world model(산업 세계 모델)을 소개합니다. 과금이 일회성 구매에서 연간 구독과 사용량 기반으로 옮겨 가는 흐름도 짚습니다. 아래에서는 이 사례들을 움직이는 네 가지 메커니즘을 풀고, 같은 구조를 우리 공장에서 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Scenario-based agents: 공장 업무를 시나리오로 쪼개 에이전트에 하나씩 맡기기
무엇인가. 에이전트 하나가 공장 전체를 맡는 대신, 첫 제품 검사나 생산 계획 대응처럼 끝이 분명한 업무(시나리오)마다 에이전트를 붙이고 조정 중심이 이들을 묶는 구조입니다.
어떻게 작동하나. 시나리오마다 시작 신호(품목 교체, 주문 접수), 읽을 데이터, 내놓을 결과가 정해집니다. 에이전트는 신호를 받으면 해당 시스템에서 데이터를 읽어 판단하고 결과를 남깁니다. 조정 중심은 어떤 에이전트가 언제 움직일지, 결과를 다음 에이전트나 로봇에게 넘길지를 정합니다.
원문의 예. 기사에 따르면 Midea 징저우 세탁기 공장에서는 에이전트 10여 개가 핵심 생산 업무 38개를 맡아, 사람이 시간 단위로 하던 일을 초 단위로 처리합니다. 2026년 7월 과학기술일보(科技日报) 보도는 이를 더 자세히 전합니다. 에이전트는 14개이고 Midea Factory Brain(美的工厂大脑, 공장 두뇌)이 이들을 조정합니다. 이름이 나온 시나리오는 첫 제품 품질 검사, 생산 계획 대응, DMS 순회 회의, TPM 설비 점검, EHS 안전 점검입니다. 첫 제품 검사는 휴머노이드 로봇이 맡아 15분 걸리던 일이 30초로 줄었고, 평균 효율은 80%, 생산 계획 대응 속도는 90% 올랐다고 보도됐습니다.
언제 쓰고 언제 안 쓰나. 업무가 자주 반복되고 시작과 끝이 분명하며 결과를 숫자로 확인할 수 있을 때 맞습니다. 판단 기준이 사람마다 다르고 문서로 남은 적이 없는 업무는 시나리오로 쪼개기 전에 기준부터 정리해야 합니다.
작은 예시(가상). 사출 공장에서 금형 교체 뒤 첫 제품 치수 검사를 시나리오 하나로 정합니다. 시작 신호는 MES의 금형 교체 완료 이벤트, 읽을 데이터는 도면 공차와 측정값, 결과는 합격·불합격과 이탈 항목 목록입니다.
Constraint-based scheduling: 설비·인력·납기를 한 번에 따져 계획과 근무표 짜기
무엇인가. 지켜야 할 조건(제약)을 모두 넣고 그 안에서 가장 나은 배정을 찾는 계획 업무입니다. 사람 계획 담당자가 엑셀로 몇 시간 붙잡던 일을 에이전트가 몇 초 안에 내놓습니다.
어떻게 작동하나. 입력은 주문(품목·수량·납기), 설비 가용 시간, 인력(숙련도·근무 가능 시간)입니다. 에이전트는 이 조건을 어기지 않는 배정을 계산하고 생산 계획이나 근무표를 출력합니다. 주문이 바뀌면 같은 계산을 다시 돌립니다.
원문의 예. 기사는 Lenovo 우한 산업기지의 생산 에이전트 Luban(魯班, 기사 표기 ‘노반’)이 직원 1만 명의 최적 근무 일정을 8초 만에 계산해 전체 제조 비용을 크게 줄였다고 전합니다. 2026년 9월 중화망(中华网)이 전재한 보도는 Luban이 계획·인력·설비 등 독립된 업무 시스템 26개를 잇고, 숙련 반장의 작업 방식과 과거 이상 처리 사례를 지식 베이스로 정리했다고 설명합니다. 같은 보도에 따르면 반장이 매일 정보를 확인하던 시간이 35분에서 5분 이내로 줄었고, 전체 제조 비용은 17.32% 내려갔습니다.
언제 쓰고 언제 안 쓰나. 제약이 명확하고 데이터가 시스템에 있을 때 효과가 큽니다. 근무 가능 시간이나 숙련도가 종이나 반장 머릿속에만 있으면 계산 결과가 현실과 어긋나므로 그 데이터부터 시스템에 올려야 합니다.
작은 예시(가상). 3교대 조립 라인 120명의 다음 주 근무표를 짭니다. 제약은 주 52시간, 연속 야간 3일 이하, 라인별 필수 자격 보유자 1명 이상입니다.
Engineering agent: 도면을 읽어 공정 요구로 바꾸기
무엇인가. 기계 도면을 받아 어떤 부품이 있고 어떤 공정(가공·열처리·표면처리 등)이 필요한지 뽑아내는 에이전트입니다. 견적과 생산 계획의 출발점이 됩니다.
어떻게 작동하나. 도면 파일과 주문 정보가 들어오면 에이전트가 치수, 재질, 공차 같은 정보를 읽어 공정 요구로 정리합니다. 이 결과가 견적 산정과 생산 계획 에이전트의 입력으로 넘어갑니다.
원문의 예. 헤이후테크의 샹추루(向秋茹) 시장총감은 자사 엔지니어링 에이전트가 도면 공정 분석을 약 1분에 끝내며 정확도는 95% 안팎이라고 설명했습니다. 같은 회사의 의사결정형 에이전트는 견적, 주문 추적, 품질 검사, 창고 관리, 이상 분석에 쓰입니다.
언제 쓰고 언제 안 쓰나. 비슷한 도면이 자주 들어오는 주문형 가공 업체에 맞습니다. 정확도 95%는 20건 중 1건꼴로 틀린다는 뜻이므로, 공정 엔지니어가 결과를 확인하는 단계를 없애지 않는 구성이 안전합니다.
Flexible pricing: 주문이 출렁이는 중소기업에 맞춘 과금
무엇인가. 산업용 에이전트를 사는 방식이 프로젝트 단위 일회성 구매에서 SaaS 연간 구독으로 옮겨 가고, 사용량에 따라 내는 방식이 더해지는 흐름입니다.
어떻게 작동하나. 기사에 따르면 연간 구독이 주류가 됐고, 작업지시서 건수, 토큰 호출량, 늘어난 수익의 배분으로 값을 매기는 방식이 시범 도입되고 있습니다. 주문과 현금흐름 변동이 큰 중소기업이 바쁠 때 더 내고 한가할 때 덜 내게 하려는 설계입니다.
언제 쓰고 언제 안 쓰나. 물량 변동이 큰 회사는 건수 과금이 유리하고, 물량이 안정된 회사는 정액 구독이 예산 관리에 편합니다. 수익 배분은 성과를 재는 기준선에 양측이 합의할 수 있을 때만 씁니다.
통념과 다른 주장
흔히 이렇게 봅니다제조 AI는 데이터와 IT 인력을 갖춘 대기업이 시범으로 해 보는 영역이고, 중소기업에는 아직 이릅니다.
기사는 이렇게 봅니다산업용 에이전트는 소수 대기업의 시범을 지나 중소기업에서 규모 있게 쓰이는 단계로 들어섰습니다.
근거클라우드 인프라와 가벼운 구독 모델이 진입 비용을 낮췄고, 중국 공업기업의 파운데이션 모델·에이전트 응용 비율이 1년 새 9.6%에서 47.5%로 올랐다는 IDC 자료를 듭니다. 작업지시서 건수나 토큰 사용량에 따라 내는 과금도 중소기업을 겨냥해 시범 운영 중입니다.
저자가 든 사례
Midea 징저우 세탁기 공장
| 항목 | 내용 |
|---|---|
| 상황 | 세탁기 공장의 핵심 생산 업무를 사람이 시간 단위로 처리 |
| 한 일 | 에이전트 10여 개가 핵심 생산 업무 38개를 맡음(과학기술일보 보도로는 14개, 공장 두뇌가 조정) |
| 결과 | 시간 단위 업무를 초 단위로 처리. 보도 기준 첫 제품 검사 15분 → 30초, 평균 효율 80% 향상 |
| 연결 | Scenario-based agents |
Lenovo 우한 산업기지 Luban
| 항목 | 내용 |
|---|---|
| 상황 | 직원 1만 명의 근무 일정을 짜야 함 |
| 한 일 | 생산 에이전트 Luban이 최적 근무 일정을 계산 |
| 결과 | 8초 만에 계산, 전체 제조 비용 크게 절감(보도 기준 17.32%) |
| 연결 | Constraint-based scheduling |
헤이후테크 엔지니어링·의사결정형 에이전트
| 항목 | 내용 |
|---|---|
| 상황 | 도면 공정 분석, 견적, 주문 추적, 품질 검사, 창고 관리, 이상 분석 |
| 한 일 | 엔지니어링 에이전트와 의사결정형 에이전트를 제품으로 공급 |
| 결과 | 도면 공정 분석 약 1분, 정확도 약 95%(회사 시장총감 설명). 도입 고객 수는 원문에서 밝히지 않음 |
| 연결 | Engineering agent, Flexible pricing |
징둥공업 Industrial world model
| 항목 | 내용 |
|---|---|
| 상황 | 산업 안전 대응이 사고가 난 뒤에 이뤄짐 |
| 한 일 | 사후 처리에서 사전 조기 경보로 바꾼 산업 세계 모델을 발표 |
| 결과 | 산업 안전 조기 경보와 사람·로봇 협업에 적용. 효과 수치는 원문에서 밝히지 않음 |
| 연결 | Scenario-based agents(안전 점검 시나리오) |
화웨이
화웨이는 아키텍처 지침, 플랫폼 역량 강화, 솔루션 적용, 생태계 공동 구축을 묶은 전략으로 기업에 산업용 에이전트를 넣고 있으며, 여러 업종에서 기준이 될 사례를 만들었다고 기사는 전합니다. 구체적인 고객사와 수치는 원문에서 밝히지 않았습니다.
기술 디테일: 시나리오 에이전트와 근무표 계산을 실제로 돌리려면
시나리오 카탈로그부터 만듭니다(Scenario-based agents, Midea 사례). Midea의 38개처럼 시나리오 수를 세려면 먼저 한 줄에 시나리오 하나를 적는 표가 있어야 합니다. 이 표가 에이전트 설계서이자 측정 계획이 됩니다. 아래 필드면 첫 프로토타입을 만들 수 있습니다.
{
"scenario_id": "QC-01",
"name": "금형 교체 후 첫 제품 치수 검사",
"trigger": {"system": "MES", "event": "mold_change_done"},
"reads": ["MES.work_order", "PLM.drawing_tolerance", "QMS.measurement"],
"writes": [{"system": "QMS", "object": "inspection_record", "mode": "draft"}],
"decision": "pass | fail | escalate",
"human_gate": "fail 또는 escalate면 품질 담당 승인",
"baseline_seconds": 900,
"target_seconds": 60,
"owner": "품질팀 파트장"
}필드명과 값은 가상 예시입니다. writes의 mode를 처음에는 모두 draft로 두어 에이전트가 시스템에 직접 확정하지 못하게 합니다. 조정 중심(공장 두뇌 역할)은 trigger를 구독하는 이벤트 버스와 시나리오별 실행 기록으로 시작하면 충분합니다. 에이전트끼리 결과를 넘길 때는 자유 문장이 아니라 위 decision처럼 값이 정해진 필드로 넘겨야 다음 에이전트가 오해하지 않습니다.
근무표는 LLM이 아니라 솔버가 계산하게 나눕니다(Constraint-based scheduling, Lenovo 사례). 기사와 보도는 Luban의 계산 방식을 밝히지 않았습니다. 1만 명 규모 배정을 몇 초 안에 내려면 일반적으로 제약 최적화 솔버(예: Google OR-Tools의 CP-SAT)를 쓰고, LLM은 반장이 말로 한 조건을 제약 JSON으로 바꾸고 결과를 설명하는 일을 맡깁니다. LLM이 직접 근무표를 쓰면 근로시간 위반을 놓치기 쉽기 때문입니다.
{
"horizon": "2026-11-02/2026-11-08",
"hard": [
{"type": "max_weekly_hours", "value": 52},
{"type": "max_consecutive_night", "value": 3},
{"type": "min_certified_per_line", "line": "L3", "cert": "용접B", "value": 1}
],
"soft": [
{"type": "prefer_day_off", "employee_id": "E1042", "date": "2026-11-05", "weight": 5}
],
"solver": {"engine": "cp-sat", "time_limit_sec": 30}
}값은 가상 예시입니다. 솔버가 해를 찾지 못하면(infeasible) 미리 정한 순서대로 soft 제약을 하나씩 풀어 다시 돌리고, hard 제약끼리 부딪히면 충돌한 제약 이름을 반장 화면에 띄워 사람이 정하게 합니다. 솔버 결과는 별도 검증기로 hard 제약 위반이 0건인지 다시 세고, 0건이 아니면 배포하지 않습니다. LLM 호출은 temperature 0으로 두고, 같은 조건 문장을 세 번 변환해 세 JSON이 같은지 확인합니다. 다르면 그 조건은 사람에게 되묻습니다.
시스템 연결은 읽기부터 엽니다(Lenovo 사례). 보도에 나온 Luban은 업무 시스템 26개를 잇습니다. 처음 4주는 ERP·MES·근태 시스템에 읽기 전용 계정만 주고, 쓰기는 승인 화면을 거친 사람이 실행하게 합니다. 에이전트가 읽은 데이터의 시스템명과 조회 시각을 결과마다 함께 기록하면, 결과가 틀렸을 때 데이터 문제인지 판단 문제인지 가릴 수 있습니다.
도면 분석 정확도는 우리 도면으로 다시 잽니다(Engineering agent, 헤이후테크 사례). 회사가 밝힌 95%는 그 회사 기준입니다. 최근 6개월 도면 100~200장에 공정 엔지니어가 정답 공정을 달아 평가 세트를 만들고, 공정 항목 단위로 맞힌 비율을 셉니다. 채점은 아래처럼 나눕니다(가상 기준).
| 점수 | 기준 |
|---|---|
| 5 | 공정 순서와 항목이 정답과 같음 |
| 3 | 항목은 맞지만 순서나 조건(열처리 온도 등) 하나가 다름 |
| 0 | 필요한 공정을 빠뜨리거나 없는 공정을 넣음 |
0점이 나온 도면은 유형(용접 구조물, 표면처리 지정 등)별로 묶어 프롬프트 예시나 규칙표를 보강합니다. 0점 비율이 줄지 않는 유형은 에이전트 대상에서 빼고 사람에게 남깁니다.
과금 방식은 우리 물량으로 계산해 봅니다(Flexible pricing). 공급사 견적을 받을 때 지난 12개월의 월별 작업지시서 건수를 넣어 정액 구독과 건수 과금의 연간 비용을 나란히 비교합니다. 토큰 과금이면 시나리오별 1회 호출 토큰 수와 하루 실행 횟수를 시범 기간에 실측해 둡니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | 공장장 | 대상 시나리오 승인, 확대 여부 결정 |
| 시나리오 오너 | 생산계획 파트장·품질 파트장 | 현재 소요 시간 측정, 승인 지점 정의, 결과 확인 |
| 현장 확인자 | 반장 2~3명 | 근무표·계획안이 현실에 맞는지 매일 확인 |
| 공정 엔지니어 | 생산기술팀 1명 | 도면 평가 세트 정답 작성 |
| 개발 | 사내 IT 또는 공급사 1~2명 | 시스템 연결, 솔버·에이전트 구현, 실행 기록 |
시작 전 준비물. 후보 업무 목록과 업무별 주간 소요 시간, 지난 3개월 근무표와 주문·설비 가동 데이터, 근로시간·자격 규정 문서, 최근 6개월 도면 100~200장, 공급사 과금표.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 후보 업무 10~15개를 시나리오 카탈로그에 적고 현재 소요 시간을 잰 뒤 2개를 고름(예: 근무표, 첫 제품 검사) | 시나리오 카탈로그, 기준선 시간 |
| 3~4주 | 읽기 전용 연결, 제약 JSON과 평가 세트 작성 | 연결된 데이터 목록, 제약 정의서, 평가 세트 |
| 5~6주 | 그림자 운영: 사람이 하던 대로 하면서 에이전트 결과를 나란히 비교 | 일별 비교표, 오류 유형 목록 |
| 7~8주 | 판정과 확대 범위 결정 | 판정 보고서, 다음 시나리오 3개 |
시나리오를 고를 때 묻는 질문. 이 업무는 하루에 몇 번 반복되나? 누가 결과를 확인하고 틀리면 무엇이 멈추나? 필요한 데이터가 시스템에 있나, 사람 머릿속에 있나? 지금 몇 분 걸리고 그 시간을 누가 재 줄 수 있나? 에이전트가 틀렸을 때 사람이 되돌리는 방법이 있나?
진행 판정 기준(예시). 근무표는 그림자 운영 2주 동안 hard 제약 위반 0건, 반장 수정이 필요한 배정 5% 이하, 작성 시간이 기준선의 20% 이하일 때 실제 배포로 넘어갑니다. 첫 제품 검사나 도면 분석은 평가 세트에서 0점 비율 3% 이하, 사람 판정과 일치율 95% 이상이면 확대합니다. 하나라도 못 미치면 오류 유형을 고친 뒤 2주를 더 돌립니다.
AX 적용 제언. 한국 제조사가 이 기사에서 가져갈 것은 에이전트 개수가 아니라 공장 업무를 시나리오 목록으로 만든 방식입니다. 첫 과제로는 근무표와 생산 계획처럼 제약이 분명하고 결과를 숫자로 잴 수 있는 업무가 맞고, 계획 담당과 반장이 매일 쓰는 시간이 바로 줄어 현업 스폰서를 얻기 쉽습니다. 협력사가 많은 그룹이라면 구독과 건수 과금을 쓰는 공급사를 골라 1차 협력사 몇 곳에 같은 시나리오 카탈로그를 나눠 주는 방식으로 넓힐 수 있습니다. 데이터가 시스템에 없는 공장은 에이전트 도입 전에 근태·자격·설비 가동 데이터를 올리는 작업을 1단계 과제로 따로 잡습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 게재 | 신화망 한국어판(신화통신), 2026.10.24 |
| 핵심 주장 | 산업용 에이전트가 대기업 시범을 넘어 중소기업 규모화 단계로 진입, 올해가 상용화 원년 |
| 확산 기반 | 클라우드 인프라, 가벼운 구독 모델 |
| 시장 수치 | IDC: 중국 공업기업 파운데이션 모델·에이전트 응용 비율 9.6%(2024) → 47.5%(2025) |
| 정책 | 공업정보화부 등 8개 부처(1월): 2027년까지 에이전트 1,000개, 데이터세트 100개, 시나리오 500개. 상하이: 2028년까지 에이전트 300개 |
| Midea | 징저우 세탁기 공장, 에이전트 10여 개가 핵심 생산 업무 38개, 시간 단위 → 초 단위 |
| Lenovo | 우한 산업기지 Luban, 직원 1만 명 최적 근무 일정 8초, 제조 비용 크게 절감 |
| 헤이후테크 | 도면 공정 분석 약 1분, 정확도 약 95%. 의사결정형 에이전트는 견적·주문 추적·품질 검사·창고·이상 분석 |
| 징둥공업 | Industrial world model, 사후 처리 → 사전 조기 경보, 산업 안전과 사람·로봇 협업 |
| 화웨이 | 아키텍처 지침·플랫폼 역량·솔루션 적용·생태계의 네 갈래 전략 |
| 과금 | SaaS 연간 구독이 주류, 작업지시서 건수·토큰 호출량·증분 수익 배분 시범 |
| 보강 자료 | 과학기술일보(2026.7.13) Midea 세부, 중화망 전재 보도(2026.9.16) Lenovo Luban 세부 |
핵심 개념
- 산업용 에이전트
- 공장의 계획·검사·분석 업무 하나를 맡아 시스템 데이터를 읽고 결과를 내는 AI 프로그램. 기사는 '대화에서 실무로' 넘어간 형태로 소개합니다.
- TPM
- Total Productive Maintenance. 작업자와 정비팀이 함께 설비를 점검해 고장을 미리 막는 활동.
- EHS
- Environment, Health, Safety. 환경·보건·안전 점검 업무.
- CP-SAT
- Google OR-Tools에 들어 있는 제약 최적화 솔버. 근무표·생산 일정처럼 조건이 많은 배정 문제를 풉니다.
- 그림자 운영
- 사람이 하던 대로 일하면서 에이전트 결과를 나란히 만들어 비교만 하는 시험 운영. 결과를 실제 업무에 쓰지 않습니다.
내 메모
TODO: 내 생각 추가
원문: 신화통신, 「‘대화’에서 ‘실무’로…산업용 에이전트, 中 중소기업까지 상용화 확대」(신화망 한국어판, 2026.10.24). 중국 관영 통신사의 산업 동향 기사이며 기업 수치는 회사나 기사가 밝힌 값으로 독립 검증을 거치지 않았습니다. 요약·메커니즘의 원문 예·통념과 다른 주장·사례·원문 사례 표는 원문을 AX Review가 다시 정리했습니다. Midea의 에이전트 14개·시나리오 이름·검사 시간은 과학기술일보(科技日报, 2026.7.13) 보도에서, Lenovo Luban의 시스템 26개·반장 확인 시간·비용 17.32%는 중화망(中华网, 2026.9.16, 봉황망 전재) 보도에서 보강했습니다. 기술·현업 디테일, JSON 예시, 채점표, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.