Claude 3.5 Sonnet

Claude API 완전 가이드: Messages, Vision, Tool Use, Streaming

## Claude API 시작하기 ```bash pip install anthropic ``` ```python import anthropic client = anthropic.Anthropic(api_key="sk-ant-...") # 또는 ANTHROPIC_API_KEY 환경변수 message = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1024, messages=[{"role": "user", "content": "안녕하세요!"}] ) print(message.content[0].text) ``` --- ## 모델 선택 가이드 | 모델 | 특징 | 입력 비용 | 출력 비용 | |------|------|-----------|-----------| | claude-opus-4-6 | 최고 성능, 복잡한 추론 | $15/M | $75/M | | claude-sonnet-4-6 | 균형 잡힌 성능 (권장) | $3/M | $15/M | | claude-haiku-4-5 | 빠르고 저렴 | $0.80/M | $4/M | --- ## System Prompt 활용 ```python response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=2048, system='''당신은 시니어 백엔드 엔지니어입니다. - 코드는 항상 타입 힌트 포함 - 예외 처리 필수 - 한국어로 설명 - 보안 취약점이 있으면 반드시 지적''', messages=[{ "role": "user", "content": "사용자 로그인 API를 FastAPI로 구현해줘" }] ) ``` --- ## 멀티턴 대화 ```python conversation_history = [] def chat(user_message: str) -> str: conversation_history.append({ "role": "user", "content": user_message }) response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1024, system="당신은 친절한 Python 튜터입니다.", messages=conversation_history ) assistant_message = response.content[0].text conversation_history.append({ "role": "assistant", "content": assistant_message }) return assistant_message # 사용 print(chat("파이썬의 리스트 컴프리헨션을 설명해줘")) print(chat("그럼 딕셔너리 컴프리헨션은?")) print(chat("둘의 차이점을 예제로 보여줘")) ``` --- ## Vision: 이미지 분석 ```python import base64 from pathlib import Path # 파일에서 이미지 읽기 def encode_image(image_path: str) -> str: with open(image_path, "rb") as f: return base64.standard_b64encode(f.read()).decode("utf-8") # 이미지 + 텍스트 질문 response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1024, messages=[{ "role": "user", "content": [ { "type": "image", "source": { "type": "base64", "media_type": "image/jpeg", "data": encode_image("screenshot.jpg"), }, }, { "type": "text", "text": "이 스크린샷에서 UI 개선점을 3가지 알려줘" } ], }] ) print(response.content[0].text) # URL로 이미지 전달 response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=512, messages=[{ "role": "user", "content": [ {"type": "image", "source": {"type": "url", "url": "https://example.com/chart.png"}}, {"type": "text", "text": "이 차트를 분석해줘"} ] }] ) ``` --- ## Tool Use (함수 호출) ```python import json tools = [ { "name": "get_weather", "description": "특정 도시의 현재 날씨를 가져옵니다", "input_schema": { "type": "object", "properties": { "city": {"type": "string", "description": "도시 이름 (예: Seoul, Tokyo)"}, "unit": {"type": "string", "enum": ["celsius", "fahrenheit"], "default": "celsius"} }, "required": ["city"] } }, { "name": "search_products", "description": "상품 데이터베이스에서 검색합니다", "input_schema": { "type": "object", "properties": { "query": {"type": "string"}, "max_price": {"type": "number"} }, "required": ["query"] } } ] def process_tool_call(tool_name: str, tool_input: dict) -> str: if tool_name == "get_weather": # 실제 날씨 API 호출 return json.dumps({"city": tool_input["city"], "temp": 22, "condition": "맑음"}) elif tool_name == "search_products": return json.dumps([{"name": "노트북", "price": 1200000}]) # 에이전트 루프 def run_agent(user_message: str): messages = [{"role": "user", "content": user_message}] while True: response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1024, tools=tools, messages=messages ) if response.stop_reason == "end_turn": return response.content[0].text # 도구 호출 처리 tool_use_block = next(b for b in response.content if b.type == "tool_use") tool_result = process_tool_call(tool_use_block.name, tool_use_block.input) # 대화에 추가 messages.append({"role": "assistant", "content": response.content}) messages.append({ "role": "user", "content": [{ "type": "tool_result", "tool_use_id": tool_use_block.id, "content": tool_result }] }) result = run_agent("서울 날씨 알려줘") print(result) ``` --- ## 스트리밍 응답 ```python # 동기 스트리밍 with client.messages.stream( model="claude-sonnet-4-6-20251001", max_tokens=1024, messages=[{"role": "user", "content": "긴 소설의 첫 장을 써줘"}] ) as stream: for text in stream.text_stream: print(text, end="", flush=True) # 비동기 스트리밍 (FastAPI/웹 서버) import asyncio import anthropic async def stream_response(prompt: str): async_client = anthropic.AsyncAnthropic() async with async_client.messages.stream( model="claude-sonnet-4-6-20251001", max_tokens=1024, messages=[{"role": "user", "content": prompt}] ) as stream: async for text in stream.text_stream: yield text ``` --- ## 구조화된 출력 (JSON 강제) ```python import json response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1024, tools=[{ "name": "extract_info", "description": "텍스트에서 정보를 추출합니다", "input_schema": { "type": "object", "properties": { "name": {"type": "string"}, "company": {"type": "string"}, "email": {"type": "string"}, "phone": {"type": "string"} }, "required": ["name", "company"] } }], tool_choice={"type": "tool", "name": "extract_info"}, messages=[{ "role": "user", "content": "김철수 씨는 네이버 개발팀에 근무하며 이메일은 [email protected]입니다." }] ) info = response.content[0].input print(json.dumps(info, ensure_ascii=False, indent=2)) ``` --- ## 비용 최적화 팁 1. **캐싱 활용**: 동일 시스템 프롬프트는 Prompt Caching으로 90% 비용 절감 2. **Haiku 우선**: 단순 분류/추출 작업은 claude-haiku-4-5로 충분 3. **max_tokens 조절**: 불필요하게 높게 설정하지 않기 4. **배치 처리**: Batch API로 비동기 처리 시 50% 할인 ```python # Prompt Caching (반복 사용되는 긴 시스템 프롬프트) response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1024, system=[{ "type": "text", "text": "매우 긴 시스템 프롬프트...", "cache_control": {"type": "ephemeral"} # 캐시 적용 }], messages=[{"role": "user", "content": user_input}] ) ``` Anthropic 콘솔(console.anthropic.com)에서 API 키 발급 후 바로 시작할 수 있습니다.

LangGraph로 AI 에이전트 워크플로우 구축하기

## LangGraph란? LangGraph는 LangChain 팀이 만든 상태 기반(stateful) AI 에이전트 프레임워크입니다. 복잡한 멀티스텝 워크플로우를 그래프 구조로 표현합니다. LangChain이 체인(순차)이라면, LangGraph는 그래프(순환, 조건 분기 가능)입니다. --- ## 핵심 개념 ```mermaid flowchart TD A[State 정의] --> B[Node 정의<br/>각 처리 단계] B --> C[Edge 연결<br/>조건부 or 직접] C --> D[Graph 컴파일] D --> E[실행] subgraph "State" S1[messages] S2[next_step] S3[results] end ``` **State:** 그래프 전체에서 공유되는 데이터 **Node:** 상태를 받아 처리 후 업데이트하는 함수 **Edge:** 노드 간 연결 (조건부 가능) --- ## 기본 에이전트 구현 ```python from langgraph.graph import StateGraph, END from langchain_anthropic import ChatAnthropic from langchain_core.messages import HumanMessage, AIMessage from typing import TypedDict, Annotated import operator # 1. 상태 정의 class AgentState(TypedDict): messages: Annotated[list, operator.add] # 메시지 누적 next: str # 다음 노드 # 2. LLM 설정 llm = ChatAnthropic(model="claude-sonnet-4-6-20251001") # 3. 도구 정의 from langchain_core.tools import tool @tool def search_web(query: str) -> str: # 웹에서 정보를 검색합니다 # 실제 검색 API 호출 return f"검색 결과: {query}에 대한 정보..." @tool def calculate(expression: str) -> str: # 수식을 계산합니다 try: result = eval(expression) return f"계산 결과: {result}" except Exception as e: return f"오류: {e}" tools = [search_web, calculate] llm_with_tools = llm.bind_tools(tools) # 4. 노드 함수 def agent_node(state: AgentState): response = llm_with_tools.invoke(state["messages"]) return {"messages": [response]} def tool_node(state: AgentState): last_message = state["messages"][-1] results = [] for tool_call in last_message.tool_calls: tool = {t.name: t for t in tools}[tool_call["name"]] result = tool.invoke(tool_call["args"]) results.append(ToolMessage( content=str(result), tool_call_id=tool_call["id"] )) return {"messages": results} # 5. 조건부 엣지 def should_continue(state: AgentState): last_message = state["messages"][-1] if hasattr(last_message, "tool_calls") and last_message.tool_calls: return "tools" return END # 6. 그래프 구성 graph = StateGraph(AgentState) graph.add_node("agent", agent_node) graph.add_node("tools", tool_node) graph.set_entry_point("agent") graph.add_conditional_edges("agent", should_continue) graph.add_edge("tools", "agent") # 도구 실행 후 다시 agent로 app = graph.compile() # 실행 result = app.invoke({ "messages": [HumanMessage(content="서울 날씨를 검색하고 화씨로 변환해줘")] }) print(result["messages"][-1].content) ``` --- ## Human -in-the-Loop 패턴 위험한 작업 전에 인간 승인을 받는 패턴: ```python from langgraph.checkpoint.memory import MemorySaver from langgraph.graph import interrupt_before # 체크포인트 저장소 memory = MemorySaver() def dangerous_action_node(state: AgentState): # DB 삭제, 이메일 전송 등 위험한 작업 return {"messages": [AIMessage(content="작업 실행 완료")]} graph = StateGraph(AgentState) graph.add_node("agent", agent_node) graph.add_node("dangerous_action", dangerous_action_node) graph.set_entry_point("agent") # 컴파일 시 interrupt 설정 app = graph.compile( checkpointer=memory, interrupt_before=["dangerous_action"] # 이 노드 전에 중단 ) # 첫 실행 (중단됨) config = {"configurable": {"thread_id": "1"}} result = app.invoke( {"messages": [HumanMessage(content="모든 임시 파일을 삭제해줘")]}, config ) # → "dangerous_action" 노드 전에 일시정지 print("현재 상태:", app.get_state(config).next) # → ('dangerous_action',) # 사용자 승인 후 재개 user_input = input("계속 진행하시겠습니까? (y/n): ") if user_input == "y": result = app.invoke(None, config) # None으로 재개 ``` --- ## 멀티에이전트 패턴 ```python # 오케스트레이터 + 전문가 에이전트 class MultiAgentState(TypedDict): task: str research_result: str code_result: str final_answer: str def orchestrator(state: MultiAgentState): # 작업을 분석해서 어떤 에이전트가 필요한지 결정 response = llm.invoke(f'''다음 작업을 분석해서 필요한 에이전트를 결정해줘. 작업: {state["task"]} 응답: "research" 또는 "code" 또는 "both"''') return {"next": response.content.strip()} def research_agent(state: MultiAgentState): result = research_llm.invoke(f"다음을 조사해줘: {state['task']}") return {"research_result": result.content} def code_agent(state: MultiAgentState): context = state.get("research_result", "") result = code_llm.invoke(f"컨텍스트: {context} 작업: {state['task']}") return {"code_result": result.content} def should_research_or_code(state): return state["next"] # "research", "code", or "both" ``` --- ## 실전 사용 사례 | 패턴 | 설명 | 예시 | |------|------|------| | ReAct | 추론 → 행동 반복 | 웹 검색 에이전트 | | Plan & Execute | 계획 수립 후 실행 | 복잡한 리서치 | | Reflexion | 자기 반성으로 개선 | 코드 디버깅 | | Multi-Agent | 전문가 팀 협업 | 보고서 작성 | | Human-in-Loop | 인간 승인 포함 | 자동화 + 안전 | LangGraph Studio를 사용하면 그래프 실행을 시각적으로 디버깅할 수 있습니다. 복잡한 에이전트 로직을 구현할 때 필수 도구입니다.

Perplexity vs Genspark 비교 (2026): 답변 엔진 vs 에이전트 엔진, 어떤 AI 검색을 쓸까

## Perplexity vs Genspark: 빠른 답변이 필요하면 Perplexity, 깊은 리서치가 필요하면 Genspark 결론부터 말하면, Perplexity는 "답변 엔진(Answer Engine)"이고 Genspark은 "에이전트 엔진(Agent Engine)"이다. 같은 AI 검색이라는 카테고리에 있지만, 실제 사용 목적은 상당히 다르다. 5초 안에 출처 달린 팩트가 필요하면 Perplexity, 5분짜리 구조화된 리서치 보고서가 필요하면 Genspark이다. 2026년 4월 기준, 두 서비스 모두 단순 검색을 넘어 에이전트 기반 자동화 영역으로 확장하고 있어서 격차는 더 벌어지는 중이다. ## 한눈에 보는 비교  위 레이더 차트의 점수 산출 근거는 다음과 같다. **응답 속도 (Perplexity 9.0 / Genspark 6.0)**: Perplexity는 질문 입력 후 2~3초 내에 출처 포함 답변을 생성한다. Genspark은 멀티 에이전트가 순차적으로 웹을 탐색하고 종합하기 때문에 Sparkpage 생성에 보통 15~30초가 소요된다. 단순 팩트체크에서 체감 속도 차이가 크다. **인용 정확도 (Perplexity 9.4 / Genspark 8.2)**: Flowith 블로그에서 5개 카테고리(시사, 과학, 기술 문서, 역사, 비즈니스 인텔리전스)에 걸쳐 50개 쿼리를 테스트한 결과, Perplexity Pro의 인용 정확도는 94%, Genspark은 82%였다. 링크 유효성(broken link 비율)도 Perplexity가 97%로 Genspark의 91%를 앞섰다. Perplexity는 정부 데이터베이스, 학술 저널, 공식 블로그 같은 1차 소스를 선호하는 반면, Genspark은 분석 블로그와 어그리게이터 사이트 같은 2차 소스도 적극 인용하는 경향이 있다. (출처: Flowith Blog) **콘텐츠 깊이 (Perplexity 7.0 / Genspark 9.5)**: Perplexity는 질문에 대해 핵심을 요약한 간결한 텍스트 답변을 생성한다. Genspark의 Sparkpage는 표, 비교 차트, 이미지, 섹션별 구조화된 미니 웹페이지를 자동 생성하며, 평균 인용 수도 Genspark이 응답당 8.3개로 Perplexity의 5.7개보다 많다. 복잡한 제품 비교나 시장 조사처럼 구조화된 정보가 필요한 경우 Genspark의 출력물이 실질적으로 더 유용하다. (출처: Flowith Blog) **가성비 (Perplexity 7.5 / Genspark 8.0)**: 무료 플랜 기준으로 Genspark이 하루 100~200크레딧으로 더 넉넉하다. 유료 플랜은 Perplexity Pro $20/월 vs Genspark Plus $25/월로 Perplexity가 $5 저렴하지만, Genspark Plus에는 AI Slides, AI Sheets, 이미지 무제한 생성이 포함되어 번들 가성비에서 Genspark이 앞선다. **한국어 지원 (Perplexity 8.0 / Genspark 6.0)**: Perplexity는 2024년 3월부터 한국어를 공식 지원 언어로 추가했고, 검색 언어 필터도 제공한다. UI와 답변 모두 자연스러운 한국어로 제공된다. Genspark은 한국어 인터페이스가 공식 제공되지 않으며, 한국어 질문 시 답변 품질이 영어 대비 눈에 띄게 떨어진다. 국내 사용자에게 Perplexity가 확실히 유리하다. **생태계/API (Perplexity 9.0 / Genspark 4.0)**: Perplexity는 Sonar API를 제공하며, 개발자가 자체 제품에 실시간 웹 검색을 통합할 수 있다. API 문서화가 잘 되어 있고 적극 유지보수 중이다. Pro 구독자에게는 월 $5의 API 크레딧이 포함된다. 반면 Genspark은 2026년 4월 기준 공개 API가 없어서 개발자 통합이나 커스텀 애플리케이션 구축이 불가능하다. ## 항목별 상세 비교 ### 핵심 기능: 답변 엔진 vs 에이전트 엔진 Perplexity는 질문을 입력하면 웹을 실시간 검색한 뒤 출처가 명시된 종합 답변을 텍스트로 생성하는 구조다. Pro Search 모드에서는 추가 질문을 통해 의도를 좁혀가는 대화형 검색이 가능하고, Focus 모드로 학술 논문(Academic), Reddit, YouTube 등 특정 소스만 탐색할 수 있다. GPT-4o, Claude 3.5 Sonnet 등 다양한 모델을 직접 선택할 수 있어 유연성이 높다. Genspark은 복수의 AI 에이전트를 동시에 투입하는 멀티에이전트 아키텍처를 사용한다. 하나의 질문에 대해 웹 브라우징 에이전트, 코드 실행 에이전트, 데이터 종합 에이전트가 각각 역할을 나눠 작업하고, 그 결과를 Sparkpage라는 구조화된 보고서로 합친다. 이 방식은 경쟁사 분석이나 기술 비교 같은 복잡한 리서치에서 진가를 발휘한다. 실사용 체감 차이: "오늘 서울 날씨"처럼 단순한 질문에서는 Perplexity가 즉각 답변하는 반면 Genspark은 불필요하게 깊은 분석을 시도한다. 반대로 "2026년 한국 SaaS 시장에서 AI 검색 도구의 채택률과 주요 업체 비교"처럼 복잡한 리서치 질문에서는 Genspark의 구조화된 Sparkpage가 Perplexity의 단일 텍스트 답변보다 훨씬 실용적이다. ### 에이전트 자동화: Perplexity Computer vs Genspark Claw 2026년 들어 두 서비스 모두 에이전트 기반 자동화로 영역을 확장했다. Perplexity는 2026년 2월 25일 Perplexity Computer를 출시했다. Max 구독자($200/월) 전용이며, 19개 AI 모델을 동시 조율해 각 하위 작업을 최적 모델에 라우팅한다. 격리된 클라우드 환경에서 실제 파일시스템, 브라우저, 400개 이상의 앱 통합(Slack, Gmail, GitHub, Notion)을 지원한다. Genspark은 2026년 3월 12일 Claw를 출시했다. 이것은 Genspark의 첫 "AI 직원"으로, 사용자별로 할당된 전용 클라우드 컴퓨터에서 실행된다. 리서치, 스케줄링, 이메일 관리, 콘텐츠 생성, 코드 배포까지 실제 소프트웨어 인터페이스를 통해 멀티스텝 작업을 수행한다. Genspark은 이 에이전트 플랫폼 출시 후 9일 만에 ARR $1000만, 45일 만에 ARR $3600만을 달성하며 하루 약 $100만씩 매출이 성장했다. 두 에이전트 모두 "AI가 실제 앱을 조작하며 업무를 대행"하는 동일한 비전을 추구하지만, Perplexity Computer는 최상위 요금제($200/월)에서만 접근 가능한 반면, Genspark은 무료 플랜에서도 기본적인 Super Agent 기능을 제공한다는 점이 진입 장벽에서 큰 차이다. ### 가격: 시나리오별 비교  **라이트 사용자 (하루 5~10건 검색)**: 두 서비스 모두 무료 플랜으로 충분하다. Perplexity 무료는 하루 Pro Search 5~10회 제한이 있고, Genspark 무료는 하루 100~200크레딧을 제공한다. 단순 팩트체크 위주라면 비용 차이 없음. **미디엄 사용자 (하루 20~30건 리서치 포함)**: Perplexity Pro $20/월은 무제한 Pro Search와 모델 선택을 제공한다. Genspark Plus $25/월은 월 10,000크레딧과 AI Slides, AI Sheets, 이미지 무제한 생성을 포함한다. 순수 검색만 필요하면 Perplexity가 $5 저렴하지만, 콘텐츠 생성까지 필요하면 Genspark Plus가 별도 도구 구독비를 절약해준다. **헤비 사용자 (하루 50건 이상, 자동화/API 포함)**: Perplexity Max $200/월은 Perplexity Computer와 전체 모델 무제한 접근을 제공한다. Genspark Pro $250/월은 월 125,000크레딧과 Claw AI 직원을 제공한다. 연간 결제 시 Perplexity Max는 $167/월, Genspark Pro는 $200/월로 할인된다. 숨겨진 비용 포인트: Perplexity Pro에는 월 $5 API 크레딧이 포함되어 있어 가벼운 API 연동은 추가 비용 없이 가능하다. Genspark은 API를 제공하지 않으므로 개발자가 자체 서비스에 통합하려면 Perplexity가 유일한 선택지다. 또한 Genspark은 크레딧 기반 과금이므로 Super Agent를 많이 사용하면 크레딧이 빠르게 소진될 수 있다. ### 한국어 사용자 특화 비교 한국어 사용자 입장에서 Perplexity가 확실히 우위에 있다. Perplexity는 2024년 3월 한국어를 공식 지원 언어로 추가했으며, UI 전체가 한국어로 제공된다. 검색 결과에서 한국어 소스를 우선 노출하는 언어 필터가 있고, 한국어 프롬프트에 대한 답변 품질이 영어와 거의 동등하다. Genspark은 한국어 공식 지원이 없다. 한국어로 질문하면 답변은 생성되지만, Sparkpage의 섹션 구조와 표 제목이 영어로 나오는 경우가 많고, 한국어 웹소스를 적극적으로 크롤링하지 않아 국내 정보 탐색에서는 부족함이 있다. 국내 결제의 경우 두 서비스 모두 해외 카드 결제만 지원하며 큰 차이는 없다. ## 실사용자는 뭐라고 하나 **"Perplexity에서 Genspark으로 갈아탄" 콘텐츠 마케터의 사례**: 한 콘텐츠 마케팅 담당자가 경쟁사 분석 업무에서 Perplexity Pro 대신 Genspark으로 전환한 경험을 공유했다. Perplexity로 경쟁사 5곳을 비교하려면 각각 별도로 검색하고 직접 표를 만들어야 했는데, Genspark에서는 하나의 질문으로 비교 표, 가격 차트, 장단점까지 포함된 Sparkpage가 자동 생성되어 사전 리서치 시간을 "반나절에서 30분으로" 줄였다고 한다. 다만 단순 팩트체크에는 여전히 Perplexity를 병행 사용한다고 밝혔다. (출처: TechGlimmer) **"Genspark에서 Perplexity로 돌아온" 프리랜서 개발자의 사례**: API 연동이 필요했던 프리랜서 개발자가 Genspark을 시도했다가 공개 API가 없어서 Perplexity로 복귀한 경험이 있다. Perplexity의 Sonar API를 자사 슬랙봇에 통합해서 팀원들이 슬랙 내에서 바로 AI 검색을 할 수 있게 만들었으며, "Genspark의 리서치 품질은 인상적이지만 프로그래밍 가능한 인터페이스가 없으면 워크플로우에 녹여낼 수 없다"고 평가했다. (출처: ToolQuestor 사용자 리뷰) **커뮤니티 종합 평가**: 온라인 커뮤니티에서 Perplexity는 "사용 편의성과 신뢰성"에서 일관되게 높은 평가를 받고, Genspark은 "대규모 콘텐츠 작업에서의 파워와 효율성"이 강점으로 언급된다. 다수의 사용자가 Genspark을 "리서치 도구"로 보지 "브라우저 대체"로는 보지 않으며, 단순 탐색 쿼리에서는 Google로 돌아간다고 응답했다. (출처: ScribeHow 커뮤니티 비교) ## 누가 뭘 쓰면 되나 (Editor's Pick)  **Editor's Pick: 단일 도구만 선택해야 한다면 Perplexity Pro를 추천한다.** 이유는 세 가지다. 첫째, 범용성. 단순 팩트체크부터 중간 수준의 리서치까지 하나의 도구로 커버할 수 있다. 둘째, 한국어 지원. 국내 사용자에게 Perplexity의 한국어 품질은 실사용에 지장이 없는 수준이다. 셋째, API 접근성. 개발자라면 Sonar API로 자체 서비스에 통합할 수 있고, 이 옵션은 Genspark에 없다. 단, 다음 조건에 해당하면 Genspark을 선택하라: - 주 업무가 경쟁사 분석, 시장 조사, 보고서 작성처럼 구조화된 리서치인 경우 - AI Slides, 이미지 생성 등 콘텐츠 제작 도구를 별도로 구독하고 있어서 통합 플랫폼으로 비용을 줄이고 싶은 경우 - 자동화 에이전트(Claw)를 활용한 멀티스텝 업무 자동화가 필요한 경우 가장 실용적인 조합: Perplexity Pro($20/월)를 기본 검색 도구로, Genspark 무료 플랜을 심층 리서치용 보조 도구로 병행하는 것이다. 월 $20으로 두 플랫폼의 강점을 모두 활용할 수 있다. ## 6개월 후 재평가이 비교가 뒤집힐 수 있는 조건 3가지: 1. **Genspark이 공개 API를 출시하는 경우**: 현재 생태계/API 축에서 Perplexity가 압도적 우위를 점하고 있는데, Genspark이 API를 공개하면 개발자 생태계가 빠르게 형성될 수 있다. Genspark의 멀티에이전트 리서치 능력을 API로 접근할 수 있게 되면, 기업용 리서치 자동화 시장에서 Perplexity를 위협할 수 있다. 2. **Genspark의 한국어 공식 지원이 이루어지는 경우**: Genspark이 한국어 UI와 한국어 소스 크롤링을 공식 지원하면, 국내 사용자에게 Perplexity 대비 약점이었던 한국어 축이 해소된다. Genspark의 Sparkpage가 한국어 콘텐츠에서도 동일한 품질을 보여주면 국내 리서치 시장에서 경쟁력이 크게 올라간다. 3. **Perplexity가 Sparkpage급 구조화 출력을 도입하는 경우**: Perplexity가 텍스트 답변을 넘어 표, 차트, 섹션 구조를 갖춘 리서치 보고서 형식을 도입하면, Genspark의 핵심 차별점인 "콘텐츠 깊이"가 약화된다. Perplexity의 속도 + 인용 정확도에 구조화 출력까지 더해지면 올인원 AI 검색 도구로서의 위치가 공고해진다. --- ### References - [Perplexity Pro vs. Genspark: Which AI Searcher Provides Better Citations? - Flowith Blog](https://flowith.io/blog/perplexity-pro-vs-genspark-better-citations/) - [Genspark vs Perplexity: Why Search Agents Are Better Than Answer Engines - TechGlimmer](https://techglimmer.io/genspark-vs-perplexity-2026/) - [Perplexity vs Genspark: Features, Pricing and User Reviews 2026 - ToolQuestor](https://toolquestor.com/vs/perplexity-vs-genspark) - [Genspark vs Perplexity AI Which AI Search Engine Wins in 2026 - ScribeHow](https://scribehow.com/page/Genspark_vs_Perplexity_AI_Which_AI_Search_Engine_Wins_in_2026__rKmB9n4DS4CQMgujJD3GJA) - [Perplexity Pricing 2026: Plans, Costs & API Rates - GetAIPerks](https://www.getaiperks.com/en/articles/perplexity-pricing) - [Genspark Pricing 2026: Plans, Cost & Best Value - GSpark Coupons](https://gspark.coupons/genspark-pricing-guide) - [Genspark AI Review 2026: More Than Just an AI Search Engine? - Textify Analytics](https://textify.ai/genspark-ai-review-2026/) - [Perplexity 한국어 지원 공식 발표 - X/Twitter](https://x.com/perplexity_ai/status/1765543875697926635) - [What Is Perplexity Computer? Features, Pricing & How It Works - SentiSight](https://www.sentisight.ai/what-is-the-new-perplexity-computer-how-does-it-work/)