기본 콘텐츠로 건너뛰기

내 트윗을 블로그로 - T2B(Twitter 2 Blog)

트위터는 기본적으로 트윗을 적는 기능만을 제공하기 때문에 트위터를 사용하다보면 이것 저것 이런 기능도 있었으면 하는 기능들이 한두개가 아닙니다.

트위터는 이러한 기능들을 API를 통한 Mashup 서비스들을 통해 제공합니다.

이러한 Mashup 사이트는 그 종류만 해도 수백개가 될 정도로 차고도 넘칩니다. 오죽하면 트위터 생태계라고 부를 정도입니다.

대표적인 Mashup 들을 보면 사진, 인터넷 방송, 모임 정보를 공유하거나 내 트윗을 백업하거나 다른 서비스들로 전송해주는 서비스등을 들 수 있습니다.

지금 소개해드리려는 서비스는 그 중에서 트윗을 백업하고 다른 서비스로 전송해주는 서비스입니다.

T2B는 내 트윗들을 하루에 한번 자신의 블로그로 전송해주는 서비스입니다.

T2B는 @sadrove 님이 처음 시작하신 순수 국내 서비스입니다.

하지만 @sadrove 님의 개인적인 사정으로 서비스가 중지될 뻔한 적도 있었지만 지금은 @backtoheaven 님과 @ejang 님이 넘겨받아 제공하고 있습니다.

@backtoheaven 과 @ejang 님이 서비스를 운영하면서 바뀐 점은 블로그로 전송될 때 게시물 하단에 광고문구가 첨가된다는 정도입니다.

서비스는 http://t2b.kr 에서 회원 가입을 통해 이용할 수 있습니다. 회원 가입은 별다른 정보 입력 없이 트위터 인증만으로 가입할 수 있습니다.
T2B 초기

회원 가입후 화면입니다. T2B 서비스에서 지원하는 Blog 서비스는 싸이블로그, 이글루스, 티스토리, 텍스트큐브닷컴, 네이버 블로그입니다.
T2B 로그인
블로그 추가를 선택해서 자신의 블로그를 추가하시면 됩니다. 기본적으로 자신의 트윗을 저장할 블로그의 카테고리와 스킨을 제공합니다.
블로그
배달된 트윗은 글배달 보관함에서 확인할 수 있습니다. 글배달이 실패하는 경우 이곳에서 트윗 내용을 확인하고 다시 보낼 수 있습니다.
글배달 보관함

이 서비스를 통해 저는 트위터의 트윗들을 제 블로그로 백업을 하고 있습니다.

한가지 단점이라면 트위터에서 기본으로 제공하는 Retweet 기능을 통해 Retweet 를 한 트윗은 백업이 되지 않는다는 점입니다.

트위터를 백업하는 서비스는 T2B 외에도 여러가지 종류가 있습니다. 하지만 블로그로 트윗을 백업해 주는 서비스는 T2B만한 서비스는 없는 것 같습니다.

예전에는 트위터를 미투데이로 보낸 뒤에 미투데이에서 블로그로 보냈었지만 이 서비스로 한번에 내 트윗을 블로그로 저장할 수 있어 좋은 것 같습니다.

블로그와 트위터를 이용하시는 분들은 꼭 한번 사용해 보시기 바랍니다.

이 서비스를 만들고 운영해 주시는 @sadrove 님과 @backtoheaven 님과 @ejang 님에게 다시 한번 고마움을 전합니다.

댓글

이 블로그의 인기 게시물

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...

피드백 루프: AI 시대 테스터가 지켜내야 할 핵심 엔진

소프트웨어 개발과 테스팅 현장에서 가장 자주 언급되지만, 막상 시스템이 복잡해질수록 쉽게 경시되곤 하는 핵심 개념이 바로 '피드백 루프(Feedback Loop)'입니다. 코드를 수정하고, 빌드하고, 테스트 결과를 확인하고, 다시 개선하는 그 순환 과정의 속도와 정확도가 결국 소프트웨어의 품질을 결정짓기 때문입니다. 품질 전문가 매슈 하이저(Matthew Heusser)가 자신의 블로그 Quality Remarks에 기고한 "One Loop After Another" 아티클은 바로 이 피드백 루프의 다층적 구조와, AI 시대에 우리가 놓치지 말아야 할 품질 검증의 본질을 날카롭게 되짚어 줍니다. (출처: Quality Remarks - One Loop After Another / Matthew Heusser) https://qualityremarks.com/one-loop-after-another/ 매슈 하이저는 소프트웨어 개발 생태계가 단순히 하나의 커다란 테스트 루프로 돌아가는 것이 아니라, 시간 축과 관점에 따라 겹겹이 쌓인 '연쇄적인 피드백 루프들(One Loop After Another)'로 이루어져 있다고 설명합니다. 초단기 루프 (Inner Loop): 개발자가 코드를 작성하는 몇 초~몇 분 단위의 루프입니다. 단위 테스트(Unit Test)나 IDE의 Linter, AI 자동 완성이 즉각적인 피드백을 주는 영역입니다. 단기 루프 (Daily / CI Loop): 커밋과 푸시가 이루어지고, CI/CD 파이프라인에서 통합 테스트와 정적 분석이 실행되는 몇 시간 단위의 루프입니다. 중기 루프 (Iteration / Exploration Loop): 스프린트 단위로 탐색적 테스팅(Exploratory Testing)을 수행하고, 실제 사용자 시나리오나 엣지 케이스를 사람이 직접 검증하며 시스템의 유기적 작동을 확인하는 며칠~몇 주 단위의 루프입니다. 장기 루프 (Outer / Market Loop): 실제 ...

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...