지식 정원을 가꾸는 세 가지 LLM 에이전트

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

저자는 수천 개의 노트가 담긴 '지식 정원'의 연결성을 회복하기 위해 세 가지 특화된 LLM 에이전트를 구축했다. 이 시스템은 읽기 전 맥락을 제공하는 Pre-Reader, 방치된 노트에 연결성을 제안하는 Suggester, 발행된 글을 비판적으로 검토하는 Critic으로 구성된다. Val Town 인프라와 Anthropic의 Claude 모델을 기반으로 하며, MCP를 통해 개인 데이터를 검색하고 jina.ai로 외부 웹페이지를 파싱한다. 단순한 대행이 아닌 저자의 사고를 자극하는 '협업' 모델을 지향하며, 실제 글쓰기 프로세스에서 비판적 사고와 지식 통합의 효율을 높이는 결과를 얻었다.

배경

LLM 에이전트 및 RAG의 기본 개념, 서버리스 인프라(Val Town 등)에 대한 이해, RSS 피드 및 데이터 검색 프로토콜(MCP) 지식

대상 독자

개인 지식 관리(PKM) 시스템을 구축하거나 LLM 에이전트를 실무에 활용하려는 개발자 및 작가

의미 / 영향

이 아티클은 LLM이 단순히 텍스트를 생성하는 도구를 넘어, 개인의 사고 과정을 보조하고 비판적 시각을 제공하는 '지적 파트너'로 진화할 수 있음을 보여줍니다. 특히 MCP와 같은 표준 프로토콜을 활용해 개인 데이터를 안전하게 연결함으로써, 누구나 자신만의 특화된 AI 멘토 시스템을 구축할 수 있는 실질적인 방법론을 제시합니다.

섹션별 상세

저자는 수천 개의 노트를 수집하면서도 정작 그들 사이의 연결성을 놓치고 있다는 문제의식을 가졌다. 이를 해결하기 위해 읽기 전, 쓰기 중, 발행 후의 세 단계로 나누어 작동하는 LLM 에이전트 시스템을 설계했다. 실제 1,700단어 이상의 본문을 분석하며 자신의 사고를 확장하는 도구로 활용했다. 이는 단순한 정보 저장을 넘어 지식을 소화하고 통합하는 능동적인 지식 관리 체계를 구축했다는 의미가 있다.

'Pre-Reader' 에이전트는 긴 글을 읽기 전 사용자의 기존 지식과 대조하여 읽기 전략을 세워주는 역할을 수행한다. URL을 입력받으면 사용자의 지식 정원을 검색하여 관련 노트를 찾고 찬성, 반대, 질문자라는 세 가지 페르소나로 요약본을 생성한다. 이를 통해 사용자는 새로운 정보를 접하기 전 자신의 기존 입장을 정리하고 비판적 시각을 견지할 수 있다. 정보 과잉 시대에 수동적인 읽기를 능동적인 지식 통합 과정으로 전환하는 효과를 제공한다.

'Suggester' 에이전트는 코멘트 없이 방치된 과거의 노트들을 현재의 맥락과 연결해주는 기능을 담당한다. 특정 노트를 선택하면 관련 있는 다른 포스트와의 연결점이나 아직 언어화되지 않은 반응들을 제안하여 글쓰기의 시작점을 만들어준다. 사용자는 AI의 출력을 그대로 복사하는 대신 이를 영감의 원천으로 삼아 자신의 언어로 노트를 확장한다. 자투리 시간에 소셜 미디어를 스크롤하는 대신 자신의 지식을 생산적으로 재검토하게 만드는 유용한 도구이다.

'The Critic' 에이전트는 글이 발행된 직후 논리적 허점과 개선점을 짚어주는 개인 글쓰기 멘토로 작동한다. RSS 피드를 모니터링하다가 새 글이 감지되면 내부 링크와 외부 소스를 모두 추적하여 분석한 뒤 이메일로 상세한 비평을 전송한다. Anthropic의 Claude Opus 모델을 사용하여 단순한 요약을 넘어 날카로운 반론과 구체적인 수정 제안을 제공하는 것이 특징이다. 발행 후 즉각적인 피드백 루프를 형성하여 글의 품질을 지속적으로 개선할 수 있는 환경을 조성한다.

에이전트 'The Critic'이 보낸 비평 이메일의 스크린샷이다. — Screenshot비평 에이전트가 작성한 이메일의 실제 구조를 보여준다. 논증의 강도, 글의 명확성, 다른 포스트와의 연결성 등 구체적인 평가 항목과 인용문 기반의 피드백이 포함되어 있음을 확인할 수 있다.

작성 중인 포스트에 대해 에이전트가 실시간으로 비평을 수행하는 모습이다. — Screenshot에이전트가 글쓰기 과정에 어떻게 개입하는지 보여주는 증거이다. 저자가 글을 쓰는 동안 에이전트가 논리를 챌린지하고 수정을 제안함으로써 글의 완성도를 높이는 협업 과정을 시각화한다.

전체 시스템은 Val Town의 서버리스 인프라와 MCP(Model Context Protocol)를 활용해 경량화된 에이전트 구조로 구현됐다. RSS 파싱, Blob 저장소, 이메일 서비스 등 Val Town의 내장 기능을 조합하여 복잡한 서버 설정 없이도 강력한 자동화 워크플로를 구축했다. 특히 Claude Code를 사용해 에이전트가 직접 에이전트의 코드를 작성하고 테스트하는 방식으로 개발 효율을 극대화했다. 이는 개인이 고성능 LLM과 표준 프로토콜을 결합해 수준 높은 맞춤형 AI 도구를 구축할 수 있음을 보여주는 사례이다.

실무 Takeaway

단일 RAG 시스템보다 특정 목적(읽기, 연결, 비판)에 특화된 다수의 에이전트로 분리하여 운영하는 것이 LLM의 성능과 사용자 경험 측면에서 유리하다.
Claude Opus와 같은 고성능 모델은 비판적 멘토링에, Sonnet과 같은 효율적 모델은 검색 및 제안 작업에 배치하여 비용과 품질의 균형을 맞출 수 있다.
AI에게 글쓰기를 전적으로 맡기는 '위임'이 아니라, AI의 피드백을 통해 자신의 사고를 정교화하는 '협업' 모델을 구축할 때 지식 관리의 본질을 지킬 수 있다.

언급된 리소스

문서Val Town

GitHubClaude Code Dev Skill

API Docsjina.ai