챕터별 상세
NotebookLM Gemini 에이전트의 개념
기존 AI 사용 패턴은 매 세션마다 컨텍스트를 다시 설명해야 하는 번거로움이 있었다. NotebookLM Gemini 에이전트는 지식 계층(NotebookLM)과 행동 계층(Gemini Gems)을 분리하여 연결함으로써 이 문제를 해결했다. NotebookLM은 최대 300개의 소스를 기반으로 답변을 생성하며, Gemini Gems는 AI의 역할과 로직을 정의한다. 이 두 층이 결합되면 사용자의 지식이 업데이트될 때마다 자동으로 진화하는 에이전트가 완성된다.
지식 계층은 데이터의 저장과 검색을 담당하고, 행동 계층은 그 데이터를 어떻게 처리하고 응답할지 결정하는 역할을 한다.
1단계: NotebookLM을 통한 지식 베이스 구축
에이전트의 두뇌 역할을 할 지식 베이스를 NotebookLM에서 생성했다. 'Deep Research' 기능을 활용하여 특정 주제인 개인 투자 프레임워크에 대한 고품질 리서치 문서를 자동으로 생성하고 이를 소스로 추가했다. 사용자가 직접 문서를 작성하지 않아도 AI가 웹에서 정보를 수집해 구조화된 지식 베이스를 구축할 수 있음을 확인했다. 임포트된 소스들은 이후 Gemini 에이전트가 참조할 영구적인 데이터가 된다.
Deep Research는 NotebookLM 내에서 웹 검색을 통해 주제에 맞는 심층 보고서를 작성해주는 기능이다.
2단계: Gemini Gems를 활용한 에이전트 생성
Gemini 인터페이스에서 Gems 관리자로 이동하여 새로운 에이전트를 생성했다. 에이전트의 이름과 구체적인 행동 지침을 입력하여 AI의 페르소나와 분석 로직을 정의했다. 가장 핵심적인 단계는 Knowledge 섹션에서 앞서 만든 NotebookLM 노트북을 연결하는 것이다. 이 연결을 통해 Gemini는 일반적인 학습 데이터가 아닌 사용자의 특정 노트북 데이터를 최우선으로 참조하게 된다.
Gems는 Google Gemini의 맞춤형 챗봇 기능으로, 특정 지침과 지식을 미리 설정해둘 수 있다.
3단계: 에이전트 성능 테스트 및 실무 활용
구축된 투자 분석 에이전트에게 특정 기업 분석을 요청하여 성능을 검증했다. 에이전트는 일반적인 답변 대신 NotebookLM에 저장된 투자 프레임워크에 따라 강점, 약점, 시나리오 분석을 수행했다. 일반 Gemini와 비교했을 때 답변의 구조와 전문성에서 확연한 차이를 보였다. 또한 NotebookLM에 새로운 자료를 추가하면 에이전트를 재설정할 필요 없이 지식이 실시간으로 업데이트되는 지속성을 확인했다.
이 시스템은 지식 베이스가 업데이트되면 에이전트의 응답도 자동으로 최신화되는 동적 구조를 가진다.
언급된 리소스
DemoNotebookLM
DemoGemini Gems
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 02.수집 2026. 04. 02.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
