AI와 컨텍스트지식과 노트

Stateful Corpus Research Loop: 소스 수집을 멈추기

다음에 무엇을 검색할지, 그리고 무엇보다 언제 멈출지를 아는 방법입니다. 30개나 50개처럼 소스 개수를 미리 정하는 대신, 작지만 엄선된 코퍼스에서 출발해 구조화된 지식을 뽑아냅니다. 그리고 코퍼스가 아는 것과 모르는 것이 다음 검색을 고르게 합니다. 그 결과 중복은 줄고, 사각지대는 드러나며, 검증 가능한 중단 기준이 생깁니다.

Info

원문은 프랑스어입니다. AI로 번역했습니다 — 문체가 아니라 의미를 보존했습니다.

책 『Le contexte』 표지
책 『Le contexte』의 연장선에서

이 글은 제 책 Le contexte에서 쓴 내용을 이어 갑니다. 책을 읽으려면 다운로드하거나 Amazon에서 구매하실 수 있습니다.

AI에게 리서치를 맡길 때 흔히 나오는 반응은 대개 같습니다.

이 주제에 대해 좋은 소스를 20개, 30개, 50개 찾아 줘.

문제는 소스의 개수가 아닙니다. 문제는 실제로 무엇이 빠져 있는지 알기 전에 얼마나 검색할지를 정해 버리는 데 있습니다.

그러면 서로 겹치고, 같은 개념을 되풀이하고, 같은 연구를 인용하며, 충분히 다뤘다는 착각을 주는 문서가 쉽게 쌓입니다. 그사이 어떤 관점은 첫 검색 결과에 잘 드러나지 않는다는 이유만으로 보이지 않은 채 남습니다.

저는 다른 방식을 씁니다. 아주 작지만 철저히 엄선된 코퍼스에서 출발해 구조화된 지식을 뽑아내고, 이 코퍼스로 이미 이해할 수 있는 것과, 무엇보다 아직 이해할 수 없는 것을 진단한 뒤, 그 상태가 다음 검색을 정하게 합니다.

저는 이 방법을 Stateful Corpus Research Loop, 줄여서 SCRL이라고 부릅니다.

그 논리는 한 문장으로 요약됩니다.

소스를 더 많이 찾지 마십시오. 주어진 미션에 대해 이미 아는 것을 바꿀 가능성이 있는 다음 소스를 찾으십시오.

1. 문제는 대량 리서치가 아닙니다

많은 소스를 찾는 것 자체가 나쁜 것은 물론 아닙니다. 어떤 리서치에는 수십, 심지어 수백 개의 문서가 필요합니다.

문제는 전략이 처음부터 고정될 때 생깁니다.

scope → 소스 30개 → 읽기 → 종합

그러면 양이 품질의 대리 지표가 됩니다.

그런데 서른 개의 소스가 실제로는 되풀이되는 몇 가지 아이디어만 다룰 수도 있습니다. 같은 유형의 주체에게서 나오고, 같은 연구를 인용하고, 같은 가정을 쓰거나, 같은 모순을 함께 무시할 수도 있습니다.

그러니 흥미로운 질문은 소스가 몇 개인가?가 아닙니다.

질문은 이것입니다. 내 코퍼스는 이미 무엇을 알고, 아직 무엇을 모르며, 어떤 검색이 이 상태를 바꿀 가능성이 가장 큰가?

SCRL은 이렇게 통상의 논리를 뒤집습니다.

먼저 수집하고 나중에 이해하는 대신, 다음에 무엇을 검색해야 할지 정할 수 있을 만큼 먼저 이해합니다.

2. 모든 것은 미션과 scope에서 시작합니다

경계 없는 반복 루프는 끝없이 이어질 수 있습니다.

새 소스는 새 질문을 열고, 질문은 새 개념으로 이어지며, 개념 하나가 새로운 읽을거리 스무 개를 정당화할 수 있습니다.

그래서 SCRL은 명시적인 미션에서 시작합니다.

  • 핵심 질문
  • 주제에 포함되는 것
  • 주제에서 벗어나는 것
  • 이해해야 할 축
  • 기대하는 지식의 유형

수렴은 절대적인 의미로는 결코 존재하지 않습니다.

"이제 AI 에이전트에 대해 알아야 할 것은 모두 안다"고 결론 내릴 수는 없습니다.

결론 내릴 수 있는 것은 이것뿐입니다. 이 미션에 대해, 이 범위 안에서, 새로운 반복이 현재의 모델을 크게 바꿀 가능성은 이제 낮다.

scope는 행정적인 제약이 아닙니다. 중단 기준을 가능하게 만드는 것입니다.

3. 작지만 아주 엄선된 seed에서 출발하기

SCRL은 빠짐없는 수집에서 시작하지 않습니다. seed, 즉 신중하게 고른 몇 개의 소스에서 시작합니다.

이 첫 묶음은 다음 조건을 충분히 갖춰야 합니다.

  • 신뢰할 수 있을 것
  • 다양할 것
  • 주제의 핵심에 가까울 것
  • 첫 개념 구조가 드러날 만큼 풍부할 것

seed의 목적은 영역 전체를 다루는 것이 아닙니다.

그 역할은 더 소박하고 더 유용합니다. 무엇이 빠져 있는지 발견할 수 있을 만큼 좋은 첫 지식 상태를 만드는 것입니다.

seed는 루프에 시동을 거는 역할을 합니다.

4. 소스를 요약이 아니라 지식으로 바꾸기

가공되지 않은 문서는 추론의 단위로 적합하지 않습니다.

한 편의 글에 서로 독립된 메커니즘이 다섯 개 담겨 있을 수 있습니다. 매우 다른 두 문서가 정확히 같은 아이디어를 뒷받침할 수도 있습니다. 반대로 하나의 소스 안에 탄탄한 주장, 추측성 가설, 모호한 정의가 함께 들어 있을 수도 있습니다.

그래서 소스와 결과물 사이에 중간 층이 필요합니다.

제 시스템에서 이 층은 주로 이 블로그에서 이미 자세히 다룬 세 가지 노트로 이루어집니다.

  • 아토믹 노트는 지적 무게중심이 하나뿐인, 자립적인 지식 단위를 고정합니다.
  • 주제 노트는 여러 지식을 연결해 한 단계 더 나아간 이해를 만듭니다. What Is a Thematic Note?
  • 용어집 항목은 모호함이 코퍼스 해석을 바꿀 수 있을 때 용어의 의미를 고정합니다.

따라서 SCRL은 문서 더미에서 직접 리서치를 이끌지 않습니다.

이미 추출되고 구조화된 지식에서 리서치를 이끕니다.

5. 코퍼스가 stateful해집니다

첫 번째 수집과 정리가 끝나면 코퍼스는 상태를 갖습니다.

코퍼스는 점차 다음을 표현할 수 있게 됩니다.

  • 확립된 것으로 보이는 것
  • 아직 근거가 약한 것
  • 단 하나의 소스에 기대는 것
  • 여전히 불확실한 것
  • 모순
  • 용어의 모호함
  • 아직 제대로 이해되지 않은 메커니즘
  • 이미 확인된 한계
  • 과대 대표된 영역
  • 거의 비어 있는 영역
  • 코퍼스의 여러 부분 사이의 관계

이 상태가 다음 결정의 입력이 됩니다.

↻ Stateful Corpus Research Loop

미션 / scope → 엄선된 seed → 소스 → 노트 → 코퍼스 상태 → 진단 → 목표가 분명한 검색 → 새 소스 → 코퍼스 갱신 → 수렴 테스트 → 새 반복

코퍼스는 더 이상 리서치의 결과물에 그치지 않습니다.

코퍼스가 다음 검색의 엔진이 됩니다.

6. 새 반복이 실제로 찾을 수 있는 것

새 반복은 더 이상 "관련 있는 글을 더 찾아 줘"를 뜻하지 않습니다.

반복은 코퍼스 진단이 만들어 낸 목표를 받습니다.

하나의 반복은 다음을 목표로 할 수 있습니다.

  • 넓히기: 아직 빠져 있는 중요한 차원을 발견합니다.
  • 강화하기: 중요한 지식에 독립적인 근거를 더합니다.
  • 공백 메우기: 아직 빠져 있는 메커니즘, 단계, 지표, 조건을 문서화합니다.
  • 반증 찾기: 코퍼스가 이미 탄탄하다고 여기는 것을 무효화하거나 제한할 수 있는 연구를 의도적으로 찾습니다.
  • 한계 명확히 하기: 어떤 주장이 언제, 어디서 참이기를 멈추는지 정합니다.
  • 경쟁하는 의미 구분하기: 저자, 제품, 분야에 따라 다르게 쓰이는 용어를 찾아냅니다.
  • 서술에서 메커니즘으로 넘어가기: 무엇이 일어나는지뿐 아니라 왜, 어떻게 일어나는지 이해합니다.
  • 근거 다양화하기: 이론, 벤치마크, 실증 연구, 기술 문서, 현장 피드백, 실제 관찰을 섞습니다.
  • 전이 가능성 시험하기: 한 영역에서 관찰된 아이디어가 다른 영역에서도 통하는지 확인합니다.
  • 의존 관계 파악하기: 메커니즘이 작동하는 데 필요한 조건을 찾습니다.
  • 부작용 찾기: 비용, 지연, 편향, 회귀, 조직적 제약, 거버넌스 위험을 찾습니다.
  • 노후화 확인하기: 기술 변화가 코퍼스의 일부를 무효화하는지 감지합니다.
  • 떨어진 영역 잇기: 같은 메커니즘이 주제의 여러 부분을 관통한다는 것을 알아봅니다.
  • 균형 다시 잡기: 특정 유형의 소스가 과대 대표된 탓에 강해 보이기만 하는 결론을 바로잡습니다.
  • 모델을 깨뜨릴 수 있는 것 찾기: 성공한다면 핵심 결론을 다시 보게 만들 검색을 명시적으로 설계합니다.
  • 포화 측정하기: 새 검색이 여전히 실질적인 지식을 만들어 내는지 시험합니다.

이 목록이 중요한 이유는 리서치의 기능을 바꾸기 때문입니다.

검색 엔진의 임무는 더 이상 "좋은 소스"를 찾는 것이 아닙니다. 코퍼스가 지금 필요로 하는 유형의 근거를 찾아야 합니다.

7. 대량 리서치 대 SCRL

통상적인 리서치는 대개 이런 모습입니다.

scope → 대규모 수집 → 읽기 → 추출 → 종합

SCRL은 오히려 이런 모습입니다.

scope → 작은 seed → 지식 → 진단 → 진단이 정한 다음 검색

그러니 차이는 소스 5개 대 소스 50개가 아닙니다.

SCRL도 얼마든지 소스 100개로 끝날 수 있습니다.

차이는 다음 둘 사이에 있습니다.

자신에게 무엇이 필요한지 정확히 알기 전에 수집하기

그리고

이미 얻은 지식이 다음에 무엇을 검색할지 정하게 하기

8. 실제 경험: Adobe Summit Paris 2026

저는 이 방식을 Adobe Summit Paris 2026을 앞두고 개인적으로 진행한 준비 작업에서 시험했습니다.

미션은 의도적으로 다섯 축으로 한정했습니다.

  1. 에이전트 시대의 콘텐츠 제작과 조직: 에이전트, 오케스트레이션, 인간의 감독, 워크플로, 산업화
  2. 브랜드 컨텍스트와 AI를 통한 콘텐츠 거버넌스: 브랜드 표현, 제약, 검증, 지속되는 컨텍스트, 통제
  3. 질의 가능한 문서와 지식 시스템: RAG, retrieval, grounding, 인용, 문서 간 모순, 코퍼스 기반 생성
  4. 에이전트 웹, 발견 가능성, LLM 내 가시성: GEO, 인용, 출처 표기, 구조화 데이터, 배포, 가시성 측정
  5. 대화형 인터페이스와 의도 기반 창작: 자연어, 창작 통제, 상태 유지, 직접 조작, 의도를 작업으로 옮기기

리서치는 이후 연속된 루프를 거치며 발전했습니다.

경험을 마쳤을 때의 결과는 다음과 같습니다.

  • 리서치 반복 15회
  • 코퍼스에 등록된 소스 82개
  • 신뢰할 만한 추출이 불가능해 활용하지 못한 소스 1개
  • 활성 노트 51개
  • 아토믹 노트 34개
  • 용어집 항목 10개
  • 주제 노트 7개
  • 축마다 하나씩, 종합 노트 5개

하지만 흥미로운 숫자는 82가 아닙니다.

흥미로운 것은 반복의 역할이 바뀐 방식입니다.

초반: 넓히기

첫 루프들은 주로 지형을 이해하는 데 쓰입니다. 개념, 메커니즘, 주제의 첫 경계를 드러냅니다.

중반: 강화하고 구조화하기

이어지는 반복은 더 나은 근거를 찾고, 일부 아이디어를 분리하고, 공백을 메우며, 노트 사이의 관계를 드러냅니다.

후반: 모델을 공격하기

마지막 반복들은 성격이 달라집니다.

13, 14, 15번째 반복은 주로 반증 테스트 역할을 했습니다.

질문은 더 이상 "무엇을 더 추가할 수 있을까?"가 아니었습니다.

질문은 이렇게 바뀌었습니다. "우리가 이해했다고 믿는 것을 다시 보게 만들 무언가를 찾을 수 있을까?"

열다섯 번째 반복에서는 다섯 축의 개념 모델을 바꿀 만큼 중요한 새 소스가 하나도 채택되지 않았습니다.

물론 주제가 소진되었다는 뜻은 아닙니다.

정의된 scope 안에서 코퍼스가 수렴하기 시작했다는 뜻이었습니다.

9. 수렴: 언제 멈출지 알기

이것이 아마 이 방식의 가장 흥미로운 이점일 것입니다.

통상적인 리서치에서 "충분히 검색했는가?"라는 질문은 답 없이 남는 경우가 많습니다.

30개? 50개? 100개?

이런 숫자는 인식론적 기준이 되지 못합니다.

SCRL은 다른 신호를 쓸 수 있습니다.

리서치는 새 반복이 다음과 같을 때 수렴하기 시작합니다.

  • 더 이상 새로운 핵심 지식을 만들지 않습니다.
  • 더 이상 중요한 노트를 크게 바꾸지 않습니다.
  • 더 이상 주요 모순을 드러내지 않습니다.
  • 더 이상 scope 안에서 중요한 공백을 발견하지 않습니다.
  • 주로 확인이나 중복만 더합니다.
  • 남은 불확실성이 분명하게 식별된 채로 남습니다.

따라서 수렴은 "우리는 모든 것을 안다"를 뜻하지 않습니다.

수렴이 뜻하는 것은 이것입니다. 새 반복이 현재의 표현을 실질적으로 바꿀 확률이 그 반복의 비용에 비해 낮아졌다.

그리고 이 기준은 시험할 수 있습니다.

모델을 깨뜨리기 위한 검색을 의도적으로 실행할 수 있습니다. 그런 검색이 여러 번 연속으로 실패하면 포화 신호는 훨씬 더 믿을 만해집니다.

10. 리서치 에이전트에게 달라지는 것

많은 "딥 리서치" 시스템은 여전히 암묵적으로 다음과 비슷한 아키텍처를 따릅니다.

search → scrape → summarize → write

여러 번 검색을 실행하더라도, 그 검색들은 대개 아주 이른 시점에 정해진 계획의 가지에 머뭅니다.

진정한 적응형 리서치 루프에는 그 이상이 필요합니다.

에이전트는 특히 다음을 포함하는 상태를 유지해야 합니다.

  • scope
  • 안정화된 지식
  • 그 지식의 출처
  • 그 지식이 뒷받침되는 정도
  • 모순
  • 불확실성
  • 확인된 공백
  • 이미 수행한 검색
  • 아무것도 가져오지 못한 전략
  • 포화되었다고 판단한 영역

그러면 에이전트는 이렇게 결정할 수 있습니다.

지금 어떤 검색이 유용한 지식을 얻을 확률을 가장 높이는가?

아키텍처는 이렇게 바뀝니다.

scope → 메모리 → 코퍼스 상태 → 진단 → 검색 전략 → 새 근거 → 지식 갱신 → 수렴 테스트

리서치는 더 이상 생성 이전의 한 단계가 아닙니다.

리서치는 자신이 아는 것에 대한 표현을 스스로 갱신하고, 그 표현을 바탕으로 다음 움직임을 고르는 시스템이 됩니다.

단순히 deep이 아니라 stateful하게

딥 리서치라는 표현은 깊이를 강조합니다.

하지만 깊이가 품질을 보장하지는 않습니다.

에이전트는 문서 백 개를 읽으면서도 같은 편향을 되풀이할 수 있습니다. 엄청나게 많이 탐색하면서도 자신의 핵심 결론을 반박하는 소스는 한 번도 찾지 않을 수 있습니다. 거대한 컨텍스트를 쌓으면서도 무엇이 여전히 불확실한지 분명히 모를 수 있습니다.

그러니 중요한 변화는 더 깊이 검색하는 것이 아닐지도 모릅니다.

상태를 가지고 검색하는 것입니다.

그것이 Stateful Corpus Research Loop의 아이디어입니다.

코퍼스는 더 이상 문서 더미가 아닙니다.

주어진 미션에 대해 얻은 지식을 나타내는, 계속 진화하는 표현이 되며, 이 표현이 다음 검색을 결정하는 데 쓰입니다.

다음 소스에는 존재할 이유가 있어야 합니다

좋은 리서치는 아마 더 이상 이런 질문으로 시작해서는 안 될 것입니다.

이 주제에 관한 최고의 글은 무엇인가?

리서치는 점차 더 까다로운 질문에 도달해야 할 것입니다.

우리가 이미 아는 것에 비추어 볼 때, 지금 우리의 이해를 바꿀 가능성이 가장 큰 정보는 무엇인가?

미묘한 차이입니다.

하지만 이 차이가 리서치의 역할을 완전히 바꿉니다.

SCRL은 좋은 소스를 많이 찾으려 하지 않습니다. 주어진 미션에 대해 우리가 아는 것을 아직 바꿀 수 있는 소스가 무엇인지, 매 순간 판단하려 합니다.