Nerd Agent: 행동을 취하는 AI 연구 어시스턴트

Nerd Agent는 질문에 답하는 데서 멈추지 않습니다. 문서를 찾고, 초안을 손보고, 데이터를 정리하고, 선호도를 기억하면서 여러 작업을 스스로 조율하는 AI 연구 어시스턴트입니다.

챗봇을 넘어서: 에이전트의 차이점

대부분의 AI 도구는 질문-답변 시스템으로 작동합니다. 프롬프트를 입력하면 텍스트가 돌아옵니다. 간단한 검색에는 잘 작동하지만, 연구는 그보다 훨씬 복잡합니다. 수십 편의 논문에서 발견을 교차 참조하고, PDF에서 수치 데이터를 구조화된 표로 추출하고, 새로운 증거에 따라 문서 섹션을 수정하고, 계속 변하는 미해결 질문 목록을 추적해야 합니다.

Nerd Agent의 핵심은 필요한 도구를 직접 불러 쓸 수 있다는 점입니다. 텍스트를 생성하는 데서 멈추지 않고 연구 환경 안에서 바로 움직일 수 있습니다. 지식 기반 전체를 시맨틱 검색과 전문 검색으로 뒤지고, 문서 편집기에서 내용을 넣거나 바꾸고, 스프레드시트에서 데이터를 읽고 수정하고 수식을 적용하고, 파일과 할 일도 관리합니다. 즉, 사용자가 제안을 받아 따로 실행하는 대신, 에이전트가 워크스페이스 안에서 실제 작업을 진행합니다.

이것은 복잡한 작업의 처리 방식을 바꿉니다. Nerd Agent에게 "이 20편의 논문에서 방법론에 관한 핵심 발견을 구조화된 표로 정리한 다음, 내 문서에 문헌 리뷰 섹션을 작성해줘"라고 말할 수 있습니다. 에이전트는 그 지시를 스스로 분해하여 — 문헌을 검색하고, 관련 데이터 포인트를 스프레드시트에 추출하고, 편집기에 정리된 단락을 작성합니다. 전 과정에서 에이전트가 무엇을 하고 있는지 실시간으로 볼 수 있으며, 언제든지 개입하여 방향을 바꿀 수 있습니다.

의도를 이해하고, 작업을 나누고, 필요한 도구를 부르고, 실제로 실행하는 이 흐름이 에이전트를 챗봇과 다르게 만듭니다. 더 똑똑한 대화라기보다, 더 깊은 협업에 가깝습니다.

구조화된 워크플로우: 관찰 가능하고 제어 가능한 연구 프로세스

연구는 단일 행동이 아니라 연결된 단계의 연속입니다. Nerd Agent는 일반적인 연구 활동을 구조화된 워크플로우로 조직하며, 각각 정의된 단계 순서에 따라 자동으로 진행되면서도 완전히 투명하게 유지됩니다.

리서치 워크플로우를 예로 들어보겠습니다. 질의 분석, 문헌 수집, 정보 추출, 종합의 네 단계를 거칩니다. 연구 작업을 시작하면, 에이전트가 먼저 질문을 분석하고 검색 방향을 결정합니다. 그런 다음 지식 기반 전체에서 다차원 검색을 수행합니다. 다음으로 결과에서 핵심 정보를 추출하고 구조화된 데이터로 정리합니다. 마지막으로 발견을 일관된 분석으로 종합합니다.

작성 워크플로우도 유사하게 명확한 진행을 따릅니다: 주제 분석, 개요 생성, 초안 작성, 다듬기. 에이전트는 완성된 글을 한 번에 생성하지 않습니다. 대신 실제 연구자가 따를 단계를 거치며, 각 단계에서 검토 가능한 중간 결과물을 생성합니다.

모든 단계에는 대기 중, 실행 중, 완료, 실패처럼 눈에 보이는 상태가 붙고, 인터페이스에서 진행 상황을 실시간으로 확인할 수 있습니다. 중요한 건 이 과정이 블랙박스가 아니라는 점입니다. 어느 단계에서든 멈추고, 현재 결과를 검토하고, 지시를 수정하거나 방향을 완전히 바꿀 수 있습니다. 워크플로우는 각 도구 실행 결과를 자세히 남기기 때문에, 나중에 에이전트가 어떤 판단을 했고 어떤 도구를 썼는지, 각 단계에서 무엇을 찾았는지도 다시 확인할 수 있습니다.

리서치와 작성 외에도, Nerd Agent는 검색, 편집기 작업, 스프레드시트 처리, 할 일 관리, 메모리 관리, 태그 관리를 위한 워크플로우를 제공합니다 — 정보 수집부터 완성된 결과물까지 전체 체인을 아우릅니다.

서브에이전트 위임: 복잡한 작업의 병렬 분해

작업이 충분히 복잡할 때, 단일 스레드 실행은 느리고 맹점이 생기기 쉽습니다. Nerd Agent는 서브에이전트 위임을 지원합니다 — 대규모 작업을 최대 5개의 서브에이전트에 분배하여 병렬로 작업하며, 각각 독립적인 도구 호출 기능을 갖추고 있습니다.

교차 문헌 분석을 생각해보세요. Nerd Agent는 여러 서브에이전트를 동시에 배치할 수 있습니다: 하나는 방법론 관련 콘텐츠를 스캔하고 핵심 발견을 추출하며, 다른 하나는 통계 데이터와 정량적 결론을 스프레드시트에 정리하고, 세 번째는 반박 증거나 상충하는 논거를 검색합니다. 각 서브에이전트는 독립적으로 작동하면서 동일한 상위 작업 프레임워크 내에서 조율됩니다.

이 병렬 접근법의 가치는 속도를 넘어섭니다. 에이전트가 동일한 질문을 여러 각도에서 동시에 접근할 수 있게 하여, 단일 추론 경로를 따를 때 생기는 맹점을 줄입니다. 통합된 결과를 받을 때, 하나의 선형적 추론 체인이 아닌 여러 교차 검증된 관점에서 조립된 그림을 보게 됩니다.

세션 간 메모리: 연구를 학습하는 에이전트

대화가 끝나면 대부분의 AI 도구는 모든 것을 잊어버립니다. 다음 세션에서는 다시 처음부터 배경을 설명하고, 선호도를 말하고, 맥락을 새로 넣어야 합니다. 몇 주, 몇 달씩 이어지는 연구 프로젝트에서는 이런 초기화 비용이 꽤 크게 느껴집니다.

Nerd Agent의 메모리 시스템이 이를 바꿉니다. 각 대화에서 에이전트는 교환된 내용에서 핵심 정보를 자동으로 추출하고 구조화된 메모리 항목을 생성합니다. 각 항목에는 0에서 100까지의 중요도 점수와 3~8개의 키워드 태그가 붙습니다. 메모리는 소스 스레드별로 정리되며, 중요한 항목 고정과 오래된 항목 보관을 지원합니다.

시간이 지남에 따라, 에이전트는 연구 영역에 대한 이해를 축적합니다: 관심 있는 핵심 질문, 선호하는 분석 프레임워크, 사용하는 용어, 이미 내린 비판적 판단. 새 세션에서 관련 질문을 제기하면, 에이전트는 매번 처음부터 시작하는 것이 아니라 이러한 메모리를 활용하여 더 정확하고 맥락적으로 일관된 지원을 제공할 수 있습니다. 메모리 시스템은 연구의 연속성을 개별 대화를 넘어 확장하여, 작업 방식에 대한 진정한 점진적 적응을 가능하게 합니다.

모델 선택, 사용자의 자유

Nerd Agent는 Mastra AI 프레임워크와 Vercel AI SDK를 기반으로 구축되어 멀티 모델을 지원합니다. 현재 7개의 LLM 프로바이더에 연결됩니다: OpenAI, Anthropic Claude, Google Gemini, DeepSeek, OpenRouter, Ollama, NotezAI.

이 멀티 모델 아키텍처의 목적은 유연성과 자율성입니다. 작업 성격에 따라 더 잘 맞는 모델을 고를 수 있기 때문입니다. 종합적인 문헌 리뷰에는 더 넓은 컨텍스트 창을 가진 모델을, 빠른 초안 반복에는 응답이 빠른 모델을 고르면 됩니다. Ollama를 통해 완전한 로컬 오픈소스 모델도 실행할 수 있어, 민감한 데이터가 기기를 벗어나지 않게 할 수 있습니다.

모델 추가는 간단합니다: API 키를 입력하고(암호화되어 저장), 연결을 테스트하고, 작업을 시작합니다. 네트워크에 프록시가 필요한 경우, 시스템이 이에 대한 설정 지원도 제공합니다. 이 설계는 Notez Nerd의 로컬 우선 철학과 일치합니다 — 자신의 데이터, 자신의 모델, 자신의 결정.

시작하기

Nerd Agent에 관심이 있다면, 시도하는 가장 좋은 방법은 오픈 엔디드 채팅이 아니라 이미 작업 중인 실제 연구 과제입니다.

지금 가지고 있는 구체적인 문제를 선택하세요 — "이 논문 세트에서 모든 표본 크기와 실험 조건 데이터를 추출해줘" 또는 "수집한 출처를 기반으로 이 방법의 장단점을 비교하는 분석 프레임워크를 초안 작성해줘" 같은 것. 에이전트에게 검색, 데이터 정리, 문서 편집 사이의 경계를 넘는 작업을 주고, 어떻게 분해하고, 실행하고, 결과를 제시하는지 관찰하세요. 행동을 취하는 AI 에이전트와 제안을 제공하는 채팅 도구의 차이를 훨씬 더 명확하게 파악할 수 있을 것입니다.