Digital Garden · 6-1. Comparing AI Agents for PKM (1).md

AI 에이전트 발견기

개인 지식 관리에 AI를 활용하면서 다양한 도구들을 써보던 중, 각기 다른 특성을 가진 여러 AI 에이전트들이 있다는 걸 알게 되었다. 지금까지 PKM에 AI를 활용한다고 하면 주로 ChatGPT나 Claude 웹 인터페이스를 쓰는 정도였는데, 알고 보니 각각 다른 방식으로 우리 지식 베이스에 접근할 수 있는 여러 에이전트들이 있었다.

어떤 AI 에이전트들이 있을까?

발견한 AI 에이전트들은 다음과 같았다:

Claude Desktop (via MCP): MCP(Model Context Protocol)를 통해 다양한 도구를 활용할 수 있는 에이전트
Claude Code (via filesystem): 파일시스템에 직접 접근하여 코드와 문서를 처리하는 에이전트
Gemini CLI (via filesystem): 커맨드라인 인터페이스로 파일시스템에 접근하는 구글의 에이전트
Cursor (via filesystem): 개발자 도구이지만 문서 편집에도 탁월한 성능을 보이는 에이전트

각각 접근 방식이 다르고, 장단점도 달랐다. 그래서 실제로 같은 작업을 시켜보면서 비교해보기로 했다.

비교 실험: 어떤 에이전트가 더 나을까?

체계적인 접근을 위해 몇 가지 핵심 질문을 설정했다:

어떤 에이전트가 가장 큰 컨텍스트를 처리할 수 있을까?
어떤 에이전트가 가장 높은 품질의 결과를 제공할까?
어떤 에이전트가 가장 빠른 결과를 제공할까?

이를 확인하기 위해 5가지 실제 PKM 작업을 각 에이전트에게 동일하게 요청해보기로 했다.

실험 과제들

T1: 3개월 일지에서 인생 교훈 추출하기

첫 번째 실험은 장기간 일지에서 패턴을 찾는 작업이었다. 이건 RAG(Retrieval-Augmented Generation) 방식으로 처리해야 하는 복잡한 작업이다.

실험에 사용한 프롬프트

4-6월까지의 일지(Journal/Apple Notes)를 바탕으로 Life Lession을 추출해줘.   
일/관계/마음/건강 등 여러 분야벌로 나눠서. 
결과물은 AI Note에 작성하고 각 항목에 대해서 위키 링크 형태의 출처를 추가해줘.  
링크는 존재하는 파일로 연결되어야 해

%% #### 각 에이전트의 결과물 - 2025-07-07 Life Lessons 4-6월 추출 (Cursor) - 2025-07-07 Life Lessons (4-6월) (Claude Desktop) - 더 풍부한 출처와 요약 제공 - 2025-07-07 Life Lessons 2025년 4-6월 추출 by Claude Code - 2025-07-07-Life-Lessons-from-Apr-Jun-Journal-by-Gemini - 파일 위치 등 상세한 가이드가 필요 %%

T2: PKM 관련 독서 내용 요약

두 번째는 독서 아카이브에서 지식을 추출하는 작업이었다.

실험에 사용한 프롬프트

이번에는 Reading 폴더의 내용을 종합해서 내가 지식관리/PKM에 대해 배운 것을 정리/요약해보자. (답변 형식은 동일)

%% #### 각 에이전트의 결과물 - 2025-07-07-PKM-Learnings-by-Gemini - 2025-07-07 PKM 지식관리 학습 요약 by Claude Code - 존재하지 않는 링크 다수 생성 (나중에 수정됨) %%

T3: 일지-독서 내용 연결하기

세 번째는 내가 읽은 내용을 최근 고민에 적용하는 작업이었다. 이게 정말 흥미로웠는데, 각 에이전트마다 연결점을 찾는 방식이 달랐다.

실험에 사용한 프롬프트

1. 2025년 Journal에서 (Journal/Apple Notes) 내 생각과 고민을 찾고
2. 그동안 내가 읽은 내용(Reading)을 바탕으로 각 고민에 적용할만한 교훈을 추가해보자. 
    - 일지 및 읽은 내용에서 원문의 생생한 표현을 최대한 추출해줘 (읽은 내용은 여러개일수도)
    - 답변은 AI Notes/Research 폴더에 생성 
        - 파일명에 날짜와 작성자(by Agent Name) 추가; 불필요한 하이픈은 넣지 말고
    - 답변 형식은 다음과 같이:
> ## Date {Journal link}
> {Journal Summary/Extracts}
> 
> ### Lesson {1..n} from {Reading link}
> {Reading Summary/Extracts}
> {Why Relevant}
> ...
시험삼아 최근 일주일치 저널에 대해 작성해 봐

%% #### 각 에이전트의 결과물 - 2025-07-07 Lessons from Experience by Gemini - 2025-07-08 Journal Thoughts Concerns and Lessons by Claude Code - 2025-07-07 최근 일주일 저널 교훈 by Nij - 2025-07-07 Recent Week Journal Reflections with Reading Insights by Claude %%

T4: 주제별 지식 체계 구축

네 번째 실험은 개인용 위키피디아를 만드는 작업이었다. 경험과 독서 내용을 바탕으로 체계적인 지식 베이스를 구축하는 것이다.

주제 탐색 및 추가 프롬프트

2025년에 내가 경험한 내용과 (Journal/Apple Notes)  내가 읽은 내용 (Reading) 바탕으로 Topical Knowledge를 정리해보자. 목적인 개인용 위키피디어를 만드는 것이며, 각 파일은 위키피디아 각 페이지처럼 해당 주제에 대한 요약 지식을 담음. 

현재 주제 목록은 Topics 폴더를 참조하되 추가/수정도 가능. 우선 추가할만한 토픽과 서브토픽을 제안하고 각 토픽별 폴더에 [Topic Template](/ovm-nvzx97/Publish/AI%20for%20PKM/Topic%20Template.md) 파일을 Placeholder로 생성해두자. 또한 각 토픽별로 주로 관심을 갖는 질문을 Interest섹션에 넣어줘.

주제별 내용 추가 프롬프트

2025년 3월에 내가 경험한 내용과 (from Journal/2025 & Apple Notes)  내가 읽은 내용 (from Reading) 바탕으로 Topical Knowledge를 정리해보자. 목적인 개인용 위키피디어를 만드는 것이며, 각 파일은 위키피디아 각 페이지처럼 해당 주제에 대한 요약 지식을 담음. 

답변은 Topics 폴더의 개별 토픽 폴더에 작성. 먼저 Topics 폴더의 현재 주제 목록을 파악하고, 필요하면 신규 토픽 추가/수정도 가능. 각 주제별 파일은 {{Topic}}.md에 [Topic Template](/ovm-nvzx97/Publish/AI%20for%20PKM/Topic%20Template.md)을 참고하여 가급적 한글로 작성하되, 기존 파일이 있으면 적절한 위치에 내용을 추가.

%% #### 각 에이전트의 결과물 - Self-help - by Gemini - Self-Help Topics Index - by AI - 2025-07-07 Self-Help 주제별 위키 생성 완료 %%

T5: 일일 요약 보고서

마지막으로 일일 요약 보고서를 만드는 작업을 시켜봤다.

실험에 사용한 프롬프트

YYYY-MM-DD: 2025-07-10 / Agent-Name: Claude
---
Generate daily roundup in AI Notes/Journal/{{YYYY-MM-DD}} - {{Agent-Name}}.md
1. Using Journal/{{YYYY-MM-DD}} as a starting point
    - Use [Journal Template](/ovm-nvzx97/Publish/AI%20for%20PKM/Journal%20Template.md) if the file doesn't exist
    - Keep the language (English/한글) of the original note 
    - Fill the sections of the note as follows
2. Link all meaningful note updates with summary
    - Apple Notes
    - Reading
3. Find and link related knowledges
    - Reading / Clipping
    - Use Web Search if needed
4. Update relevant 
    - Append to existing topic notes in */Topics*

%% #### 각 에이전트의 결과물 - 2025-07-07 - MCP - 2025-07-07 - Claude - 2025-07-07 - Gemini - 2025-07-07 - Cursor %%

실험 결과 분석

핵심 발견사항

실험을 마친 후 정말 흥미로운 결과를 얻었다. 사실 각 에이전트의 본질적인 기능이나 성능 차이는 생각보다 크지 않았다. 차이가 나는 부분은 주로 컨텍스트 크기와 사용자 경험(UX) 정도였다.

각 에이전트의 특징

Cursor (Sonnet 4.0)

Cursor는 결과가 빨리 나오는 게 장점이다. 하지만 그만큼 리소스를 덜 사용한다는 의미이기도 하다. 주로 큰 컨텍스트가 필요하지 않은 로컬 수정 작업에 특화되어 있다. 특히 결과를 시각적으로 확인하면서 수정할 수 있다는 점에서 글 편집에는 최고다.

Claude Desktop (Sonnet 4.0)

Claude Desktop은 MCP를 활용해서 다양한 도구를 사용할 수 있다는 게 큰 장점이다. 하지만 컨텍스트 크기는 다른 도구들만큼 크지 않다. 예를 들어 주변 사람에 대한 노트를 이메일 등을 참조해 생성할 수 있는 것처럼, 외부 데이터 소스와의 연동이 특히 강력하다.

Claude Code (Sonnet 4.0)

Claude Code는 큰 컨텍스트를 효과적으로 처리할 수 있다. 하지만 20$ 버전은 처리할 수 있는 작업 수에 제한이 있다. 실용적으로 사용하려면 Max (100+$) 버전 구독이 필요하다. (Update: 필자도 결국 Max를 사용하게 되었다:)

Gemini CLI (3.5 Flash)

Gemini CLI가 가장 인상적이었다. 큰 컨텍스트를 효과적으로 처리하면서도 무료 버전의 제한이 적어서 활용도가 높다. 다만 사용하다 보니 종종 끊기거나 엉뚱한 아웃풋을 내는 경우가 있어서 주의가 필요하다.

발견한 교훈과 향후 계획

여러 에이전트를 활용하기 위한 구조

여러 에이전트를 동시에 실험하다 보니 몇 가지 문제점을 발견했다.

같은 노트를 사람과 AI가 동시에 수정하고, 특히 여러 에이전트를 비교 실험하려면 두 가지가 필수였다. 첫째, AI가 생성하는 노트를 최대한 별도로 관리해야 한다. 둘째, 한 노트를 여러 주체가 수정할 경우 버전 관리가 필수다. 우선 Obsidian 저장소를 Git에 올려서 해결했는데, 역시 Cursor의 버전 관리 기능이 여기서 정말 유용했다.

인간-AI 협업의 새로운 차원

AI가 생성한 주제 구조를 내가 바꾸면 이를 AI에게 다시 인식시켜야 하는데, 같은 세션에서는 쉽지 않았다. 현재는 주제를 수동으로 수정한 후 AI 세션을 다시 시작하는 방식으로 해결하고 있다. 좀 더 효율적인 프로세스가 필요해 보인다.

인간-AI 협업의 다양한 시나리오를 정리했다:

인간-AI 협업의 다양한 시나리오 - Human-only: Apple Notes - AI-only: AI Notes
- Human-AI collab: Journal / Reading / Topic / Publications - AI가 사용할 수 있는 플레이스홀더 정의 & 버전 관리 - Human create → AI revise(interactive)/append(batch)

컨텍스트 크기 관리의 중요성

한 달치 일지와 독서 내용을 처리해서 주제별 지식으로 정리하는 데 30분 이상이 걸렸다. 매일 장기간의 파일을 읽는 배치 처리보다는, 매일 점진적으로 지식 베이스를 만들 수 있는 워크플로가 필요해 보인다.

이를 위한 새로운 워크플로 다이어그램을 그려보았다:

564x394 %%🖋 Edit in Excalidraw%%

노트 읽기의 중요성

실험을 진행하면서 예상치 못한 문제를 하나 발견했다. AI가 생성해준 노트가 많아지니까 상대적으로 이를 읽고 처리하는 데 부담이 생겼다.

AI 생성 노트의 딜레마 - AI가 빠르게 많은 양의 노트를 생성 - 하지만 결국 인간이 읽고 이해해야 가치 창출 가능 - 생성 속도 vs 소화 속도의 불균형

아무리 AI가 좋은 내용을 만들어줘도 내가 읽지 않으면 의미가 없다. 특히 여러 에이전트가 동시에 노트를 생성하다 보니 읽어야 할 양이 기하급수적으로 늘어났다. 결국 인간이 읽고 이해해야 가치를 낼 수 있다는 PKM의 기본 원칙을 잊지 말아야겠다.

이를 해결하기 위한 몇 가지 전략을 세웠다:

선별적 생성: 모든 내용을 AI로 생성하지 말고 정말 필요한 부분만 요청
단계적 소화: 생성된 노트를 바로 읽고 정리하는 습관 형성
품질 우선: 양보다는 질 높은 노트 생성에 집중

AI 도구가 아무리 발전해도 결국 지식의 주인은 사람이라는 걸 다시 한번 깨달았다.

마무리

단순히 AI 도구를 사용하는 게 아니라 각각의 특성을 파악해서 최적의 활용 방안을 찾아내는 것이 중요하다. 특히 장기적으로는 빠른 수정 작업용 에이전트와 대용량 배치 작업용 에이전트를 함께 사용하는 아이디어가 정말 실용적이다.

앞으로는 Cursor로 빠른 편집 작업을 하고, Claude Code / Gemini CLI로 대용량 분석 작업을 처리하는 방식으로 가려고 한다. 각 도구의 장점을 최대한 활용하는 것이다.

이렇게 AI 에이전트 비교 실험은 단순한 도구 테스트를 넘어서 PKM 워크플로 전체를 재설계하는 계기가 되었다. 여러 AI 에이전트를 전략적으로 활용하면서 개인 지식 관리의 새로운 가능성을 열어가고 있는 것이다.