Blog Series InCoder-32B-Thinking: Industrial Code World Model for Thinking — 실행 오류에서 추론 사슬을 합성하는 ECoT와 툴체인 피드백을 대신 예측하는 산업용 코드 월드 모델의 설계를 설명하고, 일반·산업 벤치마크 결과를 자기 instruct 판본과 대조해 '모든 도메인 최고'라는 서술이 어디까지 성립하는지 검토합니다.CodeNib: A Multi-View Data System for Serving Repository Context to Coding Agents — 저장소 컨텍스트를 커밋 단위 lexical·dense·structural 뷰로 미리 만들어 제공하는 CodeNib의 설계를 설명하고, 검색 계획·벡터 색인·정적 내비게이션·증분 갱신·컨텍스트 전달의 다섯 실험과 각 수치가 성립하는 조건부 경계를 검토합니다.RAG vs. GraphRAG: A Systematic Evaluation and Key Insights — RAG와 네 계열 GraphRAG의 QA·요약 성능을 비교하고, 입력 토큰 통제, 평가자 순서 편향, 혼합 검색의 예외와 구축 비용을 분석합니다. 저자 공개 arXiv v3를 기준으로 한 심층 리뷰입니다.Procedural Graphs: Self-Evolving Execution Structures for LLM Agents — Procedural Graph의 절차 표현, step별 guidance, 검증 기반 그래프 진화 과정을 설명하고, 본평가·구성 모드·토큰 비용·장기 시뮬레이션의 결과와 해석 범위를 검토합니다.Agent Memory Distillation: Empowering Small LLM Agents with Hierarchical Teacher Memory — AMD가 교사의 성공 궤적을 Workflow·Subtask·Function 메모리로 바꾸는 원리와 검색·주입 절차를 설명하고, 성능·과제 분리 평가·표현 방식·교사 선택·비용과 재현성의 한계를 분석합니다.Causal Foundation Models — 관측 데이터에서 인과효과를 추정하도록 사전학습한 CFM의 원리, 세 모델의 prior와 예측 분포 차이, RealCause-Lalonde 실험과 속도 비교를 분석하고 식별가능성·불확실성·일반화의 한계를 검토합니다.Empty Shelves or Lost Keys? Recall Is the Bottleneck for Parametric Factuality — WikiProfile이 LLM의 사실 지식을 저장·회상·재인으로 나누는 방법과 주요 실험을 분석하고, 행동적 지표로 내부 기억을 해석할 때의 한계, thinking과 RAG에 주는 시사점을 검토한다.CLAUSE: Agentic Neuro-Symbolic Knowledge Graph Reasoning via Dynamic Learnable Context Engineering — CLAUSE의 세 에이전트와 LC-MAPPO가 그래프 확장·경로 탐색·근거 선택을 예산 아래 공동 학습하는 원리를 설명하고, 정확도·효율 실험과 제약 보장·이론·재현성의 경계를 분석한다.Intent Propagation Contrastive Collaborative Filtering — IPCCF가 직접 사용자–아이템 관계와 2-hop 동종 관계를 교차 전파하고, 잠재 의도별 가중치와 대조학습으로 추천 표현을 학습하는 과정을 설명한다. 전체 구조·의도 전파·학습 곡선 그림과 함께 세 데이터셋의 성능, 구성요소 절제, 방법의 한계를 살핀다.Flow Reasoning Models: Turning Flows Into Efficient Recurrent Reasoners — FRM은 flow 모델의 예측을 다시 조건으로 넣어 이산 퍼즐의 답을 반복 수정한다. FPF의 rollout carry 학습, 추가 학습 예산을 포함한 절제, 해결률·추론 FLOPs와 고정점 해석의 범위를 설명한다.Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation — IBA는 semantic ID의 위치별 추론 이득을 추정해 잠재 추론 예산을 배분한다. 정보이득 목표, 두 단계 학습, 추천 성능과 계산 예산의 절충을 설명한다.A Decoder-Only Foundation Model for Time-Series Forecasting — 비중첩 시계열 패치와 decoder-only Transformer로 다양한 문맥 길이와 예측 지평을 처리하며, 새로운 데이터셋에서 zero-shot 예측을 시도한 TimesFM을 설명한다.Accelerating Scientific Research with Gemini in the Real-World — 이 논문은 가설 제안 중심의 Co-Scientist를 장비 연동·코드 실행·원고 생성까지 수행하는 과학 연구 agent로 확장하고, 여러 실제 연구 환경에서 작업 성과와 신뢰성 장치를 평가한다.WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution — WikiSkill은 에이전트 실행 경험을 일회성 반성으로 버리지 않고 지속 위키에 축적한 뒤, 이 지식과 실행 가능한 skill을 분리해 회차가 바뀌어도 skill evolution에 활용하는 구조를 제안한다.ColPali: Efficient Document Retrieval with Vision Language Models — ColPali는 문서 페이지를 OCR 텍스트가 아닌 이미지로 인코딩하고, 질의 토큰과 페이지의 시각 토큰 사이 late interaction으로 복잡한 레이아웃 문서를 검색하는 모델과 벤치마크를 제안한다.Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents — MRAgent는 Cue–Tag–Content 기억 그래프에서 LLM이 중간 증거를 바탕으로 다음 탐색 행동을 고르는 능동적 memory reconstruction을 제안해, 고정 top-k 검색을 다단계 증거 수집으로 확장한다.Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings — Planetary Prediction Engine은 질의에 맞는 지리 데이터를 찾고 foundation-model 임베딩과 결합해 예측·분석 보고를 수행한다. 데이터 선택, Feature Gate, 여러 지리 예측 실험과 결과표의 비교 범위를 설명한다.From Agent Loops to Structured Graphs: A Scheduler-Theoretic Framework for LLM Agent Execution — 이 논문은 LLM agent loop를 제한된 준비 집합을 관리하는 스케줄러로 해석하고, 정적 DAG·계획 버전·회복 경계를 결합한 structured graph harness를 실행 설계 언어로 제안한다.LoongReflect: Boosting Long-Horizon Reflection in Search Agents via Global Perspective Distillation — LoongReflect는 검색 에이전트의 반성을 메모리 제어 정책으로 다루고, 국소 반성 기록과 전체 궤적 관점의 교사 신호를 결합해 긴 탐색 과정에서 다음 행동을 개선하려는 방법이다.Partial Cross Mapping Eliminates Indirect Causal Influences — 교차사상이 직접·간접 인과를 함께 검출하는 문제를, 관측된 매개 경로를 조건으로 둔 편상관으로 줄이려는 Partial Cross Mapping의 원리와 평가를 설명한다.Dynamical Causality Under Invisible Confounders — 지연 임베딩과 공통·사적 부분공간 분해로 보이지 않는 교란자 아래의 동적 인과를 추정하고 교란자 복원까지 시도한 CIC 프리프린트를 설명한다.IC2: interventional dynamical causality under latent confounders — 관측 시계열만으로 개입 수준의 인과를 추정한다는 IC2의 주장이 정확히 무엇이며, 지연 임베딩 공간에서 교차사상 이웃으로 구성한 개입 데이터가 어디까지 개입의 대리물로 성립하는지를 검토합니다.SkillSmith: Learning to Compose Parametric Skills and Textual Knowledge — SkillSmith는 텍스트로 남은 지식과 prefix-tuning 형태의 파라메트릭 스킬을 한 입력 표현으로 결합해, 새 과제에 사용할 prefix K/V 스킬을 생성하는 방법이다.LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora — LinearRAG는 관계 삼중항을 추출하지 않고 엔티티·문장·문단으로 된 Tri-Graph를 만든 뒤, 의미적 bridging과 전역 중요도 집계를 통해 multi-hop 문맥을 찾는 GraphRAG 방법이다.Transferable human mobility network reconstruction with neuroGravity — neuroGravity는 중력 모형의 계수를 지역 쌍의 특징에서 학습해 이동 네트워크를 복원한다. 인구·거리의 명시적 항과 학습된 비선형성, 도시 간 전이 실험과 소득 분리도에 따른 성능 차이를 설명한다.Theory-informed and interpretable graph learning for urban commuting flows — PIG-GNN은 production·attraction GATv2 encoder와 OD interaction graph, 거리·Zipf·분포 제약으로 관측된 통근 흐름의 세기를 예측한다. England·ALLOD·Xi’an·Guangzhou 실험과 재학습·전이의 차이, 본문과 부록의 수식 불일치를 설명한다.Knowledge Graph Prompting for Multi-Document Question Answering — Knowledge Graph Prompting은 여러 문서의 문단·페이지·표를 그래프로 연결하고, LLM 기반 traversal agent가 이미 찾은 근거를 바탕으로 다음 노드를 선택하도록 해 multi-document QA의 검색 문맥을 구성한다.From RAG to Memory: Non-Parametric Continual Learning for Large Language Models — HippoRAG 2는 passage node와 graph association을 결합한 비모수 기억 인덱스로, 새 문서를 추가하면서 사실 검색과 다중 문서 연상을 함께 다루려는 RAG 확장이다.From Local to Global: A Graph RAG Approach to Query-Focused Summarization — Microsoft GraphRAG는 문서 집합을 계층형 커뮤니티 보고서로 미리 요약하고, 질의 시 여러 보고서에서 만든 부분 답변을 통합해 전체 코퍼스에 대한 global sensemaking 질문에 답하는 방법이다.CausalRAG2: Hierarchical Causal Knowledge Graph Design for RAG — CausalRAG2는 계층형 인과 지식 그래프와 질의별 게이팅을 이용해, 넓은 주제의 문맥과 세부 원인·결과 경로를 함께 검색하려는 RAG 설계다.LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval — LeanRAG는 지식 그래프의 엔티티와 관계를 의미적으로 집약하고, 세부 노드에서 공통 상위 구조로 이어지는 계층 검색으로 복합 질문의 근거를 구성하려는 방법이다.LightRAG: Simple and Fast Retrieval-Augmented Generation — LightRAG는 문서를 엔티티·관계 그래프로 색인하고, 구체적 질문과 전역 질문에 각각 다른 수준의 키워드와 문맥을 사용해 GraphRAG 검색을 가볍게 구성한다.HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models — HippoRAG는 문서에서 만든 개방형 지식 그래프 위에 query entity 기반 Personalized PageRank를 실행해 여러 문서에 흩어진 근거를 한 번의 검색 단계에서 연결하려는 RAG 방법이다.CausalRAG: Integrating Causal Graphs into Retrieval-Augmented Generation — CausalRAG는 문서에서 추출한 원인·결과 관계 그래프를 따라 질문에 필요한 경로를 구성해, 단순 의미 유사도 검색보다 더 정제된 답변 문맥을 만들려는 RAG 방법이다.IC2S2 2026 프로그램은 무엇을 검증하나: LLM 전환 그다음의 측정·타당성 국면 — Burlington에서 열린 IC2S2 2026(제12회)의 공식 프로그램을 근거로, 전산사회과학이 LLM을 방법이자 사회현상으로 다루는 방식이 '열광'에서 '검증·측정·비판'으로 옮겨간 국면을 살펴봅니다.IC2S2 2025는 무엇을 검증했나: LLM이 '측정 도구'로 무대에 오른 해 — Norrköping에서 열린 IC2S2 2025(제11회)의 공식 프로그램(구두 284·포스터 323·기조 9·튜토리얼 10)을 근거로, 전산사회과학이 LLM을 사회과학 측정 도구로 쓰되 그 통계적 타당성을 심문하는 '측정론적 전환'을 살펴봅니다.Hypergraph Neural Networks — HGNN은 하이퍼엣지의 소속 행렬을 이용해 노드–하이퍼엣지–노드로 정보를 전파한다. 다중 모달 관계를 결합하는 방법과 분류 실험, kNN 기반 하이퍼엣지 구성 및 융합 비교의 한계를 설명한다.Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration — Graph-of-Agents는 질의에 맞는 LLM을 선택하고, 에이전트 간 메시지를 그래프 구조로 교환·통합해 다중 모델 협업의 호출 수와 문맥 비용을 줄이려는 test-time 프레임워크다.RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM — RAGU는 추출과 통합을 분리한 다단계 GraphRAG 엔진으로, 지식 그래프 구성과 검색에 필요한 언어 능력을 작은 도메인 적응 모델에 집중시키는 설계를 제안한다.LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation — LightGCN은 ID 기반 협업 필터링에서 특징 변환과 비선형 활성화를 제거하고 이웃 전파와 층별 결합을 남긴다. NGCF 절제, 추천 성능, 학습 파라미터와 전파 계산의 차이를 설명한다.Deep GraphRAG: A Balanced Approach to Hierarchical Retrieval and Adaptive Integration — Deep GraphRAG는 커뮤니티 계층을 global에서 local로 좁혀 검색하고, 다목적 보상 가중을 조정한 소형 통합 모델로 검색된 지식을 답변 문맥으로 결합한다.CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph–LLM Reasoning — CoEvoT는 그래프 근거의 재작성과 Chain-of-Thought 추론을 반복해 서로 보완하는 Graph–LLM 방법이다. 동결된 모델을 이용하는 흐름, 전이 평가, 단계별 절제와 계산 비용을 설명한다.Light Graph Convolutional Collaborative Filtering With Multi-Aspect Information — LGC-ACF는 아이템 속성별 사용자–속성 그래프에서 LightGCN 표현을 학습하고 층·측면별 표현을 평균한다. 두 cutoff의 추천 결과와 속성 정보의 효과, 비교군·융합 방식의 한계를 설명한다.Is Attention Interpretable? — 텍스트 분류 모델의 attention 가중치를 직접 지우는 개입으로 attention이 실제 예측 중요도를 얼마나 반영하는지 검토한 ACL 2019 연구를 설명한다.Quantum Machine Learning Models for Graphs — 그래프의 순열 대칭을 만족하는 선형 사상을 분류하고, 이를 이용해 등변 양자 인코딩을 구성하는 프레임워크다. 생성자 계열별 차원, 관측가능량 재사용, 작은 그래프의 고전 사전학습 실험과 양자 이점 주장의 경계를 설명한다.A Structural Probe for Finding Syntax in Word Representations — 선형 변환 뒤의 거리와 노름이 의존구문 트리의 거리·깊이를 복원하는지로, 단어 표현 속 전역 구문 기하를 시험하는 structural probe를 설명한다.Locating and Editing Factual Associations in GPT — subject 표현을 손상·복원하는 causal tracing으로 사실 회상 경로를 찾고, 지목한 MLP에 rank-one 갱신을 적용해 단일 사실 연상을 편집하는 ROME을 설명한다.SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning — SEED는 완료된 on-policy 궤적을 hindsight skill로 해석하고, 그 skill이 같은 행동 토큰의 확률에 주는 변화를 조밀한 distillation 신호로 바꿔 agent RL에 결합한다.ICLR 2026 XAI는 무엇을 믿을 수 있나: 설명 생성에서 검증과 개입으로 — ICLR 2026 채택 논문을 중심으로 XAI 연구가 설명 생성에서 faithfulness 검증, circuit 개입, SAE 안정성·utility 평가, concept·temporal attribution으로 어떻게 확장되는지 살펴봅니다.ICLR 2026 Agent 연구는 무엇을 검증하나: 장기 실행 시스템의 학습과 평가 — ICLR 2026 채택 논문을 중심으로 Agent 연구가 장기 실행의 학습, 상태 관리, 도구 사용, 협업 구조와 안전성 평가를 어떻게 다루는지 살펴봅니다.ICLR 2026 GNN 연구 트렌드: 메시지 패싱 이후 확장된 연구 의제 — ICLR 2026 채택 GNN 논문을 바탕으로, 새 아키텍처 연구와 함께 평가·도메인 전이·모델 인터페이스·동적 및 과학 그래프 의제가 어떻게 구체화됐는지 정리합니다.A Systematic Comparison of Contextualized Word Embeddings for Lexical Semantic Change — 문맥화 임베딩 기반 의미 변화 탐지를 같은 조건에서 비교하고, 변화량 순위뿐 아니라 사용례 유사도와 의미 군집을 분리해 평가한 NAACL 2024 연구를 설명한다.Survey of Computational Approaches to Lexical Semantic Change Detection — 어휘 의미 변화와 어휘 대체를 구분하고, 단어 수준과 의미 구별 방법을 연결해 계산적 의미 변화 연구의 지형과 평가 문제를 정리한 서베이를 설명한다.Analysing Lexical Semantic Change with Contextualised Word Representations — BERT 사용례 벡터를 용법 유형으로 군집하고, 분포 변화와 쌍별 거리를 통해 의미 변화를 추적한 ACL 2020 접근의 방법·결과·해석 범위를 설명한다.Lexical Semantic Change through Large Language Models: a Survey — 문맥화 임베딩과 LLM으로 어휘 의미 변화를 탐지하는 방법을 표현·시간·학습 방식으로 분류하고, 성능·해석성·확장성의 긴장을 정리한 ACM 서베이를 설명한다.Statistically Significant Detection of Linguistic Change — 빈도·품사·분포 표현에서 만든 단어 시계열에 변화점 검정과 순열 기반 유의성 평가를 결합해 언어 변화의 시점과 신호를 찾는 WWW 2015 방법을 설명한다.Dynamic Word Embeddings — 시간별 임베딩을 사후 정렬하는 대신 확산 prior와 공동 변분추론으로 단어·문맥 벡터의 궤적을 학습한 Dynamic Skip-Gram 모델을 설명한다.How Contextual are Contextualized Word Representations? Comparing the Geometry of BERT, ELMo, and GPT-2 Embeddings — BERT·ELMo·GPT-2의 문맥 의존성과 이방성을 세 기하 측도로 분석한다. 층별 표현의 변화와 단일 정적 벡터가 설명할 수 있는 분산의 한계를 설명한다.Training Temporal Word Embeddings with a Compass — 전체 코퍼스에서 학습한 고정 나침반을 각 시간 슬라이스의 문맥 임베딩 학습에 공유해, 사후 정렬 없이 시간 임베딩 좌표계를 맞추는 TWEC 방법을 설명한다.Dynamic Contextualized Word Embeddings — 시간·사회 조건의 오프셋을 BERT 입력 임베딩에 더해 문맥화 표현과 동적 어휘 표현을 결합한 DCWE의 구조, 평가, 적용 범위를 설명한다.Diachronic Word Embeddings Reveal Statistical Laws of Semantic Change — 시기별 임베딩을 직교 정렬해 단어 의미의 이동을 재고, 빈도와 다의성의 통계적 연관을 네 언어 여섯 코퍼스에서 분석한 ACL 2016 연구를 설명한다.Structural Deep Network Embedding — SDNE는 인접행렬의 가중 재구성과 연결된 노드쌍의 근접성 제약을 함께 최적화해 네트워크를 저차원 공간에 임베딩한다. 두 근접성의 의미, 오토인코더 구조, 재구성·분류·링크 예측 실험과 확장성의 한계를 설명한다.Can Classic GNNs Be Strong Baselines for Graph-level Tasks? Simple Architectures Meet Excellence — GNN+는 고전 GNN에 여섯 가지 널리 쓰이는 구성요소를 결합해 14개 그래프 수준 과제에서 다시 평가한 논문입니다.Position: LLM-Based Social Simulations Require a Boundary — LLM 사회시뮬레이션이 평균적 행동을 재현하더라도 인구의 행동 이질성을 잃을 수 있다는 포지션 논문을, 분산·평균 정렬과 주장 범위의 관계로 설명한다.Population-Aligned Persona Generation for LLM-based Social Simulation — LLM 사회시뮬레이션용 페르소나를 인간 설문 응답 분포에 맞춰 재표집하고, 대상 집단에 맞게 검색·재작성하는 PAPG 방법의 설계와 평가를 설명한다.Dynamic Word Embeddings for Evolving Semantic Discovery — 시점별 PPMI 행렬을 시간 평활 제약 아래 공동 분해해 사후 정렬 없이 동적 단어 임베딩을 학습하는 DW2V의 목적함수와 평가를 설명한다.Dynamic Embeddings for Language Evolution — Bernoulli 임베딩의 단어 벡터를 시간별 잠재변수로 두고 Gaussian random walk로 묶어, 시점 간 정렬을 모델 안에서 처리하는 동적 임베딩 방법을 설명한다.Heterogeneous Graph Attention Network — HAN은 meta-path별 이웃의 중요도와 meta-path 자체의 중요도를 두 단계 attention으로 학습한다. 이종 그래프의 표현을 결합하는 방법과 노드 분류·군집화 결과, 사람이 지정한 meta-path와 평가 조건의 영향을 설명한다.Heterogeneous Graph Neural Network — HetGNN은 restart 랜덤워크로 타입별 이웃을 고르고, 이종 콘텐츠와 이웃을 인코딩한 뒤 타입별 attention으로 결합한다. 구조·콘텐츠의 이질성을 다루는 방법과 transductive·inductive 평가의 범위를 설명한다.DeepWalk: Online Learning of Social Representations — DeepWalk는 그래프의 짧은 랜덤워크를 문장처럼 취급하고 Skip-Gram으로 노드 표현을 학습한다. 걷기·문맥 창·계층적 softmax의 역할과 희소 라벨 환경에서의 분류 결과를 설명한다.Graph Attention Networks — GAT는 각 노드의 이웃에 서로 다른 attention 가중치를 주고 여러 head의 표현을 결합한다. 인용 네트워크와 PPI에서의 성능, 상수 attention 절제, 학습·평가 조건을 살핀다.How Powerful are Graph Neural Networks? — GIN은 합 집계와 MLP를 통해 이웃 다중집합을 구별하는 그래프 모델이다. Weisfeiler–Lehman 검정과 연결되는 표현력 조건, 충분조건과 학습 보장의 차이, 그래프 분류 실험을 설명한다.Inductive Representation Learning on Large Graphs — GraphSAGE는 이웃을 표집하고 특징을 집계하는 함수를 학습해 새로운 노드의 표현을 생성한다. 집계기별 차이, inductive 평가, 표집과 계산량의 관계를 설명한다.Semi-Supervised Classification with Graph Convolutional Networks — GCN은 정규화된 그래프 이웃 집계와 특징 변환을 결합해 적은 노드 라벨로 분류를 학습한다. 스펙트럴 근사에서 전파식으로 이어지는 유도와 반지도 실험, 깊이와 확장성의 한계를 설명한다.GNNExplainer: Generating Explanations for Graph Neural Networks — GNNExplainer는 훈련된 GNN의 예측을 보존하는 compact 부분그래프와 특징 마스크를 최적화한다. 상호정보량 목적의 완화, 설명 크기 제약, 합성·분자·사회 그래프 평가와 충실성의 한계를 설명한다.Explaining Temporal Graph Neural Networks via Feature-induced Information Flow — 시간 그래프 신경망의 예측을 메시지와 임베딩 경로의 정보 흐름으로 분해한다. ER-msg와 ER-Emb를 합한 relevance, 합성·실제 그래프의 설명 평가와 적용 범위를 설명한다.SkillOpt: Executive Strategy for Self-Evolving Agent Skills — SkillOpt는 동결된 에이전트의 외부 스킬 문서를 rollout 증거와 held-out 선택으로 반복 편집해, 배포 시 추가 호출 없이 과제별 행동 규칙을 개선하는 방법을 제안한다.집현전 검색 고도화를 에이전트에게 넘겼다 — 감으로 고치던 집현전 검색 프롬프트를, 이제 학습 기반으로 최적화한다. SkillOpt로 검증 게이트를 통과한 수정만 채택하는 방식을 검색과 딥리뷰에 연결해 프로덕션에 반영했고, 지표를 지켜보며 다음 회차로 이어 간다. 빌린 건 숫자가 아니라 방법이다.오늘의 연구는 어떤 논문에서 시작할까 — 집현전의 연구자 페르소나 기반 논문 추천 — 집현전 논문 추천을 검색 기능이 아니라 연구자가 오늘 무엇을 읽을지 결정하도록 돕는 연구 워크플로로 해석한 설계 기록. OpenClaw/SOUL 개인화 가설, 로컬 기준선, 날짜별 추천 기록의 경계를 함께 다룬다.집현전 Agent: 웹 연구 흐름을 MCP 도구로 확장하기 — 집현전 Agent는 브라우저 안에 머물던 연구 흐름을 Claude Desktop, Claude Code 같은 외부 에이전트 환경으로 확장하기 위한 기반이다. Agent Key, 기능 협상, `paper_id` 조회 API를 중심으로 집현전 기능을 안전하게 도구화하는 방식을 정리한다.어떤 논문부터 읽어야 할까 -- 집현전 커리큘럼 생성기 — 새 분야를 공부하려면 수백 편의 논문 앞에서 어디서부터 시작할지 막막하다. 집현전 커리큘럼 생성기는 가짜 논문 없이, 대학 강의 수준의 순서 있는 커리큘럼을 만들어준다. 9개 프리셋, Fork/Share, 진도 기록, 딥리뷰 연동까지.오토하이라이트: AI가 논문을 읽고 밑줄을 긋는 방법 — 논문의 핵심 발견, 방법론적 한계, 숨겨진 가정을 AI가 자동으로 식별하고 구조화된 비평 코멘트를 생성하는 오토하이라이트 시스템을 구축한 이야기.논문 네트워크 그래프: 흩어진 논문들 사이의 숨겨진 연결 — 6개 데이터베이스에서 수집한 논문들 사이의 관계를 자동으로 발견하고, 인터랙티브 네트워크로 시각화한 이야기.집현전 검색 에이전트: 단일 쿼리의 한계를 넘어서 — 5개 학술 데이터베이스 병렬 검색에서 출발해, 결과를 분석하고 부족한 부분을 스스로 보완하는 멀티턴 검색 에이전트까지 구축한 이야기.