집현전 개발 시리즈

집현전을 만들며 남긴 개발 기록 7편. 단일 쿼리로는 닿지 않는 논문을 찾으려 검색을 에이전트로 바꾼 일에서 출발해, 흩어진 논문 사이의 관계를 그래프로 드러내고, LLM이 논문을 읽고 밑줄을 긋게 하고, 무엇부터 읽어야 하는지를 커리큘럼으로 답하고, 그 기능들을 MCP 도구로 브라우저 밖까지 넓히고, 연구자 페르소나로 추천을 개인화하고, 끝내 검색 프롬프트를 고르는 일 자체를 에이전트에게 넘기기까지를 시간순으로 읽는 시리즈.

1. 집현전 검색 에이전트: 단일 쿼리의 한계를 넘어서 — 5개 학술 데이터베이스 병렬 검색에서 출발해, 결과를 분석하고 부족한 부분을 스스로 보완하는 멀티턴 검색 에이전트까지 구축한 이야기.
2. 논문 네트워크 그래프: 흩어진 논문들 사이의 숨겨진 연결 — 6개 데이터베이스에서 수집한 논문들 사이의 관계를 자동으로 발견하고, 인터랙티브 네트워크로 시각화한 이야기.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.