연구자를 위한 AI 에이전트 입문: 챗봇과 무엇이 다른지, 규칙·스킬·MCP로 바이브 리서치를 시작하는 법

핵심 메시지

• 챗봇은 대화창 안에서 답만 주지만, 에이전트는 목표를 받아 계획을 세우고 기억과 도구를 쓰며 스스로 작업을 끝까지 밀고 간다.
• 가장 실질적인 차이는 실행이다. 에이전트는 코드를 직접 돌려 보고 오류 메시지를 스스로 읽어 고치므로 사람의 복사·붙여넣기 왕복이 사라진다.
• 규칙 파일(AGENTS.md), 스킬, MCP 세 가지 개념만 알아도 에이전트를 일관성 있게 쓸 수 있다.
• 발표자는 여러 분석 방법을 넓게 시도한 뒤 검토해 좁히는 '발산과 수렴의 반복'을 바이브 리서치의 기본 리듬으로 제시한다.
• 에이전트에게는 문제를 덮어두고 다음 단계로 넘어가려는 '전진 본능'이 있어, 인간 연구자는 브레이크를 잡는 역할을 맡아야 한다.

쉽게 이해하기

발표는 연구자들이 흔히 쓰는 방식, 즉 챗봇에 자료를 붙여넣고 결과를 다시 복사해 오는 왕복 작업에서 출발한다. 실제 연구는 한 번의 질문으로 끝나지 않고 자료를 찾고 비교하고 정리하고 초안을 고치는 과정이 반복되기 때문에, 그때마다 사람이 파일을 열고 결과를 옮기는 중간 노동이 계속 발생한다. 에이전트는 이 중간 노동을 겨냥한다. 목표를 받으면 곧바로 답하기보다 추론을 거쳐 계획을 세우고, 단계별 중간 결과를 파일로 저장했다가 다시 불러 쓰며, 계산기·검색·코드 실행 같은 도구를 직접 호출한다.

챗봇과의 차이는 오류가 났을 때 가장 뚜렷하게 드러난다. 챗봇에서는 사람이 코드를 받아 자기 컴퓨터에서 실행하고, 오류 문구를 다시 복사해 물어보는 왕복을 반복해야 한다. 에이전트는 워크스페이스 안에서 코드를 스스로 실행하기 때문에 오류 메시지를 직접 보고 곧바로 수정한다. 파일을 만들고 지우고 정리할 수 있어 며칠 전 작업을 이어받는 것도 가능하고, 필요하면 여러 하위 에이전트를 병렬로 돌려 같은 종류의 검토 작업을 한꺼번에 처리하기도 한다.

실제로 어디까지 왔는지는 두 사례로 제시된다. 하나는 아이디어 생성부터 논문 검색을 통한 신규성 확인, 예비 실험과 튜닝, 본 실험, 기여도를 따지는 절제 실험, 그림 그리기와 논문 작성, 자기 리뷰까지 이어지는 연구 자동화 시스템이다. 이 방식으로 만든 논문 세 편을 워크숍에 투고해 그중 한 편이 동료 심사를 통과했다고 소개된다. 다른 하나는 대형 언어 모델이 클라우드 실험실의 로봇 팔을 원격으로 조작해 무세포 단백질 합성 조건을 탐색한 사례로, 기존 최적화 대비 비용을 약 40% 더 낮추는 방법을 찾아냈다고 전한다.

도구를 쓰기 위해 알아야 할 개념은 세 가지로 압축된다. 첫째는 프로젝트 루트에 두는 규칙 파일로, 새 대화를 시작할 때마다 에이전트가 먼저 읽는 운영 메모다. 프로젝트가 무엇이고 폴더가 어떻게 구성돼 있으며 무엇은 건드리면 안 되는지를 적어 두면 매번 백지에서 시작하지 않는다. 둘째는 스킬로, 반복해서 지시해야 하는 절차를 문서로 굳혀 매번 조금씩 달라지는 결과를 막는다. 셋째는 MCP로, 복잡한 외부 도구 호출을 대신 처리해 주는 중개자에 가깝다. 발표자는 규칙과 스킬만으로도 대부분 충분하다고 본다.

마지막은 실패담과 역할론이다. 에이전트는 흩어진 자료를 통합하고 구멍 난 데이터에서 이야기를 엮고 다음 단계 아이디어를 내는 데는 뛰어나지만, 엄밀한 검증에는 약하다. 통계 분석의 전제 조건을 확인하지 않고 적용하거나, 변환이 99%만 성공했는데도 잘됐다며 넘어가고, 검증 결과가 100%로 나오면 설계를 의심하는 대신 자화자찬하며 다음으로 넘어간다. 발표자는 이를 '전진 본능'이라 부르며, 인간 연구자는 계기판을 보며 브레이크를 잡는 역할을 해야 한다고 말한다. 가장 위험한 것은 자신이 검토할 수 없는 결론을 얻는 것이며, 감당 범위를 넘어서면 해당 분야 전문가와 공동 연구를 하라는 조언으로 마무리된다.

주요 인사이트

• 에이전트의 핵심은 똑똑함이 아니라 실행 권한이다. 코드를 직접 돌리고 오류를 스스로 읽는 순간부터 사람이 중간에서 나르던 작업이 통째로 사라진다.
• 탐색 결과를 그대로 쌓아 두면 마지막에 종합할 때 잡음에 묻힌다. 단계마다 버릴 것과 취할 것을 정리해 요약 보고서로 남기는 것이 곧 맥락 관리다.
• 오류가 나는 실패는 에이전트가 알아서 고치지만, 오류 없이 조용히 지나가는 잘못이 진짜 위험이다. 사람이 옆에서 진행 설명을 들으며 이상 신호를 잡아야 한다.
• 작업을 잘게 쪼개야 하는 이유는 에이전트의 실수 확률만이 아니다. 사람이 검토할 수 있는 크기여야 확신을 갖고 다음 단계로 갈 수 있기 때문이다.
• 자동화가 늘수록 젊은 연구자의 성장 경로가 흔들린다. 효율을 조금 포기하더라도 직접 머리를 써야 할 영역을 스스로 정해 두라는 조언이 나오는 배경이다.

자주 묻는 질문

관련 AI 소식