내가 만든 AI 에이전트 (2/7) — 스토리 디렉터: 30챕터 소설을 완결하는 기법

-

장편 소설 완결에 필요한 에이전트 구조, 컨텍스트 관리 전략, 캐릭터 일관성 유지 기법 정리

이 글이 전달하는 것

  • 장편 서사를 완결하기 위한 AI 에이전트 구조 4요소 (세계관·캐릭터 시트·아웃라인·연속성 추적)
  • 제한된 컨텍스트 윈도우 안에서 30챕터 규모를 연결하는 계층적 참조 전략 (최근 3챕터 전문 + 과거 요약 + 복선 추적)
  • 캐릭터 일관성을 높이는 말투 예시 기반 시트 설계와 사후 체크 루프
  • AI 장편 서술의 강점과 한계 구분 — 어떤 작업을 AI에 맡기고 어떤 작업을 사람이 맡아야 하는가

설계 대상: 창작 에이전트는 왜 기술 에이전트와 다른가

기술 에이전트는 명확한 입력과 출력이 있다. 파일을 읽고, 코드를 수정하고, 테스트를 돌린다. 반면 창작 에이전트의 과업은 "개연성 있는 장편 서사의 완결"이라는 모호한 목표를 가진다. 이 차이는 네 가지 설계 요구로 이어진다.

  1. 세계관 문서 — 소설의 세계관, 기술 설정, 조직 구조를 별도 문서로 유지한다. 챕터마다 재생성되면 안 되는 고정값을 외부 메모리로 뺀다.
  2. 캐릭터 시트 — 각 캐릭터의 성격, 배경, 관계도, 말투 패턴을 정의한다. 단순 속성 나열이 아니라 대사 샘플을 포함해야 한다.
  3. 챕터 아웃라인 — 30챕터 전체 줄거리를 먼저 설계한 뒤 챕터별로 작성한다. 무계획 생성은 10챕터 내외에서 플롯이 확산된다.
  4. 연속성 추적 — 이전 챕터에서 발생한 사건과 미회수 복선을 별도 문서로 관리한다.

이 네 축이 없으면 10챕터 이후부터 캐릭터가 다른 인물처럼 행동하거나, 이미 해결된 사건이 다시 등장하는 결함이 누적된다.

사례: "고스트 네트워크" 스펙

본 기법을 적용해 완결한 장편 "고스트 네트워크"의 제원은 다음과 같다.

  • 분량: 30챕터, 258,000자 (한국어 기준 약 800페이지 분량)
  • 장르: 사이버 보안 / 기술 스릴러
  • 전제: 보안 전문가가 익명 해킹 그룹 "고스트 네트워크"의 실체를 추적
  • 5부 구조: 도입(1–5장) → 전개(6–15장) → 위기(16–22장) → 클라이맥스(23–27장) → 결말(28–30장)

이 스펙은 이후 섹션에서 기술을 설명할 때의 기준점으로 사용한다.

컨텍스트 관리 — 계층적 참조 전략

LLM의 컨텍스트 윈도우는 유한하다. 30챕터 전체를 한 번에 주입할 수 없고, 아예 참조하지 않으면 연속성이 붕괴한다. 실용적으로 작동하는 조합은 다음 네 계층이다.

  • 이전 3챕터 전문 — 직전 3개 챕터는 원문 그대로 주입한다. 문체·대사 리듬·직전 장면의 세부가 보존되어야 다음 장면이 자연스럽게 이어진다.
  • 이전 챕터 요약 — 그 이전 챕터들은 약 300자 요약본으로 압축한다. 사건 전개와 캐릭터 상태 변화만 남기고 묘사는 버린다.
  • 복선 추적 문서 — 아직 회수되지 않은 복선, 열려 있는 질문, 지연된 플롯 훅을 별도 목록으로 유지한다.
  • 캐릭터 상태 스냅샷 — 각 캐릭터의 현재 위치, 감정 상태, 알고 있는 정보를 챕터마다 갱신한다.

이 구성은 토큰 예산 안에서 "최근 맥락의 해상도"와 "전체 서사의 범위"를 절충하는 구조다. 한계는 남는다. 초반에 언급된 사소한 설정이 후반에서 누락되는 사례가 관찰되며, 이 경우 수동 수정이 필요하다. 요약 단계에서 원본 디테일이 탈락하는 것이 원인이다.

캐릭터 일관성 — 시트 설계와 사후 체크

AI는 각 챕터를 쓸 때 캐릭터의 성격을 "기억"하지 않는다. 시트를 "참조"한다. 이 차이가 미묘한 불일관성을 만든다. 대응 기법은 세 가지다.

  • 말투 예시 포함 시트 — 성격 특성뿐 아니라 대사 샘플 3–5개를 시트에 포함한다. "신중하다"라는 서술보다 "…일 수도 있고, 아닐 수도 있지. 확인해 봐야 알아." 같은 예시가 스타일 복제를 돕는다.
  • 챕터 후 일관성 체크 — 작성 완료된 챕터를 대상으로 캐릭터별 대사와 행동을 대조하는 검토 단계를 둔다. 시트와 어긋나는 발화를 찾아 수정한다.
  • 시트 즉시 갱신 — 성장, 배신, 관계 변화처럼 중요한 캐릭터 변화는 해당 챕터 완료 직후 시트에 반영한다. 다음 챕터의 참조 기준이 변경된 상태를 반영해야 한다.

한계는 조연에서 두드러진다. 주연은 분량이 많아 시트가 촘촘해지고 말투가 안정되지만, 조연은 시트 항목이 적어 챕터마다 말투가 흔들린다. 이 문제는 완전히 해결되지 않았고, 조연 시트에도 말투 예시를 의무화하는 방향이 개선 지점이다.

AI 장편 서술의 강점과 한계

258,000자 완결이라는 결과는 "완결 가능성"을 입증하는 데이터 포인트이지, 품질의 상한을 의미하지 않는다. 작업 성격별로 AI가 우수한 영역과 부족한 영역이 분리된다.

AI가 잘하는 것 - 플롯 구조를 따라 챕터를 일관되게 전개 - 기술적 설정의 디테일 (해킹 기법, 네트워크 구조 등) - 시트가 충분히 채워진 캐릭터의 대화 작성

AI가 못하는 것 - 은유와 상징의 자연스러운 사용 - 독자 감정을 의도적으로 조절하는 서술 리듬 - 캐릭터 내면 변화의 섬세한 표현

결론적으로, 출판 수준의 완성도에 도달하려면 인간 편집 레이어가 필요하다. AI는 초안을 완결 상태까지 밀어올리는 데 효과적이고, 문학적 깊이는 편집 단계에서 보강하는 분업이 현실적이다.

한계와 개선 방향

설계 과정에서 도출된 3개의 교정 지점이 있다. 동일 문제를 마주한 설계자에게 그대로 적용 가능하다.

  • 아웃라인 선행 — 아웃라인 없이 챕터별 즉흥 작성을 시도하면 10챕터 부근에서 플롯이 확산된다. 전체 구조를 먼저 잡고 챕터를 채우는 순서가 안정적이다.
  • 컨텍스트 예산 선계산 — 이전 N챕터 전문을 무조건 주입하는 방식은 토큰 한도에서 실패한다. "최근 3챕터 전문 + 나머지 요약"이 경험적 균형점이다.
  • 완결 구조 유지 — 중반부(20챕터 전후)에서 조기 종결 유혹이 나타난다. 기획된 30챕터 구조를 유지하는 편이 완성도에 유리하다. 남은 10챕터에서 해소되어야 할 복선이 있기 때문이다.

적용 가능 범위와 열린 질문

이 기법 세트는 장편 서사 + 설정이 복잡한 장르에서 효과가 크다. 사이버 보안 스릴러, SF, 판타지, 추리 등 세계관·인물·복선의 상태 관리 비중이 높은 장르가 그렇다. 반대로 짧은 단편, 산문시, 수필처럼 문장의 미시 품질이 지배적인 형식에서는 이득이 적다.

열린 질문은 두 가지다.

  • 요약 압축에서 사라지는 디테일을 어떻게 복구할 것인가. 후반부에서 초반 설정이 누락되는 문제는 요약 전략의 본질적 한계다. 검색 기반 회상(RAG)으로 보강하는 구조가 유효한지는 추가 실험이 필요하다.
  • 조연 말투의 일관성을 어디까지 시트화할 수 있는가. 주연과 달리 조연은 사용 빈도가 낮아 시트가 빈약해진다. 말투 예시의 최소 개수와 유지 비용의 손익점이 정량화되어야 한다.

AI는 장편 서사를 완결까지 밀어올리는 도구로 기능할 수 있다. 완성도의 상한을 결정하는 것은 시트와 구조와 편집 루프의 설계다.

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »