내가 만든 AI 에이전트 (4/7) — 나의 삶 정리 에이전트: AI 씽크탱크로 인생 설계

-

확증편향을 차단하고, 선언 가치와 실행 가치의 괴리를 감지하는 AI 도구

핵심 요약

  • AI 에이전트를 인생 설계 도구로 활용하면, 과거/현재/미래를 구조화해서 관리할 수 있다
  • "반박 먼저" 원칙을 AI에 구현하면 확증편향을 시스템적으로 차단할 수 있다
  • 이력서는 남에게 보여주는 나, 이 에이전트는 나를 위한 구조도다

배경

온톨로지 3편에서 개인 온톨로지의 4층 프레임워크(Being → Values → Capabilities → Actions)를 소개했습니다. 존재, 가치, 역량, 행위를 계층으로 정리하는 개념이었습니다.

개념은 좋습니다. 그런데 실제로 운영하면 어떻게 되는가? 프레임워크를 만들어놓고 방치하면 그냥 문서입니다. 살아 있는 도구가 되려면, 일상의 의사결정에 개입하고, 사용자가 놓치는 것을 짚어주는 무언가가 필요합니다.

그래서 설계한 것이 "나의 삶 정리" 에이전트입니다. 단순히 할 일을 관리하는 도구가 아니라, 과거의 경험을 정리하고, 현재의 선택을 점검하고, 미래의 방향을 설계하는 씽크탱크입니다.

본문

1. 과거/현재/미래를 구조화한다는 것

인생 설계라고 하면 거창하게 들리지만, 실제로는 세 가지 질문입니다.

  • 과거: 어떤 경험이 지금 이 자리에 있게 했는가?
  • 현재: 지금 무엇을 하고 있고, 그 선택의 근거는 무엇인가?
  • 미래: 어디로 가고 싶고, 그러려면 무엇이 필요한가?

이 세 가지를 따로 관리하면 연결이 끊어집니다. 과거의 실패 패턴을 현재 결정에 반영하지 못하고, 현재의 역량 공백을 미래 계획에 고려하지 못합니다.

나의 삶 정리 에이전트는 이 세 시간축을 하나의 맥락으로 관리합니다. 과거 경험에서 패턴을 추출하고, 현재 행동과 비교하고, 미래 계획의 실현 가능성을 역량 기반으로 평가합니다.

2. 4층 프레임워크의 실제 운영

온톨로지 3편에서 다룬 4층 구조가 이 에이전트의 기반입니다:

레이어 내용 에이전트가 하는 일
L0 존재 (Being) 기질, 세계관, 비타협 원칙 의사결정 시 기질과 충돌하는 선택 감지
L1 가치 (Values) 판단 기준, 우선순위 선언 가치 vs 실행 가치 괴리 추적
L2 역량 (Capabilities) 기술, 메타스킬, 공백 새로운 기회의 적합성 평가
L3 행위 (Actions) 현재 프로젝트, 루틴 행위가 상위 레이어와 정합하는지 점검

문서로 적어놓으면 정적입니다. 에이전트가 이 프레임워크를 읽고 대화에 반영하면 동적으로 바뀝니다.

새로운 기회가 생겼을 때 에이전트는 L0(기질과 맞는가?), L1(가치 순위에서 어디에 해당하는가?), L2(필요한 역량이 있는가, 공백은?), L3(현재 행위와 어떻게 충돌하는가?)을 순서대로 점검합니다. 감정적으로 끌리는 선택이라도 구조적으로 맞지 않으면 근거를 데이터로 보여줍니다.

3. 확증편향 차단 — "반박 먼저" 원칙의 AI 구현

사람은 결론을 먼저 내리고, 그 결론을 지지하는 근거를 찾는 경향이 있습니다. 확증편향입니다. 혼자서 이것을 깨기는 어렵습니다.

이 에이전트에는 "반박 먼저" 원칙이 구현되어 있습니다. 작동 방식:

  1. 사용자가 결론이나 판단을 제시합니다
  2. 에이전트는 동의하기 전에 반론을 먼저 제시합니다
  3. 반론이 타당한지 사용자가 검토합니다
  4. 반론을 넘어서는 논거가 있으면 그때 결론을 수용합니다

중요한 점: 에이전트가 반대를 위한 반대를 하는 것이 아닙니다. "이 결론이 틀리려면 어떤 조건이 필요한가?"를 제시하는 것입니다. 반대 시나리오를 먼저 검토하는 습관을 시스템화한 겁니다.

이 기능의 실질적 가치는 불편함에 있습니다. 에이전트가 반론을 제시하면 처음에는 거슬립니다. 하지만 구조적으로 반대 시나리오를 검토하도록 강제받을 때, 놓쳤던 리스크나 전제를 발견하는 경우가 생깁니다. 불편한 도구가 좋은 도구일 수 있습니다.

4. "선언 가치 ≠ 실행 가치" 감지

이것이 이 에이전트의 가장 날카로운 기능입니다.

사람은 스스로에 대해 특정 가치가 가장 중요하다고 선언합니다. 그런데 실제 선택의 순간에는 다른 가치 쪽의 옵션을 고르는 경우가 많습니다. 이것은 나쁜 것이 아닙니다. 다만 인식하지 못하는 것이 문제입니다.

시스템 구현: 사용자는 온보딩 시 가치 우선순위를 입력합니다.

가치 A > 가치 B > 가치 C > 가치 D > 가치 E

에이전트가 하는 일:

  • 선언된 가치 순위를 L1 레이어에 기록합니다
  • 실제 의사결정 로그(날짜, 선택지, 선택 결과, 연관 가치 태그)를 L3 레이어에 추적합니다
  • 가치-행동 괴리 지표(Value-Action Diff)를 계산합니다: 선언 가치와 실제 선택 패턴 간 정렬도
  • 괴리가 N회 이상 반복되면 갭 리포트를 생성합니다

갭 감지 쿼리 예시:

입력: 가치 A를 1순위로 선언
추적: 최근 5회 의사결정 중 4회가 가치 E 방향 선택
출력: "선언 가치(A)와 실제 선택 패턴(E) 사이에 반복적 괴리가 감지됩니다.
       실제 우선순위가 변경되었는지, 또는 외부 제약이 작용하고 있는지 검토가 필요합니다."

이런 피드백을 사람에게서 받기는 어렵습니다. 가까운 사람이 해도 기분이 상할 수 있고, 먼 사람은 패턴을 알 수 없습니다. AI는 감정 없이, 데이터 기반으로 이것을 짚어줄 수 있습니다.

데이터 소스: 에이전트는 다음을 입력으로 받습니다. 의사결정 로그(날짜, 선택지 A/B, 최종 선택, 사용자 입력 가치 태그), 프로젝트 현황(현재 진행 중인 작업 목록과 투입 시간), 외부 에이전트 피드백(주식 디렉터의 리스크 허용 분석, 글 작성 디렉터의 콘텐츠 주제 패턴). 이 세 소스가 교차될 때 선언-실행 괴리의 맥락이 구체화됩니다.

5. 다른 에이전트와의 양방향 관계

이 에이전트는 혼자 작동하지 않습니다. 두 가지 핵심 연결이 있습니다.

글 작성 디렉터와의 관계: - 나의 삶 정리 → 글 작성: 의사결정 과정과 구조적 인사이트가 블로그/트위터 콘텐츠의 소재가 됩니다. 실제 맥락에서 나온 이야기가 가장 설득력 있는 콘텐츠이기 때문입니다. - 글 작성 → 나의 삶 정리: 리서치 과정에서 발견한 데이터, 트렌드, 전문가 의견이 의사결정의 참고자료로 돌아옵니다.

주식 정보 관리 디렉터와의 관계: - 나의 삶 정리 → 주식 디렉터: 투자 전략과 리스크 허용 범위에 대한 원칙이 포트폴리오의 방향을 결정합니다. - 주식 디렉터 → 나의 삶 정리: 포트폴리오 성과와 시장 분석이 인생 설계의 재정 파트에 반영됩니다.

에이전트를 개별적으로 만들면 각각 잘 작동합니다. 하지만 연결하면 1+1 > 2가 됩니다. 인생 설계에서 나온 방향이 투자와 콘텐츠에 반영되고, 그 결과가 다시 인생 설계를 업데이트합니다.

설계 과정에서 발견한 것

처음에는 단순한 할 일 관리 도구로 시작했습니다. 목표, 할 일, 진행 상황. 그런데 이것은 기존 생산성 툴로 충분합니다. AI가 할 일 목록을 관리하는 것은 기술 대비 효용이 낮습니다.

전환점은 "왜?"를 추가한 순간이었습니다. 할 일이 아니라 "왜 이것을 하는가, 이것을 하면 어디로 가는가"를 다루기 시작하면서 도구의 성격이 완전히 바뀌었습니다. 할 일 관리에서 의사결정 지원으로.

확증편향 차단 기능은 설계 초기에 마찰을 일으킵니다. "결론을 냈는데 왜 반대하지?"라는 반응이 자연스럽습니다. 하지만 반론이 실제로 더 나은 결정으로 이어지는 경험이 축적되면, 이 불편함이 도구의 핵심 가치임을 알게 됩니다.

선언 가치와 실행 가치의 괴리는 데이터가 있어야 보입니다. 직관으로는 특정 가치를 가장 중시한다고 믿습니다. 하지만 의사결정 기록을 추적하면 패턴이 드러납니다. 이것을 인정하는 것이 실제 자기 이해의 시작입니다.

마무리

이력서는 남에게 보여주기 위한 나입니다. 좋은 면을 부각하고, 약점을 숨깁니다. 당연합니다. 용도가 그렇습니다.

이 에이전트는 나를 위한 구조도입니다. 좋은 면도, 약점도, 선언과 행동의 괴리도 포함합니다. 남에게 보여줄 필요가 없으니 정직할 수 있습니다.

AI를 생산성 도구로만 쓰는 것은 아깝습니다. 코드를 짜고, 글을 쓰고, 데이터를 분석하는 것 — 다 유용합니다. 하지만 "나는 누구이고, 어디로 가고 있는가"라는 질문에 대해 구조적으로 함께 생각하는 파트너로 쓸 수도 있습니다.

씽크탱크에 소속될 필요 없습니다. AI로 나만의 씽크탱크를 만들 수 있습니다. 다만 그러려면, 먼저 자기 자신을 구조화하는 작업이 필요합니다. 그것이 개인 온톨로지이고, 이 에이전트가 그 온톨로지를 살아 있게 만드는 도구입니다.

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 »