# 질문을 먼저 정리하는 습관이 리서치를 바꿨다: Hermes 리서치 하네스를 만들고, 3D 화장품 용기 적재 알고리즘까지 조사한 이야기
## 📝 한 줄 요약
저는 Hermes Agent로 리서치 하네스를 먼저 만들고, 그 하네스를 실제로 써서 3D 화장품 용기 적재 알고리즘을 조사했습니다. 해보면서 가장 크게 느낀 건, 리서치는 “답을 빨리 찾는 일”이 아니라 질문을 제대로 다루는 구조를 만드는 일이라는 점이었어요.
바쁘시면 이것만 읽어도 돼요:
- 사용한 도구: Hermes Agent, browser, terminal, skills
- 만든 것: 반복 가능한 기술 리서치 하네스
- 해본 것: 그 하네스로 비정형 3D 적재 알고리즘 조사
- 얻은 것: 질문 재정의 → 자료 수집 → 근거 정리 → 갭 탐지 → 보고서까지 이어지는 흐름
- 핵심 배움: interlocking은 “맞물림” 하나로 끝나는 게 아니라, 접촉면 + 빈 공간 최소화 + 안정성을 같이 봐야 했어요
## 🎯 이런 분들께 도움이 돼요
- AI를 단순한 답변 도구가 아니라 작업을 끝까지 밀고 가는 도구로 쓰고 싶은 분
- 리서치를 감으로 하지 않고, 반복 가능한 흐름으로 만들고 싶은 분
- 비정형 3D 적재, 포장, 배치 최적화 같은 문제를 다뤄보는 분
- 사례글에서 “무엇을 했는지”뿐 아니라 “어떻게 시스템화했는지”를 보여주고 싶은 분
## 😫 시작점: 질문은 있었는데, 손에 잡히는 흐름은 없었다
처음엔 꽤 단순한 질문이었어요.
> 화장품 캡, 드로퍼, 용기처럼 비정형인 3D 물체를 직사각형 상자에 어떻게 잘 넣을 수 있을까?
그런데 막상 파고들어 보니, 이건 제가 생각한 것보다 훨씬 복잡했어요.
- 물체가 직육면체가 아니었고
- 회전 자유도와 자세 제약이 중요했고
- 충돌 검사가 필요했고
- 안정성도 봐야 했고
- 무엇보다 interlocking을 어떻게 해석해야 하는지도 애매했어요
처음에는 그냥 자료를 많이 찾으면 답이 나오겠지 생각했는데, 오히려 반대였어요. 자료는 많았지만, 무엇을 기준으로 비교해야 하는지가 없으니 리서치가 자꾸 흔들렸습니다.
그때 느꼈어요.
문제가 어려운 게 아니라, 문제를 다루는 구조가 없었던 것이라고요.
## 🛠️ 제가 사용한 도구와 환경
- Hermes Agent: 리서치 흐름을 반복 가능한 형태로 만들기 위한 기반
- `browser`: 논문, GitHub, 공식 문서, 프로젝트 페이지를 확인할 때 사용
- `terminal`: 검색 자동화, 파일 확인, 보조 분석에 사용
- skills: 리서치용 tech-research-harness
- 파일 기반 문서화: 리서치 결과를 MD 보고서로 남기기 위해 사용
## 🔧 제가 먼저 한 일: 리서치 하네스를 만들었다
보통은 “조사할 주제”부터 들어가고 싶잖아요. 저도 그랬어요. 그런데 이번에는 일부러 순서를 바꿨습니다.
먼저 한 일은 답을 찾는 것이 아니라, 답을 찾는 방식을 만드는 것이었어요.
제가 만든 하네스는 이런 흐름으로 설계했습니다.
1. 질문 재정의
2. 범위와 평가 기준 정리
3. 리서치 플랜 수립
4. 병렬 자료 수집
5. Evidence Card 추출
6. 출처 신뢰도 평가
7. 주장(Claim) 정리
8. 갭 탐지
9. 추가 조사
10. 주장 검증
11. 최종 보고서 작성
12. Critic 검토 후 수정
이걸 문서와 스킬로 같이 남겼어요.
- main/docs/tech-research-harness/README.md
- main/docs/tech-research-harness/harness.example.yaml
- main/docs/tech-research-harness/spec.md
- ~/.hermes/skills/research/tech-research-harness/SKILL.md
이 작업을 하면서 제일 좋았던 건, 머릿속에서만 맴돌던 생각이 실제로 다시 쓸 수 있는 구조로 바뀌었다는 점이었어요.
그 전에는 리서치할 때마다 "이번엔 어떻게 하지?"를 다시 고민해야 했는데, 하네스를 만들고 나서는 적어도 출발선이 같아졌습니다.
## 🧩 리서치 역할도 나눴다
하네스를 만들면서 느낀 건, 리서치가 어려운 이유 중 하나가 찾는 일과 해석하는 일이 계속 섞이기 때문이라는 점이었어요.
그래서 역할을 분리했습니다.
- Orchestrator
- 질문 재정의
- 범위와 기준 설정
- 워커 분배
- 갭 탐지
- 최종 정리
- Scout
- 공식 문서, GitHub, 논문, 블로그 수집
- Analyst
- 근거 추출
- 주장 비교
- 반례와 누락 찾기
- Verifier
- 주장 검증
- 오래된 정보/약한 근거 플래그 처리
- Editor
- 최종 보고서 정리
- 의사결정 가능한 형태로 압축
이 구조를 쓰고 나니, 자료를 모으는 단계에서 느끼던 혼란이 확 줄었어요.
## 🔍 하네스를 실제 문제에 써봤다: 3D 화장품 용기 적재 알고리즘 리서치
하네스를 만든 뒤, 실제로 써본 주제가 바로 3D 화장 품 용기 적재 알고리즘이었어요.
처음에는 단순히 3D bin packing으로 보면 되겠지 싶었는데, 조사할수록 그게 아니었습니다. 화장품 용기 문제는 겉으로는 박스에 물건을 넣는 문제 같아도, 실제로는 더 복잡했어요.
그래서 문제를 다시 이렇게 정의했습니다.
- irregular 3D object packing
- stability-aware packing
- contact-rich / interlocking-aware packing
- physics-constrained packing
이 재정의가 꽤 중요했어요.
왜냐하면 화장품 용기처럼 머리/몸통/튜브가 섞인 물체는 직육면체처럼 단순하게 다룰 수 없고, 실제로는 형상 간섭, 안정성, 접촉, 추출 가능성까지 같이 봐야 했기 때문입니다.
즉, 제가 찾고 싶었던 건 “그냥 잘 채우는 알고리즘”이 아니라, 실제로 넣고, 버티고, 꺼낼 수 있는 적재 방식이었어요.
## 📚 자료를 볼 때도 기준이 생겼다
하네스를 쓰기 전에는 자료를 보면 일단 저장부터 하고 나중에 정리하는 편이었어요. 그런데 이번에는 기준이 생기니까 보는 방식도 달라졌습니다.
찾아본 축은 대략 이런 것들이었어요.
- HAPE3D
- Packing Irregular Objects in 3D Space via Hybrid Optimization
- A Constructive Heuristic Algorithm for 3D Bin Packing of Irregular Shaped Items
- IR-BPP
- Online 3D Bin Packing with Fast Stability Validation and Stable Rearrangement Planning
- Dense, Interlocking-Free and Scalable Spectral Packing of Generic 3D Objects
- Multi-Objective Packing of 3D Objects into Arbitrary Containers
여기서 중요한 건 “많이 찾았다”가 아니었어요.
우리 문제에 맞는 축으로 분류했다는 것이 중요했습니다.
예를 들면:
- cuboid 전용 예제는 참고용으로만 보고
- 비정형 물체를 다루는 constructive heuristic 계열을 우선시하고
- stability와 physically realizable placement까지 보는 논문을 따로 챙겼어요
이 과정에서 제 생각도 조금 바뀌었어요.
예전에는 “좋은 알고리즘 하나만 찾으면 되지 않나?”에 가까웠는데, 실제로는 문제 정의를 어떻게 하느냐에 따라 후보군 자체가 달라진다는 걸 체감했습니다.
## 📝 결과는 대화에서 끝내지 않았다
리서치를 하고 나서 제일 중요하게 생각한 건, 이걸 대화 속 한 번의 답으로 끝내지 않는 것이었어요.
그래서 결과를 보고서 MD로 남겼습니다.
제가 이걸 하면서 느낀 건, 리서치의 가치는 “좋은 답을 찾는 것”만이 아니라 다음에도 같은 방식으로 다시 할 수 있게 남기는 것에 있다는 점이었어요.
한 번 잘 정리해두면 다음부터는 훨씬 빨라지고, 무엇보다 덜 흔들립니다.
## ✅ 전후로 뭐가 달라졌나
### 도입 전
- 질문은 있었지만 어떻게 비교하고 정리할지 흐름이 없었어요
- 자료를 많이 봐도 결론이 분산됐어요
- 리서치가 끝나면 기억만 남고 재사용은 어려웠어요
### 도입 후
- 질문 재정의 → 자료 수집 → 비교 → 검증 → 문서화가 이어졌어요
- 근거와 해석을 분리하니까 판단이 덜 흔들렸어요
- 결과를 파일로 남기니 다음 작업이 쉬워졌어요
## 마무리
이번 작업을 하면서 제일 크게 남은 감각은 이거였어요.
Hermes는 단순히 “대답을 잘하는 AI”가 아니라, 질문을 구조화하고, 근거를 모으고, 다음에 다시 쓸 수 있게 남겨주는 작업 도구라는 것.
그리고 저한테 가장 크게 달라진 건, 이제는 리서치를 시작할 때 “뭘 찾아볼까?”보다 “어떤 구조로 조사할까?”를 먼저 생각하게 됐다는 점입니다.
그 변화 하나만으로도, 리서치의 밀도와 안정감이 꽤 달라졌어요.
참고한 스킬
https://www.gpters.org/nocode/post/case-study-skills-redesigned-QtGKQ1cQ6rLpDU6
