본문으로 건너뛰기

Claude·Codex로 외환자료 수집부터 Obsidian 아카이브까지

모멘텀

2026.10.22

Claude·Codex로 외환자료 수집부터 Obsidian 아카이브까지 본문 이미지

소개

외환 업무에서 필요한 시장전망과 정책자료를 확인하고, 외국금융기관 등 관계자에게 적시에 전달하는 일을 하고 있습니다. 자료를 제때 공유하는 것도 중요하지만, 시간이 지나 다시 분석하거나 설명할 때 원문과 근거를 찾아내는 일도 중요합니다.

제가 풀고 싶었던 문제는 두 가지였습니다.

“새 자료를 놓치지 않고 제때 전달할 수 있을까?”

“한번 확인한 자료를 다음 분석에도 다시 쓸 수 있을까?”

그래서 저에게는 2개의 워크플로우가 구현되어 있었습니다.

  • fx-local 워크플로우: 새 자료를 24시간 자동탐지 및 수집, 영문 번역부터 이메일 공유까지

  • 아카이브 워크플로우: 주요 시장자료 저장 및 분류하여 향후 지식관리에 활용하는 것

이번 작업에서는 공통의 자료 관리 규칙을 설정하여 위의 2개의 워크플로우를 하나의 워크플로우로 통합하는 동시에, 원문자료 및 메타데이터 관리, 표·그림·그래프 보존을 최우선 가치로 두었습니다. 그 과정에서 확인한 결과와 AI팀 하네스가 적용되고 보완되어야 할 부분을 검토하고 향후 계획까지 소개할 예정입니다.

1. 두 가지 필요에서 시작한 워크플로우

구분

fx-local

아카이브

출발점

새로 올라온 자료

이미 보유하거나 직접 등록한 자료

우선 목적

적시 확인·번역·공유

보존·검색·후속 분석

중요한 질문

누구에게, 언제 전달할까?

나중에 어디서 근거를 찾을까?

두 경로를 하나의 직선으로 합치기보다는, 같은 문서를 같은 식별자와 출처 규칙으로 관리하면서 결과를 필요한 곳으로 보내는 방향입니다.

자동탐지한 신규 자료 ──→ 필요한 처리·검수 ──→ 승인된 공유
                           │
직접 등록한 보유 자료 ──→ 원본·출처 관리와 추출·검수
                           │
                           └─→ 문서별 Obsidian MD
                                  └─→ 검색·원문 확인·후속 분석

위 도식은 두 경로를 아우르는 설계 방향입니다. 수기등록부터 모든 과정이 무인으로 통합됐다는 뜻은 아닙니다. 보관하려고 넣은 과거 자료가 곧바로 이메일로 발송되지 않도록, 아카이브와 공유는 구분합니다.

2. 도구마다 맡을 일을 나눴습니다

도구

이 작업에서 맡긴 역할

Claude

전체 워크플로우의 설계·조정과 향후 상세 설계 총괄

Codex

구독 인증된 로컬 CLI를 통한 AI 번역, 구현·검토 및 결과 확인 작업

Docling

PDF를 본문·표·그림 등 구조를 살려 처리하는 추출 과정

Zotero

제목·기관·발행일·출처와 자료/첨부 관계 관리

Dropbox

원본 PDF와 추출 자산 등 실제 파일 보관

Obsidian

Markdown(MD) 본문·표 검색, 원본 이미지 확인, 별도 분석 노트 연결

Zotero는 단순한 파일 보관함으로 두지 않았습니다. 예를 들어 보도자료와 별첨을 같은 자료 아래 묶고, 자료키·첨부키를 MD와 추출 자산의 연결에 사용합니다. Dropbox가 파일을 보관한다면, Zotero는 그 파일이 어떤 자료인지 식별하는 역할, Obsidian은 그 내용을 읽고 다시 활용하는 역할을 맡습니다.

세 프로그램을 설치했다고 이런 연결이 자동으로 완성되지는 않습니다. 이름·출처·식별자·검수 규칙을 맞추는 작업이 필요했습니다.

3. 가장 눈에 띈 개선: 글자 추출에서 표 구조 보존으로

처음에는 PDF의 글자만 뽑으면 내용을 활용할 수 있다고 생각하기 쉽습니다. 하지만 표에서는 글자가 남아 있어도 어느 행과 열에 속하는지 잃으면 의미가 달라집니다.

실제 사례로 2023년 「외환시장 구조 개선방안」의 전자거래 방식 비교표를 확인했습니다. 같은 PDF에 기존 텍스트 추출 방식을 적용해 재현해 보니, ‘허용’ 표시가 설명문 중간에 끼고 거래 방식 이름과 설명이 여러 줄로 흩어졌습니다.

Docling 기반 현재 결과에서는 3열·4행의 표와 세 번째 열의 설명문까지 MD에 남았습니다. 요약해서 열을 생략한 것이 아니라 항목과 설명문을 보존한 결과입니다.

그림 1. 같은 PDF의 이전 텍스트 추출 방식 재현과 현재 MD 결과. 과거 실행 당시의 실패 화면이 아니라, 같은 파일로 이전 방식의 구조 손실을 재현한 비교입니다.

그다음에는 “보기 좋게 표가 됐다”에서 멈추지 않고 원본과 대조했습니다. 이 표에서는 네 가지 방식, 허용/불허의 대응, 각 설명문이 보존된 것을 확인했습니다.

원본 표와 현재 MD의 내용 대조

그림 2. 원본 표와 현재 MD 대조. 원본의 병합 셀은 각 행에 반복되고 체크 기호는 ü로 변환된 차이가 남습니다. 모든 문자·서식이 완전히 동일하거나 문서 전체가 정확하다는 뜻은 아닙니다. 하단의 A/B 독립 판독은 운영 방침이며 이 사례에서 두 AI의 독립 검수가 완료됐다는 증거가 아닙니다.

이 자료는 2023년 당시 문서의 추출 품질을 보여주는 사례입니다. 현재 제도의 허용 범위를 안내하려는 것이 아닙니다.

4. 그림과 그래프는 별도 사례로 확인했습니다

그림: 한국은행 「금융안정보고서(2026년 6월)」의 비은행 부문 리스크 도식을 확인했습니다. 도식은 배치와 화살표에도 의미가 있으므로 이미지로 보존하고 MD에서 다시 열 수 있게 연결했습니다.

금융안정보고서 도식과 실제 MD 연결

그림 3. 원본 페이지, 추출한 도식, 실제 MD의 이미지 연결 구문. 화살표 관계를 자동으로 해석해 지식 그래프로 만들었다는 뜻은 아닙니다.

그래프: 「2026년 5월 국제수지(잠정)」의 그래프는 기간·단위·표시값이 있는 이미지로 보존해 MD에 연결했습니다.

국제수지 그래프와 실제 MD 연결

그림 4. 원본 그래프와 MD에 연결한 추출 이미지. 그래프 이미지를 보존한 것과 전체 시계열을 정확한 숫자 데이터로 바꾼 것은 다릅니다. 후자는 별도의 검수 과제입니다.

최종 MD에서는 본문을 읽다가 표의 설명문을 검색하고, 원본 표 이미지로 돌아가 확인할 수 있습니다. 그림·그래프도 본문과 함께 다시 볼 수 있습니다. 다만 이미지 안의 모든 글자와 수치가 자동으로 검색되는 것은 아닙니다.

5. AI팀보다 더 중요했던 것은 ‘어떻게 확인할지’였습니다

제가 정한 역할 분담은 Claude가 전체 지휘를 맡고, 표 판독은 A와 B가 독립적으로 수행하며, 불일치나 의심 사례는 제3자 또는 제가 재확인하는 방식입니다.

두 AI가 같은 답을 냈다고 원문과 맞다는 보장은 없습니다. 그래서 합계·비율·단위, 같은 표의 다른 숫자, 본문의 설명까지 대조하는 안전장치도 보완 방향에 넣었습니다. 이상한 숫자를 발견하면 자동으로 고치기보다 확인 대상으로 남기는 것이 원칙입니다.

이런 작업 지침·검사·기록·승인·복구 절차를 묶어 하네스라고 이해했습니다. 저에게는 “AI에게 일을 맡기는 운영 매뉴얼과 점검표”에 가깝습니다.

단계

하네스에서 확인할 것

자동탐지

어떤 기관·게시판·주제를 볼지, 왜 선정했는지

추출·판독

누락된 열, 잘못된 단위, 불확실한 이미지가 없는지

번역

원문의 수치·조건·부정 표현·용어를 보존했는지

공유·저장

검수 상태와 공유 대상이 맞는지, 원문으로 돌아갈 수 있는지

현재 기반 위에서 이 검사들을 강화하는 중입니다. 표의 구조 검사 통과와 내용의 정확성 검증도 구분해야 했습니다. 모든 단계가 완전 자동화됐다고 주장하지 않으려 합니다.

6. 하네스를 구체화할 세 가지 영역

하네스는 단순히 여러 AI에게 같은 일을 시키는 것이 아니라, 무엇을 기준으로 판단하고 언제 재검토하며 누구에게 확인을 맡길지 정하는 운영체계입니다. 현재 워크플로우를 바탕으로 특히 다음 세 영역의 규칙과 검증 절차를 구체화하려 합니다. 아래 내용은 보완 방향이며, 모두 구현·검증을 마친 기능이라는 뜻은 아닙니다.

① 자동탐지 대상 선정 — 무엇을 왜 수집할 것인가

기관·게시판·주제별로 업무 관련성, 출처의 신뢰성, 자료의 적시성, 공유 대상의 필요를 기준으로 포함·제외 규칙을 정하려 합니다. AI는 이 기준에 따라 탐지 대상 후보와 선정 이유를 제안하고, 제가 승인한 대상을 운영에 반영하는 방식입니다. 단순히 키워드가 들어 있다는 이유만으로 수집하거나 발송하지 않고, 실제로 놓친 자료와 불필요하게 잡힌 자료를 기록해 기준을 보완하려 합니다. 새 자료가 없는 경우와 수집기가 실패한 경우도 구분해야 합니다.

② 영문 번역 — 자연스러움뿐 아니라 금융·외환 문맥의 정확성

번역 하네스에는 금융·외환 용어집, 기관·제도의 공식 영문명, 외국금융기관 독자에게 적절한 표현과 문체를 반영하려 합니다. 단어를 기계적으로 일대일 치환하기보다 문맥에 맞는 용어를 고르고, 원문의 수치·단위·날짜·조건·부정·예외가 번역에서 유지됐는지 별도로 대조하는 것입니다. 의미가 불명확한 표현은 임의로 확정하지 않고 확인 대상으로 남기며, 제가 수정한 용어와 표현을 다음 번역의 검수 기준에 반영하려 합니다. 번역이 유창하다는 것과 원문에 충실하다는 것은 별도로 확인해야 합니다.

③ Docling 추출 후 숫자 판독 — 두 AI가 일치해도 재확인이 필요한 경우

Docling의 추출 결과를 판독 A·B가 원본과 독립적으로 대조하고, 서로의 답을 먼저 보지 않도록 하는 것이 기본 방향입니다. 두 판독이 다를 때는 물론이고, 같은 숫자를 내놓았더라도 원본과 일치한다는 보장은 없습니다. 중요하거나 의심스러운 숫자는 두 결과가 같아도 원본 PDF의 해당 영역을 고해상도로 다시 렌더링·확대해 재판독하는 절차가 필요합니다.

이때 숫자만 잘라 보여주지 않고 행·열 제목, 단위, 기간, 각주를 함께 확인해야 합니다. 단순히 저해상도 이미지를 크게 늘린다고 없던 정보가 생기지는 않으므로, 원본 자체가 불명확하면 추정하지 않고 보류해야 합니다.

독립 판독 A·B → 결과 비교와 맥락 검사 → 의심 영역 확대·재판독 → 미해결 시 제3자 또는 제가 확인

같은 표의 다른 숫자, 합계·비율·단위, 본문의 설명과 맞는지도 함께 점검하려 합니다. 다만 실제로 특이한 값일 수도 있고 범위·기간·반올림 차이도 있으므로, 이상치 검사는 오류 확정이 아니라 재확인 신호로 사용해야 합니다. 의심스럽다는 이유로 원문의 숫자를 AI가 임의로 바꾸지 않고, 원문 위치·판독 결과·재확인 근거를 기록하는 것이 원칙입니다.

세 영역의 공통점은 AI의 결과를 그대로 통과시키지 않고, 기준에 따른 검증·재시도·보류·사람의 확인을 연결한다는 것입니다. 상세 규칙과 구현은 Claude가 총괄하는 후속 설계에서 구체화할 계획입니다.

결과와 배운 점

확인한 결과 — 자료를 다시 찾아 쓸 수 있는 형태로

이번 작업에서 확인한 변화는 문서가 어디에 저장됐는지를 넘어, 필요한 내용을 검색하고 원본으로 돌아가 대조할 수 있는 형태로 남긴다는 점입니다.

  • 자료와 출처의 연결: 앞서 소개한 아카이브 사례에서는 Zotero의 자료 정보, Dropbox의 원본·추출 자산, Obsidian의 MD를 연결해 관리합니다. MD에서 내용을 읽고 관련 원본과 이미지를 확인하는 경로를 확보했습니다.

  • 표의 내용과 구조 보존: 비교한 표에서는 이전 텍스트 추출 방식에서 흩어졌던 항목과 설명문이 3열·4행으로 남았습니다. 세 번째 열의 설명문까지 원본과 대조했고, 병합 셀과 기호의 표현 차이는 별도로 확인했습니다.

  • 그림·그래프의 재확인: 글자만 추출해서는 놓치기 쉬운 도식과 그래프를 이미지로 보존하고 MD에서 다시 확인할 수 있게 연결했습니다.

기존 fx-local이 맡아온 적시 탐지·번역·공유와 아카이브의 보존·검색을 공통 관리 규칙으로 연결하는 것이 이번 통합의 방향입니다. 위 결과는 실제 문서 사례에서 확인한 범위이며, 두 경로 전체의 무인 통합이나 정확도·시간 절감률까지 검증한 것은 아닙니다.

작업하면서 배운 세 가지

첫째, 읽기 좋은 결과물과 원문에 충실한 결과물은 다릅니다. 표가 깔끔하게 보이더라도 열이나 설명문이 빠질 수 있습니다. 그림이 보존됐다는 사실도 그 안의 관계나 숫자를 정확히 해석했다는 뜻은 아닙니다. 그래서 결과물의 모양뿐 아니라 원문과 무엇을 대조했는지를 남기는 것이 중요했습니다.

둘째, AI의 역할 분담에는 재확인 기준이 따라야 합니다. 두 판독의 일치는 참고할 신호이지 정확성의 최종 증거는 아닙니다. 자동탐지·번역·숫자 판독에서도 어떤 결과를 통과시키고, 무엇을 다시 검사하며, 언제 사람에게 넘길지를 정해야 합니다. 앞서 정리한 세 가지 하네스는 이 기준을 구체화하기 위한 보완 과제입니다.

셋째, 도구의 연결은 공통 규칙에서 시작합니다. Zotero·Dropbox·Obsidian에 각각 자료를 넣는 것만으로는 같은 문서의 출처와 처리 상태가 일관되게 관리되지 않습니다. 식별자·파일명·메타데이터·검수 상태를 맞추는 일이 필요했습니다. 자료를 보관할지와 외부에 공유할지도 별도로 판단해야 합니다.

운영 조건은 유지합니다. fx-local의 AI 번역은 구독 인증된 로컬 Codex CLI를 사용하며, 인증·한도 문제 때 사용량 기반 번역 API로 자동 전환하지 않습니다. 로컬 실행과 오프라인 처리는 다르므로 자료의 외부 처리·공유 허용 범위도 따로 확인해야 합니다.

앞으로의 계획 — 품질을 다진 뒤 지식 활용으로 확장

1단계: 현재 흐름의 신뢰성 강화. 자동탐지의 누락·오탐, 번역의 용어·의미 보존, 숫자의 확대 재판독과 사람 검토 기준부터 구체화하려 합니다. 실제 문서를 평가 사례로 남겨 개선 전후를 비교하고, 전문 번역과 요약도 목적에 맞게 별도 결과물로 관리할 계획입니다.

2단계: 다양한 파일의 입력 품질 확보. PDF뿐 아니라 Word·PowerPoint·Excel·이미지·전사문을 어떤 기준으로 MD나 구조화 데이터로 변환할지 정리하려 합니다. 파일 형식에 따라 텍스트 추출·표 보존·OCR·전사를 구분하고, 변환 결과에서도 원본의 페이지·시트·시간 위치를 확인할 수 있도록 설계할 계획입니다. 원본은 보존하고, 재생성할 수 있는 문서와 제 해석을 담은 분석 노트는 분리하려 합니다.

3단계: LLM Wiki로 주제별 지식 축적. 현재의 문서별 아카이브를 바탕으로, 검토한 내용을 주제별 연혁·개념·비교 MD로 연결하고 새 자료에 따라 갱신하는 방향입니다. 기존 워크플로우가 원본과 활용 가능한 문서를 공급한다면, Wiki는 여러 문서 사이의 관계와 변화에 대한 정리를 축적하는 역할을 맡게 하려 합니다.

예를 들어 “최근 5년간 외환시장 제도는 어떻게 바뀌었나?”라는 질문에 대해, 관련 문서를 찾고 → 발표일·시행일과 변경 내용을 비교하고 → 출처가 달린 연혁을 작성하고 → 새 자료가 나오면 갱신하는 흐름입니다. 앞으로 구현할 활용 예시이며, 현재 5년치 자료를 모두 확보하거나 분석을 마쳤다는 뜻은 아닙니다.

4단계: 검색과 관계 기반 분석의 필요성 평가. 우선 현재 검색으로 필요한 근거를 찾고 답변에 연결할 수 있는지 평가하려 합니다. 단순한 Obsidian 검색과, 검색한 근거를 AI 답변에 사용하는 RAG는 구분해 살펴볼 계획입니다. 이후 기관·제도·계좌·거래의 이름과 관계를 일관되게 정의하는 경량 온톨로지를 검토하고, 관계를 따라 자료를 찾는 방식이 실제 질문에서 도움이 될 때 GraphRAG 도입을 검토하려 합니다.

이 계획의 상세 설계와 구현은 전체 워크플로우를 총괄하는 Claude와 함께 구체화할 예정입니다. 새 기술의 수보다 실제 업무 질문에 근거를 갖춰 답할 수 있는지를 기준으로 우선순위를 정하려 합니다.

커뮤니티에 묻고 싶은 점

  • 자료를 자동 수집하시는 분들은 탐지 대상 선정 기준과 누락·오탐을 어떻게 평가하고 보완하시나요?

  • 전문 분야의 영문 번역에서 사람이 수정한 용어와 표현을 다음 번역·검수에 어떻게 반영하시나요?

  • 표·그래프의 숫자를 여러 AI로 확인할 때, 판독 결과가 일치하더라도 재판독하거나 사람의 확인으로 넘기는 기준이 있으신가요?

이 작업의 목적은 필요한 자료를 적시에 발견하고 공유하는 데서 끝나지 않습니다. 공유한 자료가 원본과 연결된 형태로 축적되고, 이후 질문과 분석의 근거로 다시 쓰이게 만드는 것입니다. 앞으로는 이 흐름의 신뢰성을 높이는 하네스를 보완하고, 검증된 자료를 주제별 지식과 인사이트로 연결해 다시 공유하는 방향으로 확장하려 합니다.

도움 받은 글·참고 자료

사례 이미지는 실제 PDF·추출 자산·MD를 비교한 화면입니다. 각 자료의 제목과 원문 링크를 함께 남겼습니다.

함께 이야기해요 0

로그인하고 댓글을 남겨 주세요

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기