본문으로 건너뛰기

뉴스 수집부터 투자 아이디어 발굴까지, Claude Code와 Codex로 나만의 멀티에이전트 Wiki 만들기

캘리별

2026.10.15

뉴스 수집부터 투자 아이디어 발굴까지, Claude Code와 Codex로 나만의 멀티에이전트 Wiki 만들기 본문 이미지

🐙 뉴스 수집부터 투자 아이디어 발굴까지, Claude Code와 Codex로 나만의 멀티에이전트 Wiki 만들기

한 줄 요약: AI로 자료를 수집하고 정리하는 것에서 출발해, 여러 에이전트가 근거를 분석·검증하고 사람은 중요한 판단만 내리는 시스템을 만들고 있습니다.

1. 시작하게 된 계기 — 자료는 쌓이는데, 판단으로 이어지지 않는다

주식 공부하면서 텔레그램, 증권사 리포트, 경제 기사, 유튜브 등에서 자료를 수집해 왔습니다.

문제는 정보가 부족한 게 아니었습니다. 오히려 정보가 너무 많았습니다.

  • 매일 쏟아지는 기사와 리포트를 전부 읽을 수 없다.

  • AI가 요약한 내용을 읽어도 투자 판단으로 연결되지 않는다.

  • 같은 주제를 여러 차례 조사하면서 이전 분석을 활용하지 못한다.

  • 서로 다른 자료에서 상충하는 주장이 나오면 직접 검증해야 한다.

예를 들어 데이터센터 전력 수요가 급증한다는 뉴스를 접했을 때, 궁금한 건 단순히 뉴스의 내용이 아닙니다.

전력 수요 증가 → 실제 병목 발생 → 어떤 기업이 수혜를 받는가 → 시장은 이미 이를 반영했는가 → 지금 투자할 만한가?

이런 연결고리를 분석해주는 시스템을 만들고 싶었습니다.

그래서 처음에는 개인용 LLM Wiki를 구축했고, 점차 멀티에이전트 시스템으로 발전시키고 있습니다.

2. 처음에는 자료 수집과 지식 축적부터 시작했습니다

처음부터 여러 에이전트를 만든 것은 아닙니다.

가장 먼저 한 작업은 수집한 자료를 일정한 형식으로 보존하는 것이었습니다.

STEP 1. Save-to-Wiki 자동화

휴대폰에서 흥미로운 자료를 발견하면 공유 기능으로 OneDrive에 저장하고, 이를 로컬 Wiki의 RAW 폴더에 자동으로 옮기도록 만들었습니다.

모바일 공유 → OneDrive → Capture Inbox → Local RAW

일정한 주기로 새로운 자료를 확인하고, 중복 수집과 파일 손실을 방지하도록 구성했습니다.

여기서 중요한 점은 수집과 지식화를 분리했다는 것입니다.

기사를 저장했다고 곧바로 Wiki 문서로 승격시키지 않습니다.

STEP 2. Raw Ingest Harness

수집된 자료를 Claude Code가 분석한 뒤 다음과 같이 분류합니다.

  • CREATE: 새로운 Wiki 문서 생성

  • UPDATE: 기존 Wiki 내용 보강

  • EVIDENCE_ONLY: 근거자료로만 보관

  • ARCHIVE: 별도 지식화 불필요

  • HUMAN_REVIEW: 사람의 판단 필요

이때 원문 출처와 근거를 추적할 수 있도록 Evidence Log도 유지합니다.

특히 모든 자료를 Wiki 문서로 생성하면 중복과 노이즈가 많아지므로, 기존 지식에 어떤 새로운 내용이 추가됐는지를 중요하게 평가했습니다.

실제 운영에서는 5~8개 단위로 관련 자료를 묶어 처리했습니다.

10월 초까지 AI 인프라, 반도체, 전력, 부동산 등 여러 주제를 처리했고, Wiki에 반영된 내용을 대상으로 별도의 검증도 진행했습니다.

3. Claude 하나로 모든 작업을 시키는 게 맞을까?

Raw Ingest를 운영하면서 새로운 문제가 생겼습니다.

Claude가 자료를 읽고, 해석하고, 기존 Wiki와 비교하고, 문서를 수정하고, 스스로 검증하는 구조에서는 역할이 너무 많이 섞였습니다.

특히 투자자료는 그럴듯하지만 근거가 약한 해석을 만들어낼 위험이 있었습니다.

그래서 작성하는 AI와 검증하는 AI를 분리하는 방식을 도입하기 시작했습니다.

현재 목표 아키텍처는 다음과 같습니다.

Openclaw / Telegram / PDF / Web
              ↓
       Save-to-Wiki
              ↓
         RAW Inbox
              ↓
     Orchestrator
       ├─ RAW Analyst
       ├─ Wiki Writer
       └─ Independent Reviewer
              ↓
       Validation Harness
              ↓
       Human Review Gate
              ↓
           LLM Wiki
              ↓
    Investment Idea Mining
              ↓
      Company Judgment
              ↓
      최종 투자 판단(사람)

핵심은 에이전트 수를 늘리는 것이 아니라, 역할과 권한을 분리하는 것입니다.

자료를 해석하는 역할과 실제 Wiki를 변경하는 역할, 그리고 그 변경을 검증하는 역할을 분리했습니다.

4. 실제 구축하면서 적용한 원칙

① Claude Code는 구현, Codex는 독립 검증

저는 주로 ChatGPT로 요구사항과 체크포인트를 설계하고, Claude Code로 구현합니다.

이후 Codex에 독립 리뷰를 요청합니다.

리뷰 결과에서 발견된 문제는 심각도와 근거를 확인한 뒤 수정하고, 필요한 경우 다시 리뷰합니다.

처음에는 단순히 두 모델의 답변을 비교하는 방식이었는데, 점차 구현 → 테스트 → 독립 리뷰 → 수정 → 재검증이라는 프로세스로 발전했습니다.

② Human-in-the-loop를 명시적으로 설계

처음에는 사람이 개입하는 횟수를 줄이는 데 집중했습니다.

하지만 자동화가 진행될수록 더 중요한 건 사람이 언제 개입해야 하는지를 정확히 정의하는 것이라는 생각이 들었습니다.

실제로 초기 멀티에이전트 검증에서는 23개의 판단 단위 중 19개가 Human Review로 분류됐습니다.

자동화 성공률만 보면 아쉬운 결과지만, 반대로 근거가 불충분한 내용을 무리하게 Wiki에 반영하지 않았다는 점에서 의미가 있었습니다.

사람의 승인 없이 변경하면 안 되는 영역과 자동 처리 가능한 영역을 명확히 나누려고 합니다.

③ 체크포인트와 테스트를 통한 단계별 구축

매번 긴 프롬프트 하나로 전체 시스템을 만들지 않고, 작은 체크포인트로 나눴습니다.

각 단계에서 변경 범위, 테스트, 리뷰 결과, Git 상태를 기록하고 다음 단계로 진행합니다.

멀티에이전트 구축 작업은 예를 들어 아래와 같이 진행하고 있습니다.

  • F1~F3 수정 완료

  • 테스트 264개 통과 보고

  • Codex 최종 독립 리뷰는 사용량 한도로 중단

  • 최종 커밋 및 다음 아키텍처 단계는 대기

즉 아직 전체 시스템이 완성된 것은 아닙니다. 다만 단계별로 무엇이 구현됐고 무엇이 남았는지를 구분할 수 있게 됐습니다.

5. 가장 예상하지 못한 병목은 AI 성능이 아니라 개발 환경이었습니다

제가 사용하는 환경은 Windows 노트북과 WSL Ubuntu입니다.

처음에는 VS Code에서 Claude Code와 Codex를 사용했는데, 프로젝트가 여러 개로 늘어나면서 작업 상태를 관리하기 어려워졌습니다.

그래서 Orca와 Paseo를 테스트하기 시작했습니다.

특히 Paseo는 모바일에서 작업을 확인하고 이어가기 편리하다는 장점이 있었습니다.

그런데 문제가 발생했습니다.

Paseo가 WSL 파일은 읽을 수 있지만, Git 저장소를 제대로 인식하지 못하는 현상이 있었습니다.

wsl.exe를 경유한 파일 접근은 가능했지만 Git/worktree 연동은 실패했습니다. 그래서 우선 아래와 같은 경로로 운영하고 있습니다.

  1. 기존 WSL에서 코덱스 독립 리뷰와 커밋

  2. GitHub에 최종 코드 반영

  3. Windows 로컬 폴더에 Git clone

4. Paseo에서 Git·worktree·Claude·Codex 실행 검증

  1. 이후 체크포인트부터 모바일 중심으로 운영

기존 WSL은 RAW 수집과 Wiki 운영 환경으로 유지하고, Windows 복제본은 멀티에이전트 개발 환경으로 분리할 계획입니다.

6. 현재까지 무엇을 얻었을까?

아직 AI가 자동으로 종목을 추천하거나 매수·매도 시점을 판단하는 단계는 아닙니다.

하지만 몇 가지 유의미한 기반을 확보했습니다.

첫째, 수집한 자료를 일회성으로 소비하지 않고 축적할 수 있게 됐습니다.

둘째, 생성된 지식이 어떤 원문에서 나왔는지 추적할 수 있게 됐습니다.

셋째, 작성과 검증을 분리하면서 AI가 만든 결과물을 그대로 신뢰하지 않는 구조를 구축하고 있습니다.

넷째, 사람이 판단해야 할 항목을 명시적으로 관리하는 방법을 실험하고 있습니다.

개인적으로 가장 큰 변화는 AI를 단순한 챗봇이 아니라, 일정한 규칙과 검증 절차에 따라 움직이는 작업 시스템으로 바라보게 된 점입니다.

7. 다음 목표 — 정보 요약을 넘어 실제 투자 판단까지

향후에는 지금 구축한 Wiki를 바탕으로 Investment Idea Mining을 본격적으로 발전시킬 계획입니다.

예를 들어 AI 인프라 투자 관련 뉴스가 여러 건 들어오면 다음 질문을 순차적으로 검토하게 하려고 합니다.

  1. Observation: 실제로 어떤 변화가 일어나고 있는가?

  2. Causal Chain: 그 변화는 어떤 산업적 병목으로 이어지는가?

  3. Value Capture: 어떤 기업이 경제적 이익을 얻는가?

  4. Expectation Gap: 이미 주가에 반영된 내용은 무엇인가?

  5. Catalyst & Risk: 판단을 바꿀 계기와 반증 조건은 무엇인가?

  6. Decision: 지금 투자할 것인가, 더 확인할 것인가?

여기서도 최종 매수·매도 및 비중 결정은 사람이 하도록 설계할 예정입니다.

향후 Personal Capital이라는 별도의 개인 재무 대시보드와 연동해 투자 아이디어가 실제 포트폴리오 의사결정으로 연결되도록 만드는 것이 궁극적인 목표입니다.

8. 이번 프로젝트에서 느낀 점

멀티에이전트의 핵심은 여러 AI에게 일을 나눠주는 것이 아니라, 판단의 경계와 검증 기준을 설계하는 것이라는 생각이 듭니다.

에이전트를 추가한다고 반드시 품질이 좋아지는 것도 아니고, 모든 Human Review가 비효율적인 것도 아닙니다.

오히려 중요한 판단을 자동화하지 않도록 막는 게 더 어려운 문제였습니다.

비개발자 입장에서 코드를 생성하는 것 자체는 AI 덕분에 점점 쉬워지고 있습니다.

하지만 무엇을 자동화할지, 어떤 실패를 허용할지, 어디에서 사람에게 결정을 넘길지는 여전히 설계자의 몫인 것 같습니다.

앞으로는 기능을 무작정 늘리기보다, 실제 투자 판단에 도움이 되는지를 검증할 수 있는 평가 하네스를 만드는 데 집중해 보려고 합니다.


사용 도구: ChatGPT, Claude Code, Codex CLI, Git/GitHub, VS Code, WSL Ubuntu, Orca, Paseo, OpenClaw, OneDrive

현재 상태: LLM Wiki 수집·Ingest 운영 기반 구축 완료 / 멀티에이전트 시스템 구축 중 / Investment Idea Mining 확장 준비

궁금한 점: 멀티에이전트를 구축하신 분들은 Reviewer를 어떻게 평가하시나요? 검증 단계 자체의 정확도를 확인하거나, Human Review가 너무 많이 발생하지 않도록 조정하는 방법이 궁금합니다.

1

함께 이야기해요 1

로그인하고 댓글을 남겨 주세요

어른아이J 프로필 이미지
어른아이J2026.10.19

저도 주식공부를 헤르메스 봇과 함께 하는것 해보려다,,게을러서 실패했는데, llm wiki로 데이터를 쌓고 판단을 할 인사이트를 얻어내는 구조가 따라해보고 싶네요~

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

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

이런 사례도 있어요

사례 전체 보기