🤖 [연구AX] PDF 밑줄만 치면 AI가 맥락까지 정리해준다 — 박사과정생의 리딩노트 자동화기

📝 한줄 요약

논문/책 읽으면서 밑줄만 치면, Claude가 인용문을 자동 추출하고 맥락 설명·태깅·연구 연결까지 해주는 리딩 워크플로우를 만들었습니다. 읽기(input)와 쓰기(output) 사이의 단절이 해소됐습니다.

🎯 이런 분들께 도움돼요

• 논문/책 읽으면서 밑줄은 열심히 치는데, 정리는 귀찮아서 미루는 연구자

• "그 문장 어디 있었지?" 하며 PDF 여러 개 들락날락한 경험이 있는 분

• Claude Code를 연구/학습 용도로 활용하고 싶은 분

😫 문제 상황 (Before)

저는 인문학(역사학) 박사과정생입니다. 논문을 쓰려면 수십 권의 책과 논문을 읽고, 핵심 대목을 적절히 인용해야 합니다.

읽는 건 좋아합니다. PDF 리더 앱(Highlights)으로 밑줄 치고, 메모도 달고, 색깔별로 구분해가며 꽤 성실하게 읽습니다. 문제는 그 다음입니다. 읽고 나서 그 밑줄들을 정리하는 게 귀찮아서, 계속 미룹니다. 어노테이션 잔뜩 붙은 PDF 파일들이 노트북에 쌓여만 갑니다.

이게 진짜 문제가 되는 건 논문 작성 단계입니다.

• "분명 그 책에서 이런 말을 했는데…" 하면서 PDF를 다시 열고

• 어노테이션을 하나하나 훑으면서 찾고

• 그래도 안 나오면 다른 PDF도 열어보고

• 겨우 찾으면 페이지 번호 확인하고 인용 서식 맞추고

읽은 건 많은데, 활용률이 떨어집니다. 읽기(input)와 쓰기(output) 사이에 단절이 있었습니다. 밑줄은 PDF 안에 갇혀 있고, 내 머릿속 기억은 흐려지고, 그 사이를 연결해주는 정리된 노트가 없는 상태.

🛠️ 사용한 도구

• Claude Code (VS Code 확장)

• 모델: Claude Opus 4.5 / Sonnet 4

• PDF 리더: Highlights (macOS 앱)

• 특이사항: Python 라이브러리(PyMuPDF)를 Claude가 직접 사용해서 PDF 어노테이션 추출

🔧 작업 과정

"혹시 PDF에서 밑줄을 뽑을 수 있어?" — 모든 것을 바꾼 한 마디

푸코의 『안전, 영토, 인구』를 읽으면서 Claude와 리딩 세션을 시작했습니다. 인용문을 정리하려면 밑줄 친 문장을 하나하나 복사해서 붙여넣고, 페이지 번호까지 입력해야 했습니다.

"나는 하이라이트 앱으로 PDF를 읽고 있어. 밑줄을 치면서 그걸 복사해서 너한테 매번 페이지 적어서 인용문을 주는 게 번거로워. 워크플로우 개선을 위한 제언?"

Claude가 여러 옵션을 제시했는데, 그중 하나가 "PDF 파일에서 어노테이션을 직접 읽어보겠다"는 것이었습니다. 바로 테스트해봤습니다.

"지금 몇 개 밑줄 쳤어. 읽어볼 수 있어?"

Claude가 PyMuPDF라는 라이브러리로 PDF를 열었고, 제가 Highlights 앱에서 친 밑줄 3개가 페이지 번호와 함께 정확히 추출됐습니다. 복사-붙여넣기가 한 번에 사라진 순간이었습니다. 이제 저는 그냥 밑줄만 치면 됩니다. "리딩로그 정리해줘" 한 마디면 Claude가 PDF에서 전부 뽑아줍니다.

"밑줄 색깔마다 의미가 다른데" — 6색 분류와 RGB 캘리브레이션

밑줄을 추출하는 것까지는 해결됐는데, 새로운 문제가 생겼습니다. 저는 밑줄을 칠 때 색깔마다 다른 의미를 부여합니다. 노란색은 일반 인용문, 주황색은 저자의 핵심 논지, 빨간색은 나한테 특히 중요한 대목… 이런 식으로요.

그래서 Claude와 함께 6색 하이라이트 분류 체계를 설계했습니다.

그런데 실제로 구현하려니 한 가지 난관이 있었습니다. PDF 리더 앱마다 하이라이트 색상의 RGB 값이 다릅니다. "노란색"이라고 해도 앱마다 정확한 색상 코드가 다르기 때문에, 색상 분류가 제대로 되려면 캘리브레이션(색상 보정) 과정이 필요했습니다. 제가 쓰는 Highlights 앱에서 6가지 색상을 모두 칠한 테스트 PDF를 만들고, Claude에게 각 색상의 정확한 RGB 값을 측정하게 해서 분류 정확도를 맞췄습니다.

"인용문만 보면 맥락이 기억 안 나잖아" — AI의 '지능'을 활용한 맥락 설명

밑줄 추출과 색상 분류까지 해결했지만, 또 다른 페인포인트가 있었습니다. 읽은 지 한참 지나면 인용문만 봐서는 그 앞뒤 맥락이 기억 안 납니다. "저자가 왜 이 말을 했지? 어떤 흐름에서 나온 거지?" 결국 PDF 파일을 다시 열어서 그 인용문이 등장하는 앞뒤 내용을 확인해야 합니다. 이러면 리딩노트를 만든 의미가 반감됩니다.

제가 원한 건, PDF 파일을 굳이 다시 열지 않고도 인용문이 등장한 맥락을 기억할 수 있는 것이었습니다. 그리고 이건 단순 자동화가 아니라 Claude의 '지능(Intelligence)'으로 해결할 수 있겠다는 생각이 들었습니다.

처음에는 회색 하이라이트를 활용했습니다. 원래 리딩할 때 안 쓰던 색깔이었는데, "이 근처 맥락이 되는 문장"을 회색으로 밑줄 쳐서 Claude에게 알려주는 용도로 전환한 겁니다. 회색으로 밑줄 친 문장은 인용문으로 저장하지 않고, Claude가 맥락을 파악하는 재료로만 씁니다.

그런데 쓰다 보니 그것도 귀찮아졌습니다. 그래서 나중에는 회색 밑줄이 없으면 Claude가 해당 인용문이 등장하는 페이지 앞뒤를 직접 읽고 맥락을 파악하라고 시켰습니다. 회색 밑줄은 "내가 특별히 맥락을 짚어주고 싶을 때"만 쓰는 선택 사항이 된 거죠.

결과적으로 리딩노트를 읽으면, 각 인용문 위에 Claude가 작성한 간략한 배경 설명이 붙어 있습니다. "아, 저자가 이런 맥락에서 이 말을 했었지" 하고 바로 떠올릴 수 있습니다. 어차피 내가 읽은 책이니까, 짧은 설명만으로도 기억이 잘 났습니다.

메모장에서 시작해서 도구로 진화하기까지

위에서 설명한 기능들이 처음부터 하나의 완성된 도구로 개발된 건 아닙니다. 세 단계에 걸쳐 점진적으로 진화했습니다.

1단계: 메모장 (프로토콜). 처음에는 "리딩할 때 이렇게 해줘"라는 규칙을 텍스트 파일 하나에 적어놓고, "리딩로깅 하자"라고 말하면 Claude가 그 파일을 읽고 따라가는 방식이었습니다. 일종의 메뉴얼이죠.

2단계: 서식 (커맨드). 쓰다 보니 "세션 시작할 때 확인할 것, 색상별 처리 규칙, 태깅 방법" 등을 좀 더 체계화해서, Claude Code의 /명령어 형식으로 정리했습니다. "리딩로깅 해줘" 대신 /reading-session이라고 치면 정해진 절차대로 진행되는 식입니다.

3단계: 도구 (스킬). 쓰다 보니 욕심이 생겼습니다. 저는 이미 Claude Code로 "문헌을 인벤토리에 등록하는 도구", "리딩노트 파일을 생성하는 도구" 등을 따로 만들어 쓰고 있었거든요. 리딩로깅을 할 때마다 이 도구들을 하나하나 따로 호출하는 게 번거로웠습니다. 결국 이 모든 걸 하나의 폴더에 묶어서 /readlog라는 명령어 하나로 기존 도구들과의 연동까지 포함해 전체가 돌아가게 만들었습니다.

/readlog PDF경로

이 한 줄이면:

1. 문헌이 제 시스템 내에 등록되어 있는지 확인 (없으면 자동 등록)

2. 리딩노트 파일이 있는지 확인 (없으면 자동 생성)

3. 내 연구 주제와의 연결 맥락 질문

4. PDF에서 하이라이트 추출 + 6색 분류

5. 각 인용문에 맥락 설명 작성

6. 자동 태깅 + 연구 연결 제안

7. 리딩노트에 저장 + 버전 관리(Git 커밋)

까지 전부 자동으로 진행됩니다.

✅ 결과 (After)

Before vs After

특히 논문 쓸 때 체감이 큽니다. "그 책에서 이 주제에 대해 저자가 뭐라 했는지 관련 인용문 출력해줘" → Claude가 태그와 맥락 설명을 기반으로 바로 찾아줌 → "이걸 논문에 각주로 넣어줘"로 이어지는 흐름이 가능해졌습니다. 인용문 찾느라 허송했던 시간이 대폭 줄어서, 논문 본문 작성에 집중할 수 있게 됐습니다.

💬 이 과정에서 배운 AI 활용 팁

핵심: 자동화를 넘어 '지능'을 활용하라

PDF에서 밑줄 친 문장을 뽑아서 마크다운 파일에 정리하는 것 자체는, 파이썬 코드 짜달라고 하면 되는 단순 자동화입니다. 제가 여기서 한 건 그 자동화에 더해서, AI의 '지능(Intelligence)'을 활용한 것입니다.

1. 맥락 이해: Claude가 인용문 주변 텍스트를 직접 읽고, "이 인용문은 저자가 어떤 논의 맥락에서 한 말인지" 설명을 작성합니다. 회색 하이라이트로 맥락 정보를 전달하기도 하고, 그게 없으면 Claude가 해당 페이지 전후를 직접 읽습니다.

2. 범용 태깅: 인용문의 내용과 키워드를 AI가 이해한 후, 나중에 검색에 잘 걸리도록 폭넓게 태그를 붙입니다. 이렇게 해두면 나중에 Claude에게 "이런 주제 관련 인용문 찾아줘"라고 했을 때 정확하게 찾아줍니다.

3. 연구 연결 제안: 내가 지금 작업 중인 논문 주제를 알려주면, Claude가 각 인용문이 내 연구와 어떻게 연결될 수 있는지 제안합니다. 읽기와 쓰기 사이의 연결고리를 AI가 만들어주는 셈입니다.

효과적이었던 것

1. AI에게 맥락을 전달하는 채널을 설계하라 — 회색 하이라이트는 "인간이 AI에게 배경 정보를 전달하는 채널"입니다. AI가 더 잘 일하게 하려면, 내가 무엇을 알려줘야 하는지 생각하고 그 전달 방식을 설계하는 게 핵심입니다.

2. "이거 되나?" 싶으면 바로 테스트하라 — "PDF에서 밑줄을 코드로 읽을 수 있어?"라는 질문 하나가 전체 워크플로우를 바꿨습니다. Claude에게 가능성을 물어보고 바로 테스트해보는 습관이 중요합니다.

3. 사용하면서 개선하라 — 처음부터 완벽한 시스템을 만들 필요 없습니다. 읽으면서 "이 색도 구분이 필요하네" 싶으면 바로 추가하고, 불편하면 바로 고치는 식으로 3주에 걸쳐 점진적으로 다듬었습니다.

🌍 다른 업무에 적용한다면?

이 접근법의 핵심은 "정보를 수집하는 단계에서 AI가 맥락을 이해하고 분류·연결까지 해놓으면, 나중에 활용할 때 찾기 쉽고 연결이 매끄럽다"는 것입니다.

• 회의록 정리: 회의 녹취록에서 결정사항/과제/아이디어를 색상별로 분류하고, AI가 맥락 설명과 담당자 태깅

• 시장 조사: 여러 보고서에서 핵심 데이터를 추출하면서, AI가 "이건 우리 프로젝트의 X와 관련 있음"이라고 연결 제안

• 독서 모임: 여러 참가자의 하이라이트를 모아서, AI가 주제별로 묶고 토론 포인트 제안

핵심은 수집 단계에서 AI의 지능을 투입해서, 나중에 활용할 때의 비용을 미리 줄여놓는 것입니다.

🚀 앞으로의 계획

지금까지의 리딩로그는 개별 문헌 단위 전처리입니다. 한 권의 책/논문을 읽고, 그 안의 인용문을 추출하고, 맥락을 설명하고, 태깅하는 것. 다음 단계는 이렇게 쌓인 개별 노트들을 재료로 복수 문헌을 가로지르는 메타 전처리를 하려 합니다.

• 주제별 종합분석노트: 특정 주제에 관한 여러 저자의 논문/책의 인용문을 한 곳에 모아 비교 — 누가 뭐라고 했고, 어디서 갈리는지

• 저자별 시계열 분석노트: 한 저자가 시간에 걸쳐 자신의 논지를 어떻게 다듬어갔는지 한눈에 파악

개별 문헌에 달아둔 태그와 맥락 설명이 이 메타 전처리의 재료가 됩니다. 수집 단계에서 AI가 해둔 전처리가, 분석 단계에서 다시 한 번 AI의 재료가 되는 구조입니다.