2026년 7월 16일
"프롬프트 한 줄"로 유럽 2주 여행 계획 짜기
여러 도시를 도는 여행 계획은 AI 에이전트에 물어도, 지도앱과 스프레드시트를 오가도 같은 데서 막힙니다. 맥락은 흘리고, 좌표는 지어내고, 출처는 되짚을 수 없죠. 컨실리언스가 파리에서 빈까지 2주 일정을 짜는 과정을 기능별로 뜯어봅니다.
여러 도시를 도는 여행엔 이상한 법칙이 있어요. 가고 싶은 곳 목록은 5분이면 쓰는데, 그걸 "어느 도시 먼저, 뭘 먹고, 어디서 자고, 뭘 타고 이동할지"의 실제 동선으로 바꾸는 일은 출발 직전까지 미루게 되죠. 브라우저 탭을 47개쯤 열어 둔 채로요.
이 인류 최대의 난제를 컨실리언스에게 맡겨봤습니다. 파리, 암스테르담, 베를린, 프라하, 빈. 2026년 7월 20일 출발, 8월 3일 귀국의 14박 일정입니다. 흩어진 메모가 하루 단위 가이드북이 되는 과정을 따라가면서, 단계마다 어떤 기능이 일했는지, 다른 도구는 왜 막히는지 짚어 볼게요.
최종 갱신: 2026-07-16
복잡하고 긴 여행, 다들 어떻게 계획하나요
여행 동선을 짜는 방법은 대개 두 가지였죠. 지도앱·메모장·스프레드시트를 오가며 손으로 맞추거나, AI에게 통째로 질문하거나. AI 쪽은 선택지도 늘었습니다. ChatGPT, Claude, Gemini 같은 범용 AI 에이전트, Claude Code나 Cursor 같은 로컬 코딩 에이전트, NotebookLM처럼 문서를 올려두고 질문하는 전통적인 RAG 서비스까지.
하지만 어느 쪽도 여행 계획을 끝까지 책임지지 못해요. 수기 방식은 정확한 대신 노동입니다. 장소는 지도에, 메모는 노트에, 비용은 스프레드시트에 흩어져 있어 하나를 고치면 나머지를 손으로 다시 맞춰야 하죠. 범용 AI 에이전트는 대화가 길어지면 처음의 위시리스트를 흘리고, 좌표와 이동시간은 검증 없이 생성합니다. 출처는 되짚기 어렵죠. 반면 컨실리언스는 맥락을 유지하고 출처를 추적하며, 좌표·동선·이동시간을 실제로 계산합니다.
| 비교 | 지도앱+메모+시트 | 웹 범용에이전트 | 로컬 코딩에이전트 | 전통적인 RAG | 컨실리언스 |
|---|---|---|---|---|---|
| 출처 추적 | ✗ 없음 | ▵ 웹 검색분만 인용 | ▵ 세션 로그로 소급 | ✓ 청크 단위 인용 | ✓ 항목마다 출처 |
| 여러 도시 맥락 유지 | ▵ 사람이 수기로 | ✗ 컨텍스트 창 한계 | ✗ 세션마다 초기화 | ✓ 올린 문서 범위 안 | ✓ 그래프가 유지 |
| 좌표·이동시간 | ▵ 앱마다 따로, 수동 취합 | ✗ 검증 없이 생성 | ✗ 지도 도구 없음 | ✗ 지도 도구 없음 | ✓ 지오코딩·라우팅 서비스가 계산 |
| 화면 위 정보 넣기 | ▵ 수동 전사 | ▵ 스크린샷(비전 해석 의존) | ▵ 스크린샷(비전 해석 의존) | ✗ 파일 업로드만 | ✓ Appshot(이미지+위계 전사) |
| 결과물 | 흩어진 문서 여러 개 | 텍스트 답변 | 텍스트·코드 | 텍스트 답변 | 지도+가이드북(연결됨) |
이 모든 작업이 하나의 워크스페이스에서 이뤄집니다. 구조는 단순해요. 모든 자료가 지식그래프(KG) 하나로 연결되고, 그 위에서 지도뷰와 가이드북이 만들어집니다.
flowchart LR
W["흩어진 위시리스트<br/>(5개국)"] --> G{{"온톨로지 그래프"}}
R["딥리서치<br/>날씨·축제·요금"] --> G
S["Appshot<br/>예약·지도 화면"] --> G
G --> M["지도 캔버스<br/>지오코딩 경로 + 클러스터"]
G --> B["가이드북<br/>Day 1…14, 출처 포함"]
M <--> B이제 기능별로 뜯어볼게요.
한 줄이면 필요한 맥락만 정확히 뽑혀요: 온톨로지 그래프
AI 에이전트가 맥락을 흘리는 건 노트를 "대화에 붙인 텍스트 덩어리"로 다루기 때문이에요. 컨실리언스는 자료를 들여올 때부터 개체(entity)로 원자화한 후 관계(relation)로 연결합니다. 그래서 "여행 계획해" 한 줄이면 브리프, 위시리스트 5개, 동선 초안까지 딱 필요한 범위만 뽑혀 옵니다. 파일을 첨부할 필요가 없어요.
그리고 그래프의 모든 관계에는 근거가 된 원문 문장이 달립니다. 관계 칩에 마우스를 올리면 어느 노트의 어느 문장에서 왔는지 원문이 그대로 뜨죠. "그럴듯한 답"과 "되짚을 수 있는 답"의 차이예요.
다른 도구들과의 차이는 검색의 단위에 있습니다. 로컬 코딩 에이전트는 파일에 직접 닿지만 세션이 끝나면 맥락을 처음부터 다시 쌓습니다. 전통적인 RAG는 뜻이 비슷한 청크를 찾는 단일 검색이라 관계를 연역하는 질문에 약하고, 지도 같은 워크플로에 붙이려면 커스텀 개발이 필요합니다.
| 맥락 다루기 | 웹 범용에이전트 | 로컬 코딩에이전트 | 전통적인 RAG | 온톨로지 그래프 |
|---|---|---|---|---|
| 자료 접근 | ✗ 업로드·붙여넣기 한 것만 | ✓ 파일시스템 직접 접근 | ▵ 업로드한 문서의 청크 색인 | ✓ 볼트 전체를 개체·관계로 사전 색인 |
| 세션 종료 후 | ✗ 컨텍스트 창과 함께 소멸 | ✗ 매 세션 재탐색·재구축 | ✓ 문서 색인 유지 | ✓ 그래프에 영구 누적 |
| 관계·멀티홉 질문 | ✗ 멀티홉 추론에 가장 취약 | ▵ 확률적(grep+LLM 연쇄 추론) | ✗ 유사도 단일 검색으로 제한 | ✓ 그래프 순회(추가 토큰 0, 1초 미만) |
| 근거 되짚기 | ▵ 답변을 그대로 신뢰 | ▵ 세션 로그 수동 확인 | ✓ 청크 단위 인용 | ✓ 문장 단위 원문 인용 |
실제 좌표와 동선을 만드는 지도: 지도 캔버스
LLM에 "오르세 미술관 좌표 찍어줘" 하면 그럴듯한 숫자가 나옵니다. 문제는 확인하기 전엔 맞는지 알 수 없다는 것. 여행 지도에서는 위험하죠. 지도 캔버스는 이 계산에 모델 대신 지오코딩 기술을 씁니다. 좌표·거리·이동시간·경로가 전부 자동으로 계산되죠. 주소 없이 이름만 적힌 장소는 에이전트가 웹에서 확인한 뒤 지오코딩하고, 끝내 못 짚는 장소는 확실한 정보를 찾아내서 제시합니다.
결과는 이렇습니다. 위시리스트의 모든 장소가 도시별로 지도에 오르고, 초안 순서대로 도시 간 경로가 그려지고, 도시 안에서는 장소가 클러스터로 묶여 하루 동선이 한눈에 잡혀요. 이동시간은 실제 도로·철도 기준입니다. 핀을 누르면 "View in graph"로 그래프 노드까지 이어지죠.
| 장소를 지도에 | 지도앱+수기 | LLM에 좌표 묻기 | 컨실리언스 지도 캔버스 |
|---|---|---|---|
| 좌표·이동시간 | ▵ 정확하나 수동 | ✗ 생성값(검증 불가) | ✓ 서비스가 계산 |
| 못 짚는 장소 | ▵ 검색 실패로 방치 | ✗ 그대로 생성 | ✓ 확실한 정보로 보강 |
| 노트와 연결 | ✗ 없음 | ✗ 없음 | ✓ 핀 → 그래프 노드 |
AI 에이전트는 좌표를 그럴듯하게 지어내요. 컨실리언스는 확실한 것만 표시하죠.
컨실리언스를 더 마법처럼 만드는 둘: 딥리서치와 Appshot
위시리스트는 "어디"만 알려 줍니다. 어떻게 갈지, 날씨는 어떨지, 그 주에 도시에서 뭐가 열리는지는 두 도구가 채워요.
딥리서치는 /research 한 줄로 시작하는 조사원입니다. 웹을 훑어 구간별 기차 대 비행, 소요시간과 대략의 요금, 레일패스 손익을 물어오죠. 결과는 출처와 조회 날짜가 붙은 노트로 변환되고, 유럽 현지어 소스도 알아서 다룹니다. 계획을 흔드는 발견도 여기서 나왔어요. 암스테르담에서 베를린은 직통 기차로 약 6시간이 걸리는데, 오징어게임3를 정주행할 만큼 긴 시간이죠. 이 구간만큼은 기차와 비행기를 나란히 놓고 저울질했습니다.
| 내용 보충하기 | 직접 웹 검색 | AI 에이전트 답변 | 딥리서치 |
|---|---|---|---|
| 출처 | ▵ 직접 취합 | ✗ 대개 없음 | ✓ 사실마다 부착 |
| 최신성 | ✓ 최신 | ✗ 학습 시점 | ✓ 최신+"as of" 날짜 |
| 노트로 남는가 | ▵ 복사·붙여넣기 | ▵ 복사·붙여넣기 | ✓ 워크스페이스에 저장 |
이전까지 화면 정보를 LLM에 전달하는 방법은 스크린샷과 텍스트 복사, 둘뿐이었습니다. 스크린샷은 이미지만 남고, ⌘A 전체 복사는 위계가 뭉개집니다. 반면 Appshot은 열어 둔 앱 창을 단축키 한 번(양쪽 ⌘를 동시에 누르기)으로 가져오는 기능입니다. 화면 이미지와 함께, 창의 구조를 위계 그대로 전사한 텍스트를 같이 넣어요:
Window: "Amsterdam → Berlin, Sun 26 Jul - Deutsche Bahn", App: Chrome
표준 윈도우 Deutsche Bahn, URL: https://int.bahn.de/en/…
그룹 (settable, string) 출발편 목록
그룹 (settable, string) 오전 직통편
이미지 요금·소요시간
그룹 (settable, string) 오후 환승편
이미지 노선도Appshot은 비전 모델 없이 운영체제의 접근성 API로 창의 구조를 직접 읽습니다. 이미지와 첨부 칩은 대략 0.5초 안팎에 먼저 나타나고, 복잡한 웹페이지의 위계 전사는 몇 초 뒤 같은 첨부에 보강됩니다. 비전 토큰은 쓰지 않죠. 캡처에는 어느 앱, 어느 창, 어떤 URL인지도 함께 남습니다. "방금 캡처한 이미지에서 우상단을 확인한 후, 빨간 버튼 아래의 요금을 읽어서..." 같은 긴 설명은 필요 없어요. "요금을 비교표에 반영해 줘"면 충분합니다.
| 화면 정보 넣기 | 스크린샷 붙여넣기 | 전체 텍스트 복사(⌘A) | Appshot |
|---|---|---|---|
| 이미지 | ✓ 담김 | ✗ 없음 | ✓ 담김 |
| 텍스트·위계 | ✗ 이미지뿐 | ▵ 위계 손실 | ✓ 위계 그대로 전사 |
| 화면 읽기 비용 | ▵ 비전 토큰 | ✓ 없음 | ✓ 없음(접근성 API) |
| 출처(앱·창·URL) | ✗ 없음 | ✗ 없음 | ✓ 함께 담김 |
같은 흐름으로 날씨·숙소 권역·먹거리·이벤트가 도시별로 채워집니다. 파리 7월 20~22일, 암스테르담 7월 23~25일, 베를린 7월 26~28일, 프라하 7월 29~30일, 빈 7월 31일~8월 2일처럼 실제 체류일을 기준으로 조사하므로 이미 지난 행사가 일정에 섞이지 않습니다. 날짜와 장소가 맞는 이벤트만 지도 위에 올라가죠.
계획이 바뀌어도 걱정 없어요, 지식그래프가 스스로 반영하니까요
처음 여행을 결심한 시점부터 집에서 출발하는 순간까지 여행 계획은 52번쯤 수정됩니다. 심지어 여행 중에도 계속 바뀌죠. 컨실리언스는 이 많은 "의사결정들의 변천사"를 똑똑하게 저장합니다. 팔란티어가 흩어진 비정형데이터 더미에서 결정단위를 기록하고 계보로 잇는 기술이죠. "암스테르담에서 베를린은 기차로 간다"고 적으면 결정으로 남고, 나중에 "역시 그 구간은 비행기"로 바꾸면 새 결정이 옛 결정을 대체하고, 그 대체 이력은 보존돼요. 열린 질문 노트의 물음들도 미결 질문으로 잡혀 하나씩 닫힙니다. "숙소는 뭐로 결정했더라?" 한 줄이면 최신 결정만 돌아오죠. LLM의 메모리시스템에 의존하지 않습니다. 컨실리언스는 주사위를 던지지 않죠.
계획이 바뀌는 건 막을 수 없어요. 옛 계획이 새 계획인 척하는 건 막을 수 있죠.
지도와 가이드북을 한 번에 써요
"걷기 좋은 순서로 가이드북 만들어 줘." 이 정도 부탁이면 7월 20일 Day 1부터 8월 2일 Day 14까지 돌아옵니다. 8월 3일은 빈에서 귀국하는 날로 따로 표시돼요. 하루하루는 도시 클러스터를 순서대로 걷고, 이동일에는 기차나 비행이 실리고, 각 항목에는 출처가 달려 있습니다. 하루를 열면 그날의 지도가 함께 뜹니다.
지도에서 아무 핀이나 눌러 보세요. "View in graph" 한 번이면 그 장소의 그래프 노드로 건너뛰고, 가이드북 속 장소 이름(위키링크)을 누르면 원 노트가 열립니다. 일정과 지도가 처음부터 같은 그래프를 읽고 쓰는 덕분입니다. 따로 만들어 수동으로 맞출 일이 없죠.
일정과 지도는 두 개의 파일이 아니라, 한 그래프의 두 화면이에요.
무엇이 이걸 가능하게 했을까요
마법이 아니라, 같은 그래프 위에서 조합된 기능들입니다.
- 온톨로지 그래프: 흩어진 맥락을 알아서 연결해 불러오고, 관계마다 원문 문장을 근거로 남깁니다.
- 지도 캔버스: 내장 지오코딩·라우팅으로 좌표와 경로를 계산하고, 주소 없는 장소는 조사해서 찾아냅니다.
- 딥리서치(`/research`): 웹을 훑어 출처와 날짜가 붙은 노트를 남깁니다.
- Appshot: 화면 위 정보를 이미지와 위계 전사 텍스트로 한 번에 가져옵니다.
- 결정 추적: 새 결정이 옛 결정을 대체해, 그래프는 늘 최신 계획을 압니다.
- 글쓰기: 같은 그래프에서 지도와 가이드북을 함께 저작합니다.
이 글에서는 컨실리언스를 사용해서 5개국 2주 여행이 지도로 그려지고 자동 최신화되는 가이드북을 만들어봤어요. 여행 뿐 아니라 자료와 맥락이 넘치는 곳이라면 어디든 강력하고 똑똑하고 빠르게 처리합니다. 논문 리뷰든 제품 관리든 에이전트에게 맥락을 설명하고 의도를 구체화하고, 질문을 반복하고 계신가요?
자주 묻는 질문
노트를 매번 첨부해야 하나요?
아니요. 노트가 온톨로지 그래프에 관계로 연결돼 있어, 한 줄 지시면 관련 노트가 알아서 딸려 옵니다. 어떤 근거가 쓰였는지는 관계마다 달리는 원문 문장 인용으로 되짚을 수 있어요.
경로나 이동시간을 AI가 지어내는 건 아닌가요?
아닙니다. 좌표·거리·경로·이동시간은 지오코딩·라우팅 서비스가 계산하고, 모델은 그 결과를 받아 쓸 뿐이에요. 끝내 못 짚는 장소는 핀 대신 "모르겠다"로 표시됩니다.
Appshot은 스크린샷 붙여넣기와 뭐가 다른가요?
스크린샷은 이미지뿐이라 비전 모델의 해석에 기대야 합니다. Appshot은 운영체제의 접근성 API로 창의 구조를 위계 그대로 전사해, 이미지와 텍스트를 함께 가져와요. 어느 앱·어느 창·어떤 URL인지도 같이 남습니다.
출처: 도시·구역 정보는 WikiVoyage(CC BY-SA 4.0)를 사용했습니다. 날씨·요금·이벤트 날짜는 조회 시점의 값이며, 본문에 조회 날짜를 함께 적었습니다.