content-digest

Content Digest

콘텐츠 → Quiz-First 학습 → 선택적 깊이 탐색 → 근본 개념 확장.

Task Agent 기반 설계: 긴 컨텍스트는 subagent가 처리하고, 메인 세션은 최종 결론만 소비

아키텍처 원칙

1. Context Separation: 긴 자막/본문은 Task agent가 처리, 메인 세션은 가벼운 md 파일만 Read
2. Clean Transcript: 자막에서 번호, 시간 제거 → 순수 영어 텍스트만 추출
3. Web Research Integration: 추출된 키워드로 자동 웹 리서치
4. Single Output: 모든 처리 결과는 단일 md 파일로 저장

지원 콘텐츠

핵심 원칙

1. Quiz-First: 요약 보기 전에 퀴즈부터 (Pretesting Effect → 9-12% 향상)
2. Knowledge Gap: 틀린 문제가 호기심을 만들고, 호기심이 기억을 강화
3. 선택적 깊이: 사용자가 더 알고 싶은 부분만 깊게
4. 근본 확장: 콘텐츠 너머의 기초 개념까지 웹 검색으로 확장

워크플로우 개요 (Task Agent 기반)

Phase 1: 콘텐츠 타입 감지
Phase 2: Task Agent 실행 (콘텐츠 추출 + 정제 + 웹 리서치 + md 저장)
Phase 3: 메인 세션에서 결과 md Read
Phase 4: Pre-Quiz (3문제)
Phase 5: 선택적 콘텐츠 제공
Phase 6: 본 퀴즈 (9문제)
Phase 7: Elaborative Interrogation
Phase 8: Foundation Expansion
Phase 9: 스키마 연결
Phase 10: 문서 업데이트 (퀴즈 결과 반영)
Phase 11: 후속 선택

Phase 1: 콘텐츠 타입 감지

입력 패턴에 따라 콘텐츠 타입 자동 결정:

명확하지 않으면 사용자에게 확인:

AskUserQuestion:
questions:
  - question: "어떤 콘텐츠를 분석할까요?"

Phase 2: Task Agent 실행 (핵심)

메인 세션의 context를 보호하면서 긴 콘텐츠를 처리

2-1. Task Agent 호출 패턴

2-2. X/Twitter 추출 (fetch-tweet 스킬 활용)

Task Agent 불필요 - fetch-tweet 스크립트로 직접 추출 (짧은 콘텐츠)

JSON 응답에서 활용할 필드:

• tweet.text: 트윗 본문
• tweet.author: 작성자 정보 (name, bio, followers)
• tweet.likes/retweets/views: 인게이지먼트
• tweet.quote: 인용 트윗 (있을 경우 동일 구조)
• tweet.media: 첨부 이미지/영상

트윗은 짧으므로 Task Agent 없이 메인 세션에서 직접 처리. 인용 트윗이 있으면 함께 포함하여 분석. 저장 경로: research/digests/tweet/{YYYY-MM-DD}-{author}-{short-topic}.md

2-3. YouTube 추출 (Task Agent 내부)

정제 결과: 순수 영어 텍스트만 남음 (시간, 번호, 중복 없음)

2-4. Webpage 추출 (Task Agent 내부)

2-5. PDF 추출 (Task Agent 내부)

2-6. 웹 리서치 (Task Agent 내부)

추출된 텍스트에서 핵심 키워드 5-10개 식별 후:

2-7. 최종 md 파일 저장 (Task Agent 내부)

경로: research/digests/{type}/{YYYY-MM-DD}-{sanitized-title}.md

Phase 3: 메인 세션에서 결과 Read

Task Agent 완료 후:

메인 세션은 정제된 md 파일만 읽음 → context 효율 극대화

Phase 4: Pre-Quiz (핵심)

목적: 정보 갭 생성 → 주의력 프라이밍 → 능동적 학습 유도

퀴즈 출제 원칙

핵심 주제만 질문: 사소한 세부사항이나 숫자가 아닌, 콘텐츠의 핵심 메시지와 직결되는 내용만 출제

• ✅ 핵심 개념, 주요 원칙, 저자의 핵심 주장
• ❌ 날짜, 통계 수치, 부수적 예시, 지엽적 세부사항

결과 md 파일의 "Quiz 재료" 섹션을 활용하여 3문제 출제:

결과 처리:

• 정답/오답 즉시 표시
• 틀린 문제 → "이 부분을 콘텐츠에서 확인해보세요" 안내
• Knowledge Gap 생성: "이제 콘텐츠를 보면 답을 찾고 싶어질 것입니다"

Phase 5: 선택적 콘텐츠 제공

Pre-Quiz 결과에 따라 사용자에게 선택지 제공:

5-1. 틀린 문제 관련 섹션

Pre-Quiz 오답과 관련된 섹션만 추출:

• YouTube: 해당 타임스탬프
• Webpage: 관련 단락
• PDF: 해당 페이지/섹션

5-2. 핵심 인사이트 (간결 모드)

5-3. 전체 요약 + 인사이트

Phase 6: 본 퀴즈 (9문제)

3단계 × 3문제. AskUserQuestion으로 각 단계 진행.

출제 원칙: 모든 문제는 콘텐츠의 핵심 주제와 직결되어야 함. 지엽적 세부사항, 날짜, 통계 수치는 출제 금지.

문제 유형 상세: references/quiz-patterns.md

즉각 피드백: 각 단계 완료 후 정답/해설 즉시 제공

Phase 7: Elaborative Interrogation

"왜?" 질문이 깊은 처리를 유발 (76% vs 69% 정답률 향상)

퀴즈 완료 후, 핵심 개념에 대해 심화 질문:

선택된 개념에 대해:

1. "왜 이것이 사실인가?" 질문과 답변
2. 콘텐츠 내 근거 위치 (타임스탬프/페이지/섹션)
3. 웹 검색으로 추가 맥락 제공

Phase 8: Foundation Expansion (근본 확장)

콘텐츠 너머의 기초 지식 확장

8-1. 기초 개념 웹 검색 (WebSearch 병렬 3-5개)

8-2. 근본 지식 정리

Phase 9: 스키마 연결 (이전 학습과 연결)

기존 지식과 연결할 때 학습 효과 극대화

research/digests/ 폴더의 기존 다이제스트 스캔:

## 관련 학습 기록
 
이 콘텐츠와 연결되는 이전 학습:
 
| 콘텐츠 | 타입 | 연결 포인트 | 날짜 |
|-------|------|------------|------|
| {이전 제목} | {youtube/web/pdf} | {공통 개념/대조되는 관점} | {날짜} |
 
### 지식 네트워크
 
```mermaid
graph LR
    A[이번 콘텐츠] --> B[공통 개념]
    C[이전 콘텐츠 1] --> B
    D[이전 콘텐츠 2] --> B

 
---
 
## Phase 10: 문서 업데이트 (퀴즈 결과 반영)
 
Task Agent가 저장한 md 파일에 퀴즈 결과 추가:
 
```markdown
## Pre-Quiz 결과
{점수 및 Knowledge Gap 기록}
 
## 본 퀴즈 결과
{점수, 오답 노트}
 
## Elaborative Interrogation
{선택한 개념에 대한 심화 탐구}

기본 콘텐츠는 Phase 2에서 이미 저장됨. 여기서는 학습 결과만 추가.

Phase 11: 후속 선택

AskUserQuestion:
questions:
  - question: "다음으로 무엇을 하시겠습니까?"
    header: "Next"
    options:
      - label: "다른 문제로 재퀴즈"
        description: "같은 콘텐츠, 새로운 9문제"
      - label: "Deep Research"
        description: "웹 심층 조사로 확장 (references/deep-research.md)"
      - label: "관련 콘텐츠 추천"
        description: "이 주제의 다른 콘텐츠 찾기"
      - label: "종료"
        description: "학습 완료"

필수: Quiz-First 모드

모드 선택 없음. 항상 Quiz-First로 진행.

연구에 따르면 학습 전 테스트가 9-12% 향상 효과를 가져오며, 요약을 먼저 보면 이 효과가 사라짐.

워크플로우 (고정):
1. 콘텐츠 타입 감지
2. Task Agent 실행 (추출 + 정제 + 웹 리서치 + md 저장)
3. 메인 세션에서 결과 md Read
4. Pre-Quiz (3문제) ← 반드시 먼저
5. 선택적 콘텐츠 제공
6. 본 퀴즈 (9문제)
7-9. 심화 학습 (Elaboration, Foundation, 스키마)
10. 문서 업데이트
11. 후속 선택

사용자가 "요약만", "퀴즈 없이" 등을 요청해도:

• "Quiz-First가 학습 효과가 9-12% 더 높습니다. 먼저 3문제만 풀어볼까요?"
• 강하게 요청 시에만 요약 제공, 단 퀴즈 권유 메시지 포함

콘텐츠 타입별 참고사항

YouTube

자막 언어 우선순위

1. 한국어 수동 → 2. 영어 수동 → 3. 한국어 자동 → 4. 영어 자동

yt-dlp 옵션

• --list-subs: 자막 목록 확인
• --cookies-from-browser chrome: 로그인 필요 시

Webpage

항상 claude-in-chrome 사용. WebFetch 사용 금지.

claude-in-chrome 워크플로우

1. tabs_context_mcp로 탭 컨텍스트 확인
2. tabs_create_mcp로 새 탭 생성
3. navigate로 URL 이동
4. get_page_text로 텍스트 추출
5. scroll로 전체 콘텐츠 로드 (무한 스크롤 대응)
6. get_page_text 재호출로 추가 콘텐츠 확인
7. read_page로 구조 파악 (필요시)

장점

• 동적 콘텐츠 완벽 지원
• 페이월/로그인 콘텐츠 접근 가능
• 무한 스크롤 페이지 처리
• 본문 전체를 정확히 가져옴

PDF

Read 도구 특성

• 텍스트와 이미지를 동시에 인식
• 페이지별로 처리
• 표/차트 구조 인식 가능

대용량 PDF

• 페이지 범위 지정하여 분할 처리
• 목차 먼저 확인 후 관심 섹션 집중

리소스

• scripts/extract_metadata.sh - YouTube 메타데이터 추출
• scripts/extract_transcript.sh - YouTube 자막 추출
• references/quiz-patterns.md - 퀴즈 문제 유형 상세
• references/deep-research.md - Deep Research 워크플로우
• references/learning-science.md - 학습 과학 연구 근거

학습 과학 근거

이 워크플로우는 다음 연구에 기반:

1. Pretesting Effect (Richland et al., Roediger & Karpicke)

   • 학습 전 테스트 → 9-12% 향상, effect size g = 0.34-0.54

2. Information Gap Theory (Loewenstein, 1994)

   • 지식 갭 인식 → 도파민 회로 활성화 → 기억 강화

3. Elaborative Interrogation (Dunlosky et al., 2013)

   • "왜?" 질문 → 깊은 처리 → 76% vs 69% 정답률

4. PACE Framework (Gruber et al., 2019)

   • 호기심 상태에서 무관한 정보도 기억력 향상

상세: references/learning-science.md