번역 결과
저번 달에 Claude를 Pro에서 Max로 $200/월로 업그레이드했는데, 드디어 충분할 거라고 생각했습니다.
5일 차: 주간 한도 소진.
사용 로그를 살펴보니 돈이 어디로 갔는지 정확히 보였습니다. 논문 47편을 조사한 단일 오후 세션 한 번에 주간 한도의 10%를 소진했습니다. 이걸 주 2-3회 실행하면 한도가 당연히 버티지 못합니다.
문제는 제가 계속 Claude가 잘하지 못하는 일을 시켰다는 점이었습니다—전문(full-text) 검색 엔진 역할을 말이죠.
50k 글자짜리 로그를 대화에 집어넣고 질문을 하면 매번 전체 로그가 입력 토큰으로 계산됩니다. 프롬프트 캐시(가격이 1/10)를 쳐도 메인 세션은 턴을 거듭할수록 천천히 누적됩니다. 더 나쁜 건 캐시 TTL이 1시간이라 너무 오래 기다리면 다시 정가로 써야 한다는 점입니다. 변호사에게 질문하는데 매번 50페이지 계약서를 소리 내서 읽게 하는 것과 같습니다.
Claude Code는 추론, 오케스트레이션, 코딩에 탁월합니다. 원자료(raw source material)는 다른 도구가 처리하고 Claude는 결론만 보는 게 맞습니다. 이 논리에 따라 NotebookLM이 떠올랐습니다.
이 구성 가이드를 따르면 $20 계정으로 $200 계정의 일을 할 수 있습니다.
가이드
긴 글입니다. 관심 있는 부분으로 건너뛰세요:
- I: NotebookLM이란? + 무엇을 할 수 있나?
- II: 왜 Claude 레이어를 추가하는가?
- III: 스킬 설치 (10분 설정)
- IV: 실제 토큰 청구서 + 원리 분석
- V: 연구자/학생용 워크플로
- VI: IPO/투자설명서 열람용 워크플로
- VII: 개인 지식 베이스용 워크플로
- 요약
워크플로를 먼저 보고 싶다면 바로 V부로 건너뛰세요.
한 줄 요지:
Claude 토큰을 진짜로 절약하는 방법은 캐시를 활성화하는 것이 아니라, 무거운 데이터가 Claude에 절대 들어가지 않게 하는 것입니다.
구체적으로: NotebookLM이 저장 및 검색을 담당하고, Claude가 추론 및 오케스트레이션을 담당합니다. 역할 분담이 명확하며, 이 비유로 요약됩니다:
NotebookLM은 교사(Teacher)입니다
: 수집한 논문, 재무 보고서, 노트가 지식 기반을 이룹니다. 질문하면 출처와 함께 경험을 바탕으로 답변하며, 소스 범위 내에서 환각 없이 응답합니다.
Claude는 비서(Assistant)입니다
: 코드 작성, 스크립트 실행, 결과 정리, 도구 오케스트레이션을 담당합니다. 모르는 내용은 교사에게 물어보고 답을 받아 계속 작업합니다.
당신은 프로젝트 리드(Project Lead)입니다
: 핵심 결정 지점에서만 개입합니다.
핵심 원리: 이 역할 분담이 비용을 절약하는 이유
1. RAG vs. Context Stuffing은 서로 다른 비용 모델입니다.
50k 글자를 Claude 채팅에 집어넣으면 입력 토큰으로 계산됩니다. 질문할 때마다 다시 "확인"해야 하며, 비용은 자료 크기에 선형적으로 증가합니다. RAG를 사용하면 NotebookLM이 내부적으로 벡터 검색으로 관련 스니펫을 조회하고, Claude는 수백 단어로 증류된 답변만 보게 되어 비용이 거의 일정합니다.
2. 프롬프트 캐시 TTL이 1시간이며, 연구 시나리오에서 적중률이 낮습니다.
많은 사람들이 캐시를 활성화하면 모든 문제가 해결된다고 생각합니다. 현실적으로 Anthropic의 프롬프트 캐시는 기본 1시간 만료됩니다. 몇 분 생각하거나, 작업을 전환하거나, 새 세션을 열면 다음 호출에서 cache_creation 정가로 캐시를 다시 써야 합니다. 연구 세션은 "질문 → 생각 → 다시 질문" 리듬을 따르며, 적중률이 매우 낮은 경우가 많습니다. 이것이 청구서가 치솟는 진짜 원인입니다.
3. 사실 기반 출력이 더 효율적입니다.
NotebookLM의 답변은 업로드한 소스로 제한되며, 모든 문장에 [1][2] 인용이 본문으로 연결됩니다. 허위 정보를 만들지 않습니다. Claude가 이 답변을 의사 결정에 사용할 때 계속 "다시 확인"하라고 할 필요가 없어, 측정할 수 없는 시간을 절약합니다.
이 글을 건너뛰어야 할 사람:
- 자료 < 5k 토큰 또는 한두 번만 확인하는 경우 → 그냥 Claude에게 직접 물어보세요.
- 워크플로 통합 없이 순수 Q&A만 필요한 경우 → 그냥 NotebookLM 웹 인터페이스를 사용하세요.
- 청구서보다 응답 속도를 중시하는 경우 → 이 방법은 약 3배 느립니다.
- 코드 구조/정의를 이해해야 하는 경우 → NotebookLM은 텍스트 RAG에 더 좋습니다.
계속 읽어야 할 사람:
- 구체적인 설치 단계와 피해야 할 함정을 원하는 분.
- 시나리오가 명령 수준으로 어떻게 변환되는지 보고 싶은 분.
- Claude Code를 사용하면서 NotebookLM을 스킬로 전환하려는 분.
I부: NotebookLM 알아보기
NotebookLM을 처음 연 것은 친구 추천 때문이었습니다. 논문에 대한 친구의 독서 목록은 60편이 넘었습니다. 예전에는 PDF에서 Ctrl-F로 찾았지만, 이제는 모든 것을 하나의 노트북에 넣고 "관점 X를 지지하는 사람은 누구, 반대하는 사람은 누구, 이견은 어디?"라고 질문합니다. 답변은 [1][2][3] 인용과 함께 정확한 문단으로 이동합니다.
친구는 일주일에 10시간 이상 절약한다고 말했습니다.
저는 회의적으로 일주일 사용해보고 중독됐습니다. NotebookLM의 장점은 다음과 같습니다:
- 무료 50개 소스 / Pro 300개 소스 지원.
- 처리 능력은 무료입니다—업로드, 인덱싱, 생성, 채팅 모두 Google의 컴퓨팅을 사용합니다.
- Q&A 외에도 오디오 팟캐스트(출퇴근용 최고), 마인드맵, PPT, 플래시카드 등을 노트북에서 자동 생성할 수 있습니다.
- 팟캐스트가 놀랍습니다—두 AI "낯선 사람"이 당신이 생각하지 못한 각도에서 자료를 논의하는 것을 들으면 종종 새로운 통찰이 드러납니다.
형식은 문제가 되지 않습니다: PDF, URL, YouTube 자막, Google Docs, 일반 텍스트, 이미지 OCR, 오디오 자막 등이 소스가 될 수 있습니다.
많은 사람에게 NotebookLM은 이미 강력한 독립 도구입니다. 필요가 단순히 "앉아서 질문하기"라면 여기서 읽기를 멈추셔도 됩니다.
하지만 두 가지 지점에서 막힌다는 것을 발견했습니다:
1. 컨텍스트 전환이 흐름을 깨뜨립니다.
주제 연구: 질문하기 → 답변 받기 → 인용 클릭하여 소스로 이동 → 섹션 읽기 → 노트북으로 돌아가 답변 복사 → Claude Code로 전환하여 사용 → 실험 실행 → 누락된 소스 발견 → Google 검색으로 전환 → 다운로드 → 노트북으로 돌아가 소스 추가 → 계속 질문하기... 오후에 탭 200번 전환하기.
2. 로컬 도구에서 고립되어 있습니다.
온라인 장애를 해결할 때 노트북에서 로그를 검색할 수 있습니다. 하지만 터미널에서 로컬 설정을 grep하고, k8s 이벤트를 확인하고, 파드를 띄워야 합니다—웹 앱은 로컬 명령을 실행할 수 없습니다. 항상 "웹에서 읽기 → 수동으로 입력 → 다시 전환"입니다.
NotebookLM 웹 앱은 자신을 최종 목적지(destination)로 포지셔닝합니다. 질문하고 답변하면 끝입니다. 하지만 저는 이 앱이 조립 라인의 연결 고리(link in the assembly line) 가 되길 원합니다—예약되고, 배치 처리되며, 출력이 다음 단계로 흘러가도록요.
이것이 Claude가 등장하는 지점입니다.
II부: Claude 레이어 추가하기
NotebookLM을 Claude의 도구로 전환합니다. 한 가지면 충분합니다: Claude가 도메인 지식이 필요할 때 교사에게 묻습니다.
흐름
교사(NotebookLM)는 읽기 전용 헬프 데스크입니다: 논문 47편을 한 번 덤프하고 그대로 둡니다. 질문을 기다리며 그대로 있습니다. 노트나 코드를 다시 주입할 필요가 없습니다—논문에 담긴 관점만으로 모든 쿼리를 지원할 수 있습니다.
다음 프롬프트는 여섯 단계, 규율, 특정 노트북 ID를 Claude Code가 실행할 수 있는 형식으로 인코딩합니다 (ID를 교체하는 것을 잊지 마세요):
1# 역할2당신은 나의 연구 보조원입니다. 내 주제 교사는 47편의 관련 논문이 포함된 고정 NotebookLM 노트북(id: 6634ad4d-0594-4700-bddf-4a400ad46fa2)입니다.3설치된 notebooklm 스킬(`/notecraft chat` 명령어)을 통해 교사와 대화합니다.45# 철칙61. 논문 관점, 공식, 방법, 알려진 함정에 대한 모든 질문은 **먼저 /notecraft chat을 통해 교사에게 물어보세요**.7 기억에서 답하지 말고, 논문 텍스트를 채팅에 붙여넣으라고 요청하지 마세요.82. 교사는 **읽기 전용 헬프 데스크**입니다: 노트, 코드, 실험 결과를 노트북에 다시 주입하지 마세요.9 지식 베이스는 47편의 논문으로 정적 상태를 유지합니다.103. 교사의 답변에는 [1][2] 인용이 포함됩니다. 이 인용을 당신의 출력물에 그대로 유지하세요.114. 중간에 교사에게 다시 물어볼지 스스로 결정하세요—모든 단계를 나와 확인할 필요는 없습니다.125. 교사가 답할 수 없거나 인용이 약하면 명시적으로 "교사가 답할 수 없음"이라고 말하세요; 환각하지 마세요.1314# 워크플로15① 내가 주제/하위 문제를 제시합니다.16② 도메인 지식이 필요한 지점(논문 관점, 이전 방법, 공식, 실패 모드)을 식별합니다.17③ /notecraft chat을 통해 이 지점에 대해 교사에게 질문하여 인용된 답변을 얻습니다.18④ 답변으로 실행을 추진합니다: 코드 작성, 스크립트 실행, 로컬 파일 grep, 결과 정리.19⑤ 실행 중 새로운 질문이 생기면 ③으로 돌아가 교사에게 해결될 때까지 질문합니다.20⑥ 최종 출력:21 - 결론(교사의 [인용] 포함)22 - 당신의 코드 / 실험 결과23 - 교사가 다루지 않은 미해결 질문을 위한 별도 섹션2425# 출력 형식26모든 전달에 이 뼈대를 사용하세요:2728## 교사가 말한 것29(/notecraft chat의 핵심 포인트, [인용] 유지)3031## 내가 한 일32(작성한 코드 / 실행한 명령어 / 관찰한 결과)3334## 결론35(원래 주제에 대한 답변)3637## 교사가 다루지 않은 내용38(교사가 답할 수 없거나 인용이 약했던 지점, 수동 후속 조치용)3940# 시작41내 첫 주제는: <여기에 질문을 작성하세요>
핵심 takeaways:
- 47편의 논문이 Claude 채팅에 절대 들어가지 않습니다—메인 세션 토큰은 추론과 코드에만 사용됩니다.
- 교사는 참고만 되고 실행에는 관여하지 않습니다—강점은 인용된 도메인 검색입니다.
- 당신은 ① 단계에서만 개입합니다—Claude가 교사에게 물어볼 시점을 결정합니다.
- 지식 베이스는 정적입니다—47편의 논문으로 충분합니다.
이것이 "분리해서 사용하는 것"보다 "연결하는 것"이 더 강력한 이유입니다: 절약된 탭 전환과 토큰은 보너스 혜택입니다. 이 혜택이 얼마나 큰지 살펴보겠습니다.
III부: NotebookLM 클라이언트 및 스킬 설치하기
Google은 공식 NotebookLM 클라이언트를 제공하지 않지만, @icebear0828이 서드파티 클라이언트를 작성했습니다. 설치 후 에이전트가 명령줄이나 자연어로 NotebookLM에 접근할 수 있습니다.
https://github.com/icebear0828/notebooklm-client
기본 설치:
1# 클라이언트 설치2npm i notebooklm-client34# 로그인 세션 내보내기 (Google 로그인을 위해 브라우저 열림)5npx notebooklm export-session67# 노트북과 채팅8# npx notebooklm chat <notebook-id> --transport auto --question "이것을 요약해 줘"910# 설치 후 에이전트에서 `/notecraft`를 사용하여 NotebookLM 작업 자동화11npx notebooklm skill install
설치 후 채팅에서 "그 노트북의 X 부분을 확인해 줘"라고 말하면 Claude가 자동으로 호출합니다—매번 구문을 설명할 필요가 없습니다.
IV부: 실제 테스트—얼마나 많은 비용이 절약되나? (Opus 4.7)
이 숫자는 시뮬레이션이 아니라 Claude Code의 세션 로그에서 가져온 실제 연구 세션입니다.
NotebookLM 쪽에서 업로드, 검색, 생성은 전적으로 Google이 무료로 제공하며 청구서에 포함되지 않습니다. 아래 모든 숫자는 Claude Opus 쪽만 계산합니다.
테스트 설정:
- 자료: Image + LiDAR SLAM 관련 논문 47편, 모두 하나의 NotebookLM 노트북에 있음.
- 모델: Claude Opus 4.7
- 턴: 심층 Q&A 5라운드 ("최고의 SLAM 재구성 방법"부터 "3DGS vs NeRF 백엔드의 함정"까지).
- 방법: Claude Code에서 일반 대화, 보조원이 각 라운드마다
/notecraft chat호출.
결과 (이 방법):
청구서는 토큰 입력 + cache_creation 및 출력에 의해 결정됩니다. 더 저렴한 요금(cache_read + 입력)은 가격의 1/10 미만이므로 비싼 부분에 집중하겠습니다:
5라운드 총액: $0.55, 라운드당 약 $0.11.
핵심 수치: cache_creation은 17,379에 불과했습니다.
cache_creation은 캐시에 새 콘텐츠를 쓰는 토큰 수입니다. 이 5라운드에서 교사의 답변(~3-6k 토큰) + 작은 시스템 증분만 캐시되어 총 17,000을 기록했습니다.
47편의 논문 중 단 한 단어도 Claude의 `cache_creation`에 들어가지 않았습니다—이것이 절약의 비결입니다.
비교: 47편의 논문을 프롬프트에 직접 넣기
47편의 논문 총 384,000 단어 ≈ 500,000 토큰. 전통적인 프롬프트 스터핑은 다음과 같습니다:
가장 공정한 비교는 두 번째 행(단일 세션, 여러 턴)—전통적인 방법의 최상의 시나리오입니다. 그래도 5라운드 비용 차이는 17배($9.59 vs $0.55)입니다. 세션 간 시나리오는 더 나쁩니다(86배).
전통적인 방식에서 캐시가 왜 도움이 안 될까요? Anthropic의 캐시는 유료 등급에서 기본 1시간입니다. 생각하거나, 창을 전환하거나, 새 세션을 시작하는 동안 이전 캐시는 종종 제거됩니다.
이 방법에서는 논문이 Claude에 절대 들어가지 않으므로 캐시 적중률은 중요하지 않습니다.
자료가 두 배(100, 200편)가 되면 격차는 선형적으로 벌어집니다. 전통적인 cache_creation은 논문 수에 따라 증가하지만, 이 방법은 거의 일정하게 유지됩니다.
Opus에서 연구를 실행하는 사람들에게: 1년 연구 세션은 $2,000 차이를 의미할 수 있습니다—단지 논문을 Claude에서 제외하는 것만으로 Max로 다시 업그레이드할 만큼 절약됩니다.
대가: 3배 느림
작업 | 중앙 시간 |
|---|---|
노트북 생성 + 소스 추가 | 10-15초 |
NotebookLM 채팅 | 16-48초 (중앙값 ~45초) |
Claude Opus 단일 쿼리 (NotebookLM 없음) | 20-35초 |
응답 시간(초)이 월 청구서보다 중요하다면 이 설정은 적합하지 않습니다.
다음 섹션에서는 NotebookLM에 적합한 세 가지 워크플로를 설명합니다.
V부: 연구자/학생 워크플로
독서 목록은 자연스러운 지식 경계입니다.
통증 포인트: 한 학기에 수십 편의 논문, 같은 PDF를 반복해서 확인합니다. Ctrl-F는 지치고, ChatGPT는 인용 없이 환각할 수 있습니다.
자료 레시피 (한 번 업로드하면 한 학기 내내 사용):
- 주제 관련 논문 PDF 20-50개
- 강의 계획서, 강의 필기록
- 지도교수 이메일, 초안 장, 독서 노트
교사를 위한 킬러 질문:
- "결론이 상충되는 두 논문은 무엇이며, 어떤 가정에서 그런가?"
- "방법 X가 이 코퍼스에 몇 번 나타나며, 어떻게 사용되나?"
- "논문 A의 공식 3과 논문 B의 공식 7이 실제로 동등한가?"
Claude의 역할: 프로젝트를 진행합니다—교사로부터 개념/공식을 얻음 → 코드를 작성하여 복제 → 실험 실행 → 노트 정리. 원시 논문은 Claude 세션에 절대 들어가지 않습니다.
VI부: IPO/투자설명서 워크플로
투자설명서는 300-600페이지이며, 투자 창은 단 3일입니다. 인간이 제때 다 읽을 수 없습니다.
통증 포인트: IPO는 빠르게 진행됩니다. 문서는 500페이지 이상으로 회사 역사, 비즈니스 모델, 재무, 위험, 코너스톤 투자자를 다룹니다. 하나를 읽는 데 최소 4시간이 걸립니다. 주당 5-8개 IPO면 불가능합니다.
가장 가치 있는 정보는 자기 칭찬이 아니라 위험 요소와 특수관계자 거래에 숨겨진 "위험 신호"입니다. 인간은 이를 놓치기 쉽습니다.
자료 레시피 (회사당 하나의 노트북):
- 전체 투자설명서—핵심.
- 코너스톤 투자자 공시—누가 얼마나 오랫동안 지원하는가?
- 경쟁사 재무 보고서—가치 평가 벤치마크.
- 주관사/인수인 연구—공식 가격 책정 논리.
- 경영진 인터뷰 및 과거 자금 조달 라운드—가치 평가 점프.
교사를 위한 킬러 질문:
투자 여부를 결정하기 위해 보통 몇 시간이 걸리는 다음 8가지 질문을 하세요:
- "핵심 제품은 무엇인가? 3년간 수익 구조 변화는? 고객 집중도는?"
- "경쟁사(A, B, C)와 총이익률, 성장률, R&D 측면에서 어떻게 비교되는가?"
- "코너스톤 투자자는 누구이며, 금액과 락업 기간은?"
- "자금 사용 계획을 분석하라. 가장 큰 부분은? IPO 후 희석율은?"
- "어떤 위험 요소가 업계 전체 vs. 회사 고유인가?"
- "과거 가치 평가: 마지막 라운드에서 IPO까지 점프 배수는? 마지막 라운드 락업은?"
- "일회성 이익이 이익을 부풀리는 징후가 있는가? 3년간 현금 흐름이 순이익과 일치하는가?"
- "특수관계자 거래가 수익에서 차지하는 비율은? 상위 5개 고객 중 특수관계자가 있는가?"
모든 답변에 [페이지 번호] 인용이 포함됩니다.
Claude의 역할:
배치 처리가 이 워크플로의 핵심입니다:
주간 IPO 풀 = [주식 A, 주식 B, 주식 C, ...]
Claude가 8개 회사를 하나의 마크다운 의사 결정 테이블로 요약합니다 → 당신은 15분 만에 스캔하고 순서를 정합니다.
5-8개 IPO = 40-64개 쿼리. 총 자료는 약 100만 토큰입니다. 전통적인 방법은 주당 $50 이상을 태우지만, 이 방법은 $2 미만입니다.
VII부: 개인 지식 베이스 워크플로
당신의 "두 번째 뇌"를 구축하세요.
통증 포인트: Obsidian 검색은 키워드만 인식합니다. "3년 동안 X에 대한 내 관점이 어떻게 변했는가?"에 답할 수 없습니다. 노트는 흩어져 있고 형식이 다양합니다.
자료 레시피:
- 전체 Obsidian / Notion 내보내기
- Kindle 하이라이트, Readwise 클립
- 업무 일지, 회의록, 검토 문서
교사를 위한 킬러 질문:
- "지난 3년 동안 '집중'에 대해 무엇을 썼는가? 내 관점이 변했는가?"
- "'Principles'와 'Thinking, Fast and Slow'가 인지 편향에 대해 어디서 겹치거나 충돌하는가?"
- "지난달 모든 회의록에서 프로젝트 X에 대한 개별 태도는 어땠는가?"
Claude의 역할: 생각의 진화에 관한 질문은 대화형 AI + 전체 자료가 필요합니다. Claude가 교사의 다중 라운드 답변을 구조화된 요약(타임라인, 관점 비교, 후속 조치 목록)으로 종합합니다.
세 가지 워크플로의 공통점: 반복 쿼리, 교차 문서, 비공개 경계. 이 중 하나라도 해당된다면 15초 설정 비용은 일주일 안에 본전을 뽑습니다.
마지막 생각
주의할 점:
storage_state.json에는 활성 Google 세션이 포함되어 있습니다. 안전하게 보관하세요.notebooklm-client는 리버스 엔지니어링되었습니다. Google이 공식적으로 지원하지 않으며, 백엔드가 변경될 수 있습니다.
이것의 핵심은 분업(Division of Labor) 입니다:
- NotebookLM이 교사: 인용과 함께 도메인 지식에 답변, 환각 없음.
- Claude가 비서: 도구 오케스트레이션, 코드 작성, 결과 정리, 막히면 교사에게 질문.
- 당신이 프로젝트 리드: 핵심 결정 지점에서만 개입.
한 달 동안 사용해봤는데, 절약된 금액으로 좋은 저녁 식사를 여러 번 할 수 있습니다. 더 중요한 것은 수십 편의 논문을 연구해도 더 이상 한도에 대해 걱정하지 않는다는 점입니다—"토큰을 셀 필요가 없는" 자유가 절약 자체보다 더 중독적입니다.
이 글이 마음에 들었다면 저를 팔로우해 주세요 @MinLiBuilds.
마지막으로, 캐싱 메커니즘을 간단히 설명하여 토큰 절약에 도움이 되는 제 캐시 시리즈의 첫 부분을 추천합니다:
