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

• Context Separation: 긴 자막/본문은 Task agent가 처리, 메인 세션은 가벼운 md 파일만 Read

• Clean Transcript: 자막에서 번호, 시간 제거 → 순수 영어 텍스트만 추출

• Web Research Integration: 추출된 키워드로 자동 웹 리서치

• Single Output: 모든 처리 결과는 단일 md 파일로 저장

지원 콘텐츠

타입 추출 방법 저장 경로

YouTube Task agent (yt-dlp + 정제) research/digests/youtube/

X/Twitter fetch-tweet 스킬 (api.fxtwitter.com) research/digests/tweet/

Webpage Task agent (browser + 정제) research/digests/web/

PDF Task agent (Read + 정제) research/digests/pdf/

핵심 원칙

• Quiz-First: 요약 보기 전에 퀴즈부터 (Pretesting Effect → 9-12% 향상)

• Knowledge Gap: 틀린 문제가 호기심을 만들고, 호기심이 기억을 강화

• 선택적 깊이: 사용자가 더 알고 싶은 부분만 깊게

• 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:

패턴 타입

youtube.com , youtu.be

YouTube

x.com , twitter.com

X/Twitter

http:// , https:// (기타) Webpage

.pdf 파일 경로 PDF

명확하지 않으면 사용자에게 확인:

AskUserQuestion: questions:

• question: "어떤 콘텐츠를 분석할까요?" header: "Type" options:
  • label: "YouTube 영상" description: "URL을 알려주세요"
  • label: "웹페이지/아티클" description: "URL을 알려주세요"
  • label: "PDF 문서" description: "파일 경로를 알려주세요"

Phase 2: Task Agent 실행 (핵심)

메인 세션의 context를 보호하면서 긴 콘텐츠를 처리

2-1. Task Agent 호출 패턴

Task: subagent_type: "general-purpose" description: "콘텐츠 추출 및 분석" prompt: | ## 목표 {URL/파일경로}에서 콘텐츠를 추출하고 분석하여 md 파일로 저장

## 단계 (순서 중요)
1. 콘텐츠 추출 (타입별 방법 적용)
2. 텍스트 정제 (번호, 시간 제거 → 영어만 추출)
3. 핵심 키워드 추출 (5-10개)
4. 웹 리서치 (키워드별 WebSearch)
5. **핵심 요약 생성** (3-5문장)
6. **주요 인사이트 도출** (3개)
7. **퀴즈 재료 생성** (요약/인사이트 기반으로 핵심 주제만)
8. md 파일 저장

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

2-2. X/Twitter 추출 (fetch-tweet 스킬 활용)

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

트윗 원문 + 인게이지먼트 데이터 추출

python3 .claude/skills/fetch-tweet/scripts/fetch_tweet.py "{URL}" --json

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)

1. 자막 추출

yt-dlp --write-auto-sub --sub-lang "en" --skip-download
--convert-subs vtt -o "%(title)s" "{URL}"

2. VTT → 순수 텍스트 변환

sed -E 's/^[0-9]+$//' | \ # 번호 제거 sed -E 's/[0-9]{2}:[0-9]{2}:[0-9]{2}.*//g' | \ # 타임스탬프 제거 sed -E 's/<[^>]+>//g' | \ # HTML 태그 제거 tr -s '\n' | \ # 빈 줄 정리 grep -v '^$' # 빈 줄 삭제

정제 결과: 순수 영어 텍스트만 남음 (시간, 번호, 중복 없음)

2-4. Webpage 추출 (Task Agent 내부)

1. mcp__claude-in-chrome__tabs_context_mcp
2. mcp__claude-in-chrome__tabs_create_mcp
3. mcp__claude-in-chrome__navigate: url="{URL}"
4. mcp__claude-in-chrome__get_page_text: tabId={tabId}
5. 스크롤 후 추가 콘텐츠 확인

2-5. PDF 추출 (Task Agent 내부)

Read: file_path="{PDF 경로}"

2-6. 웹 리서치 (Task Agent 내부)

추출된 텍스트에서 핵심 키워드 5-10개 식별 후:

WebSearch (병렬 실행):

• "{키워드1} explained"
• "{키워드2} research"
• "{저자/발표자} {주제}"
• "{핵심개념} fundamentals"

2-7. 최종 md 파일 저장 (Task Agent 내부)

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

title: {콘텐츠 제목} type: {youtube|web|pdf} url: {URL 또는 파일경로} author: {저자/채널명} date: {발행 날짜} processed_at: {처리 일시} keywords: [{키워드1}, {키워드2}, ...]

{콘텐츠 제목}

핵심 요약

{3-5문장 요약}

주요 인사이트

1. {인사이트1}: 설명
2. {인사이트2}: 설명
3. {인사이트3}: 설명

웹 리서치 결과

{키워드1}

• 발견 내용 요약
• 출처: {URL}

{키워드2}

• 발견 내용 요약
• 출처: {URL}

원문 (정제됨)

{번호/시간 제거된 순수 텍스트}

Quiz 재료 (Pre-Quiz + 본 Quiz용)

생성 순서: 반드시 위의 "핵심 요약"과 "주요 인사이트"를 먼저 작성한 후, 이를 기반으로 퀴즈 생성 출제 원칙: 핵심 주제만 출제. 날짜, 통계, 지엽적 세부사항 제외.

기본 레벨 (3문제 후보)

• Q1: {핵심 개념/메시지 관련}
• Q2: {주요 원칙 관련}
• Q3: {저자 핵심 주장 관련}

중급 레벨 (3문제 후보)

• Q4: {개념 간 관계}
• Q5: {근거와 논리 연결}
• Q6: {핵심 아이디어 비교}

심화 레벨 (3문제 후보)

• Q7: {실제 적용/응용}
• Q8: {핵심 원리의 확장}
• Q9: {저자 관점의 함의}

Phase 3: 메인 세션에서 결과 Read

Task Agent 완료 후:

Read: file_path="research/digests/{type}/{YYYY-MM-DD}-{sanitized-title}.md"

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:

AskUserQuestion: questions:

• question: "[Pre-Quiz] 이 콘텐츠에서 다룰 것 같은 핵심 개념은?" header: "PQ1" options: [4개 선택지]
• question: "[Pre-Quiz] 저자가 강조할 것 같은 메시지는?" header: "PQ2" options: [4개 선택지]
• question: "[Pre-Quiz] 이 주제에서 가장 중요한 원칙은?" header: "PQ3" options: [4개 선택지]

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:

AskUserQuestion: questions:

• question: "어떤 콘텐츠를 먼저 보시겠습니까?" header: "Content" options:
  • label: "틀린 문제 관련 섹션만" description: "Pre-Quiz에서 틀린 부분의 답을 찾아보기"
  • label: "핵심 인사이트 3개" description: "콘텐츠의 가장 중요한 포인트만"
  • label: "전체 요약 + 인사이트" description: "종합적인 콘텐츠 분석"
  • label: "바로 본 퀴즈로" description: "요약 없이 9문제 퀴즈 진행"

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)

핵심 인사이트 3개

1. [키워드]: 1-2문장 설명
2. [키워드]: 1-2문장 설명
3. [키워드]: 1-2문장 설명

5-3. 전체 요약 + 인사이트

요약

{3-5문장}

인사이트

핵심 아이디어

적용 가능한 점

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.

단계 난이도 출제 기준

1 기본 핵심 메시지, 주요 개념

2 중급 개념 간 관계, 근거 연결

3 심화 사례 분석, 적용, 구체적 데이터

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:

AskUserQuestion: questions:

• question: "다음 중 더 깊이 이해하고 싶은 개념은?" header: "Deep Dive" multiSelect: true options:
  • label: "{개념 A}" description: "왜 이것이 중요한지 탐구"
  • label: "{개념 B}" description: "이것의 근본 원리 이해"
  • label: "{개념 C}" description: "실제 적용 사례 확장"
  • label: "바로 다음 단계로" description: "현재 이해 수준으로 충분"

선택된 개념에 대해:

• "왜 이것이 사실인가?" 질문과 답변

• 콘텐츠 내 근거 위치 (타임스탬프/페이지/섹션)

• 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)

검색 쿼리:

• "{핵심 개념} fundamentals explained"
• "{핵심 개념} 기초 원리"
• "{이론/방법론} research paper original"
• "{저자/발표자} other works recommendations"

8-2. 근본 지식 정리

Foundation Expansion

이 콘텐츠의 기초가 되는 개념들

더 깊이 들어가려면

• 선수 지식: {이 콘텐츠를 완전히 이해하려면 알아야 할 것}
• 후속 학습: {이 콘텐츠 다음에 볼 만한 것}
• 관련 연구: {학술적 배경}

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:

지식 네트워크

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

- 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:

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

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

- 
Information Gap Theory (Loewenstein, 1994)

- 지식 갭 인식 → 도파민 회로 활성화 → 기억 강화

- 
Elaborative Interrogation (Dunlosky et al., 2013)

- "왜?" 질문 → 깊은 처리 → 76% vs 69% 정답률

- 
PACE Framework (Gruber et al., 2019)

- 호기심 상태에서 무관한 정보도 기억력 향상

상세: references/learning-science.md