Synthesis Loop: 독서를 독창적 통찰로 바꾸기 (스스로를 표절하지 않고)

이해, 리서치, 종합: 세 가지 다른 작업

"지식 관리"에 관한 거의 모든 글은 읽기, 모으기, 사고하기를 하나의 연속된 활동처럼 다룹니다. 그렇지 않습니다. 그것들은 세 가지 작업이며, 세 가지 다른 습관에 보상합니다.

이해는 단일 출처를 이해하는 행위입니다. 한 챕터를 읽고, 논문을 분석하고, 강의를 보고, 그것이 무엇을 말했는지 알고 떠납니다. 승리 조건은 충실도입니다. 제대로 이해했습니까? Glasp는 Reading With AI에서 이를 다루며, 목표는 한 번에 한 가지에서 의미를 추출하는 것입니다.

리서치는 한 질문 주변에 많은 출처를 모으는 행위입니다. 승리 조건은 커버리지입니다. 가설에 반대되는 작업을 포함하여 강한 작업을 찾아냈습니까? 모으는 측면은 AI 리서치 워크플로우에서 다룹니다. 리서치는 대부분 물류입니다: 검색, 스캔, 저장, 반복.

종합은 많은 출처를 결합하여 새로운 무언가를 만드는 행위입니다. 승리 조건은 독창성입니다. 어느 단일 출처에도 없던 주장을 만들어냈습니까? 이것이 빠진 중간입니다. 입력(읽은 것)과 출력(출판하거나, 만들거나, 결정하는 것) 사이의 다리입니다.

Tiago Forte의 Building a Second Brain은 가깝게 다가갑니다. CODE 방법, Capture, Organize, Distill, Express는 단계를 잘 명명하지만, Forte의 "Distill"은 점진적 요약을 의미하는 경향이 있습니다: 자신의 하이라이트를 다시 하이라이트하는 것. 그것은 종합보다 이해에 더 도움이 됩니다. 한 출처를 증류해도 여전히 한 출처가 남습니다. 종합은 화학입니다. 다른 출처의 아이디어가 반응하여 새로운 화합물을 만드는 부분입니다.

Cal Newport의 프레임이 핵심에 더 가깝습니다: 글쓰기는 사고이고, 의도적 연습은 아직 할 수 없는 부분 안에 머무는 것을 의미합니다. 대부분의 지식 노동자에게 아직 할 수 없는 부분은 종합 단계입니다. 캡처는 이제 쉽습니다. 검색도 이제 쉽습니다. 열두 개의 하이라이트를 한 줄로 놓고 여기 아무도 알아채지 못한 관통선이 있다고 말하는 것은 여전히 어렵습니다.

종합은 가장 희소한 기술이자 가장 큰 레버리지를 가진 기술입니다. 또한 도구가 가장 부실합니다. 이 글은 그것에 관한 것입니다.

종합이 어려운 이유 (그리고 AI가 돕기도 하고 해치기도 하는 이유)

종합은 따분한 생물학적 이유로 실패합니다: 작업 기억.

George Miller의 1956년 논문 The Magical Number Seven, Plus or Minus Two는 원래의 천장을 설정했습니다. Nelson Cowan은 2001년에 이를 한 번에 활성으로 보유되는 무관한 정보의 약 네 개 "청크"로 하향 수정했습니다. 비자명한 연결을 찾으면서 다섯 출처에서 나온 열두 개의 하이라이트를 머리에 잡아 두려고 시도해 보십시오. 할 수 없습니다. 아무도 할 수 없습니다. 새로운 것을 잡으려는 순간 청크를 떨어뜨립니다.

이것이 대부분의 종합 시도가 가장 최근에 읽은 아이디어로 무너지는 이유입니다. 게으름이 아닙니다. 부하입니다.

전통적인 해법은 청크를 외부화하는 것입니다. 인덱스 카드. Zettelkasten. 화이트보드. 벽에 붙인 포스트잇. 18세기 Lichtenberg의 Sudelbücher에서 20세기 Luhmann의 슬립 박스에 이르는 물리적 지식 도구의 모든 전통은 인간의 머리가 종합 자체와 동시에 종합의 입력을 잡을 수 없기 때문에 존재합니다.

AI는 그 전통의 다음 수입니다. 언어 모델은 열두 개의 하이라이트를 동시에 잡고 몇 초 안에 후보 연결을 만들어낼 수 있습니다. 그것이 도움입니다. 진짜이고, 큽니다.

이제 해입니다. AI의 기본 출력은 학습된 코퍼스의 평균입니다. 모델에게 열 개의 하이라이트를 테제로 종합하라고 요청하면, 그 열 개의 하이라이트가 만들어내는 가장 흔한 테제를 건네줍니다. 그것은 종합의 반대입니다. 종합 의상을 입은 평균으로의 회귀입니다. 모델은 방금 당신을 위해 십만 개의 비슷한 에세이를 평균화한 것입니다.

그래서 규칙은: AI를 사고하는 데 쓰지 말고, 작업 기억을 확장하는 데 쓰십시오. 모델은 청크를 잡습니다. 당신은 주장을 결정합니다. 이것은 Andrej Karpathy, Tobias Lütke, Andrew Ng가 2025년 중반에 수렴한 프레임과 일치합니다: 새로운 기예는 컨텍스트 엔지니어링, 즉 모델의 윈도에 무엇이 들어가고 다른 쪽으로 무엇이 나오는지 결정하는 것입니다. 당신은 편집자입니다. 모델은 시끄럽고 열정적인 인턴입니다.

아래의 4단계 루프는 그 분업을 운영화합니다.

4단계 Synthesis Loop: Capture, Cluster, Compress, Crystallize

루프는 다음과 같습니다. 이름은 의도적입니다. 각 단계는 한 가지 일을 합니다.

먼저 두 가지를 짚어 둘 가치가 있습니다.

첫째, 이것은 루프이지 파이프라인이 아닙니다. 1단계에서 시작해서 3단계에 도달하고, 압축이 밋밋하다는 것을 깨닫고, 더 많은 입력을 캡처하기 위해 1단계로 돌아갈 것입니다. 종합은 반복적입니다. 루프는 당신을 약간 놀라게 하는 주장이 나올 때까지 돌아갑니다.

둘째, 네 단계는 이미 가지고 있는 도구에 깔끔하게 매핑됩니다. Capture는 하이라이터에서 일어납니다. Cluster와 Compress는 하이라이트 위의 채팅 창에서 일어납니다. Crystallize는 초고 페이지에서 일어납니다. 이 글의 나머지는 각 단계를 프롬프트와 동작과 함께 안내합니다.

1단계: Capture, 종합 입력에는 노트보다 하이라이트가 나은 이유

종합의 첫 번째 수는 거의 모든 사람이 잘못하는 것입니다.

유혹은 노트를 적는 것입니다. 출처를 읽고, 자신의 말로 풀어 쓰고, 그 풀어쓰기를 저장하는 것. 이것은 이해에는 훌륭합니다. 종합에는 나쁩니다. 이유: 풀어쓰기는 출처에 대한 과거의 자신의 해석이며, 읽었던 순간에 동결됩니다. 몇 주 후 종합할 때쯤이면 원래의 표현을 잃었습니다. 이제 다른 사람의 해석에 대한 자신의 해석을 종합하는 것입니다. 종합이 시작되기도 전에 두 겹의 압축입니다.

하이라이트가 종합에서 노트보다 나은 이유는 하이라이트가 출처의 정확한 단어를 보존하기 때문입니다. 다섯 출처의 열두 개 하이라이트와 마주 앉을 때, 당신은 열두 개의 메아리가 아니라 열두 개의 원본 신호로 작업하는 것입니다. 표현이 중요합니다. 두 아이디어 사이의 숨겨진 연결은 종종 과거의 자신이 추출한 요점이 아니라 저자가 선택한 구체적인 단어 안에 살아 있습니다.

이것이 Glasp의 웹 하이라이터가 노트 작성이 아니라 원문 캡처를 중심으로 만들어진 이유입니다. 페이지에서 하이라이트하면, 텍스트가 출처에 대한 귀속과 링크와 함께 보존됩니다. 몇 달 후, 주제를 열면 오래된 요약이 아니라 원본을 보게 됩니다. Lichtenberg는 이것을 1770년에 이해했습니다. 슬립 박스 전통은 1950년에 이해했습니다. 도구가 마침내 따라잡았습니다.

실용적 규칙: 자유롭게 캡처하십시오. 결국 중요하지 않은 것으로 판명되는 하이라이트의 비용은 거의 0입니다. 종합 시점에 필요한 하이라이트가 없는 비용은 큽니다. 다음 단계를 시작하기 전에 510개 출처에서 1020개 하이라이트를 목표로 하십시오. 그 아래에서는 비자명한 연결을 찾을 자료가 충분하지 않습니다. 그 위에서는 리서치 영역으로 넘어간 것이고, 그것은 다른 작업입니다.

이미 캡처한 하이라이트를 어떻게 질의하는지 더 깊이 보고 싶다면, 개인 RAG 워크스루가 자신의 노트와 채팅하는 방법을 다룹니다. 그 글은 검색에 관한 것입니다. 이 글은 검색된 자료를 가지고 무엇을 할지에 관한 것입니다.

2단계: Cluster, 숨겨진 공통 실마리 찾기

하이라이트 더미가 있으면, 다음 수는 그것들을 테마별로 묶는 것입니다. 카테고리가 아닙니다. 테마입니다. 카테고리는 하이라이트가 무엇에 관한 것인가입니다. 테마는 하이라이트가 무엇을 말하고 있는가입니다.

이곳이 AI가 처음으로 진가를 발휘하는 곳입니다. 모델은 당신이 정말로 할 수 없는 일, 즉 스무 개의 하이라이트를 한꺼번에 읽고 몇 초 안에 테마 구조를 제안할 수 있습니다. 결정적으로, 어느 테마에도 맞지 않는 하이라이트, 즉 고아도 표시할 수 있습니다. 그 고아들은 종종 페이지에서 가장 흥미로운 것입니다. 그것들은 버려야 할 잡음이거나, 아니면 아무도 고아를 알아채지 못했기 때문에 아무도 쓰지 않은 종합의 씨앗입니다.

Glasp의 AI 채팅 기능이나 하이라이트를 로드한 어떤 채팅 모델에서 사용할 프롬프트입니다:

당신에게 M개의 다른 출처에서 N개의 하이라이트를 제공할 것입니다. 당신의 일:

1. 그것들을 3~5개의 테마로 클러스터링하십시오. 각 테마를 짧은 명사구로 명명하십시오.
2. 각 테마에 대해, 속하는 하이라이트를 번호로 나열하십시오.
3. 어떤 테마에도 깔끔하게 맞지 않는 하이라이트를 표시하십시오. 왜 맞지 않는지 알려주십시오.
4. 각 테마에 대해, 그 테마의 하이라이트들이 집합적으로 무엇을 주장하고 있는지를 묘사하는 한 문장을 쓰십시오.

하이라이트를 요약하지 마십시오. 코멘터리를 추가하지 마십시오. 단지 클러스터링하고, 나열하고, 표시하고, 묘사하십시오.

하이라이트:
1. [하이라이트 텍스트] - 출처: [출처 제목]
2. [하이라이트 텍스트] - 출처: [출처 제목]
...

이 프롬프트에 대한 두 가지 메모. "요약하지 마라" 지시가 중요합니다. 그것 없이는 모델이 하이라이트를 자신의 보이스로 다시 쓰고, 그것이 원문을 캡처한 가치를 파괴합니다. "고아를 표시하라" 지시는 더 중요합니다. 종종 고아 안에 종합이 숨어 있습니다.

모델이 클러스터를 반환하면, 그것을 재정의하십시오. 하이라이트를 테마 사이에서 옮기십시오. 테마 이름을 바꾸십시오. 테마를 하위 테마로 강등시키십시오. 모델의 클러스터링은 초안입니다. 당신의 클러스터링이 3단계로 들어가는 것입니다.

이 단계의 산출물은 지도입니다: 3~5개의 테마, 각각 한 문장 주장, 고아가 표시된. 그 지도를 보고 종합의 영역을 대략적으로 볼 수 있어야 합니다.

3단계: Compress, 한 문장으로 주장을 압축하기

테스트는 다음과 같습니다. 종합을 한 문장으로 말할 수 없다면, 아직 종합이 없는 것입니다. 주제가 있는 것입니다.

압축은 잔혹하고 필수적입니다. 긴 종합은 거의 항상 저자가 아직 관통선을 찾지 못한 종합입니다. Feynman 압축 테스트, 즉 어떤 것을 단순하게 설명할 수 없다면 그것을 이해하지 못한 것이라는 발상이, 여기서는 문장 단위로 적용됩니다. 거의 부서질 때까지 더 짧게 만드십시오. 그런 다음 부서졌는지 확인하십시오.

AI는 이 단계에서 세게 밀어붙이면 탁월합니다. 기본 출력은 정중하고, 균형 잡히고, 평균적인 문장이 될 것입니다. 평균을 원하는 것이 아닙니다. 여전히 논거를 담고 있는 가장 날카로운 버전을 원하는 것입니다.

다음은 하이라이트 클러스터와 그것을 묘사하는 한 문장 주장입니다:

[클러스터 + 주장 붙여넣기]

이 주장을 여전히 논거를 담고 있는 가능한 한 가장 짧은 테제 문장으로 압축하십시오. 최대 25단어.

그런 다음 그 문장을 50% 더 압축하십시오. 그런 다음 다시. 문장이 단순히 더 짧아진 것이 아니라 틀려질 때 멈추십시오.

세 버전 모두 반환하십시오. 어느 것이 의미를 잃지 않으면서 가장 날카로운지, 어느 것이 지나친 단순화의 선을 넘었는지 알려주십시오.

2단계의 각 클러스터에 대해 이 프롬프트를 실행하십시오. 테마당 하나의 테제 문장과, 날카로움과 부서짐 사이 절벽이 어디인지에 대한 감각을 갖게 됩니다.

경고. 모델은 때때로 테제를 멋지게 들리지만 실제로는 하이라이트가 뒷받침하지 않는 것으로 압축할 것입니다. 이것이 하이라이트로 돌아가 확인할 순간입니다. 압축된 테제가 같은 주제의 무작위 하이라이트로 하이라이트를 대체해도 여전히 참이라면, 압축이 너무 멀리 간 것입니다. 테제는 당신의 입력에 특정해야 합니다.

3단계가 끝나면, 1~5개의 후보 테제를 갖게 됩니다. 다음 단계는 하나를 골라서 그것에 가치를 부여하는 것입니다.

4단계: Crystallize, 비자명한 주장 만들기

종합은 비자명할 때만 가치가 있습니다. 만 명의 다른 사람이 이미 쓴 테제는 종합이 아닙니다. 집계입니다.

이 단계는 AI가 가장 못하는 단계이고, 당신의 작업이 읽을 가치가 있는지를 결정하는 단계입니다. AI가 여기서 나쁜 이유는 클러스터링에서 좋은 이유와 같습니다: 평균을 알기 때문입니다. 비자명한 주장은 정의상 평균이 아닙니다. 모델은 당신에게 평균을 주려고 합니다. 그것과 싸워야 합니다.

요령은 모델의 평균화 경향을 역으로 사용하는 것입니다. 모델에게 자명한 버전을 먼저 나열하게 하십시오. 그런 다음 의도적으로 다른 것을 고르십시오.

다음은 제 후보 테제입니다: [3단계의 테제 붙여넣기]

1단계: 다른 사람이 쓸 이 테제의 가장 자명한 5가지 버전을 나열하십시오. "자명한"이라는 것은 이 주제에 대한 평균적인 글에 등장하는 것을 의미합니다. 구체적으로 하십시오. 일반적인 게시물에서 발견할 만한 종류의 문장을 인용하십시오.

2단계: 각 자명한 버전에 대해, 그것이 무엇을 잘못 다루는지, 무엇을 빠뜨리는지, 또는 실제로 사실이 아닌데 독자에게 아첨하는 것이 무엇인지 식별하십시오.

3단계: 제 하이라이트와 후보 테제를 고려하여, 테제의 비자명한 버전 3개를 제안하십시오. 비자명한 버전은:
- 자명한 버전 중 적어도 하나와 모순되어야 합니다
- 일반 지식이 아니라 제 하이라이트에 의해 구체적으로 뒷받침되어야 합니다
- 주의 깊은 독자가 멈추고 생각하게 만드는 종류의 주장이어야 합니다

승자를 고르지 마십시오. 셋 모두 보여주십시오.

당신이 승자를 고릅니다. 이것이 당신의 판단이 대체 불가능한 루프의 부분입니다. 당신은 당신의 독자, 다른 작업, 그리고 자신의 트랙 레코드를 모델보다 더 잘 압니다. 당신은 어떤 비자명한 주장을 인쇄해 옹호할 수 있는지, 어떤 것이 원하지 않는 곤란에 빠뜨릴지 압니다.

주장이 있으면, 글을 쓰십시오. 초고는 예상보다 짧습니다. 어려운 작업이 이미 끝났기 때문입니다. 주장은 척추, 클러스터는 섹션, 하이라이트는 증거입니다. 글쓰기의 대부분은 이 시점에서 결합 조직입니다.

산출물이 장문 에세이나 글이라면, AI 장문 글쓰기 워크플로우가 종합 이후에 일어나는 일을 다룹니다: 개요 잡기, 초안 작성, 수정. 위 단계들을 위한 더 날카로운 프롬프트, 특히 자명한 버전을 스틸맨하기 위한 것이 필요하다면, prompt patterns for thinking을 보십시오.

출판하거나 공유할 준비가 되면, Hatch는 산출 측면을 위해 만들어졌습니다. 그것은 종합이 다른 사람들이 읽고 응답할 수 있는 것이 되는 곳입니다. 캡처는 사적입니다. Crystallize는 공적으로 끝납니다.

페이지에 담기: 90분 종합 세션

운영자 매뉴얼입니다. 90분을 잡으십시오. 이미 510개 출처에서 1020개 하이라이트를 캡처한 주제를 고르십시오. 충분히 캡처하지 않았다면, 먼저 그것을 하십시오. 캡처는 자체 활동이지 이 세션의 일부가 아닙니다.

이것은 정기적으로, 일주일에 한 번 출판 가능한 독창적 사고를 산출하기에 충분합니다. 공개일 필요는 없습니다. 주간 종합은 팀에 보내는 메모, 작업 중인 책의 한 섹션, 전략 문서, 미래의 자신을 위한 Loom일 수 있습니다. 형식은 중요하지 않습니다. 케이던스가 중요합니다.

실용적 셋업: 일주일 동안 Glasp의 웹 하이라이터를 사용하여 읽으면서 지속적으로 캡처하십시오. 금요일 오후나 일요일 아침에 90분 세션을 실행하십시오. 하이라이트가 이미 거기 있기 때문에 클러스터링과 압축 프롬프트에 Glasp의 AI 채팅 기능을 사용하십시오. Hatch나 산출물이 있는 어디든 종합을 출판하거나 보내십시오.

이것을 한 분기 동안 하십시오. 복리는 진짜입니다. 6주 차에 1주 차에 쓴 종합은 지금 쓰고 있는 종합의 입력이 됩니다. 자신의 관통선을 알아보기 시작합니다. 거기서 독창적인 보이스가 나옵니다. 독창적으로 들리려고 노력해서가 아닙니다. 당신만이 만들 수 있는 형태를 이루는 자신의 주장을 충분히 축적해서입니다.

자주 묻는 질문 {#faq}

이것은 그냥 요약 아닙니까?

아닙니다. 요약은 한 출처를 자신의 더 짧은 버전으로 응축합니다. 종합은 많은 출처를 어느 한 출처에도 없던 주장으로 결합합니다. 책의 요약은 더 작은 책입니다. 열 권의 책의 종합은 열 권 중 어느 것도 말하지 않은 무언가입니다. 첫 번째는 압축입니다. 두 번째는 창조입니다.

종합하려면 몇 개의 출처가 필요합니까?

스위트 스폿은 515개 출처에 총 1020개 하이라이트입니다. 3개 출처 미만에서는 종합하는 것이 아니라 반응하는 것입니다. 무엇을 쓰든 가장 최근에 읽은 출처를 주로 반영할 것입니다. 20개 출처 이상에서는 리서치 영역으로 넘어간 것이고, 거기서는 병목이 연결이 아니라 커버리지입니다. 종합은 중간에 살아 있습니다.

AI가 루프 전체를 할 수 있습니까?

아닙니다. AI는 작업 기억 부분에 탁월합니다: 많은 하이라이트 잡기, 클러스터 제안, 산문을 테제로 잔혹하게 압축하기. AI는 Crystallize 단계에서 나쁩니다. 비자명한 주장은 구성상 평균이 아니기 때문입니다. 모델의 본능은 당신에게 평균을 건네는 것입니다. 어느 비자명한 주장이 옹호할 가치가 있는지에 대한 판단은 당신의 것입니다. AI를 사고하는 자가 아니라 작업 기억 확장으로 다루십시오.

이것은 문헌 검토와 어떻게 다릅니까?

문헌 검토는 조사입니다: 다른 사람들이 주제에 대해 무엇을 말했는지 보고합니다. 종합은 논거입니다: 문헌을 증거로 당신이 무엇을 말하는지 독자에게 알립니다. 좋은 문헌 검토는 포괄적이고 중립적입니다. 좋은 종합은 선택적이고 뾰족합니다. 동일한 입력 세트는 많은 종합을 만들 수 있지만, 정직한 문헌 검토는 하나뿐입니다.

종합 사이클은 얼마나 걸립니까?

이미 10~20개 하이라이트가 캡처된 집중된 주제에는 90분이면 출판 가능한 글을 산출하기에 충분합니다. 책의 한 챕터나 전략 문서 같은 더 긴 작업은 새 하이라이트가 들어오고 테제가 날카로워지면서 90분 세션이 여러 번 반복되는 다주 사이클로 진행됩니다. 캡처 단계는 백그라운드에서 지속적으로 돌아갑니다. 다른 세 단계는 의도적인 세션으로 묶입니다.

결론 {#conclusion}

이해는 잘 봉사받습니다. 리서치는 잘 봉사받습니다. 독서가 사고로 변하고 사고가 출판 가능한 무언가로 변하는 부분, 즉 종합은 수년 동안 미흡하게 봉사받아 왔습니다. 대부분의 지식 노동자는 그곳에서 정체됩니다. 게으르기 때문이 아니라, 한 번에 열두 개의 아이디어를 잡고 있는 인지 부하가 진정으로 인간 작업 기억 예산을 넘기 때문입니다.

AI가 그것을 바꾸지만, 잘하는 것에만 사용한다면. 청크를 잡으십시오. 클러스터를 제안하십시오. 산문을 잔혹하게 다루십시오. 그런 다음 한 걸음 물러서서 인간이 비자명한 주장을 고르도록 하십시오. 네 단계, Capture, Cluster, Compress, Crystallize는 그 분업의 구조입니다. 90분 세션은 구조를 한 주에 넣는 케이던스입니다.

요점은 AI를 더 많이 사용하는 것이 아닙니다. 요점은 더 많은 독창적 작업을, 더 안정적으로, 일정에 따라 산출하는 것입니다. Synthesis Loop은 하이라이트 더미를 오직 당신만이 쓸 수 있었던 것으로 바꾸는 방법입니다. 일주일에 한 번 실행하십시오. 무엇이 복리로 늘어나는지 보십시오.

Capture는 하이라이터에 살고 있습니다. Cluster와 Compress는 채팅에 살고 있습니다. Crystallize는 페이지에 살고 있습니다. Glasp는 네 단계 모두가 한 곳에서 일어나도록 만들어졌습니다. 나머지는 당신에게 달려 있습니다.