Perplexity가 이전 검색을 잊어버리는 이유
현재 Perplexity의 검색 히스토리 처리 방식
모든 질문은 스레드를 새로 열거나 확장하며, 스레드는 저장됩니다. Library를 스크롤하여 언제든지 다시 열 수 있습니다. 하지만 누락된 것은 바로 '연결성'입니다. 새로운 스레드는 이전 스레드를 읽지 않습니다. 과거 검색의 컨텍스트, 출처, 결론은 해당 스레드 내에 갇혀 있어 지금 실행 중인 검색에는 보이지 않습니다.
기억되지 않는 기술적인 이유
Perplexity는 검색 우선으로 구축되었습니다. 실시간 웹에서 현재 질문에 답변하는 데 최적화된 빠르고 신선하며 일회성인 세션입니다. 학습한 내용을 엔진이 참조할 수 있는 메모리로 정제하는 지속성 레이어(persistence layer)가 없습니다. Spaces는 문제를 좁혀줍니다. Space 내부의 스레드는 파일과 지침을 공유하지만, 그렇다고 과거 스레드를 쿼리할 수 있게 만들어 주지는 않습니다.
리서처가 치러야 할 비용
반복되는 작업: 이미 정제한 검색을 다시 실행하고, 이미 검증한 출처를 다시 평가합니다. 유실되는 종합적 결론: 5개의 스레드에 걸쳐 조립한 결론은 본인의 기억 외에는 어디에도 존재하지 않습니다. 그리고 복리 효과 제로: 100시간의 리서치 히스토리가 있어도 101번째 시간의 리서치에 아무런 이점을 주지 못합니다.
Perplexity의 기본 우회 방법 (그리고 한계)
Library
스레드 히스토리는 모두 그곳에 있으며, 스크롤하고 다시 열 수 있습니다. 하지만 메모리 관점에서 보면 검색 기능이 없는 아카이브에 불과합니다. 올바른 스레드를 찾으려면 그것이 존재한다는 사실을 기억해야 하며, 그 안의 어떤 내용도 새로운 검색으로 자동으로 흘러가지 않습니다.
Spaces
프로젝트별로 리서치를 Space로 그룹화하면 내부의 모든 스레드에 공유 파일과 맞춤 지침이 추가됩니다. 이는 가장 강력한 기본 옵션입니다. 하지만 Space 스레드는 여전히 서로를 읽지 못하며, Space의 지식은 나머지 검색과 격리된 채로 유지됩니다.
이전 스레드 이어가기
스레드를 다시 열면 컨텍스트가 유지되므로 장기적인 주제를 하나의 스레드에서 다룰 수 있습니다. 하지만 실제로 이 스레드는 몇 달 동안의 다양한 질문이 뒤섞여 검색하기 힘든 긴 스크롤이 되며, 이는 Perplexity가 잘하는 빠른 검색 워크플로우와 정반대입니다.
공통된 장벽: 아무리 완벽하게 정리하더라도 리서치 히스토리는 하나의 앱 내에만 존재합니다. Claude나 ChatGPT에게 찾은 내용을 바탕으로 작업을 이어가도록 요청하려면 요약본을 수동으로 복사해서 붙여넣어야 합니다. 이는 Perplexity가 이전 쿼리를 잊어버리는 현상과 동일한 근본적인 공백입니다.
해결책: 검색 히스토리를 실제 메모리로 전환하기
가장 확실한 방법은 향후 모든 검색과 다른 모든 AI가 활용할 수 있는 레이어에 리서치 결과를 보관하는 것입니다. MemoryLake는 축적된 리서치 결과(발견한 내용, 검증된 출처, 보고서, 데이터)를 한 번에 저장하여 파싱 및 검색이 가능하도록 하며, Git 스타일의 버전 관리를 통해 결론이 어떻게 발전했는지 보여주고, 종단간 암호화(end-to-end encryption)를 통해 리서치 데이터를 안전하게 보호합니다.
1단계: API 키 생성
MemoryLake에 로그인하고 키를 생성한 후 첫 번째 요청을 보냅니다. 약 30초 정도 소요됩니다.
2단계: 첫 번째 메모리 업로드
보고서, 데이터 세트, 소스 PDF 등 리서치의 기반이 되는 문서, 이미지 및 기타 파일을 업로드하고, 스레드 결론을 짧은 텍스트 메모리(질문, 답변, 유효한 출처)로 캡처하기 시작합니다.
3단계: AI 및 에이전트 연결
현재 Perplexity에는 MCP 클라이언트가 없으므로 API를 사용하세요. 키를 사용하여 관련 메모리를 가져와 프롬프트나 리서치 워크플로우에 포함하면, 새로운 검색이 이미 알고 있는 내용에서부터 시작됩니다. 동일한 메모리를 MCP를 통해 Claude, Codex, OpenClaw 및 기타 에이전트에서 즉시 사용할 수 있으므로 모든 도구에서 리서치 시너지 효과가 발생합니다.
재검색이 실제로 초래하는 비용
지식 노동의 반복 세금
정제된 검색을 다시 실행하고, 이미 알고 있는 출처를 다시 검증하고, 과거의 결론을 다시 조합하는 것은 보이지 않는 작업입니다. 아웃풋은 없고 순수한 중복만 존재합니다. 정기적인 리서치를 수행하는 사람에게는 매주 몇 시간씩 조용히 시간을 소모하게 만들며, 이전 주제와 겹치는 새로운 주제가 생길 때마다 그 비용은 늘어납니다.
반복 대신 복리 효과 누리기
지속성 레이어에 리서치 결과가 있으면 각 새로운 질문은 축적된 기반에서 시작됩니다. 이전 결론을 검색하고, 변경된 사항을 확인하고, 이를 확장하는 방식입니다. 또한 검색(Retrieval)을 통해 API 워크플로우에서 프롬프트를 간결하게 유지할 수 있습니다. MemoryLake의 Token Saving Calculator를 통해 실제 수치로 그 효과를 확인해 보세요.
리서치 메모리 구축을 위한 모범 사례
대화 기록이 아닌 결론을 캡처하세요
해결된 질문당 날짜가 기입된 하나의 메모리(결과, 신뢰도, 출처)를 남기는 것이 전체 스레드를 아카이브하는 것보다 훨씬 가치 있습니다. 스레드를 닫는 순간에 핵심을 요약하세요.
주장과 출처를 함께 보관하세요
결론을 뒷받침하는 인용구를 함께 저장하세요. 미래의 당신은 무엇을 찾았는지뿐만 아니라 왜 그것을 신뢰했는지도 알아야 합니다.
주제나 클라이언트별로 범위를 지정하세요
리서치 흐름당 하나의 메모리 범위(scope)를 유지하면 검색이 깔끔해지고, 동료에게 주제를 전달하는 것이 액세스 권한을 공유하는 것만큼 간단해집니다.
결론
Perplexity는 오늘의 질문에 훌륭하게 답변하고 내일이면 잊어버리도록 설계되었습니다. Library는 검색을 아카이브하지만, 아카이브는 메모리가 아닙니다. 리서치 결과를 지속성 레이어로 이동하면 관계가 역전됩니다. 과거의 모든 검색이 Perplexity뿐만 아니라 함께 작업하는 다른 모든 AI에서 다음 검색을 더 빠르게 만듭니다. 리서치는 축적되어야 합니다. 이제 가능합니다.