🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Nous Research와 xAI의 연동으로 Hermes가 x_search를 통해 X 기반 실시간 리서치를 더 깊게 수행할 수 있게 되었고, 저자는 이를 투자·매크로 분석 워크플로에 결합해 비용과 정보 수집 한계를 줄이려 한다.

📌 핵심 요약

• 저자는 Nous Research와 xAI의 파트너십으로 Hermes의 리서치 역량이 크게 강화됐다고 본다.
• 핵심 변화는 Grok 구독을 Hermes에 연결하고, Hermes가 x_search 도구로 X를 직접 검색할 수 있게 된 점이다.
• 기존 X API는 계정·게시물·일부 데이터 수집에는 유용했지만, X Article 본문 분석이나 SuperGrok 수준의 심층 리서치에는 한계가 있었다.
• 저자는 Hermes를 개인 투자·데이터 애널리스트처럼 운용하며, 매크로·지정학·기술·AI·크립토 브리핑을 자동화하고 있다.
• x_search는 북마크 요약, 심층 리서치 파이프라인, 스마트 X 계정 추적 워크플로의 비용과 품질 문제를 일부 개선한다.
• 다만 저자는 Grok 4.3을 기본 에이전트 모델로 쓰는 것은 비추천하며, x_search와 별도 추론 모델을 조합하는 방식을 선호한다.

🧩 주요 포인트

1. Hermes는 Grok 구독 기반 x_search를 통해 X의 실시간 정보 흐름에 더 직접 접근할 수 있게 됐다.
2. 저자는 X를 매크로, 지정학, 기술, AI, 크립토 뉴스와 담론이 모이는 핵심 정보 공간으로 본다.
3. 기존 X API는 비용과 기능 면에서 제한이 있었고, 특히 X Article 본문 분석이 어려웠다.
4. x_search는 Hermes의 리서치 입력 채널을 넓히지만, 단독으로는 SuperGrok 웹 인터페이스 수준의 결과를 내지 못한다고 평가된다.
5. 저자는 x_search, Cookie MCP, 브라우저 CDP, DeepSeek, Hindsight 회고 기능을 조합한 6단계 리서치 파이프라인을 제안한다.
6. 최종 시사점은 “AI에게 모든 사고를 맡기는 것”보다 “문제를 정의하고 가설을 세운 뒤 에이전트로 검증하는 방식”이 더 효과적이라는 것이다.

🧠 상세 정리

1. Hermes의 리서치 역량을 바꾼 핵심 변화

저자는 Nous Research가 xAI와 파트너십을 맺으면서 Hermes의 리서치 능력이 크게 강화됐다고 설명한다. 구체적으로 Grok 구독자, X Premium 또는 Premium+ 사용자 중 Grok 구독을 보유한 사용자가 이를 Hermes에 연결할 수 있고, Hermes는 x_search 도구를 통해 X를 직접 검색할 수 있게 됐다. 이 변화가 중요한 이유는 X가 저자에게 매크로, 지정학, 기술, AI, 크립토 관련 뉴스와 의견, 기사, 미디어가 모이는 “타운 스퀘어”이기 때문이다. 기존에는 X API를 통해 계정과 콘텐츠를 가져올 수 있었지만, SuperGrok으로 X에서 직접 조사하는 것과 같은 깊이의 리서치를 수행하기는 어려웠다. 저자의 핵심 thesis는 Hermes가 X의 실시간 정보층에 직접 접근할 수 있게 되면서 개인 분석가로서의 활용도가 크게 높아졌다는 것이다.

2. 기존 X API 방식의 한계와 x_search의 차이

저자가 지적한 기존 방식의 가장 큰 한계는 X API가 데이터 수집에는 쓸 수 있어도, X 내부의 풍부한 맥락을 깊게 분석하기에는 부족했다는 점이다. 특히 X Article은 API로 본문을 읽기 어렵고, 제목·작성자·일부 문장 정도만 확인되는 경우가 있었다. 이 때문에 Hermes가 기사형 콘텐츠를 분석하려면 사용자가 추가로 모델을 바꾸거나 별도 수집 과정을 거쳐야 했다. x_search는 이 한계를 완화한다. 저자는 X Article 링크를 주고 “x_search로 요약하라”고 지시하면, x_search가 X Article을 가져오고 기본 모델인 DeepSeek-v4-flash가 내용을 분석·요약하는 식으로 워크플로를 구성한다. 여기서 중요한 차이는 검색과 수집은 Grok 기반 x_search가 맡고, 실제 요약과 종합은 사용자가 선호하는 별도 모델이 맡는다는 점이다. 저자는 이 조합이 X API 비용을 줄이고, 기존에는 불가능했던 X Article 분석까지 가능하게 만든다고 본다.

3. 개인 투자 애널리스트로서의 Hermes 운영 방식

저자는 Hermes를 단순 챗봇이 아니라 데이터·투자 애널리스트처럼 운용하고 있다. Hermes에는 자신의 투자 thesis, 선호, 포트폴리오 보유 현황이 들어가 있으며, 매일 아침 매크로, 지정학, 기술, AI, 크립토 등에 대한 브리핑을 제공한다. 저자는 Hermes가 매번 생성하는 리포트를 통해 학습하고, 점점 개인의 “second brain + analyst”에 가까워진다고 표현한다. 이 맥락에서 x_search의 의미는 단순히 검색 도구 하나가 추가된 것이 아니다. 저자의 워크플로에서는 정보 수집, 중복 제거, 관심 주제 우선순위화, 과거 리포트와의 연결, 투자 관점의 해석이 모두 연결된다. 따라서 x_search는 Hermes가 더 실시간성 있는 입력을 받을 수 있게 해주는 새 감각기관에 가깝다.

4. X 북마크 cron job의 개선

저자의 첫 번째 구체적 적용 사례는 X 북마크 cron job이다. 기존에는 Hermes가 X API를 사용해 최근 24시간 동안의 북마크를 가져오고, 이미 본 항목을 제거한 뒤 새로운 것만 보여주는 방식이었다. 그러나 X API는 X Article 본문을 제대로 읽지 못해, 북마크한 기사 콘텐츠를 깊게 요약하기 어려웠다. x_search 도입 후에는 사용자가 X Article을 넣고 요약을 요청할 수 있으며, 별도로 모델을 Grok 4.3으로 바꿀 필요도 없다고 한다. x_search 도구 자체가 Grok 4.3을 기본으로 사용하기 때문이다. 다만 저자는 설정상 주의할 점도 강조한다. xai-oauth 인증이 중요하며, 단순히 xai로 설정하면 Grok 구독이 아니라 xAI API 쪽으로 연결될 수 있다고 설명한다. 또한 Hermes에서 Grok 구독 인증을 먼저 마쳐야 한다고 안내한다.

5. 6단계 딥 리서치 파이프라인의 구성과 의도

저자는 x_search가 도입됐다고 해서 그것만으로 SuperGrok 웹 인터페이스 수준의 결과가 나오는 것은 아니라고 본다. 오히려 x_search는 더 “raw”한 도구이며, 웹 인터페이스에는 더 최적화된 후처리, 더 신선한 맥락, 더 나은 프롬프트 엔지니어링이 적용돼 있다고 평가한다. 이 지점은 원문에서 중요한 반론 가능성이다. 즉, x_search의 등장이 곧바로 완성형 리서치 품질을 보장하는 것은 아니다. 이를 보완하기 위해 저자는 Claude Opus 4.7과 브레인스토밍해 6단계 리서치 파이프라인을 만들었다고 한다. 구성 요소는 표적 검색을 위한 x_search, 감성 추세와 KOL 논의를 분석하는 Cookie MCP, Hermes의 브라우저 CDP를 이용해 Chrome에서 Grok을 직접 여는 방식, 그리고 DeepSeek가 전체 정보를 종합하고 Hindsight recall/reflect로 과거 인사이트와 새 정보를 교차 참조하는 방식이다. 목표는 과거, 현재, 미래를 모두 고려한 종합 리포트를 만드는 것이다.

6. Grok 4.3에 대한 저자의 비판적 평가

흥미로운 점은 저자가 Grok 기반 x_search를 긍정적으로 평가하면서도, Grok 4.3을 Hermes의 기본 모델로 쓰는 것은 강하게 비추천한다는 것이다. 저자는 Grok 4.3으로 전체 리서치 워크플로를 돌려봤지만 결과가 “매우 나빴다”고 평가한다. 특히 브라우저 harness에서 자주 실패했고, AI 에이전트 도구 사용이 약했으며, 실제 작업 수행보다 매 단계마다 질문을 반복하는 문제가 있었다고 한다. 따라서 저자의 실전 결론은 Grok을 모든 일에 쓰는 것이 아니다. x_search가 Grok 4.3을 도구 내부에서 활용하므로, 기본 모델까지 Grok 4.3으로 바꿀 필요는 없다는 것이다. 검색은 Grok 기반 도구에 맡기고, 추론·요약·연결·실행은 DeepSeek 같은 선호 모델에 맡기는 분업이 저자가 제안하는 핵심 운영 방식이다.

7. X Tracker와 비용 구조의 변화

저자의 또 다른 주요 워크플로는 스마트 X 계정 추적이다. 그는 각 분야에서 매일 좋은 인사이트를 올리는 7~8명의 계정을 추적하고 있으며, 기존에는 X API로 이들의 콘텐츠를 가져온 뒤 DeepSeek가 사용자의 선호에 따라 분석·종합·우선순위화했다. 이 방식의 비용은 모든 cron job을 합쳐 하루 약 0.5달러 수준이었다고 한다. x_search 기능이 활성화된 뒤 저자는 일부 X API 사용을 x_search로 바꾸었고, 비용을 상당히 줄였다고 설명한다. 현재는 X 북마크 cron job에만 약 하루 0.1달러를 쓰는 수준이라고 한다. 원문 기준으로 이는 개인 자동화 워크플로에서 비용 효율성이 중요한 요소임을 보여준다. 단순히 더 좋은 분석을 얻는 것뿐 아니라, 반복 실행되는 에이전트 작업의 인퍼런스·API 비용을 관리하는 것이 실전 운영의 핵심이라는 점이 드러난다.

8. x_search와 Cookie MCP의 상호보완성

저자는 x_search와 Cookie MCP의 조합을 특히 유용하게 본다. Cookie는 KOL 리더보드, mindshare 시계열, social decay metrics, 프로젝트 분석처럼 구조화된 데이터를 빠르게 얻는 데 강점이 있다. 즉, 특정 생태계나 프로젝트의 관심도와 영향력 흐름을 정량적·구조적 형태로 파악하는 데 적합하다. 반면 Cookie는 실시간 뉴스, “왜 이런 일이 벌어졌는가”에 대한 설명, 검색 안정성 측면에서는 약하다고 평가된다. 이 빈틈을 x_search가 보완한다. 저자의 관점에서 좋은 리서치 파이프라인은 하나의 만능 도구에 의존하지 않고, 각 도구가 잘하는 영역을 구분해 조합하는 방식이다. 이 점은 기존의 단일 모델 중심 AI 사용법과 구별되는 부분이다.

9. AI 사용 방식의 변화: 사고 대행에서 가설 검증으로

마지막으로 저자는 약 두 달간 Hermes를 사용하면서 자신의 사용 방식이 바뀌었다고 말한다. 처음에는 Hermes가 생각하고 실행해주기를 기대하는 쪽에 가까웠지만, 점차 문제를 식별하고 가설을 세운 뒤 그 가설을 에이전트로 테스트하는 방식으로 이동했다는 것이다. 이는 원문에서 가장 넓은 시사점을 갖는 부분이다. 저자에게 AI는 단순 자동화 도구가 아니라 학습 보조 장치다. 어떤 도구가 어떤 목적에 적합한지, 원하는 결과를 얻기 위해 어떤 조합과 프롬프트가 필요한지, 비용을 과도하게 쓰지 않으면서 전략을 실행하는 방법을 배우게 해준다. 다만 이 결론은 저자의 개인적 경험에 기반한 주장이지, 일반적으로 검증된 성능 주장으로 확대해서 해석해서는 안 된다.

🧾 핵심 주장 / 시사점

• Hermes의 x_search 도입은 X 기반 실시간 리서치를 개인 에이전트 워크플로에 더 깊게 통합할 수 있게 만든다.
• 기존 X API는 수집 도구로는 유용했지만, X Article 본문 분석과 심층 리서치에는 한계가 있었다.
• x_search는 강력한 입력 채널이지만, 단독으로 완성형 리서치 품질을 보장하지 않으며 다른 도구와의 조합이 중요하다.
• Grok 4.3은 x_search 내부 도구로는 유용할 수 있지만, 저자는 Hermes의 기본 에이전트 모델로는 부적합하다고 평가한다.
• 저자의 AI 활용법은 “AI에게 맡기기”에서 “문제 정의, 가설 설정, 도구 조합, 검증” 중심으로 이동하고 있다.

✅ 액션 아이템

• Hermes에서 Grok 구독을 사용할 경우 xai-oauth 인증과 hermes model 인증 절차를 먼저 확인한다.
• hermes tools와 CLI 도구 설정에서 x_search 활성화 여부를 점검한다.
• config.yaml에서 x_search의 timeout_seconds, retries, model 설정을 워크플로에 맞게 조정한다.
• X Article 요약, X 북마크 cron job, 스마트 계정 추적 워크플로 중 어디에 x_search를 적용할지 구분해 테스트한다.

❓ 열린 질문

• x_search가 SuperGrok 웹 인터페이스보다 raw하다는 한계를 실제 리서치 품질에서 어느 정도까지 보완할 수 있을까?
• Hermes의 기본 모델로 DeepSeek를 쓰고 x_search만 Grok 기반으로 쓰는 분업 구조가 다른 모델 조합에서도 안정적으로 작동할까?
• X API, x_search, Cookie MCP, 브라우저 CDP를 조합할 때 비용 대비 가장 효율적인 리서치 파이프라인은 어떤 형태일까?