반복 리서치에서 해방되는 법: n8n + Perplexity로 만드는 나만의 AI 리서치 비서

리서치, 왜 자동화해야 할까요?

여러분은 매달 같은 작업을 반복하고 있지는 않나요? 관심 주식의 최근 동향을 검색하고, 바뀐 부동산 정책을 파악하고, 새로 나온 AI 서비스 소식을 모아보는 일들 말이죠. 이런 반복 리서치는 중요하지만 시간을 많이 잡아먹습니다. 그리고 바쁜 날에는 그냥 넘어가기 쉽죠.

만약 이 모든 작업이 정해진 날짜에 알아서 실행되고, 결과가 깔끔하게 정리되어 내 눈앞에 나타난다면 어떨까요?

이번 글에서는 n8n(노코드 자동화 플랫폼)과 Perplexity(AI 기반 검색·리서치 도구)를 연결해서, 주기적으로 리서치를 수행하고 결과를 자동 저장하는 AI 에이전트를 만드는 방법을 소개합니다.

핵심 도구 먼저 이해하기

n8n, Perplexity, GPT-4.1, Airtable, Slack 도구 연결 워크플로우 다이어그램

본격적인 구축에 앞서, 사용할 도구들을 간단히 살펴봅시다.

도구	역할	비유
n8n	워크플로우 자동화 플랫폼 (노코드)	도미노 설계자 — 첫 블록만 건드리면 나머지가 알아서 실행됨
Perplexity	AI 기반 실시간 웹 검색·딥리서치 도구	인터넷 전체를 읽고 요약해주는 리서치 조수
GPT-4.1	AI 에이전트의 두뇌 역할	모든 정보를 판단하고 지시하는 팀장
Airtable	스프레드시트형 데이터베이스	리서치 결과를 보관하는 디지털 서류함
Slack	팀 메신저	리서치 결과를 실시간으로 받아보는 알림창

이 도구들이 서로 연결되는 방식은 이렇습니다:

[스케줄 트리거] → [Airtable에서 리서치 대상 목록 가져오기]
    → [AI 에이전트 (GPT-4.1)] → [Perplexity 딥리서치]
        → [결과 구조화] → [Airtable 저장 또는 Slack 전송]

시작 전 준비: n8n 버전 확인

Perplexity 연동 기능은 n8n의 최신 버전에서만 지원됩니다. 구버전을 사용 중이라면 Perplexity 노드 자체가 검색 결과에 나타나지 않습니다.

클라우드 버전 사용자: 왼쪽 Admin 패널 → Manage 탭 → 버전 확인 후 업데이트
셀프 호스팅 사용자: Docker 이미지를 최신 버전으로 pull한 뒤 새 컨테이너 생성

업데이트 후 n8n 노드 검색창에 "Perplexity"를 입력했을 때 결과가 나타나면 준비 완료입니다.

AI 에이전트의 구조: 두뇌·기억·손발

AI 에이전트의 두뇌(Chat Model), 기억(Memory), 손발(Tools) 구조 일러스트

n8n의 AI 에이전트 노드는 세 가지 구성 요소로 이루어집니다. 마치 훌륭한 직원을 채용할 때 세 가지를 갖춰야 하는 것처럼요.

1️⃣ 두뇌 (Chat Model)

판단과 추론을 담당합니다. 여기서는 GPT-4.1을 사용합니다. GPT-4.1은 GPT-4 대비 가격이 저렴하고 컨텍스트 처리 용량이 크다는 장점이 있습니다. OpenAI API 키를 연동해서 연결합니다.

2️⃣ 기억 (Memory)

에이전트가 여러 단계를 거쳐 작업할 때 이전 내용을 기억하게 해줍니다. Simple Memory를 추가하면 됩니다. 이것이 없으면 에이전트가 앞서 한 작업을 잊어버려 같은 질문을 반복하거나 맥락 없는 답변을 할 수 있습니다.

3️⃣ 손발 (Tools)

실제 작업을 수행하는 부분입니다. 여기에 Perplexity 노드를 연결합니다. Perplexity API 키를 발급받아 연동하면, 에이전트가 필요할 때마다 Perplexity에 검색을 요청하게 됩니다.

Perplexity API 키 발급: Perplexity 계정 → 설정 → API 키 메뉴에서 발급 가능합니다.

실전 구축 1: 주식 리서치 에이전트

어떤 상황에서 유용한가요?

매달 1일, 관심 주식 목록에 있는 종목들의 최근 한 달 동향을 자동으로 분석해서 Airtable에 저장해두고 싶을 때 사용합니다.

구축 단계

1단계: Perplexity 모델 선택
주식처럼 심층 분석이 필요한 경우 Sonar Deep Research 모델을 선택합니다. 일반 모델보다 처리 시간이 길지만 훨씬 상세한 리서치 결과를 제공합니다. 리센스 필터(최신 정보 필터)는 1개월로 설정해 최근 한 달 정보만 수집하도록 합니다.

2단계: 시스템 프롬프트 작성
시스템 프롬프트는 에이전트의 행동 지침서입니다. 여기서 설정을 잘 할수록 결과 품질이 올라갑니다.

에이전트의 역할 정의 (예: Financial Research Agent)
사용할 툴 명시 (Perplexity 리서치 툴 활용)
검색 키워드 조합 방식 가이드
출력 포맷 지정 (한국어로 작성, 항목별 구조화)

💡 팁: 시스템 프롬프트의 역할 정의와 규칙은 영문으로 작성하는 것이 모델 성능에 더 유리하다고 알려져 있습니다. 단, 최종 출력 언어는 한국어로 지정하면 됩니다.

3단계: 출력 구조화 (Structured Output Parser)

Airtable에 데이터를 넣으려면 출력이 일정한 형태로 나와야 합니다. AI 에이전트 노드에서 Require Specific Output Format을 활성화하고, Structured Output Parser를 추가합니다.

주식 리서치의 경우 다음 세 가지 필드로 구조화합니다:

ticker: 주식 종목 코드
research: 리서치 내용
sources: 참고 출처 목록

4단계: Airtable 연동
Airtable에 Financial Research 베이스를 만들고 Stock Research 테이블에 ticker, research, sources 컬럼을 준비합니다. n8n에서 Airtable Create Record 노드를 추가하고 각 필드를 매핑합니다.

5단계: 스케줄 자동화
매월 1일 자동 실행을 위해 Schedule Trigger를 추가합니다. 그리고 Airtable의 Stock List 테이블에서 Status가 체크된(True) 종목만 가져오도록 필터를 설정합니다.

필터 공식: {Status} (Status 값이 True인 행만 가져옴)

이렇게 하면 리서치하고 싶은 종목은 Airtable에서 체크만 하면 자동으로 포함되고, 제외하고 싶으면 체크를 해제하면 됩니다.

6단계: 트리거별 설정 분기

채팅으로 테스트할 때와 스케줄로 자동 실행할 때 입력 방식이 다릅니다. 이를 처리하기 위해 유저 프롬프트를 조건부로 설정합니다:

Airtable에서 ticker 값이 있으면 → 해당 ticker 사용
ticker 값이 없으면 → 채팅 입력값 사용

메모리의 세션 ID도 마찬가지입니다:

채팅 세션 ID가 있으면 → 해당 ID 사용
없으면 → schedule-research-session 같은 고정 키 사용

실전 구축 2: 한국 부동산 정책 리서치 에이전트

한국의 부동산 정책은 자주 바뀌기로 유명합니다. 매달 정책 변화를 직접 찾아보는 대신, AI 에이전트가 알아서 정리해주도록 합니다.

주식 에이전트와의 차이점

항목	주식 리서치	부동산 정책 리서치
모델	Sonar Deep Research	Sonar Deep Research
리센스 필터	1개월	1개월
출력 필드	ticker, research, sources	headline, research, sources
유저 프롬프트	종목 코드 입력	한국 부동산 정책 리서치 고정 문구
오늘 날짜	불필요	시스템 프롬프트에 포함 (30일 기준 계산용)

두 번째 에이전트부터는 첫 번째 에이전트 구조를 그대로 참고해서 빠르게 만들 수 있습니다. 시스템 프롬프트와 출력 필드만 바꿔주면 됩니다.

비용 절감 팁: 첫 에이전트를 만들 때 Structured Output Parser의 출력 형식을 파악했다면, 두 번째부터는 테스트 없이 필드명을 예측해서 바로 매핑할 수 있습니다. API 호출 횟수를 줄여 비용을 아낄 수 있습니다.

실전 구축 3: AI 신제품 뉴스 에이전트 (Slack 연동)

AI 업계 소식은 빠르게 변합니다. 매주 새로운 서비스가 출시되는데, 이를 놓치지 않으려면 주 단위 자동 리서치가 필요합니다.

이 에이전트의 특징

워크플로우 복제 활용: 이미 만든 에이전트와 구조가 유사하므로, 기존 워크플로우를 Duplicate(복제)한 뒤 수정하는 방식으로 빠르게 제작합니다.

모델 변경: 주간 뉴스 수집은 심층 분석보다 속도와 비용 효율이 중요합니다. Deep Research 대신 Sonar 기본 모델을 사용합니다.

도메인 필터 활용: Perplexity의 Search Domain Filter 옵션을 사용하면 특정 도메인에서만 정보를 가져오거나, 신뢰도 낮은 도메인을 제외(-도메인명 형식)할 수 있습니다. 현재 최대 3개 도메인까지 필터 적용이 가능합니다.

Slack 전송 흐름:

AI 에이전트가 Perplexity로 최근 1주간 AI 서비스 출시 소식 리서치
Slack Formatter (GPT-4.1 기반 별도 노드)가 결과를 Slack Block Kit 형식으로 변환
Slack Send Message 노드가 지정 채널에 전송

Slack으로 보낼 때는 Airtable과 달리 데이터를 별도로 구조화할 필요가 없습니다. 대신 Slack의 Block Kit 형식에 맞게 포매팅하는 별도 GPT 노드를 추가해서 메시지가 보기 좋게 표시되도록 합니다.

세 가지 에이전트 비교 요약

항목	주식 리서치	부동산 정책	AI 뉴스
실행 주기	매월 1일	매월	매주
Perplexity 모델	Sonar Deep Research	Sonar Deep Research	Sonar (기본)
리센스 필터	1개월	1개월	1주일
리서치 대상	Airtable 목록에서 동적 가져오기	고정 주제	고정 주제
결과 저장 위치	Airtable	Airtable	Slack
출력 구조화	필요 (Structured Output Parser)	필요	불필요 (Slack Formatter 대체)

이런 상황에서 이렇게 활용하세요

시나리오 1 - 개인 투자자

TSLA, PLTR 등 관심 종목 5개를 Airtable Stock List에 등록하고 체크. 매월 1일 오전 8시에 자동으로 각 종목의 최근 한 달 실적·뉴스·애널리스트 전망이 Airtable에 정리됩니다.

시나리오 2 - 부동산 관심자

별도 설정 없이 매월 자동으로 최근 30일간 한국 부동산 정책 변화(대출 규제, 세제 개편, 공급 정책 등)가 Airtable에 요약·저장됩니다.

시나리오 3 - AI 업계 종사자 또는 관심자

매주 월요일 오전, 지난 한 주간 출시된 AI 서비스 소식이 Slack 채널에 자동으로 정리되어 팀원 모두가 확인할 수 있습니다.

API 비용 절감을 위한 실용 팁

API 비용 절감을 위한 Perplexity 모델 선택 및 리서치 최적화 팁 일러스트

자동화 시스템을 운영할 때 API 비용이 생각보다 빠르게 쌓일 수 있습니다. 다음 방법으로 비용을 줄일 수 있습니다:

딥리서치 모델은 꼭 필요한 경우에만: 주간 뉴스 수집처럼 빠른 검색이 목적이라면 기본 Sonar 모델로도 충분합니다.
출력 형식을 미리 예측해서 테스트 횟수 줄이기: 첫 에이전트에서 출력 구조를 파악한 뒤, 이후 에이전트는 테스트 없이 필드명을 직접 입력합니다.
리센스 필터 적극 활용: 필요한 기간의 정보만 가져오면 불필요한 데이터 처리를 줄일 수 있습니다.

핵심 정리

n8n + Perplexity 조합으로 주기적 리서치 작업을 완전 자동화할 수 있습니다. 스케줄 트리거를 설정하면 매주·매월 알아서 실행됩니다.
AI 에이전트는 두뇌(GPT-4.1) + 기억(Simple Memory) + 손발(Perplexity Tool) 세 가지로 구성되며, 각 역할을 이해하고 설정해야 안정적으로 동작합니다.
시스템 프롬프트가 품질을 결정합니다. 역할, 검색 키워드 가이드, 출력 형식을 명확히 지정할수록 결과가 일관되게 나옵니다.
Structured Output Parser를 사용하면 Airtable·Slack 등 외부 도구와의 데이터 연동이 훨씬 쉬워집니다. 출력이 구조화되어야 자동 매핑이 가능합니다.
첫 에이전트를 잘 만들면 나머지는 복제 후 수정으로 빠르게 확장할 수 있습니다. 주식·부동산·AI 뉴스 외에도 원하는 어떤 주제든 같은 구조로 적용 가능합니다.