tlooto
회원가입

tlooto는 무엇이고, 일반 AI 챗봇에 연구 질문을 하는 것과 무엇이 다른가요?

tlooto는 에이전트 기반 AI 연구 워크스페이스입니다. 연구 질문에 학술 문헌으로 답하고, 모든 주장을 실제로 검색한 논문과 연결하며, 그 결과를 바로 원고 에디터로 이어 줍니다. 일반 챗봇은 모델이 기억하는 내용으로 씁니다. tlooto는 먼저 검색하고, 선별하고, 인용한 뒤에 씁니다.

tlooto가 해결하는 문제

과학 문헌은 매년 약 4.1%씩 늘어나 약 17년마다 두 배가 됩니다 [1]. 의학 분야에서만 2010년에 이미 하루 약 75건의 임상시험과 11건의 체계적 문헌고찰이 출판되었고 [2], 등록된 체계적 문헌고찰 하나를 완료하는 데 평균 67.3주가 걸렸습니다 [3]. 연구자들은 AI로 이 흐름을 따라잡으려 합니다. 1,600명 이상의 과학자를 조사한 Nature 설문에서 AI 도구가 연구의 핵심이 될 것이라는 기대가 널리 확인되었고 [4], 최근 컴퓨터과학 논문의 최대 17.5%에서 LLM이 수정한 텍스트가 발견되었습니다 [5].

문제는 신뢰성입니다. 언어 모델은 어떤 출처로도 뒷받침되지 않는 문장을 유창하게 만들어 내며 [6], 그 피해가 가장 큰 곳이 참고문헌입니다. OpenScholar 평가에서 GPT-4o는 생성한 과학 인용의 78~90%를 지어냈고 [15], 검색 기반으로 만든 상용 리서치 도구조차 질의의 17~33%에서 환각을 보였습니다 [7].

tlooto는 이렇게 작동합니다

tlooto는 검색 증강 생성 [8][9]과 인용 인식 생성 [10]을 기반으로, 추론하고 행동하는 AI 에이전트 팀 [11]으로 일합니다.

  1. 계획: 질문을 상호 보완적인 검색 의도로 나누고, 계획의 모든 단계를 Work process 패널에서 실시간으로 보여 줍니다.
  2. 학술 검색: 학술 인덱스에 여러 검색식을 실행해 저자, 학술지, 연도, DOI, 초록이 달린 논문을 가져옵니다.
  3. 문헌 선별: 각 후보를 명시적 포함 기준으로 확인합니다. 근거 종합 분야에서 머신러닝이 오랫동안 가속해 온 바로 그 단계입니다 [20][21][22].
  4. 근거 종합: 선별된 논문으로 구조화된 리포트를 쓰고, 모든 문장에 열어 볼 수 있는 번호 인용을 붙입니다.
  5. Research Editor: 클릭 한 번으로 리포트를 인용, 표, 그림, 수식이 살아 있는 원고로 바꿉니다.
일반 AI 챗봇tlooto
주장의 근거모델의 기억질문을 위해 검색한 논문
인용빈번히 지어냄 [7][15]검색된 논문에서, DOI 포함
선별없음내 기준에 따른 선별
투명성최종 텍스트뿐단계별 Work process 전체 공개
결과물채팅 메시지인용 리포트와 편집 가능한 원고
인용 스타일일관성 없음APA, MLA, Harvard, Chicago, ISO 690
후속 질문처음부터 다시이미 찾은 근거 위에 이어서

연구자들은 이렇게 씁니다

  • 문헌 리뷰: 한 분야의 이론적 관점, 합의와 쟁점을 몇 주가 아니라 몇 분 만에 정리합니다.
  • 연구 공백과 아이디어: 덜 연구된 질문을 찾아냅니다. LLM이 만든 연구 아이디어는 전문 연구자의 아이디어보다 참신하다는 평가를 받았습니다 [19].
  • 연구 방법: 설계, 측정, 분석 방법을 그 방법을 쓴 연구와 함께 제시합니다.
  • 작성과 투고: Research Editor에서 원고를 쓰고 PDF나 DOCX로 내보내며, AI Journal Finder로 맞는 저널을 찾습니다.

tlooto는 PaperQA2 [14], OpenScholar [15], AI co-scientist [18]와 같은 차세대 연구 에이전트 계열에 속하며, 현업 연구자가 매일 쓰도록 만들어졌습니다.

오른쪽에 열린 논문이 Research Editor가 만드는 결과물입니다. 아래에 직접 연구 질문을 입력해 tlooto가 내 주제로 일하는 모습을 확인해 보세요.

참조 레퍼런스
  1. [1]

    Bornmann, L.; Haunschild, R.; Mutz, R. 2021. Growth rates of modern science: a latent piecewise growth curve approach to model publication numbers from established and new literature databases. Humanities and Social Sciences Communications https://doi.org/10.1057/s41599-021-00903-w.

  2. [2]

    Bastian, H.; Glasziou, P.; Chalmers, I. 2010. Seventy-five trials and eleven systematic reviews a day: how will we ever keep up? PLoS Medicine https://doi.org/10.1371/journal.pmed.1000326.

  3. [3]

    Borah, R.; Brown, A. W.; Capers, P. L.; Kaiser, K. A. 2017. Analysis of the time and workers needed to conduct systematic reviews of medical interventions using data from the PROSPERO registry. BMJ Open https://doi.org/10.1136/bmjopen-2016-012545.

  4. [4]

    Van Noorden, R.; Perkel, J. M. 2023. AI and science: what 1,600 researchers think. Nature https://doi.org/10.1038/d41586-023-02980-0.

  5. [5]

    Liang, W.; Zhang, Y.; Wu, Z.; Lepp, H.; Ji, W.; Zhao, X.; et al. 2024. Mapping the increasing use of LLMs in scientific papers. Conference on Language Modeling (COLM 2024) https://arxiv.org/abs/2404.01268.

  6. [6]

    Ji, Z.; Lee, N.; Frieske, R.; Yu, T.; Su, D.; Xu, Y.; et al. 2023. Survey of hallucination in natural language generation. ACM Computing Surveys https://doi.org/10.1145/3571730.

  7. [7]

    Magesh, V.; Surani, F.; Dahl, M.; Suzgun, M.; Manning, C. D.; Ho, D. E. 2025. Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies https://arxiv.org/abs/2405.20362.

  8. [8]

    Lewis, P.; Perez, E.; Piktus, A.; Petroni, F.; Karpukhin, V.; Goyal, N.; et al. 2020. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems 33 https://arxiv.org/abs/2005.11401.

  9. [9]

    Gao, Y.; Xiong, Y.; Gao, X.; Jia, K.; Pan, J.; Bi, Y.; et al. 2023. Retrieval-augmented generation for large language models: a survey. arXiv preprint https://arxiv.org/abs/2312.10997.

  10. [10]

    Gao, T.; Yen, H.; Yu, J.; Chen, D. 2023. Enabling large language models to generate text with citations. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://doi.org/10.18653/v1/2023.emnlp-main.398.

  11. [11]

    Yao, S.; Zhao, J.; Yu, D.; Du, N.; Shafran, I.; Narasimhan, K.; Cao, Y. 2023. ReAct: synergizing reasoning and acting in language models. International Conference on Learning Representations (ICLR 2023) https://arxiv.org/abs/2210.03629.

  12. [12]

    Wei, J.; Wang, X.; Schuurmans, D.; Bosma, M.; Ichter, B.; Xia, F.; et al. 2022. Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems 35 https://arxiv.org/abs/2201.11903.

  13. [13]

    Lála, J.; O’Donoghue, O.; Shtedritski, A.; Cox, S.; Rodriques, S. G.; White, A. D. 2023. PaperQA: retrieval-augmented generative agent for scientific research. arXiv preprint https://arxiv.org/abs/2312.07559.

  14. [14]

    Skarlinski, M. D.; Cox, S.; Laurent, J. M.; Braza, J. D.; Hinks, M.; Hammerling, M. J.; et al. 2024. Language agents achieve superhuman synthesis of scientific knowledge. arXiv preprint https://arxiv.org/abs/2409.13740.

  15. [15]

    Asai, A.; He, J.; Shao, R.; Shi, W.; Singh, A.; Chang, J. C.; et al. 2024. OpenScholar: synthesizing scientific literature with retrieval-augmented LMs. arXiv preprint https://arxiv.org/abs/2411.14199.

  16. [16]

    Wang, Y.; Guo, Q.; Yao, W.; Zhang, H.; Zhang, X.; Wu, Z.; et al. 2024. AutoSurvey: large language models can automatically write surveys. Advances in Neural Information Processing Systems 37 https://arxiv.org/abs/2406.10252.

  17. [17]

    Lu, C.; Lu, C.; Lange, R. T.; Foerster, J.; Clune, J.; Ha, D. 2024. The AI Scientist: towards fully automated open-ended scientific discovery. arXiv preprint https://arxiv.org/abs/2408.06292.

  18. [18]

    Gottweis, J.; Weng, W.-H.; Daryin, A.; Tu, T.; Palepu, A.; Sirkovic, P.; et al. 2025. Towards an AI co-scientist. arXiv preprint https://arxiv.org/abs/2502.18864.

  19. [19]

    Si, C.; Yang, D.; Hashimoto, T. 2025. Can LLMs generate novel research ideas? A large-scale human study with 100+ NLP researchers. International Conference on Learning Representations (ICLR 2025) https://arxiv.org/abs/2409.04109.

  20. [20]

    Marshall, I. J.; Wallace, B. C. 2019. Toward systematic review automation: a practical guide to using machine learning tools in research synthesis. Systematic Reviews https://doi.org/10.1186/s13643-019-1074-9.

  21. [21]

    van de Schoot, R.; de Bruin, J.; Schram, R.; Zahedi, P.; de Boer, J.; Weijdema, F.; et al. 2021. An open source machine learning framework for efficient and transparent systematic reviews. Nature Machine Intelligence https://doi.org/10.1038/s42256-020-00287-7.

  22. [22]

    Guo, E.; Gupta, M.; Deng, J.; Park, Y.-J.; Paget, M.; Naugler, C. 2024. Automated paper screening for clinical reviews using large language models: data analysis study. Journal of Medical Internet Research https://doi.org/10.2196/48996.

  23. [23]

    Page, M. J.; McKenzie, J. E.; Bossuyt, P. M.; Boutron, I.; Hoffmann, T. C.; Mulrow, C. D.; et al. 2021. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ https://doi.org/10.1136/bmj.n71.