본문 바로가기

구글노트북LM 이름 바뀐다 기능은 유지

반응형

NotebookLM is now Gemini Notebook
NotebookLM is now Gemini Notebook

 

⚡ 한 줄 요약:
구글노트북LM(NotebookLM)이 'Gemini Notebook'으로 이름만 바뀝니다.
독립 앱·기존 노트북·업로드한 소스는 그대로 유지되고, 데이터 이전이나 재가입은 필요 없습니다.

 

 

📑 목차

 

 

📌 무슨 일인지

구글이 AI 노트 도구 NotebookLM(구글노트북LM)Gemini Notebook 으로 리브랜딩한다고 발표했습니다.
핵심만 추리면 이렇습니다.

  • 이름만 변경: 서비스 본체·URL 진입점·기능은 그대로. 브랜드를 'Gemini' 계열로 통일하는 작업입니다.
  • 독립 앱 유지: Gemini 앱에 흡수·폐지되는 게 아니라 별도 앱으로 계속 운영됩니다. 다만 Gemini 생태계와의 결합은 더 촘촘해집니다.
  • 기존 자산 보존: 이미 만든 노트북, 올린 PDF·문서·URL 소스는 이전 작업 없이 그대로 열립니다.

즉 사용자가 당장 할 일은 없습니다.
이름표만 바뀐다고 보면 됩니다.

 

 

🧩 배경 — 왜 지금 '개명'인가

구글은 검색·워크스페이스·안드로이드까지 AI 기능을 전부 'Gemini' 단일 브랜드로 묶는 중입니다.
NotebookLM은 원래 실험적 성격이 강했고 이름에 붙은 'LM(Language Model)'도 일반 사용자에겐 낯선 표현이었습니다.
브랜드를 Gemini로 통일하면 마케팅·검색 노출·기능 연동 설명이 한결 단순해집니다.

여기서 개발자가 꼭 구분해야 할 게 있습니다.
Gemini Notebook(앱)Gemini API(개발자용) 는 다른 물건입니다.

  • Gemini Notebook = 소스를 올리면 그 소스에 근거해(source-grounding) 답하고 요약·마인드맵·오디오 개요를 만들어 주는 완성형 앱. 코드 없이 씁니다.
  • Gemini API / google-genai = 그 기능을 직접 구현할 때 쓰는 모델 호출 인터페이스. RAG 파이프라인을 내가 짭니다.

이름이 둘 다 'Gemini'라 헷갈리기 쉽지만, 조사·정리는 앱, 내 제품에 심을 땐 API 로 나뉜다는 축만 기억하면 됩니다.

 

 

💡 개발자에게 주는 의미

Notebook은 본질적으로 관리형 RAG 프론트엔드입니다.
문서를 넣으면 청킹·임베딩·검색·인용 표기까지 알아서 해 줍니다.
그래서 "우리 사내 문서 Q&A를 어디에 얹지?"를 고를 때 선택지를 이렇게 정리할 수 있습니다.

 

상황 추천 이유
소수 문서로 빠른 조사·요약 Gemini Notebook 앱 코드 0, 인용·오디오 개요 즉시
내 서비스에 Q&A 기능 내장 Gemini API + 직접 RAG 프롬프트·검색 로직 제어 가능
대규모·권한·팀 공유 검색 Vertex AI RAG/Search 인증·스케일·운영 관리형

 

주의할 점: 오디오 개요·마인드맵·소스별 인용 UI 같은 Notebook 고유 기능은 API로 그대로 옮겨지지 않습니다. API는 모델 호출만 주므로, 그 위 UX는 직접 만들어야 합니다.

 

 

🛠 실무 — 최소 RAG 골격

Notebook이 내부에서 하는 일(임베딩→top-k 검색→근거 주입)을 API로 흉내 내면 대략 이렇습니다.
모델 ID는 계속 바뀌니 공식 문서에서 최신 값 확인 후 넣으세요.

from google import genai
import numpy as np

client = genai.Client()  # GEMINI_API_KEY 환경변수 사용
EMBED_MODEL = "<EMBEDDING_MODEL_ID>"   # 공식 문서 확인
GEN_MODEL   = "<GEMINI_MODEL_ID>"      # 공식 문서 확인

def embed(texts):
    r = client.models.embed_content(model=EMBED_MODEL, contents=texts)
    return np.array([e.values for e in r.embeddings])

# 1) 사전 준비: 문서 청크 임베딩
chunks = ["...문서 조각1...", "...문서 조각2...", "..."]
chunk_vecs = embed(chunks)

# 2) 질문과 유사한 top-k 청크만 추림
def retrieve(question, k=3):
    q = embed([question])[0]
    sims = chunk_vecs @ q / (
        np.linalg.norm(chunk_vecs, axis=1) * np.linalg.norm(q) + 1e-9)
    return [chunks[i] for i in sims.argsort()[-k:][::-1]]

# 3) 근거만 붙여 생성 (source-grounding)
def ask(question):
    ctx = "\n\n".join(retrieve(question))
    prompt = f"다음 근거만 사용해 답하고 없으면 모른다고 답하라.\n\n[근거]\n{ctx}\n\n[질문]\n{question}"
    return client.models.generate_content(model=GEN_MODEL, contents=prompt).text

print(ask("환불 정책이 어떻게 되나요?"))

전체 문서를 통째로 프롬프트에 밀어 넣지 않고 top-k 검색으로 추린 근거만 주입하는 것이 토큰·정확도 양쪽에서 핵심입니다.
이게 Notebook이 자동으로 해 주는 일의 축소판입니다.

 

 

✅ 체크포인트

  • 지금 할 일 없음: 구글노트북LM 사용자는 데이터 이전·재가입 불필요. 이름만 Gemini Notebook으로 바뀐다.
  • 앱 vs API 구분: 조사·정리는 Gemini Notebook 앱, 내 제품에 검색·Q&A를 내장할 땐 Gemini API로 직접 RAG.
  • 못 옮기는 것 확인: 오디오 개요·마인드맵·인용 UI는 API에 없다. 필요하면 앱을 그대로 쓰거나 UX를 직접 구현.
  • 모델 ID는 항상 최신 확인: 예시 코드의 모델명은 플레이스홀더다. 복붙 전 공식 문서에서 현재 ID로 교체.

 

 

📚 참고(출처)

🔗 함께 보면 좋은 글

 

 

📊 오늘의 개발 트렌드 (자동 집계)

GitHub·Hacker News·Hugging Face·App Store·Cloudflare Radar에서 매일 자동으로 모은 개발 트렌드입니다. (2026-07-17 18:11 기준)

🐙 GitHub 급상승

  • apache/ossie (+60★/일) — Apache Ossie, industry wide specification effort to standardize how we
  • Nutlope/hallmark (+3,372★/일) — Anti-AI-slop design skill for Claude Code, Cursor, and Codex.
  • OpenCut-app/OpenCut (+3,537★/일) — The open-source CapCut alternative

📰 Hacker News 화제

🤗 Hugging Face 트렌딩 모델

💰 App Store 매출 TOP (한국)

  • YouTube — Google
  • ChatGPT — OpenAI OpCo, LLC
  • 운빨존많겜 — 111%

🌐 가장 많이 방문되는 웹 (Cloudflare Radar)

반응형