이 영상은 Claude Code와 Obsidian을 핵심 도구로 활용하고, Andrej Karpathy의 LLM Wiki 개념, 그리고 최신 지식 그래프 도구인 Graphipy를 결합하여 개인 지식 관리 시스템을 구축하는 방법론을 상세히 설명합니다. 이 조합은 AI 시대에 개인의 정보와 지식을 효과적으로 수집, 관리, 활용하여 "Second Brain"을 구축하고 유의미한 결과물을 생산하는 새로운 메타로 제시됩니다.

문제 제기: 기존 AI 에이전트 도구(예: claude.md, agent.md 파일)만으로는 대화 기록이 일회성에 그치거나, 저장된 메모리가 재활용 가능한 지식으로 축적되기 어렵다는 한계를 지적합니다. AI의 활용성을 높이려면 내가 수집하고 가치 있다고 생각하는 정보와 지식을 지속적으로 재활용하고, AI가 나의 지식처럼 활용할 수 있도록 'Second Brain'이 필요하다는 것입니다.

핵심 방법론:

1. Obsidian을 지식 베이스로 활용:
   • 특징: Obsidian은 순정 마크다운을 기반으로 하여 AI 툴이 문서를 잘 이해하고 처리할 수 있게 합니다. Andrej Karpathy가 Obsidian을 "인간을 위한 프런트엔드"라고 언급하며 지식 입력 및 조회를 위한 도구로 강조했습니다.
   • 의의: Obsidian 내에서 '목적 있는 수집'(Purposeful Collection)을 통해 '골드 데이터'(Gold Data)를 쌓는 것이 중요합니다. 단순히 정보를 모으는 것이 아니라, 내가 왜 이 정보를 수집하는지 명확한 목적과 가치를 부여해야 AI가 의미 있는 아웃풋을 생산할 수 있습니다 ("Garbage In, Garbage Out" 대신 "Gold In, Gold Out").

2. LLM Wiki 개념 도입 (by Andrej Karpathy):
   • 아이디어: LLM(Claude Code 등)을 활용하여 수집된 지식을 체계적으로 쌓고 연결하며 소화할 수 있는 프레임워크입니다.
   • 프로세스:
     • Raw Data Ingestion: 논문, 영상, 이미지, 아티클 등 인터넷에서 수집한 '원시 데이터(Raw Data)'를 raw 폴더에 저장합니다.
     • LLM Processing: LLM 기반 에이전트(예: Claude Code)가 이 raw 데이터를 'Ingest'합니다. 이 과정에서 데이터의 연관성을 확인하고, 간극을 채우며, 재활용 가능한 지식 소스('재료')로 분해합니다.
     • Wiki Organization: 처리된 지식 '재료'들은 wiki 폴더 내에 정리됩니다. 목차, 목록, 인덱스를 생성하고, 개념(Concepts)과 개체(Entities)를 분리하며, 사용자가 정의한 특정 스키마(Schema)와 규칙에 따라 체계화됩니다.
     • Continuous Update Loop: 새로운 정보가 수집될 때마다 기존 위키와 연결되어 업데이트되고, 목차와 위키 전체가 지속적으로 최신화됩니다.
   • RAG(Retrieval Augmented Generation)와의 비교:
     • 설정 복잡도: LLM Wiki는 마크다운 파일 기반으로 설정이 간단하며, RAG는 임베딩 모델, 벡터 DB 등으로 복잡합니다.
     • 인프라: LLM Wiki는 로컬 파일 시스템만으로 충분하며, RAG는 별도의 벡터 DB 인프라가 필요합니다.
     • 검색 신뢰도: LLM Wiki는 체계화된 목록/목차/스키마 덕분에 높은 신뢰도를 가질 수 있으며, RAG는 데이터 정제 여부에 따라 신뢰도가 낮아질 수 있습니다.
     • 지식 축적: LLM Wiki는 연결성을 통해 지식이 '복리' 형태로 쌓여 활용도가 높아지며, RAG는 새로운 문서 유입 시 업데이트가 필요합니다.

3. Graphipy 통합:
   • 목적: LLM Wiki만으로는 지식의 양이 많아질 경우 비효율적일 수 있습니다. Graphipy는 Obsidian의 마크다운 문서들(LLM Wiki에서 구축된 지식)을 지식 그래프(Knowledge Graph) 형태로 변환하여 LLM이 지식 간의 관계를 기반으로 더욱 정교한 쿼리를 수행할 수 있도록 합니다.
   • 작동 방식:
     • Python 기반 도구이며, pip install graphipy로 설치됩니다.
     • 사용자가 지정한 폴더(예: wiki 폴더) 내의 마크다운 문서를 분석하여 지식 그래프를 생성합니다.
     • 결과물로 graph.json (AI 활용), graph.html (시각화 리포트), graph_report.md (사람이 읽을 수 있는 리포트)를 출력합니다.
     • Claude Code와 같은 LLM 에이전트는 graphipy query 명령을 통해 이 지식 그래프 데이터를 활용하여 질문에 답변합니다. 이는 단순 텍스트 검색을 넘어 지식 간의 관계(엣지, 엣지: Edge)를 탐색하여 더 깊이 있는 인사이트를 제공합니다.

시스템 구축 과정 (실제 적용 단계):

4. Obsidian 볼트 생성: 새로운 Obsidian 볼트를 생성하고 Claude Code와 연동합니다.
5. 나의 핵심 맥락 정의: "나의 핵심 맥락" (My Core Context) 노트를 작성합니다. 이는 "나는 누구인가?", "왜 기록하는가?", "어떤 아웃풋을 만들고 싶은가?"와 같은 질문에 대한 답변을 포함하며, AI가 나의 지식 관리 목적을 이해하고 기준을 세우는 데 활용됩니다.
6. claude.md 생성: Claude Code와의 인터뷰를 통해 핵심 맥락을 구체화하고, 이를 바탕으로 AI가 지식 관리를 수행할 '작업 규칙' 및 '스키마'가 담긴 claude.md 파일을 생성합니다.
7. LLM Wiki 폴더 구조 생성: LLM Wiki의 아이디어를 Claude Code에 제공하고, 사용자의 목적에 맞게 raw, wiki, output 폴더 구조를 자동 생성하도록 지시하며, 각 폴더의 맥락을 담은 claude.md 파일을 추가합니다.
8. Obsidian Web Clipper 템플릿 맞춤 설정: Obsidian 웹 클리퍼의 기본 템플릿(JSON)을 Claude Code에 제공하여, LLM Wiki의 raw 폴더 구조 및 스키마에 맞게 아티클, YouTube, 팟캐스트, 책, 연구 자료 등 다양한 유형의 웹 클리퍼 템플릿을 생성하도록 요청합니다. 이 템플릿들은 다시 웹 클리퍼 확장 프로그램으로 가져옵니다.
9. /ingest 스킬 개발: 클리퍼로 수집된 자료나 직접 추가된 자료(예: YouTube 영상 스크립트)를 raw 폴더에 넣고, Claude Code에 /ingest 스킬을 사용하여 위키에 통합하도록 합니다. 이때, 사용자가 각 자료를 수집한 '관점'이나 '목적'을 AI에게 직접 설명함으로써 '목적 있는 수집'을 강화합니다. 이 스킬은 자료 요약, 엔티티 분리, 위키 반영 등의 과정을 자동화합니다.
10. 추가 스킬 개발:
    • /query 스킬: 위키 내 지식을 기반으로 질문에 답변합니다.
    • /lint 스킬: 위키 전체의 일관성을 유지하고 최신화되지 않은 부분을 수정하는 데 사용합니다.
    • /synthesis: 쿼리에 대한 답변이나 여러 소스에서 통합된 내용을 바탕으로 새로운 통찰을 위키에 저장할 수 있습니다.
11. Graphipy 연동 및 쿼리:
    • Graphipy를 설치하고, graphipy wiki 명령을 통해 Obsidian wiki 폴더의 노트를 기반으로 지식 그래프를 생성합니다.
    • Claude Code에 /graphipy query 스킬을 추가하여, 생성된 지식 그래프(graph.json)를 참조하여 질문에 답변하도록 함으로써 지식 간의 관계를 활용한 심층적인 쿼리를 가능하게 합니다.

결론: 이 시스템은 AI가 단순한 정보 검색을 넘어, 사용자의 목적에 따라 지식을 체계적으로 축적하고, 그 지식 간의 관계를 분석하여 본질적인 통찰을 제공하며, 궁극적으로는 AI를 활용한 'Second Brain'을 구현하는 강력한 방법론을 제시합니다.