이 영상은 개인의 맥락과 업무 환경을 AI가 통합적으로 이해하고 관리하게 하는 시스템인 "LLM Wiki"의 개념, 필요성, 구현 방법 및 활용 사례를 설명합니다.

1. 문제 제기:
개발자나 기획자는 다음과 같은 문제에 직면합니다.

• 맥락 상실: 과거의 아키텍처 결정, 회의 내용, 슬랙 대화, 버그 해결 방법 등을 기억하기 어렵고 기록이 파편화되어 있습니다.
• 정보 파편화: Notion, Slack, Jira, Git, ChatGPT 등 다양한 도구들이 각기 다른 정보를 단편적으로만 보유하고 있어 통합된 관리가 어렵습니다.
• AI의 한계: AI(ChatGPT, Claude 등)는 코드 자체는 이해할 수 있지만, 개인의 히스토리, 회의 내용, 내부적인 의사 결정 등 전반적인 맥락을 알지 못합니다. 프롬프트 엔지니어링만으로는 이 문제를 해결할 수 없습니다.
• 정보 과부하: AI 활용으로 인해 정보량이 기하급수적으로 증가하여 개인의 머리로는 모든 맥락을 관리하기 불가능합니다.

2. LLM Wiki의 개념:
이러한 문제의 해결책으로 "LLM Wiki"를 제안합니다.

• 정의: 개인 지식 데이터베이스(Personal Knowledge DB) 위에서 AI가 직접 읽고 추론하는 시스템입니다.
• 목표: "나만 아는 AI"를 넘어 "나를 알아버리는 AI", 나아가 "나를 나보다 더 잘 아는 AI"를 구축하는 것입니다.
• 원리: 독일 사회학자 니클라스 루만(Niklas Luhmann)이 개발한 제텔카스텐(Zettelkasten) 방식과 유사합니다. 아이디어 하나당 카드 하나를 만들고, 카드들을 서로 링크하여 정보 저장뿐 아니라 새로운 아이디어 생성을 돕는 방식입니다.
• 선구자: Andrej Karpathy (OpenAI 공동 창업자, 전 테슬라 AI 디렉터)가 "LLM Wiki 패턴"을 공개했으며, 그는 본인이 한 글자도 쓰지 않고 LLM이 작성한 40만 단어 규모의 연구 주제 위키를 구축했다고 언급했습니다. 이는 LLM의 토큰 사용이 코드를 넘어 지식 관리에 집중되고 있음을 시사합니다.

3. LLM Wiki 구축 도구 및 핵심 기술:
LLM Wiki를 구축하는 데 필요한 핵심 도구는 두 가지입니다.

• Obsidian:
  • 역할: 지식 저장을 위한 로컬 기반의 Markdown 파일 관리 도구.
  • 기술적 특징:
    • 저장 파일: 순수 Markdown(.md) 파일. 이는 사실상 일반 텍스트 파일(Text file)입니다.
    • 장점:
      • 플랫폼 비종속성 (Platform Independence): 클라우드 기반 서비스(예: Notion)와 달리 특정 서비스에 종속되지 않습니다. Obsidian 서비스가 중단되어도 데이터는 사용자의 로컬 컴퓨터에 안전하게 보존됩니다.
      • 데이터 영속성 (Data Longevity): 텍스트 파일 기반이므로 10년 전/후 컴퓨터에서도 접근 가능하여 데이터가 영구적으로 보존됩니다.
      • 버전 관리: Git과 같은 도구를 통해 쉽게 버전 관리가 가능하며, 백업 또한 폴더 복사만으로 가능합니다.
• Claude Code:
  • 역할: Obsidian에 저장된 지식을 직접 읽고 쓰고 추론하며 관리하는 AI 에이전트.
  • 기술적 특징:
    • GPT와 같은 채팅 기반 모델과 달리, 사용자의 로컬 디스크에 직접 파일을 생성하고 수정하는 에이전트(Agent) 기능을 수행합니다.
    • 이는 AI가 단순한 정보 제공을 넘어 실제 파일 시스템에 개입하여 지식을 능동적으로 관리할 수 있게 함을 의미합니다.

이 두 도구의 결합(사용자가 통제하는 데이터 + AI의 읽기/쓰기/추론 능력)이 파편화된 정보 통합 문제를 해결합니다.

4. LLM Wiki의 실제 활용 사례 (예시):

• 자동 클리핑 및 정리: 뉴스레터, 기술 블로그 등을 클릭만으로 클리핑하면, Claude Code가 자동으로 프로젝트 연관성 기반으로 정리하고 핵심 내용을 요약하여 위키에 기록합니다.
• 회의록 자동화: 회의 녹취록이 입력되면, 회의 참여자, 결정 사항, 책임자, 미해결 이슈 등을 자동으로 정리하여 위키 페이지에 기록하고 태그까지 부여합니다. 누가 무슨 말을 했는지도 기록됩니다.
• Slack 메시지 관리: Claude Code의 API를 활용하여 Slack 메시지에 직접 접근, 업무상 중요한 내용을 자동으로 정리하고 요약하여 누락을 방지합니다.
• 학습 및 퀴즈: 개발 내용의 중요 포인트를 요약하거나, 위키 내용을 조합하여 사용자에게 퀴즈를 내는 등 학습 도구로 활용됩니다.
• 팀원 관리: 팀원들의 업무 진행 상황, 나와의 관계 등 인적 정보까지 위키에 기록하고 관리할 수 있습니다.
• 개인 업무 정리: LLM Wiki는 사용자의 맥락을 이미 알고 있으므로, "오늘 해야 할 개발 업무 정리해 줘"와 같은 질문에 우선순위를 고려한 맞춤형 답변을 제공합니다. 이는 일반적인 AI 챗봇이 할 수 없는 기능입니다.

5. LLM Wiki의 효과 및 이점:

• 시간 절약: 기존에 정보 정리(클리핑, 요약, 연결 등)에 소요되던 시간을 획기적으로 단축시켜 줍니다. AI가 대부분의 정리 작업을 자동으로 처리합니다.
• 정보 자산화: 클리핑된 모든 정보가 개인의 지식 자산으로 축적되며, 언제든 AI를 통해 검색하고 활용할 수 있습니다.
• ROI 변화: 지식 관리 및 학습의 투자수익률(ROI)이 향상됩니다. 정보를 외울 필요 없이 필요할 때 AI를 통해 접근할 수 있습니다.
• 지속적 개선: LLM Wiki는 지치지 않고 스스로 지식을 정리하고 개선해 나갑니다.

이러한 LLM Wiki 시스템은 현재 초기 단계의 트렌드이며, 지금 구축하고 익혀두면 미래의 지식 관리 환경에서 큰 경쟁력을 가질 수 있다고 강조합니다.