개요
이 영상은 AI 에이전트가 참조할 수 있는 지식 베이스를 옵시디언으로 구축하는 방법, 즉 “LLM 위키(LM Wiki)”를 다룹니다. 벡터 DB나 그래프 DB를 따로 만들지 않고도 옵시디언 볼트의 마크다운과 메타데이터만으로 인공지능이 지식을 참고할 수 있게 만드는 것이 핵심입니다. 최신 모델과 웹 검색이 있음에도 왜 내 로컬에 지식을 정리해야 하는지, 그리고 그것을 어떻게 시스템화하는지를 실습과 함께 설명합니다.
이 영상은 한국과학기술원에서 진행된 강연으로, 발표자는 컴퍼니스페이스 대표이자 차의과학대학교 겸임교수, KIRD 개원 교수로 활동 중인 구요환 대표입니다. 옵시디언 전도사로 알려져 있으며 관련 책을 집필하고 다수의 강의를 진행해 온 이력이 출처의 신뢰성을 뒷받침합니다.
핵심 내용
왜 로컬 지식 베이스(LLM 위키)가 필요한가
발표자는 최신 모델과 웹 검색 기능이 있음에도 왜 로컬에 지식을 정리해야 하는지에 대한 질문을 던집니다. 답은 “인간의 머리의 한계”와 학습에 있습니다. 발표자는 물리학을 전공하고 교육공학(HRD)으로 박사를 받은 경력을 바탕으로, 교육학의 “스트레치드 골(stretched goal)” 개념을 소개합니다. 너무 멀리 있는 목표가 아니라 조금 더 힘써서 팔을 뻗으면 닿을 수 있는 목표를 설정해야 학습이 원활하게 일어난다는 개념입니다.
LLM 위키는 이런 학습의 전초기지 역할을 합니다. 카카오톡 “나에게 보내기”에 쌓아두고 다시 보지 않는 링크와 기사처럼, 우리가 관심을 가진 지식을 캡처하는 도구로 LLM 위키를 사용하라는 것입니다. 내가 어디에 관심을 보였고 어떤 것에 휴먼 바이어스를 줬는지를 인공지능이 알게 하면 거기서부터 배울 수 있는 것이 많아진다고 설명합니다.
볼트 분리: 모선 볼트와 위키 볼트
옵시디언은 “볼트(vault)”라는 마크다운 파일들의 집합 단위로 작동합니다. 발표자는 볼트를 하나만 쓰는 것이 아니라 여러 개(본인은 약 여덟 개)를 용도에 맞게 사용한다고 합니다. 중요한 원칙은 AI가 쓴 지식과 내가 작성한 지식을 구분하라는 것입니다.
- 모선(마더십) 볼트: 내가 직접 작성하고, 강의할 수 있을 만큼 잘 아는 엄밀한 지식을 담는 메인 볼트. 저자로 본인 이름이 명시됩니다.
- 위키(세틀라이트) 볼트: AI가 정리해 주는 학습용 지식 공간. 아직 잘 모르지만 배우고 싶은 개념, 기술적 내용, 조사 자료 등을 담습니다. 어떤 모델(예: Opus 4.8, 코덱스 등)이 작성했는지까지 메타데이터로 명시해 최적화 테스트에 활용합니다.
발표자는 대학원 수업에서 학생들에게 AI가 만든 결과물을 그대로 발표하지 말고 컴퓨터를 덮고 5분간 머릿속 생각을 이야기하게 했다는 사례를 들며, AI가 쓴 것과 내가 쓴 것을 엄밀히 구분하는 것의 중요성을 강조합니다.
메타데이터와 연결(링크)의 힘
옵시디언의 가장 큰 가치는 마크다운 파일 상단의 YAML 메타데이터(프론트 매터) 필드에 있습니다. 발표자는 실제 노트에서 38번째 줄부터 본문이 시작되고 앞의 37줄이 메타데이터라는 예를 보여줍니다. 클로드 코드 같은 에이전트는 전체 내용을 다 읽지 않고 이 메타데이터(빙산의 일각)를 먼저 읽어, 컨텍스트 윈도우(있어봤자 100만 토큰)를 절약하는 “점진적 공개(progressive disclosure)” 방식으로 지식을 탐색합니다. 노트 제목과 설명(description)은 영어로 작성하는 것이 인공지능이 더 빠르게 읽는다고 조언합니다.
또한 노트 간 연결(백링크)이 핵심입니다. 하나의 노트 주소만 인공지능에게 넘기면 연결된 다른 노트들도 소시지처럼 함께 읽을 수 있습니다. 다만 이 연결은 같은 볼트 내에서만 가능하므로, 외부 볼트와는 마크다운 링크 방식(스퀘어 브라켓 + 라운드 브라켓)으로 연결해야 합니다. 발표자는 이 외부 볼트 연결을 자동화하는 시스템 파일을 만들어 옵시디언 볼트의 태생적 한계(볼트 내 연결만 가능)를 업그레이드했다고 설명합니다.
세 가지 핵심 명령: 인제스트, 쿼리, 린트
발표자는 카파시(Karpathy)의 아이디어에서 출발한 LLM 위키의 세 가지 핵심 작업을 소개합니다.
- 인제스트(Ingest): 로우한 자료(아티클, 논문, 유튜브 전사본 등)를 소화·흡수하여 사람과 AI 모두 읽기 좋은 위키 카드로 만드는 작업. 여러 소스를 세트로 모아 한 번에 처리할 수 있으며, 토큰과 시간을 많이 소모합니다. 카드 유형은 개념(Concept), 고유명사·서비스명(Entity), 활용법(Guide), 종합 개념(Maps) 등으로 분류됩니다.
- 쿼리(Query): 모아 놓은 지식에 질의하는 작업. QMD(마크다운 쿼리 랭귀지) MCP를 사용해 BM25(단어 빈도 기반 렉시컬 검색), 벡터 서치(유사 개념 검색), 가설 검증 방식(질문 재해석 후 재검색) 세 가지를 단계적으로 구현했습니다.
- 린트(Lint): 유지보수(메인터넌스) 작업. 새 개념을 인제스트할 때 기존의 관련·오래된 노트를 자동 업데이트하고, 전반적인 정합성을 점검합니다.
실전 가이드
영상에서 안내한 대로 LLM 위키를 시작하려면 다음 과정을 따라할 수 있습니다.
먼저 발표자가 공개한 LLM 위키 스타터 킷(강연 당일 오전 1.7.0 버전을 퍼블릭으로 공개)을 릴리즈 페이지에서 다운로드합니다. 압축을 풀면 하나의 폴더(위키 볼트)가 생기며, 이를 실제로 사용할 경로(예: 문서, 바탕화면)에 위치시킵니다. 맥은 커맨드+옵션+C로 경로를 복사할 수 있습니다.
다음으로 해당 폴더에서 클로드 코드를 열고 “온보딩 해 줘”라고 입력하면(또는 스킬 트리거) 정해진 질문들이 나옵니다. 어떤 목적으로 쓰는지, 이름은 무엇인지, 메인 볼트와 연결할지 등을 물어보며, 컨텍스트를 많이 줄수록 결과가 좋아집니다. 온보딩은 길게는 약 5분 정도 걸리고 코어컨텍스트.md가 수정됩니다. 이때 코어 컨텍스트에 모든 내용을 다 쓰지 않고 “취향은 취향.md 참고”처럼 주소만 명시해 컨텍스트를 최적화하는 것이 옵시디언의 큰 장점입니다.
마지막으로 자료를 인제스트합니다. 옵시디언 웹 클리퍼(크롬 확장) 템플릿으로 웹 아티클을 인박스(버퍼) 폴더에 캡처한 뒤, 인박스 스킬을 돌리면 모아둔 자료를 주제별로 묶어 인제스트를 제안합니다. 링크만 줘서 바로 인제스트할 수도 있지만, 웹 클리퍼로 원본을 먼저 긁어두면 토큰을 절약할 수 있습니다. 인제스트 시 “왜 이걸 모았는지, 뭘 하려는지”를 함께 적어 내 맥락을 주면 결과물의 품질이 올라갑니다.
비판적 검토
이 강연은 벡터/그래프 DB 없이 마크다운과 메타데이터만으로 AI가 참조 가능한 지식 베이스를 만드는 실전적 접근을 명확히 보여줍니다. 특히 모선 볼트와 위키 볼트를 분리하는 설계 철학, 메타데이터·백링크 기반의 점진적 공개 개념, 그리고 즉시 다운로드해 쓸 수 있는 스타터 킷을 함께 제공한 점이 인상적입니다.
다만 인제스트가 토큰과 시간을 매우 많이 소모한다는 점은 실무 적용 시 큰 제약입니다. 발표자 본인도 월 200달러대 구독(맥스 요금)을 사용하며, Opus를 쓰면 사용량 한도에 금방 걸린다고 언급합니다. 논문 원문 전체를 인제스트하는 것은 권장하지 않고 앱스트랙트 수준만 넣거나, 로컬 모델로 인제스트 전용 머신을 돌리는 대안을 제시합니다. 또한 위키 노트가 아직 1천 개 미만이라 확장성(만 개 이상 규모)은 메타데이터 필터링·폴더 구조 설계에 의존한다는 점, 그리고 동시 편집 시 클라우드 싱크의 컨플릭트 가능성도 함께 고려해야 합니다. 무엇보다 발표자는 “AI 시대의 가장 중요한 역량은 읽는 능력”이라며, 에이전트에 시키기만 하고 읽지 않으면 안 된다는 점을 강조합니다.
핵심 요점
- LLM 위키는 세상의 모든 지식이 아니라 “내가 관심을 가진 지식”을 캡처하는 학습 전초기지다. 최신 모델·웹 검색이 있어도 내 휴먼 바이어스를 AI에게 알려주는 것이 핵심 가치다.
- AI가 쓴 지식(위키 볼트)과 내가 쓴 지식(모선 볼트)을 반드시 분리하라. 재료는 위키에, 완성된 요리(강의안·산출물)는 메인 볼트에 넣는다.
- 옵시디언의 힘은 YAML 메타데이터와 백링크에 있다. 에이전트는 메타데이터를 먼저 읽어 컨텍스트를 절약하고, 연결된 노트를 함께 탐색한다. 제목·설명은 영어로 쓰는 것이 유리하다.
- 인제스트·쿼리·린트 세 가지 명령으로 지식을 만들고, 검색하고, 유지보수한다. 쿼리는 BM25·벡터·가설 검증 순으로 점진적으로 정교해진다.
- 인제스트는 비싸다. 토큰 리소스를 아끼려면 웹 클리퍼로 원본을 먼저 확보하고, 논문은 우선순위와 읽음 여부에 따라 전문/앱스트랙트를 선별해 넣어라. 그리고 무엇보다 직접 읽어라—읽어야 시킬 수 있다.
참고자료
- LLM 위키 스타터 킷 및 시스템 파일 (강연 중 공개된 GitHub 레퍼지토리, 1.7.0 릴리즈)
- 옵시디언 웹 클리퍼 (크롬 확장 프로그램) 및 발표자 제공 JSON 템플릿
- 오징크(오싱크) — 옵시디언 공식 싱크를 모방한 셀프 호스팅 동기화 플러그인
- QMD(마크다운 쿼리 랭귀지) MCP — BM25·벡터·가설 검증 검색 구현
- 컴퍼니스페이스 유튜브 채널 및 커뮤니티 채널