빌더 조쉬의 HOW I AI 팟캐스트 **「LLM wiki랑 RAG랑 뭐가 다른건지 알려드려요」**에서는 브레인 트리니티의 브라이언과 함께 **개인 지식 관리(PKM), LLM Wiki, RAG, 지식 그래프, 온톨로지, 라이프 로깅**을 하나의 시스템 관점에서 설명합니다. 이번 영상은 단순히 “Obsidian에 문서를 넣고 Claude Code로 정리한다”는 수준을 넘어, **내 기록을 AI가 지속적으로 이해하고 재활용할 수 있는 개인 지식 인프라로 만드는 방법**을 다룹니다. ## 왜 기록이 중요한가? 영상에서 가장 먼저 강조하는 것은 **AI가 나를 이해하려면 나에 대한 기록이 필요하다**는 점입니다. AI가 일반적인 질문에는 잘 답하더라도: - 내가 무엇을 중요하게 생각하는지 - 어떤 맥락에서 질문하는지 - 과거에 어떤 결정을 했는지 - 어떤 경험을 했는지 - 어떤 자료에 가치를 느꼈는지 를 알지 못하면 답변은 여전히 일반적일 수밖에 없습니다. 즉, 개인 지식 관리의 목적은 단순히 자료를 모으는 것이 아니라 **AI가 나의 맥락을 읽을 수 있는 기반을 만드는 것**입니다. ## LLM Wiki란? 영상에서는 LLM Wiki를 **LLM과 사람이 함께 편집하고 활용하는 지식 베이스**로 설명합니다. 원본 자료를 그대로 쌓아두는 대신 AI가 이를 읽고: - 개념을 추출하고 - 관련 엔티티를 만들고 - 서로 연결하고 - 사람이 읽기 쉬운 Markdown으로 정리하고 - 이후 질문에 다시 활용할 수 있도록 인덱싱 합니다. 핵심 흐름은 다음과 같습니다. **Raw Data → Ingest → Wiki / Entity → Relation → Index → Retrieval → Answer** ## RAG와 LLM Wiki는 무엇이 다른가? 둘 다 외부 지식을 활용하지만 중심 구조가 다릅니다. ### RAG 일반적인 RAG는 질문이 들어오면 원본 문서나 Vector DB에서 관련 자료를 검색해 LLM에 전달합니다. **질문 → 검색 → 원본 문맥 → LLM 답변** 즉, **질문 시점의 검색**이 중심입니다. ### LLM Wiki LLM Wiki는 자료가 들어오는 시점에 AI가 내용을 구조화합니다. **원본 자료 → 요약·분해 → 엔티티·개념 생성 → 관계 연결 → Wiki 축적** 이후 질문에서는 이 정리된 지식 구조를 따라가며 답을 만듭니다. 즉, LLM Wiki는 단순 Retrieval보다 **지식의 지속적인 가공과 유지관리**가 더 중요합니다. ## Ingest는 단순 변환이 아니다 영상에서는 Ingest를 단순히 PDF나 웹페이지를 Markdown으로 바꾸는 과정으로 보지 않습니다. 중요한 것은 **새 자료를 기존 지식과 연결하는 것**입니다. 예를 들어 하나의 영상을 저장했다면 AI는 다음을 추출할 수 있습니다. - 등장 인물 - 회사 - 핵심 개념 - 방법론 - 관련 기술 - 다른 자료와의 연결점 그리고 기존 Wiki에 이미 존재하는 개념과 연결합니다. 즉, Ingest는: **변환 + 요약 + 엔티티 추출 + 관계 연결 + 인덱스 갱신** 과정이라고 볼 수 있습니다. ## “왜 저장했는가”까지 넣어야 가치가 커진다 영상에서 특히 흥미로운 부분은 원본 자료 자체보다 **내가 그 자료를 왜 저장했는지**를 함께 기록한다는 점입니다. 예를 들어 영상을 저장할 때: - 왜 이 자료를 저장했는가? - 어떤 부분이 인상적이었는가? - 내 생각과 어디가 같거나 다른가? - 이 지식을 어디에 활용하고 싶은가? 를 AI가 질문하도록 구성합니다. 이렇게 하면 단순한 외부 정보가 아니라 **개인의 관점이 들어간 지식**으로 변합니다. 영상에서는 이를 일종의 **무의식의 의식화**로 설명합니다. ## 지식 그래프와 온톨로지 LLM Wiki가 커질수록 엔티티 사이의 관계가 생깁니다. 예를 들어: **BCG → Enterprise IQ → AI Transformation → AX Consulting** 같은 연결이 누적됩니다. 이런 연결 구조가 **지식 그래프**입니다. 영상에서는 지식 그래프와 온톨로지를 구분합니다. ### 지식 그래프 실제 인물·회사·개념·프로젝트 사이의 연결입니다. 즉, **구체적인 인스턴스와 관계**를 표현합니다. ### 온톨로지 세상을 어떤 구조로 바라볼 것인지 정의하는 **질서와 체계**에 가깝습니다. 예를 들어 개인 온톨로지는: - 나는 어떤 사람인가 - 무엇을 중요하게 보는가 - 어떤 원칙으로 판단하는가 - 지식을 어떤 방식으로 분류하는가 같은 구조를 담을 수 있습니다. 결국 AI가 개인의 사고방식을 더 잘 이해하게 하려면 단순 데이터보다 **나만의 온톨로지와 규칙 문서**가 중요해집니다. ## 하루를 5겹으로 기록하는 라이프 로깅 영상에서는 개인의 하루를 여러 레이어로 기록하는 라이프 로깅 시스템도 소개합니다. 대표적으로 다음과 같은 구조입니다. ### 1. 의도 오늘 무엇을 하려고 했는가? ### 2. 실행 실제로 어떤 행동을 했는가? ### 3. 현실 컴퓨터 화면·음성·활동 로그 등 실제로 발생한 데이터 ### 4. 해석 그 경험을 내가 어떻게 느끼고 판단했는가? ### 5. AI 대화 로그 AI와 어떤 대화를 했고 어떤 결론에 도달했는가? 이렇게 기록하면 단순 일정이나 일기보다 훨씬 풍부한 **개인 맥락 데이터**가 됩니다. ## 24시간 화면·음성 기록과 자동화 영상에서는 ScreenPipe 같은 도구와 음성 기록을 활용해 실제 활동을 자동으로 수집하는 사례도 소개합니다. 이렇게 쌓인 데이터를 AI가 활용하면: - 실제로 무엇을 했는지 - 어떤 문서를 봤는지 - 어떤 대화를 했는지 - 어떤 결정이 반복됐는지 를 기반으로 회고를 생성할 수 있습니다. 즉, AI에게 “오늘 어땠어?”라고 묻는 것이 아니라 **실제 데이터 기반으로 하루를 재구성하게 하는 방식**입니다. ## 일일·주간·월간·분기·연간 회고 영상에서는 기록 시스템을 회고 자동화에 적극적으로 활용합니다. 흐름은 다음과 같습니다. **Daily → Weekly → Monthly → Quarterly → Yearly** 각 단계에서 이전 기록을 압축·종합해 더 큰 서사를 만듭니다. 예를 들어 AI가: - 오늘 가장 중요한 일 - 이번 주 변화 - 이번 달 반복 패턴 - 분기별 성장과 문제 - 1년 전체의 서사 를 자동으로 정리하게 할 수 있습니다. 이 방식의 장점은 인간이 잊기 쉬운 디테일까지 AI가 기록을 기반으로 다시 연결해 준다는 점입니다. ## 개인 지식이 ‘세컨드 브레인’을 넘어가는 지점 기존의 Second Brain은 주로 **내가 다시 찾기 쉽게 정리하는 시스템**이었습니다. 하지만 LLM Wiki는 한 단계 더 나아갑니다. AI가 직접: - 새 자료를 읽고 - 구조화하고 - 관련 자료를 연결하고 - 기존 지식과 비교하고 - 인사이트를 만들고 - 회고를 생성하고 - 향후 행동을 제안 할 수 있기 때문입니다. 즉, 저장 시스템이 아니라 **능동적으로 유지되는 지식 에이전트**로 바뀝니다. ## 시작할 때 가장 먼저 해야 할 것 영상에서는 처음부터 모든 것을 자동화하려 하지 말고, 먼저 **내가 누구인지 정리한 문서**를 만드는 것을 권합니다. 예를 들어 기존 기록을 모아 AI에게 다음을 분석시킬 수 있습니다. - 나는 어떤 일을 하는 사람인가 - 어떤 가치를 중요하게 생각하는가 - 어떤 선택을 반복해 왔는가 - 무엇을 위해 일하는가 - 어떤 주제에 계속 관심을 두는가 이를 하나의 개인 프로필·세계관·원칙 문서로 만들어 두면 이후 지식 분류와 AI의 판단 기준이 훨씬 명확해집니다. ## 개인 지식 시스템의 전체 구조 영상 내용을 시스템 구조로 정리하면 다음과 같습니다. **Life Log / Web Clip / Note / Document ↓ Raw Data ↓ Ingest Skill ↓ Entity / Concept / Summary ↓ Relation / Knowledge Graph ↓ Personal Ontology ↓ LLM Wiki ↓ Search / Reasoning / Reflection ↓ Personal AI Agent** 이 구조가 쌓이면 AI는 단순히 “내 문서를 검색하는 도구”가 아니라 **내 과거와 맥락을 바탕으로 판단을 돕는 개인 에이전트**에 가까워집니다. ## RAG와 LLM Wiki를 함께 쓰는 게 현실적 둘 중 하나만 선택해야 하는 것은 아닙니다. 대규모 원본 자료는 Vector RAG로 빠르게 검색하고, 중요도가 높은 지식은 LLM Wiki에서 구조화해 관리하는 방식이 현실적입니다. 예를 들면: **Raw Archive → Vector RAG 중요 지식 → LLM Wiki 핵심 개념 → Knowledge Graph 개인 규칙 → Ontology / Agent Instructions** 처럼 계층을 나눌 수 있습니다. 이렇게 하면 검색 성능과 구조화된 지식 관리의 장점을 동시에 얻을 수 있습니다. ## 핵심 정리 이번 영상의 핵심은 **“LLM Wiki가 RAG보다 무조건 낫다”가 아니라 역할이 다르다**는 점입니다. - **RAG** → 필요한 원본 정보를 빠르게 찾는다. - **LLM Wiki** → 지식을 미리 정리·연결·유지한다. - **Knowledge Graph** → 개념 사이 관계를 표현한다. - **Ontology** → 개인의 사고 체계와 질서를 정의한다. - **Life Logging** → 개인의 실제 행동과 경험을 데이터로 축적한다. - **AI Agent** → 이 모든 데이터를 바탕으로 판단과 회고를 돕는다. 결국 개인 AI의 품질을 높이는 가장 중요한 자산은 **모델 자체보다도 내가 어떤 기록과 구조를 만들어 두었는가**일 수 있습니다.