진한별의 AI 연구소 영상 **「옵시디언 LLM Wiki + 클로드로 나만의 AI 브레인 만들기」**에서는 Obsidian과 Claude Code를 이용해 **내 지식을 직접 읽고, 정리하고, 연결하고, 유지하는 개인 지식 시스템**을 만드는 방법을 소개합니다. 이 방식의 핵심은 단순히 문서를 검색해 답하는 RAG를 넘어, AI가 내 자료를 바탕으로 **지식 페이지를 계속 생성·보강·정비하는 구조**를 만든다는 점입니다. ## LLM Wiki란? 영상에서는 LLM Wiki를 **AI가 개인 지식을 읽고 구조화해 유지하는 위키형 지식 시스템**으로 설명합니다. 일반적인 RAG가 질문할 때마다 원본 문서를 검색해 관련 내용을 가져오는 구조라면, LLM Wiki는 원본을 바탕으로 AI가 별도의 정리된 위키 페이지를 만들어 두고 이후에는 그 위키를 중심으로 탐색하고 추론합니다. 쉽게 말하면: **원본 자료 → AI가 구조화한 위키 → 질문·추론·새로운 인사이트** 의 흐름입니다. ## 3층 구조 영상에서는 LLM Wiki를 세 층으로 나눕니다. ### 1층 — Raw 사용자가 직접 넣는 원본 자료입니다. 예시는 다음과 같습니다. - 기사 - 유튜브 정리 - 강의 메모 - 책 내용 - 업무 문서 - 개인 메모 이 영역은 **원본 보존 공간**으로 두고 AI는 읽기 위주로 사용합니다. ### 2층 — Wiki AI가 Raw 내용을 읽고 정리한 구조화된 지식 페이지입니다. 예를 들어 여러 자료가 각각 따로 존재하더라도 AI가 다음처럼 묶어 줄 수 있습니다. - AI 자동화 - 학습 - 도구 - 트렌드 - 콘텐츠 아이디어 관련 문서끼리는 링크를 연결해 Obsidian의 그래프 뷰에서도 관계를 확인할 수 있습니다. ### 3층 — 운영 규칙 문서 Claude Code를 쓴다면 **CLAUDE.md**, Codex를 쓴다면 에이전트용 규칙 파일처럼 AI가 이 위키를 어떤 방식으로 관리할지 정의합니다. 이 문서에는: - 자료를 어떻게 정리할지 - 제목 규칙 - 링크 규칙 - 어떤 폴더를 읽고 쓸지 - 어떻게 검색할지 - 정비 주기 같은 운영 원칙을 넣습니다. ## LLM Wiki의 3가지 핵심 동작 영상에서는 시스템을 **넣기·찾기·정비** 세 가지로 설명합니다. ### 1. 넣기 새로운 Raw 자료가 들어오면 AI가 이를 읽고: 1. 핵심 내용 추출 2. 기존 Wiki 페이지 보강 3. 새 페이지 생성 4. 관련 문서 교차 링크 5. 목차와 이력 갱신 을 수행합니다. 즉, 단순 저장이 아니라 **새로운 자료를 기존 지식 구조 안에 편입하는 과정**입니다. ### 2. 찾기 질문하면 AI가 Wiki에서 관련 페이지를 찾아 여러 정보를 종합해 답합니다. 영상에서는 답변할 때 관련 Wiki 링크도 함께 제시하도록 구성합니다. 이렇게 하면 단순 답변보다 **어떤 지식에서 나온 결론인지 추적하기 쉬워집니다.** ### 3. 정비 지식이 계속 쌓이면 다음 문제가 생길 수 있습니다. - 오래된 내용 - 서로 충돌하는 정보 - 중복 페이지 - 연결되지 않은 페이지 - 잘못된 파일명 - 기준이 다른 문서 구조 그래서 AI에게 주기적으로 **위키 건강검진**을 시켜 이런 문제를 찾아 수정하게 합니다. 이 부분이 일반적인 단발성 문서 요약과 크게 다른 점입니다. ## 왜 Obsidian인가? Obsidian은 Markdown 파일을 로컬 폴더에 저장하는 구조라 다음 장점이 있습니다. - 특정 클라우드 서비스에 종속되지 않음 - 파일을 직접 확인·수정 가능 - Git으로 버전 관리 가능 - 링크와 그래프 구조 활용 가능 - 장기간 보관에 유리 영상에서는 Obsidian을 **도서관**, Claude Code를 **자료를 정리하는 사서**에 비유합니다. ## Claude Code를 Obsidian 안에서 사용 영상에서는 Obsidian 커뮤니티 플러그인을 이용해 터미널을 열고 그 안에서 Claude Code를 실행합니다. 흐름은 대략 다음과 같습니다. 1. Obsidian Vault 생성 2. Raw 폴더 준비 3. Wiki 폴더 준비 4. 터미널 플러그인 설치 5. Claude Code 실행 6. 관리 규칙 작성 7. 새 자료를 Raw에 추가 8. Claude에게 Wiki 반영 요청 9. 그래프 관계 확인 즉, Obsidian을 단순 메모 앱이 아니라 **AI가 직접 읽고 수정하는 로컬 지식 저장소**로 사용하는 방식입니다. ## Web Clipper로 자료 수집 웹 기사나 참고 자료는 Obsidian Web Clipper를 이용해 Raw 폴더에 저장할 수 있습니다. 이후 Claude Code에게: > 새로 추가된 자료를 Wiki에 반영하고, 기존 페이지와 연결해 줘. 같은 식으로 요청하면 AI가 기존 지식과 연결해 구조화합니다. 이 흐름은 개인 지식 관리에서 매우 실용적입니다. **웹 수집 → Raw 저장 → AI 정리 → Wiki 연결** 로 이어지는 자동화 파이프라인이 되기 때문입니다. ## 여러 자료를 겹쳐 새로운 인사이트 찾기 LLM Wiki의 강점은 개별 문서를 단순 검색하는 것보다 **여러 자료를 함께 봤을 때 나타나는 연결점을 찾게 할 수 있다는 것**입니다. 영상에서는 다음과 같은 요청을 사용합니다. > 개별 자료에서는 잘 보이지 않지만, 여러 자료를 같이 보면 드러나는 연결점이나 인사이트를 알려줘. 이런 방식은 단순 검색을 넘어 **개인 지식 기반의 추론**에 가깝습니다. ## 개인화된 콘텐츠 기획에도 활용 쌓인 Wiki를 기반으로: - 다음에 만들 콘텐츠 - 연구 주제 - 프로젝트 아이디어 - 업무 개선 아이디어 - 학습 우선순위 등을 제안하게 할 수 있습니다. 중요한 점은 일반적인 인터넷 지식만으로 추천하는 것이 아니라 **내가 수집한 자료와 관심사, 과거 메모를 기반으로 추천한다는 것**입니다. ## RAG와 LLM Wiki의 차이 두 방식은 비슷하지만 목적이 조금 다릅니다. ### 일반적인 RAG **질문 → 원본 문서 검색 → 관련 문맥 → LLM 답변** 원본 문서를 검색하는 것이 중심입니다. ### LLM Wiki **원본 자료 → AI가 지속적으로 구조화 → Wiki 축적 → 연결·정비 → 질문·추론** 검색뿐 아니라 **지식 구조 자체를 계속 가공한다는 점**이 다릅니다. 따라서 LLM Wiki는 개인 지식 관리, 연구, 장기 프로젝트, 콘텐츠 제작처럼 **시간이 지나면서 지식이 축적되는 업무**에 잘 맞습니다. ## 장점 - 내 자료를 기반으로 개인화된 답변 가능 - 지식이 쌓일수록 연결 관계가 풍부해짐 - Markdown 기반이라 사람이 직접 확인 가능 - AI가 문서 구조를 지속적으로 정비 가능 - 여러 자료를 종합한 인사이트 생성 가능 - 특정 AI 모델에 완전히 종속되지 않음 Claude Code 대신 Codex 같은 다른 코딩 에이전트로도 같은 구조를 구현할 수 있습니다. ## 주의할 점 자료가 많아질수록 모든 문서를 AI가 반복해서 읽게 하면 토큰 사용량이 커질 수 있습니다. 규모가 커지면 다음 구조를 고려할 수 있습니다. - 변경된 파일만 처리 - 요약 계층 추가 - 인덱스 파일 사용 - 벡터 검색과 Wiki 혼합 - 오래된 페이지 아카이빙 - 자동 정비 주기 설정 즉, 소규모에서는 파일 기반으로 충분하지만 지식베이스가 커지면 **RAG와 LLM Wiki를 결합한 하이브리드 구조**가 더 효율적일 수 있습니다. ## 핵심 정리 이 영상의 구조를 한 줄로 정리하면: **Obsidian = 지식 저장소 Claude Code = 지식을 정리·연결·관리하는 에이전트 LLM Wiki = 둘을 결합한 개인 AI 브레인** 단순히 AI에게 매번 내 상황을 다시 설명하는 대신, 내 지식을 로컬에 축적해 두고 AI가 이를 계속 읽고 정리하도록 만드는 방식입니다. 장기적으로는 개인 메모, 연구 자료, 업무 문서, 프로젝트 기록을 하나의 **개인 지식 에이전트**로 연결하는 기반으로 활용할 수 있습니다.