안쓰면 손해! 클로드코드가 내 노하우를 나무위키처럼 정리해줍니다 (feat. 안드레 카파시)

카파시가 공개한 LLM Wiki(나만의 나무위키) 시스템을 옵시디언 + Claude Code로 직접 구축하고 실무에 적용하는 한국어 실습 영상입니다. (앞서 요약한 Teacher's Tech 영어 영상과 같은 주제를, 한국인 실무 시나리오로 더 깊게 다룹니다)

00:00인트로 — 내 노하우를 AI에 주입하고 싶다면

• 업무 경험, 책에서 배운 점, 조사하며 느낀 점이 내 머릿속에만 있어 AI를 쓸 때마다 처음부터 설명해야 하는 문제.
• 결과물 미리보기: 각 점이 하나의 지식 페이지이고, 어떤 페이지와 관련 있는지 연결이 보이며, 들어가면 내 지식 기반으로 내용이 정리돼 있다. 핵심은 이 모든 걸 AI가 제작해 주고 우리는 활용만 하면 된다는 것.
• 대상: 업계 자료는 모으는데 정리가 어려운 분, NotebookLM을 써도 지식이 쌓이는 느낌이 안 들어 아쉬웠던 분, 모은 자료를 AI가 체계적으로 정리하고 그걸로 똑똑하게 답해주길 바라는 분.

01:22LLM Wiki란 — 카파시가 공개한 시스템

• 며칠 전 안드레 카파시(테슬라 AI 총괄 역임, OpenAI 창립 멤버)가 4월 초 X와 GitHub 페이지로 공개. 내용은 간단 — AI로 나만의 지식 베이스를 만드는 시스템.
• 핵심 포인트는 지식이 '복리'로 쌓인다는 것. 3층 구조:
  • 1층 로우(raw) 데이터 — 기사·PDF·회의록·메모 등 원본을 넣는 폴더.
  • 2층 위키 — 그 정보를 바탕으로 AI가 나무위키 페이지처럼 작성. 단순히 개별 페이지만이 아니라 등장하는 키워드·개념에 링크를 걸어 상호 참조(교차 참조)까지 AI가 수행.
  • 3층 스키마 규칙 — Claude Code의 CLAUDE.md에 시스템 작동 방식(로우를 어떻게 쌓고 어떤 위키 방식으로 만들지)을 정의.
• 이 구조에 자료만 넣으면 AI가 자동으로 위키를 만들고, 그 위키 기반으로 질문하면 내 지식에 맞춘 답변을 받는다.
• 린트(lint) = 지식의 건강검진 — 잘못된 정보, 너무 오래된 정보, 관련성 낮아진 정보, 모순되는 지점을 주기적으로 체크하고 AI로 수정·업데이트하는 작업(카파시는 이를 lint라 부름).
• 이런 위키식 지식 축적은 새로운 개념이 아니다 — 옵시디언이 '세컨드 브레인'으로 각광받았고 화자도 시도했지만, 시간이 갈수록 업데이트가 너무 귀찮아 영상으로 만들지 못했다. 특히 문서가 많아질수록 교차 참조가 매우 힘든 작업이 된다. 이 시스템의 장점은 그 귀찮은 작업을 AI가 대신한다는 것 — 우리는 로우 데이터만 잘 넣으면 된다.
• 역할 정리: 옵시디언 = 뷰어, Claude Code = 로우를 정리해 위키를 만드는 편집자, 완성된 나만의 나무위키 = 내 업무 지식 노하우 페이지.

04:44NotebookLM vs RAG vs LLM Wiki 비교

• NotebookLM: 구글의 RAG 기반 서비스. 자료를 올리고 질문하면 소스 기반으로 똑똑하게 답하며, 팟캐스트·인포그래픽·슬라이드·스프레드시트 제작도 가능. 새 지식을 학습할 때 유용.
• RAG 시스템: 대용량 파일을 잘게 쪼개 벡터(숫자)로 변환해 DB에 저장 → 질문과 유사한 정보를 찾아 조합해 AI에 전달. 다만 기술적이라 바이브 코딩으로도 설정이 어렵고 인프라 비용도 꽤 발생. 그럼에도 기업이 수십만 건 이상의 문서를 다룰 땐 여전히 유용.
• 결정적 차이: 두 시스템은 지식을 '찾는' 것을 돕는 것이지 지식이 축적돼 복리 현상을 일으킨다고 보기는 어렵다. 그게 LLM 위키의 특장점.
• LLM 위키의 작동 방식: 자료를 넣으면 AI가 한 번 읽고 정리하고, 새 정보가 추가되면 기존 정리 위에 얹힌다. 자료를 추가한다고 항상 새 위키를 만드는 게 아니라, 기존 페이지를 보완하는 게 낫다고 AI가 판단하면 내용만 추가한다 — 즉 독립적 페이지 양산이 아니라 기존 페이지를 풍부하게 디벨롭하는 형태.
• 또 다른 장점: RAG는 여러 인프라가 필요하지만, 이 시스템은 옵시디언 앱만으로 내 로컬에 마크다운 파일로 저장되므로 훨씬 가볍고 데이터를 완전히 내가 통제한다.
• 결론: 개인이나 작은 조직이 우리만의 노하우를 쌓고 계속 발전시키며 AI에 주입해 우리 맥락에 맞는 답을 받고 싶을 때 LLM 위키가 적합.

07:58셋업 실습 — 옵시디언 + Claude Code

• 필요한 건 딱 두 가지. ①옵시디언 설치(obsidian.md, OS에 맞게) → 좌하단 Vault 관리 → Create new vault → 이름 지정 후 로컬 PC의 저장 위치 지정(예: '9c위키' 폴더).
• ②Claude Code — 화자는 VS Code에 터미널 버전으로 실행. 중요한 건 옵시디언 볼트와 동일한 폴더에서 Claude Code를 실행하는 것 — 그러면 Claude Code 작업이 옵시디언에도 그대로 반영된다.

09:18프롬프트로 위키 생성

• 프롬프트 요지: "나만의 지식 노하우 위키를 만들어 줘" + 카파시의 GitHub Gist 링크를 참고자료로 제공 + 구체적 지시사항. (프롬프트는 영상 설명란 가이드 문서로 제공)
• 자기 도메인 설명을 꼭 넣을 것 — 나는 어떤 일을 하고, 어떤 로우 데이터를 넣을 것이며, 그걸 위키로 만들어 달라는 내용. 그리고 raw 폴더/wiki 폴더 등 파일 구조를 간단히 설명.
• Claude Code가 한 번에 만들어 준 구조: CLAUDE.md(운영 규칙), raw 폴더(하위 폴더로 구분), wiki 폴더 안에 index(목차) — 나중에 쿼리할 때 효율적 검색을 위해 필요 — 와 작업 이력 로그 파일, 그리고 reference 폴더의 비즈니스 컨텍스트 파일(사업 방향성을 적어두면 위키 제작 시 참고).
• 동작 규칙: raw에 파일을 넣으면 위키 생성 → 교차 참조 → 인덱스 업데이트 → 로그 기록, 그리고 건강검진 모드로 모순·최신성 저하·링크 누락을 체크·수정.
• 화자의 커스터마이징: raw를 하위 폴더로 나누지 않고 '플랫하게' 바꿨다 — 로우를 직접 볼 일이 거의 없고 AI가 확인할 때 하위 폴더를 또 찾아 들어가야 하기 때문. 인덱스 구조도 각자 업무 프로세스에 맞게 커스텀하길 권장.

12:15자료 넣기 — 웹 클리퍼 + 실무 시나리오

• 옵시디언 Web Clipper(크롬 확장) 설치 → 고정·활성화 → 설정에서 노트 로케이션을 raw로, Vault는 last(가장 최근 볼트)로 지정.
• 실제로 관심 기사(예: ChatGPT의 100달러 플랜 출시)를 클리퍼로 Add to Obsidian → raw에 즉시 추가. 기사 여러 개와 Claude 블로그 글도 추가.
• 반복적으로 가져오는 사이트가 있다면 Claude Code와 파이프라인을 구축해 "이 사이트들의 새 정보를 항상 raw 폴더에 추가해 줘"라고 요청해도 된다.
• 셋업 실수(볼트 안에 같은 이름의 하위 폴더가 하나 더 생김)는 Claude Code에 정리를 요청하니 바로 해결 — "처음에 설정을 잘못해도 걱정할 필요 없다."
• 직접 넣지 않고 웹서치로 채우기도 가능 — 예: "AI 자동화·바이브 코딩 강의 가격"을 조사해 raw에 넣어 달라 요청 → Claude in Chrome으로 실제 브라우저를 띄워 리서치하고 문서를 제작해 준다(직접 정리하면 오래 걸릴 일을 링크만 주고 처리).
• 넣으면 좋은 실무 자료들: 본인 업무 관련 프로젝트 설명·페이지 자료, 화자의 경우 유튜브 콘텐츠 대본들. 형식은 마크다운이 아니어도 되고 PDF·이미지 등 AI가 읽을 수 있는 형식이면 무엇이든 OK. 그리고 책을 읽으며 기억하고 싶은 부분·느낀 점·인사이트 정리 노트도 추가.

16:30위키 반영 과정 시연

• 팁: 무작정 전체를 넣지 말고 '기둥(필러)'이 될 핵심 페이지부터. 정보가 100개일 때 랜덤하게 넣기보다, 카테고리별 핵심 페이지를 먼저 반영해 두면 이후 자료가 추가될 때 교차 참조가 훨씬 잘 붙는다.
• 실행: "선별해서 10개 자료를 위키에 반영해 줘" → Claude가 약 100개 raw 중 내용 풍부도·카테고리 다양성·교차 연결 잠재력을 기준으로 10개를 선별해 위키 페이지 생성.
• 이후 반복: "raw에 새로 넣은 자료 10개를 찾아 위키에 반영해 줘" + "서로 다른 자료 간 의외의 연결점이 있으면 적극적으로 연결해 줘"(LLM 위키의 강점인 교차 링크를 유도하는 당부 문구).
• 결과: 자료 10개를 넣어도 위키는 7개만 추가되는 식 — 필요한 지식만 페이지로 만들고 나머지는 기존 페이지를 보완한다.
• 추가 팁: "위키 생성에 적합하지 않은 파일은 스킵하되 처리 리스트에는 추가해 중복 처리하지 않게" 요청. 10개씩 끊어서 요청하면 효율적.
• 자동화: 매번 수동 요청이 귀찮으면 루프(loop)로 — 처리에 10분쯤 걸린다면 10분 주기 루프로 위 프롬프트를 걸어두면 자동 반복된다. 화자는 7일짜리 루프를 걸어, 그동안은 옵시디언에서 raw만 업데이트하면 되고 VS Code에 들어갈 필요조차 없다고.

19:30옵시디언 그래프 뷰 확인

• 생성된 위키 페이지(예: NotebookLM 활용 튜토리얼 — 본인 대본 기반)에는 항상 관련 페이지가 나열된다.
• 그래프 뷰는 Mac ⌘+G / Windows Ctrl+G. 로우 데이터까지 다 보이면 복잡하므로 설정 탭 → 필터 → path에 'wiki' 를 넣으면 Claude Code가 만든 위키만 필터링해서 볼 수 있다 — 이게 곧 나만의 나무위키.

20:30위키에 질문하기 — 복리의 힘

• 실제 활용은 그래프보다 Claude Code에서 직접 질문하는 것.
• 질문 ①: "위키 참고해서 의외의 연결점이나 내 사업에 적용할 수 있는 인사이트가 있으면 알려줘" → "개별 페이지에서는 보이지 않지만 여러 페이지를 겹치면 드러나는 연결점 5가지"로 정리해 줌.
• 질문 ②: "위키 자료와 인사이트 기반으로 다음 유튜브 영상 소재 3개를 우선순위별로 추천해 줘" → 1순위 "프롬프트를 잘 써도 결과가 안 좋은 진짜 이유", 2순위 "10만 원으로 24시간 AI 직원 만드는 법", 3순위 "당신의 전문성을 AI가 대신 일하게 만드는 법" 등 구조까지 함께 제안. (현재 유튜브 트렌드 자료까지 넣으면 더 의미 있는 답이 나올 것)
• 질문 ③(복리의 진수): "내가 읽은 책에서 배운 것 중 교육 사업 가격 전략에 적용할 수 있는 멘탈 모델이 있어?" → 앞서 넣은 강의 가격 데이터와 책에서 정리한 멘탈 모델을 조합해 답변 — 예: "가격표를 만들 때 '몇 시간 강의인가'가 아니라 '내 판단력이 얼마나 들어가는가'를 기준으로 설계해야 한다", '변환 가격 vs 정보 가격' 같은 책 속 개념을 실제 내 비즈니스 케이스에 맞춰 피드백.
• 핵심: 가격 데이터만 넣고 물으면 일반적인 답이 나오지만, 위키를 관리해두고 물으면 나에게 커스텀된 답과 내가 원하는 인사이트를 뽑아낼 수 있다.

23:00솔직한 한계와 비용

• ① 토큰 비용 — 자료를 읽고 위키를 생성하는 과정, 특히 교차 참조에서 토큰을 많이 쓴다. 페이지가 많아질수록 교차 참조 고려에 토큰이 더 든다. Max 플랜이면 괜찮지만 Pro 플랜은 사용량 압박을 받을 수 있다. 다만 진짜 노하우로 남기고 싶은 문서만 선별해 넣으면 개인·소규모 조직엔 무리 없다.
• ② 규모의 한계 — 수백 페이지까지는 잘 작동하지만 마크다운이라도 수만 개가 되면 제대로 작동하기 어렵고, 그때는 결국 벡터 DB가 필요하다(카파시도 이 한계를 언급).
• ③ 정보의 노후화 — AI 업계처럼 6개월 전엔 맞았지만 지금은 안 맞는 주장이 생긴다. 그래서 건강검진(lint) 규칙이 필요 — "위키 건강검진 한번 하자"고 요청하면 Claude Code가 문서를 훑어 모순·노후 정보를 탐색해 제안한다. 시연에서는 인덱스 정합성, 교차 참조 양방향, 갭 분석을 확인하고 개선 작업까지 수행.
• 총평: 수백만 문서를 검색해야 하는 용도로는 비효율적이지만, 개인·소규모 팀이 자기 지식을 복리로 쌓아 활용하기엔 가성비가 매우 좋은 시스템.

24:55아웃트로

• 장점 요약: 기억하고 싶은 자료를 raw 폴더에 기계적으로 넣기만 하면 Claude Code가 자동으로 의미 있는 위키를 만들고, 그걸 바탕으로 내 상황에 맞는 더 똑똑한 답변을 받는다. 지식이 복리로 쌓여 쓸수록 더 유용한 위키가 된다.
• 세팅도 간단 — 옵시디언 설치 → 폴더 하나 만들어 볼트로 열기 → Claude Code로 작업 요청. "어떤 업무 지식을 나만의 나무위키로 정리하고 싶은지 댓글로 남겨달라"며 마무리.

📌 최종 요약 정리

• 카파시가 공개한 LLM Wiki를 옵시디언(뷰어) + Claude Code(편집자)로 구축하는 한국어 실습 — raw(원본) / wiki(AI가 쓴 위키) / CLAUDE.md(규칙)의 3층 구조로, 교차 참조라는 가장 귀찮은 작업을 AI가 대신해 준다.
• NotebookLM·RAG와의 결정적 차이는 '복리' — 그것들은 지식을 찾게 도와주지만, LLM 위키는 새 자료가 들어오면 새 페이지를 남발하지 않고 기존 페이지를 보완·발전시켜 지식이 축적된다. 게다가 인프라 없이 로컬 마크다운이라 가볍고 데이터를 온전히 통제한다.
• 실전 노하우: 핵심 '기둥' 페이지 10개를 먼저 반영한 뒤 10개씩 끊어서 "의외의 연결점을 적극 연결해 줘"라는 문구와 함께 요청하고, 귀찮으면 10분 주기 루프로 자동화한다. 자료 투입은 웹 클리퍼, 없으면 Claude in Chrome으로 리서치해 raw에 저장시키면 된다.
• 진짜 가치는 질문할 때 드러난다 — "내가 읽은 책의 멘탈 모델을 내 가격 전략에 적용하면?" 같은 질문에 내 맥락에 커스텀된 인사이트("강의 시간이 아니라 내 판단력이 얼마나 들어가는가로 가격을 설계하라")가 나온다. 한계는 토큰 비용(교차 참조), 수만 건 규모에선 벡터 DB 필요, 정보 노후화 — 마지막은 '건강검진(lint)'으로 주기적으로 관리한다.

전체 대본(타임스탬프 포함) 원문이 필요하면 말해줘 — 그대로 붙여줄게.