카파시가 LLM으로 개인 지식베이스를 구축하는 7단계 워크플로우를 공개했습니다.
raw 데이터를 수집하면 LLM이 .md 위키로 자동 컴파일하고, 질의 결과가 다시 위키를 확장합니다.
실전 적용 시 수동 대비 5~9배 빠르고, 숙련자조차 놓치는 정보의 20%를 추가로 발견합니다.
아직 노션에 직접 정리하고 있습니까?
카파시는 LLM이 위키를 씁니다.
카파시는 최근 토큰 대부분을 코드가 아닌 지식 조작에 씁니다. 문서를 직접 작성하지 않습니다. LLM이 대신 씁니다. "최신 LLM은 이 작업에 꽤 능숙하다"고 카파시는 밝혔습니다.
노션, 컨플루언스에 직접 정리하는 방식과 다릅니다. LLM이 raw 자료를 읽고 스스로 위키를 만듭니다. 이 방식이 실제 기업 지식에 적용되면 어떤 결과가 나올까요? 10년, 15,161개 노트 규모에서 실측한 데이터가 있습니다.
기업 현장에서 지식 관리는 오래된 병목입니다. 회의록, 시장 조사, 경쟁사 분석은 쌓이지만 활용되지 않습니다. LLM이 이 병목을 해소하는 수준에 도달했습니다.
카파시의 방식은 개인 연구용으로 시작됐습니다. 지금 실험하지 않으면 경쟁사가 먼저 내재화합니다.
카파시 워크플로우는 7개 레이어로 구성됩니다. 단순한 "AI에게 정리 맡기기"가 아닙니다. 데이터 수집부터 품질 점검까지 닫힌 루프를 형성합니다. 아래 개념도는 전체 흐름과 복리 축적 구조를 보여줍니다.
첫째, 지식 관리의 주체가 사람에서 LLM으로 바뀝니다. raw/ 폴더에 아티클, 논문, 이미지를 수집합니다. LLM이 이를 읽고 .md 파일 위키로 컴파일합니다. 위키에는 요약, 백링크, 개념 아티클, 교차 링크가 포함됩니다. 카파시는 위키를 직접 수정하는 경우가 거의 없다고 밝혔습니다.
둘째, RAG(회사 내부 문서를 AI에 연결하는 방식) 없이도 동작합니다. 카파시는 40만 단어 규모에서 별도 구축 없이 LLM 인덱스 파일로 운영합니다. 실전 검증에서 13,750개 노트를 2초 내에 검색했습니다. 구조화된 메타데이터가 있으면 RAG는 마지막 수단입니다.
셋째, 질의 결과가 다시 위키를 확장합니다. 에이전트에게 질문하면 .md 파일, 슬라이드, 그래프 형태로 답변이 출력됩니다. 이 출력을 위키에 저장합니다. 탐색할수록 지식베이스가 깊어지는 구조입니다. 카파시는 이를 "내 탐색이 항상 누적된다"고 표현했습니다.
넷째, LLM이 위키 품질을 스스로 점검합니다. Linting 프롬프트를 실행하면 불일치 데이터를 찾고, 빈 항목을 웹 검색으로 보완합니다. 새로운 아티클 후보도 제안합니다. 위키가 쌓일수록 제안의 질이 높아집니다.
다섯째, 거버넌스가 있어야 규모가 커져도 품질이 유지됩니다. 카파시 시스템은 약 100개 문서, 40만 단어 규모입니다. 1만 5천 개 이상의 노트로 확장하면 LLM 자율만으로는 품질을 보장하기 어렵습니다. 스키마, 분류 체계, 감사 정책이 갖춰져야 LLM의 자유로운 생성과 품질 보장을 동시에 달성합니다. 이를 "Governed Autonomy(관리된 자율)"라고 부릅니다.
여섯째, 속도 이점보다 완전성 이점이 더 큽니다. Q&A는 수동 대비 약 5배 빠릅니다. 그런데 진짜 가치는 속도가 아닙니다. 숙련자가 파일명 검색으로 찾지 못하는 문서를 20% 추가로 발견합니다. 이는 능력의 문제가 아닙니다. 복합 분류 태그, 고객 별칭, 다른 디렉터리 연결은 구조적으로 수동 탐색이 불가합니다.
Obsidian을 무료로 설치합니다. 관심 주제 하나를 정하고 raw/ 폴더를 생성합니다. Obsidian Web Clipper 확장으로 관련 아티클 5개를 .md로 저장합니다. (30분)
raw/ 폴더 내용을 Claude에 붙여넣고 다음 프롬프트를 실행합니다. "이 파일들을 읽고 핵심 개념별 .md 아티클을 작성해줘. 각 아티클에 요약, 관련 파일 목록, 핵심 포인트 3개를 포함해." (1시간)
생성된 위키를 Claude에 붙여넣고 실제 의사결정이 필요한 질문을 합니다. 출력 결과를 wiki/ 폴더에 저장해 다음 질의의 입력으로 활용합니다. (30분)
문서 유형, 주제 분류, 고객/프로젝트 태그를 미리 설계합니다. 이 거버넌스가 없으면 규모가 커질수록 위키 품질이 떨어집니다. Claude에게 "이 문서들의 분류 체계를 5개 기준으로 제안해줘"라고 물어보는 것으로 시작합니다. (30분)
LLM이 없는 사실을 위키에 추가할 수 있습니다. 환각(hallucination)으로 인해 잘못된 정보가 위키에 섞일 수 있습니다. 중요한 수치나 고유명사는 원본 파일과 대조해야 합니다. 위키를 맹신하면 의사결정 오류로 이어집니다.
위키 품질은 raw 데이터 품질에 달려 있습니다. 불분명하거나 불완전한 자료를 넣으면 위키도 불완전합니다. "쓰레기를 넣으면 쓰레기가 나온다"는 원칙은 LLM 지식베이스에도 적용됩니다.
규모가 커지면 거버넌스 없이는 유지가 불가합니다. 카파시 방식은 소규모(약 40만 단어)에서 효과적입니다. 그 이상으로 확장하려면 스키마와 분류 체계가 선행되어야 합니다. 과거의 거버넌스 투자가 미래 자동화의 품질을 결정합니다.
닫힌 루프가 없으면 복리 효과는 없습니다. 수동 지식 축적은 "시간 나면 한다"로 끝납니다. 자동 루프가 없으면 탐구 결과가 위키에 돌아오지 않습니다. 1년 뒤 지식 자산 격차는 이 차이에서 발생합니다.
지식은 모으는 것이 아니라 컴파일하는 것입니다. 거버넌스를 갖춘 조직이 더 좋은 컴파일러를 씁니다.