LLM Wiki 사용법, 나만의 AI 위키와 세컨 브레인 만들기

밸런스 UP

5시간 전

조회수

Claude Code와 Codex는 자료를 매번 새로 읽고 답변을 생성하는 방식만으로는 이전 조사와 작업 결과를 하나의 지식으로 계속 축적하기 어렵습니다. 어제 정리한 내용을 오늘 다시 활용하려면 관련 문서를 다시 찾거나, 이전 대화와 작업 맥락을 다시 전달해야 할 수 있습니다.

이를 해결하기 위해 새로운 오픈소스 도구가 등장했습니다. 바로 ‘LLM Wiki’입니다.

LLM Wiki는 원본을 매번 다시 읽지 말고, 한 번 읽어서 구조화된 위키로 정리해두고, 새 자료가 들어올 때마다 그 위키를 갱신하며 쌓아가 데이터를 기록할 수 있습니다.

이 글에서는 LLM Wiki가 무엇인지, 우리가 흔히 쓰는 RAG 방식과 어떻게 다른지, 어떤 구조로 이뤄지는지, 그리고 어떻게 Claude Code 같은 도구로 연동해 사용할 수 있는지 정리했습니다.

LLM Wiki 핵심 요약

LLM Wiki는 지식을 계속 축적하는 AI 지식베이스입니다. 원본 자료를 한 번 읽어 구조화된 위키로 만들고, 새로운 자료가 들어올 때마다 기존 문서와 연결해 갱신합니다.
RAG와 달리 질문 결과가 지식으로 쌓입니다. 좋은 답변과 새로운 발견도 다시 위키에 저장할 수 있어 장기간 조사와 기록 관리에 적합합니다.
원본·위키·스키마의 세 계층으로 구성됩니다. 자료 입력, 문서화, 점검, 질문 과정을 반복하면서 AI가 읽기 좋은 세컨 브레인으로 발전합니다.
Claude Code와 Obsidian을 연결해 실무 자료를 활용할 수 있습니다. Obsidian의 Markdown 문서를 가져와 Topic Wiki로 만들고, 회의록·프로젝트 기록·조사 자료를 검색하거나 비교표와 보고서로 정리할 수 있습니다.

LLM Wiki란 무엇인가

LLM Wiki는 AI를 활용해 개인 지식 베이스를 만드는 패턴으로 오픈 AI의 공동 창립자이자 테슬라의 전 AI 디렉터 안드레 카파시(Andrej Karpathy)가 아이디어를 공개하면서 알려지기 시작했습니다.

Claude Code나 Codex 같은 AI 코딩 도구는 문서 분석과 작업 수행 능력이 뛰어나지만, 새로운 세션을 시작할 때마다 이전 작업의 맥락과 자료를 다시 전달해야 하는 경우가 있습니다. 이미 검토한 문서를 다시 읽히거나, 이전에 정리한 내용을 다시 설명해야 해 같은 작업이 반복되는 비효율도 생깁니다.

LLM Wiki는 이런 문제를 줄이기 위해 원본 자료와 작업 결과를 구조화된 지식베이스로 정리합니다. AI가 자료를 한 번 읽어 마크다운 기반의 위키 문서로 만들고, 이후 필요한 내용을 다시 불러와 다음 작업에 활용하는 방식입니다. 새로운 자료가 추가되면 기존 문서를 갱신하고 관련된 정보끼리 연결합니다.

오픈소스로 누구나 사용가능한 'LLM Wiki’

* 이미지 출처: 이미지 출처: LLM Wiki 공식 GitHub 저장소

안드레 카파시는 LLM Wiki의 기본 구상을 담은 문서를 공개했습니다. 그는 이를 ‘아이디어 파일(idea file)’이라고 표현했으며, 누구나 Claude Code나 Codex 같은 AI 에이전트에 적용해 자신의 상황에 맞게 구현할 수 있도록 했습니다. 이를 바탕으로 이전 작업에서 얻은 자료와 결과를 지식베이스에 축적하고, 필요할 때 다시 불러와 활용하는 개인 작업 환경을 만들 수 있습니다.

LLM Wiki, RAG와 무엇이 다를까

LLM Wiki를 이해하는 가장 빠른 길은 우리가 흔히 쓰는 RAG와 비교하는 것입니다.

구분	일반적인 RAG	LLM Wiki
주요 처리 시점	질문할 때 문서 검색	자료를 추가할 때 지식 정리
저장 단위	문서 조각과 임베딩	연결된 Markdown 페이지
답변 후 결과	답변이 대화에만 남을 수 있음	중요한 답변을 위키에 다시 저장
지식 연결	검색 결과를 질문마다 조합	개념과 문서 관계를 지속적으로 관리
원본 관리	시스템에 따라 다름	원본 자료를 별도로 보존
유지 관리	색인과 검색 품질 관리	페이지, 연결, 출처와 모순 관리
적합한 작업	대규모 문서 검색	한 주제를 장기간 조사하고 축적하는 작업

RAG(검색 증강 생성)는 이렇게 작동합니다. 문서를 잔뜩 올려두면, 질문할 때마다 AI가 관련된 조각을 찾아내 그걸로 답을 만듭니다. 챗GPT 파일 업로드, NotebookLM 같은 대부분의 서비스가 이 방식입니다. 잘 작동하지만 한 가지 한계가 있습니다. 매번 처음부터 다시 찾는다는 점입니다. 다섯 개 문서를 종합해야 답할 수 있는 미묘한 질문을 던지면, AI는 그때마다 관련 조각을 새로 찾아 끼워 맞춥니다. 쌓이는 게 없습니다.

LLM Wiki는 다릅니다. 프로그램을 실행할 때 소스 코드를 매번 다시 컴파일하지 않고, 한 번 컴파일한 결과물을 빠르게 돌리는 것처럼, 지식도 한 번 정리해두고 그 정리본을 사용합니다. 질문이 들어오면 원본을 다시 뒤지는 게 아니라, 이미 정리된 위키를 읽고 답합니다.

이 둘의 차이는 '일회성이냐 누적이냐'로 요약됩니다.

RAG는 질문마다 새로 작업하고 잊지만, LLM Wiki는 교차 참조가 이미 만들어져 있고, 오류나 잘못된 내용은 이미 표시되어, AI는 이미 읽은 모든 자료를 반영합니다. 쓸수록 똑똑해지는 구조입니다.

AI의 지식을 정리하는

LLM Wiki의 3가지 계층

LLM Wikli가 지식을 정리하는 방법을 정리했습니다.

원본(Raw sources): 손대지 않는 원천 직접 모은 자료

기사, 논문, 메모, 이미지 같은 종류를 LLM Wiki에서는 원본이라 말합니다. 이 계층의 핵심 규칙은 'AI가 읽기만 하고 절대 수정하지 않는다'는 것입니다. 원본은 그대로 두기 때문에, 필요하면 언제든 위키를 처음부터 다시 만들 수 있습니다.

위키(The wiki): AI가 만들고 관리하는 정리본

AI가 생성한 마크다운 파일들의 묶음입니다. 요약 페이지, 개념 페이지, 비교, 전체 개요 같은 것들이죠. 이 계층은 전적으로 AI가 소유합니다. 페이지를 만들고, 새 자료가 들어오면 갱신하고, 교차 참조를 유지합니다. 사람은 읽고, AI는 씁니다.

스키마(The schema): AI에게 규칙을 알려주는 설정

AI에게 행동 규율을 알려주는 설정 문서입니다. Claude Code라면 CLAUDE.md, Codex라면 AGENTS.md 파일이 이 역할을 합니다. 이 파일이 있어야 AI가 그냥 챗봇이 아니라 '규율 있는 위키 관리자'로 작동합니다.

LLM Wiki는 어떻게 작동할까?

자료 넣기(Ingest)

새 자료를 원본 폴더에 넣고 AI에게 처리를 맡깁니다. AI는 자료를 읽고, 핵심을 사람과 의논한 뒤, 위키에 요약 페이지를 쓰고, 색인을 갱신하고, 관련된 여러 페이지를 함께 업데이트합니다.

질문하기(Query)

위키에 대고 질문을 던지면, AI는 원본이 아니라 이미 정리된 위키에서 관련 페이지를 찾아 답합니다. 흥미로운 점은, 좋은 답변을 다시 위키에 새 페이지로 저장할 수 있다는 것입니다. 그러면 탐색의 결과물도 지식으로 쌓입니다.

점검하기(Lint)

주기적으로 AI에게 위키의 정보 검진을 맡깁니다. 페이지 간 모순, 더 이상 맞지 않는 오래된 내용, 아무도 링크하지 않는 외톨이 페이지, 빠진 교차 참조 같은 것을 찾아내 정리합니다. 이 점검 덕분에 위키가 커져도 엉키지 않습니다.

LLM Wiki 사용법

Claude Code에서 Wiki 만들기

/plugin marketplace add nvk/llm-wiki

Claude Code에서 LLM Wiki를 등록하고 있습니다.

Claude Code에서 Wiki를 사용하기 위해서는 먼저 마켓플레이스에 LLM Wiki를 등록해야합니다. Claude Code에게 LLM Wiki 플러그인을 어디서 찾는지 플러그인의 저장소 위치를 알려주는 것입니다.

/plugin install wiki@llm-wiki

플러그인 명령어를 입력해 실행하면 설치 옵션이 나옵니다.

Install for you (user scope): 모든 프로젝트에서 사용 가능
Install for all collaborators on this repository (project scope): 현재 프로젝트에만 설치
Install for you, in this repo only (local scope): 현재 프로젝트에서만 사용

Install for you (user scope/)을 선택해 LLM Wiki를 설치합니다.

LLM Wiki가 설치된 후 /wiki:로 명령어들이 추가된 것을 볼 수 있습니다. Claude Code를 재실행하거나 /reload-plugins를 입력하면 /Wiki가 추가된 것을 볼 수 있습니다.

옵시디언(Obsidian)과 연동해 세컨 브레인 생성하기

옵시디언(Obsidian)에 정리한 문서는 LLM이 참고할 개인 위키로 활용하기 좋습니다. Obsidian 노트는 기본적으로 로컬의 Markdown 파일로 저장되기 때문에 AI가 내용을 읽고 수정하기 쉽습니다.

따라서 Claude Code에서 Obsidian 볼트 폴더를 열어 함께 사용하면, 개인 지식 기반을 LLM Wiki 형태의 세컨드 브레인으로 운영하는 데 도움이 됩니다.

옵시디언의 기본 사용법이 궁금한 분은 먼저 아래 링크를 참고하세요.

▶ 옵시디언(Obsidian) 사용법: 그래프 뷰·명령어·플러그인까지 한 번에 정리

LLM Wiki를 실행하기 위해 Claude Code에서 옵시디언 Vault 폴더로 이동했습니다. Claud Code에 옵시디언을 연동하기 위해 먼저 옵시디언에서 연동할 Vlaut 폴더의 위치를 확인한 뒤 터미널에서 옵시디언 Vault 폴더로 이동한 뒤 Claude Code를 실행합니다.

/wiki:ingest

[옵시디언 Vault가 저장된 폴더]폴더를 새로운 LLM Wiki 프로젝트로 가져와줘.

ingest 명령어는 자료를 LLM Wiki의 원본으로 등록하는 명령입니다. Obsidian Vault를 분석해 문서의 주제를 확인하고, 새로운 Topic Wiki를 생성하거나 기존 Wiki에 추가할 수 있도록 구조를 정리합니다. 이후 Markdown 파일을 Raw Source로 등록해 AI가 위키 문서를 생성할 수 있는 기반을 만듭니다.

Obsidian Vault

│

▼

1. /wiki:ingest

→ Vault 구조 분석 및 Topic Wiki 생성

→ Markdown 파일을 Raw Source로 등록

│

▼

2. /wiki:compile

→ AI가 Raw Source를 분석해 Wiki 문서 생성

│

▼

3. /wiki:query

→ 생성된 Wiki를 기반으로 질문

위의 과정이 모두 끝나 LLM Wiki의 성능을 테스트 해보기 위해 질문을 던졌습니다.

“Wiki에 저장된 AI 도구 문서 목록을 보여준 뒤 비교 가능한 도구만 기준으로 특징을 정리해줘”

제가 등록한 Wiki에는 Claude Code와 Codex에 대한 일부 내용만 정리되어 있어 두 도구만 비교가 가능합니다.

Wiki의 지식베이스에 등록되어 있는 정보 안에서 요청한 프롬프트에 맞춰 AI 도구 목록을 정리한 뒤 비교 가능한 도구의 특징을 보기 좋게 표로 작성해 정리한 것을 볼 수 있었습니다.

이번 테스트처럼 필요한 정보나 회의록, 이전 작업 기록을 찾을 때 LLM Wiki를 활용하면 흩어진 자료를 더 쉽고 빠르게 찾아볼 수 있습니다.

LLM Wiki 대화 저장하기

1. 지금 대화에서 배운 내용을 저장할 때

/wiki:ll --wiki ai-coding-tools

이 기능은 오류를 해결한 과정, 사용자가 정정한 내용, 새롭게 발견한 규칙처럼 다른 작업에도 다시 활용할 만한 교훈을 추려 위키에 저장하는 기능으로, 회의록이나 조사 자료처럼 반드시 남겨야 하는 기록을 저장하는 용도로는 적합하지 않습니다.

2. 새로운 자료를 확실하게 지식베이스에 추가할 때

일반적인 업무 기록, 회의록, 조사 내용은 Obsidian에 새 문서로 저장한 뒤 해당 파일만 다시 가져오는 방식이 가장 확실합니다.

/wiki:ingest "C:\Users\사용자명\Documents\Obsidian Vault\분류\파일명.md" --wiki ai-coding-tools /wiki:compile --wiki ai-coding-tools

ingest는 파일을 원본 자료로 등록하고, compile은 새 원본을 기존 위키 문서와 연결해 반영하는 역할을 합니다. Vault 전체를 다시 가져올 필요는 없이, 새로 작성하거나 수정한 파일만 ingest한 뒤 compile하면 됩니다.

3. 대화 자체를 세션 기록으로 저장하는 기능

/wiki:session

이 기능은 Claude Code의 작업 맥락을 세션 기록으로 저장하고 관리하는 기능으로, 민감한 정보를 줄인 이벤트와 요약본을 .sessions/ 폴더에 저장합니다.

저장된 기록은 나중에 확인하거나 다시 불러올 수 있으며, 필요한 내용만 특정 Topic Wiki의 지식으로 추가할 수도 있습니다.

주요 세션 명령어

/wiki:session capture: 현재 대화와 작업 상태를 요약해 세션 기록으로 저장합니다.
/wiki:session list: 저장된 세션 목록과 세션 ID를 확인합니다.
/wiki:session show <세션 ID>: 특정 세션에 저장된 요약 내용을 확인합니다.
/wiki:session rehydrate <세션 ID>: 저장된 세션의 핵심 맥락을 다시 불러와 이전 작업을 이어갑니다.
/wiki:session promote <세션 ID> --topic ai-coding-tools: 선택한 세션의 핵심 내용을 ai-coding-tools Topic Wiki의 원본 노트로 추가합니다.

세션을 Topic Wiki의 원본 지식으로 추가한 뒤에는 /wiki:compile --wiki ai-coding-tools으로 위키 문서에 반영할 수 있습니다.

LLM Wiki, 이렇게 활용해보세요.

1) 흩어진 자료를 하나의 세컨 브레인으로 정리할 때

LLM Wiki는 PDF, 웹페이지, 마크다운 문서, Obsidian 메모처럼 흩어져 있는 자료를 하나의 지식베이스로 정리할 때 유용합니다. 단순히 파일을 저장하는 것이 아니라, 원본 자료를 읽고 핵심 개념을 위키 문서로 재구성한 뒤 관련 문서끼리 연결해 줍니다.

특히 여러 자료를 바탕으로 계속 공부하거나 조사해야 하는 분야라면 효과적입니다. 예를 들어 개발 도구의 버전 변화나 업데이트 사항처럼 자료가 계속 쌓이는 주제는 LLM Wiki로 정리해두면 나중에 필요한 내용을 더 빠르게 찾을 수 있습니다.

2) 회의록과 프로젝트 기록을 다시 찾아야 할 때

실무에서 회의를 하거나 자료를 회상하다 보면 “전에 어디서 이야기했지?”, “그때 결정한 기준이 뭐였지?” 같은 질문이 자주 생깁니다. LLM Wiki는 회의록, 작업 로그, 기획 문서, 리서치 메모를 원본으로 등록한 뒤 질문 형태로 다시 찾을 수 있습니다.

예를 들어 “지난번에 회의록의 전략을 요약해줘”, “00년도와 00 년도의 매출 내역을 비교한 내용을 다시 보여줘”처럼 물어보면, 위키에 저장된 문서를 기준으로 필요한 내용을 정리해 줍니다.

기록을 하나씩 확인하는 대신 AI가 저장된 지식베이스 안에서 관련 내용을 찾아주기 때문에, 필요한 자료를 빠르게 확인할 수 있습니다.

3) 반복해서 사용하는 조사 자료를 비교·보고서로 만들 때

LLM Wiki는 단순 검색보다 비교와 재구성에 강점이 있습니다. 저장된 자료를 바탕으로 도구별 특징을 표로 비교하거나, 특정 주제의 핵심 흐름을 보고서 형태로 정리할 수 있습니다.

예를 들어 AI 도구 자료를 넣어두면 “저장된 AI 도구들의 특징을 비교해줘”라고 요청할 수 있습니다. 그러면 위키에 등록된 정보 안에서 비교 가능한 도구를 정리하고, 실행 환경, 확장 방식, 강점, 주의사항처럼 필요한 기준에 맞춰 표로 정리해 줍니다.

LLM Wiki 사용 시 주의사항 4가지

LLM Wiki 사용 시 주의사항을 정리했습니다.

1. 생성된 위키를 원본 자료처럼 신뢰하면 안 됩니다.

LLM Wiki의 문서는 원본을 그대로 보여주는 것이 아니라 AI가 내용을 요약하고 연결해 다시 구성한 결과입니다. 이 과정에서 세부 조건이나 중요한 수치가 누락될 수 있으므로, 법률·의료·정책·계약처럼 정확성이 중요한 정보는 반드시 Raw Source까지 다시 확인해야 합니다.

2. 목적이 다른 자료는 Topic Wiki를 분리하세요.

하나의 Wiki에 관련 없는 분야의 자료를 계속 추가하면 문서 간 연결이 복잡해지고, 질문과 관계없는 정보가 답변에 포함될 가능성이 커집니다. AI 도구, 개발 자료, 회의 기록처럼 활용 목적이 다르다면 별도의 Topic Wiki로 나누고, 더 이상 자주 사용하지 않는 주제는 Archive로 옮기는 것이 좋습니다.

3. Compile 이후에도 정기적인 점검이 필요합니다.

자료를 한 번 가져와 문서화했다고 해서 지식베이스가 계속 정확하게 유지되는 것은 아닙니다. 새로운 자료가 추가되거나 기존 정보가 오래되면 문서 간 충돌과 끊어진 링크가 생길 수 있습니다.

Lint로 구조를 점검하고, Librarian과 Audit 기능을 활용해 오래된 내용과 출처가 부족한 문서를 주기적으로 확인하는 것이 좋습니다.

4. 로컬 저장과 데이터 처리를 구분해야 합니다.

LLM Wiki의 파일은 기본적으로 사용자의 컴퓨터에 저장되지만, 모든 작업이 완전히 오프라인에서 처리된다는 의미는 아닙니다. 웹페이지 가져오기와 리서치는 Claude Code나 Codex 같은 실행 환경을 통해 처리되므로, 비공개 문서나 개인정보를 등록하기 전에는 사용하는 AI 서비스의 데이터 처리 정책과 접근 권한을 확인해야 합니다. 세션 기록이 필요하지 않다면 자동 캡처 기능도 비활성화할 수 있습니다.