안쓰면 손해! 클로드코드가 내 노하우를 나무위키처럼 정리해줍니다
📺 원본 영상: 안쓰면 손해! 클로드코드가 내 노하우를 나무위키처럼 정리해줍니다 (feat. 안드레 카파시) 🎙️ 채널: 시민개발자 구씨 📅 정리 일자: 2026-04-11 ⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
이 영상은 Tesla AI 총괄 및 OpenAI 창립 멤버 출신 AI 연구자 Andrej Karpathy가 공개한 개인 지식 관리 시스템을 바탕으로, Claude Code와 Obsidian을 결합해 “나만의 LLM 기반 나무위키”를 구축하는 방법을 실습 형태로 소개한다. 핵심 개념은 지식이 단순히 검색 가능한 형태로 저장되는 것을 넘어, 새로운 자료가 추가될수록 기존 지식과 연결·보완되면서 복리(compound) 방식으로 축적된다는 것이다. 강연자는 시스템 구축 원리 설명에서 실제 세팅, 데이터 입력, 활용 사례, 그리고 한계까지 단계적으로 안내한다.
이 시스템이 필요한 이유 — 머릿속 지식을 밖으로 꺼내는 문제
누구나 업무 경험과 독서를 통해 개인만의 노하우를 쌓아가지만, 그 지식은 대부분 본인의 머릿속에만 존재한다. AI에게 질문할 때마다 배경 설명을 처음부터 반복해야 하는 이 불편함은, AI 도구가 아무리 발전하더라도 “개인 맥락”이 외부에 구조화된 형태로 존재하지 않는 한 해소되기 어렵다. 강연자는 이 문제를 해결하기 위해 Karpathy의 아이디어를 소개하는데, 핵심은 AI가 방대한 원본 자료를 읽고 위키 형태로 정리해줌으로써 사용자는 자료를 수집하는 행위에만 집중하면 되는 구조를 만드는 것이다.
기존에도 Obsidian의 “세컨드 브레인(Second Brain)” 방법론이 비슷한 철학을 공유했다. 강연자 본인도 과거에 Obsidian으로 지식 베이스 구축을 시도했으나, 문서가 늘어날수록 교차 참조(cross-reference)를 직접 유지·관리하는 작업이 기하급수적으로 늘어나 결국 지속하기 어려워졌다고 고백한다. 이 시스템의 차별점은 바로 그 귀찮은 교차 참조 작업을 Claude Code가 전부 대신 처리해준다는 데 있다.
LLM 나무위키의 3단계 아키텍처
Karpathy가 제안한 시스템은 세 개의 층(layer)으로 구성된다.
1층 — Raw 데이터 저장소: 업무 관련 기사, PDF, 회의록, 메모, 책 독서 노트 등 원본 자료를 모아두는 폴더다. 형식은 제약이 없으며, 마크다운(.md), PDF, 이미지 등 AI가 읽을 수 있는 파일이라면 무엇이든 넣을 수 있다. 사용자가 직접 해야 할 작업은 사실상 이것이 전부다 — 자료를 이 폴더에 던져넣는 것.
2층 — AI가 생성하는 위키 페이지: Claude Code가 Raw 데이터를 읽고, 나무위키 페이지처럼 구조화된 문서를 자동 생성한다. 여기서 단순한 요약에 그치지 않고, 여러 페이지 간에 등장하는 공통 키워드와 개념에 상호 참조 링크를 자동으로 삽입한다. 새로운 자료가 추가될 때도 반드시 새 위키 페이지를 생성하는 것이 아니라, 이미 존재하는 페이지를 보완하는 것이 더 적합하다고 AI가 판단하면 기존 페이지에 내용을 추가하는 방식으로 작동한다. 이것이 지식이 “복리로 쌓인다”는 표현의 실체다.
3층 — CLAUDE.md 스키마 규칙: Claude Code 프로젝트에서 동작 규칙을 정의하는 CLAUDE.md 파일을 통해 시스템의 운영 원칙을 명시한다. Raw 데이터를 어떤 방식으로 위키화할지, 카테고리 분류 기준은 무엇인지, 인덱스 구조는 어떻게 유지할지 등을 이 파일에 서술함으로써 Claude Code가 일관된 방식으로 지식 베이스를 관리할 수 있게 된다.
02:12 - LLM 나무위키의 3단계 구조(Raw 데이터 → AI 위키 생성 → CLAUDE.md 스키마) 설명 도식
NotebookLM, RAG 시스템과의 비교
강연자는 이 시스템의 포지셔닝을 명확히 하기 위해 유사 도구들과의 차이점을 설명한다.
NotebookLM은 Google이 서비스하는 RAG(Retrieval-Augmented Generation) 기반의 AI 도구로, 자료를 업로드한 뒤 질문하면 해당 소스를 기반으로 답변해준다. 팟캐스트, 인포그래픽, 슬라이드 등 다양한 형태의 아웃풋을 생성할 수 있어 새로운 지식을 학습하는 용도로 매우 유용하다. 그러나 이 도구는 “지식을 찾는 것”을 도와주는 시스템이지, 지식이 시간이 지남에 따라 서로 연결되고 풍부해지는 방식으로 축적되지는 않는다.
RAG 시스템 직접 구축은 기술적으로 더 강력하다. 대용량 문서를 잘게 쪼개(chunking) 벡터 임베딩으로 변환해 데이터베이스에 저장하고, 사용자 질문과 의미적으로 유사한 청크를 검색해 LLM에 전달하는 구조다. 기업 환경에서 수십만 건의 문서를 다뤄야 할 때는 여전히 최적의 선택이지만, 인프라 구축·운영 비용과 기술적 복잡성이 상당하다. Vibe Coding으로 구현하더라도 진입 장벽이 존재한다.
이에 비해 LLM 나무위키 시스템의 핵심 차별점은 두 가지다. 첫째, 자료를 넣으면 AI가 한 번 “이해하고 정리”한 뒤 위키로 변환하기 때문에, 이후 해당 지식이 다른 지식과 연결·심화되는 복리 효과가 발생한다. 둘째, 별도의 벡터 데이터베이스나 서버 인프라 없이 Obsidian 앱과 로컬 마크다운 파일만으로 동작하기 때문에 가볍고 개인이 완전히 통제할 수 있다.
시스템 구축 실습 — Obsidian과 Claude Code 연결
실제 구축 과정은 놀랍도록 간단하다. 먼저 obsidian.md에서 Obsidian을 설치한 뒤, 앱 내에서 Vault(볼트)를 하나 생성한다. Vault는 로컬 PC의 특정 폴더를 지정하면 그 폴더가 Obsidian의 작업 공간이 된다. 강연자는 구씨-위키라는 이름의 폴더를 Vault로 지정하는 예시를 보여준다.
Vault 폴더에서 Claude Code(VS Code 터미널 또는 원하는 방식으로 실행)를 열고, 시스템 구축을 요청하는 프롬프트를 입력한다. 강연자가 사용한 프롬프트는 영상 설명란의 가이드 문서에 공개되어 있으며, 핵심 내용은 다음과 같다:
- Karpathy의 GitHub Gist를 참고 자료로 링크 제공
- Raw 데이터 폴더, Wiki 폴더, 인덱스 파일, 로그 파일 등 디렉토리 구조 지정 요청
- 사용자 자신의 업무 도메인과 저장할 자료의 종류 설명
CLAUDE.md에 운영 규칙 자동 작성 요청
Claude Code는 이 프롬프트 한 번으로 전체 폴더 구조, CLAUDE.md 운영 규칙, index.md 목차, 작업 이력 로그 파일까지 한 번에 생성해준다.
10:03 - Claude Code가 생성한 폴더 구조(raw/, wiki/, index.md, log 파일) 결과 화면
강연자는 초기 생성 결과에서 Raw 폴더 하위에 불필요한 서브 폴더가 생성되었음을 발견하고, 즉시 “플랫하게(flat) 자료를 추가할 수 있게 수정해달라”고 Claude Code에 요청해 즉각 수정받는 장면도 보여준다. 초기 설정 실수를 두려워할 필요가 없다는 것을 실증하는 대목이다.
Raw 데이터 입력 방법들
시스템이 구축되면 Raw 폴더에 자료를 채워나가는 단계다. 강연자는 세 가지 방법을 시연한다.
Obsidian Web Clipper 활용: Chrome 확장 프로그램인 Obsidian Web Clipper를 설치하면 웹 페이지를 클릭 한 번으로 Obsidian의 Raw 폴더에 저장할 수 있다. 설정에서 저장 위치(Note Location)를 raw로 지정하고 사용할 Vault를 선택해두면, 이후부터는 브라우저에서 기사나 블로그 글을 읽다가 즉시 Raw 폴더로 클리핑할 수 있다. ChatGPT의 새 유료 플랜 출시 기사, Anthropic 블로그 글 등을 예시로 보여준다.
13:16 - Obsidian Web Clipper로 기사를 Raw 폴더에 클리핑하는 시연 화면
Claude Code의 웹 리서치 활용: Raw 폴더에 직접 파일을 옮길 필요 없이, Claude Code에게 특정 링크나 주제에 대해 웹 검색·조사를 요청하고 그 결과를 Raw 폴더에 저장해달라고 지시할 수 있다. 강연자는 “AI 자동화 및 Vibe Coding 관련 가격 정보를 조사해서 Raw 폴더에 저장해줘”라는 요청 예시를 보여주며, Claude Code가 실제 Chrome 브라우저를 직접 조작해 검색하고 문서를 생성하는 장면을 시연한다.
기존 파일 직접 추가: 이미 보유하고 있는 업무 문서, 프로젝트 설명서, 유튜브 대본, 독서 노트 등 어떤 형식의 파일이든 Raw 폴더에 복사해 넣으면 된다. 강연자는 자신이 작성한 과거 영상 대본들과 책을 읽으며 정리한 메모들을 추가하는 예시를 보여준다.
위키 생성 워크플로우 — 점진적 배치 처리와 루프 자동화
Raw 데이터가 어느 정도 쌓이면 위키 생성을 시작한다. 강연자는 모든 파일을 한꺼번에 처리하기보다, 핵심 파일을 먼저 선별해 위키의 뼈대를 만드는 전략을 권장한다. 100개의 파일이 있을 때 무작위로 전부 처리하면 교차 참조의 기준 축이 없어지기 때문에, 카테고리별 핵심이 될 만한 파일 10개를 먼저 위키화해 기반 구조를 확립하고, 이후 나머지 자료들이 그 구조 위에 추가·연결되도록 하는 것이 더 효율적이다.
17:06 - 100개 파일 중 10개 핵심 위키 페이지 선정 및 생성 완료 결과 화면
이후 추가 배치 처리는 “Raw에 새로 넣은 자료 10개를 찾아서 위키에 반영해줘. 서로 다른 자료 간 의외의 연결점이 있다면 적극적으로 연결해줘”라는 프롬프트를 반복 실행하는 방식으로 진행된다. 매번 수동으로 요청하기 번거롭다면, 루프(loop) 형태로 설정하는 것도 가능하다. 강연자는 10분마다 해당 프롬프트를 자동으로 실행하도록 Claude Code에 요청하는 예시를 보여주며, 한 번 루프를 걸어두면 Raw 폴더에 자료를 추가하는 것만으로 위키가 자동 업데이트되는 구조를 만들 수 있다고 설명한다. 루프가 실행 중인 동안은 VS Code 터미널을 켜두기만 하면 되고, 사용자는 Obsidian에서 Raw 데이터만 계속 추가하면 된다.
중요한 점 하나는, Claude Code가 10개의 Raw 파일을 추가한다고 해서 반드시 10개의 새 위키 페이지를 생성하지는 않는다는 것이다. 기존 위키 페이지를 보완하는 것이 더 적합하다고 판단하면 기존 페이지에 내용을 추가하기도 하고, 위키화에 적합하지 않은 파일은 건너뛰고 처리 목록에만 기록해두어 중복 처리를 방지한다.
위키 활용 — 개인화된 인사이트 추출
생성된 위키는 Obsidian의 Graph View(그래프 보기)에서 시각적으로 탐색할 수 있다. Mac에서는 Command + G, Windows에서는 Control + G로 지식 간 연결 관계를 노드-링크 그래프로 확인할 수 있다. Raw 데이터와 위키 페이지가 섞여 복잡해 보일 경우, 설정 탭에서 경로 필터를 wiki/로 지정하면 Claude Code가 생성한 위키 페이지만 골라볼 수 있다.
19:50 - Obsidian Graph View에서 위키 페이지 간 연결 관계를 시각화한 그래프 화면
시각적 탐색도 의미 있지만, 실질적인 활용은 Claude Code에서 직접 질문하는 방식이 더 강력하다. 강연자는 다음 세 가지 예시 질문을 시연하며 각 답변의 유용성을 보여준다.
첫 번째로, “위키를 참고해서 각 페이지들 사이의 의외의 연결점이나 내 사업에 적용할 수 있는 인사이트가 있다면 알려줘”라는 질문에 대해, Claude Code는 개별 페이지에서는 보이지 않지만 여러 페이지를 겹쳐 분석했을 때 드러나는 연결점 다섯 가지를 정리해 보여준다. 강연자는 이 답변들이 모두 의미 있는 인사이트라고 평가한다.
20:36 - Claude Code가 여러 위키 페이지를 교차 분석해 도출한 인사이트 5가지 답변 화면
두 번째로, “위키에 쌓인 자료들과 인사이트를 기반으로 다음 유튜브 영상 소재 3개를 우선순위별로 추천해달라”는 질문에는, 단순히 트렌드만 반영하는 것이 아니라 강연자 본인의 과거 대본들에 담긴 스타일과 관심사까지 반영한 소재 제안이 돌아온다.
세 번째로, “내가 읽은 책에서 배운 것 중에 교육 사업 가격 전략에 적용할 수 있는 멘탈 모델이 있어?”라는 질문에서 이 시스템의 진가가 드러난다. 가격 데이터와 독서 메모가 위키 안에서 이미 연결되어 있기 때문에, “가격표를 설계할 때 몇 시간짜리 강의인가를 기준으로 삼지 말고, 내 판단력이 얼마나 들어가는가를 기준으로 삼아야 한다”는 식의 맥락화된 답변이 가능해진다. 강연자는 이것이 단순히 외부 데이터를 검색해주는 시스템과는 질적으로 다른 경험이라고 강조한다. AI가 나의 컨텍스트와 내가 중요시하는 가치관을 공유한 상태에서 사고하기 때문이다.
위키 건강검진(Lint) 기능
지식이 복리로 쌓이려면 오래된 정보, 모순된 주장, 누락된 링크 등이 정기적으로 정리되어야 한다. Karpathy는 이 작업을 개발 세계의 코드 품질 검사 도구 이름을 빌려 **lint(린트)**라고 부른다. 강연자는 이를 “내 지식에 대한 건강검진”이라고 풀어 설명한다.
CLAUDE.md에 건강검진 모드 규칙을 정의해두면, “위키 건강검진 한번 하자”라는 요청만으로 Claude Code가 전체 위키 문서를 검토하며 인덱스 정합성, 교차 참조 양방향 연결 누락, 카테고리 갭 분석 등을 수행하고 개선 작업까지 자동으로 진행해준다.
24:11 - 건강검진(Lint) 모드 실행 결과 — 인덱스 정합성, 교차 참조 양방향 확인, 갭 분석 리포트 화면
특히 AI 업계처럼 6개월 전 정보가 현재와 완전히 달라질 수 있는 빠른 변화의 영역에서는 이 건강검진 루틴이 위키의 신뢰성을 유지하는 데 핵심적인 역할을 한다.
시스템의 한계 — 솔직한 평가
강연자는 이 시스템의 장점만큼이나 한계도 솔직하게 짚는다.
토큰 비용이 첫 번째 과제다. AI가 자료를 읽고 위키를 생성하며, 특히 교차 참조를 위해 기존 위키 페이지들을 함께 참조해야 하기 때문에, 처리 과정에서 토큰을 상당량 소모한다. 위키 페이지가 많아질수록 맥락으로 참조해야 할 문서 수도 늘어나 토큰 부담은 더 커진다. Max 플랜 구독자라면 비교적 여유 있게 사용할 수 있지만, Pro 플랜 사용자는 사용량 압박을 경험할 수 있다. 다만 자료를 무분별하게 넣지 않고, 진정한 노하우로 포함하고 싶은 문서만 선별해 넣는 방식으로 운용하면 개인이나 소규모 조직 수준에서는 충분히 감당 가능하다고 강연자는 평가한다.
규모의 한계가 두 번째다. 수백 페이지의 마크다운 문서까지는 잘 작동하지만, 수만 건이 넘어가면 현재 구조로는 효율이 크게 저하될 수 있다. Karpathy 본인도 이 점을 인정했으며, 그 규모에서는 벡터 데이터베이스를 다시 고려해야 한다. 즉, LLM 위키는 기업 전체의 문서 인프라를 대체하는 것이 아니라, 개인 또는 소규모 팀의 정제된 지식 자산 관리에 최적화된 도구라는 것을 인식하는 것이 중요하다.
정보 노후화가 세 번째다. 특정 시점에 맞는 주장이 시간이 지나면 틀려질 수 있으므로, 건강검진 기능을 정기적으로 활용하거나 새로운 Raw 데이터를 꾸준히 추가해 위키를 업데이트하는 습관이 필요하다.
마무리 — 세 도구의 각자 적합한 위치
강연자는 이 세 가지 시스템이 경쟁 관계가 아니라 상호 보완적 관계에 있음을 강조하며 결론을 맺는다. 수십만 건 이상의 대규모 문서를 고속으로 검색해야 하는 기업 인프라에는 RAG 시스템이 적합하다. 새로운 주제를 빠르게 학습하거나 특정 문서 세트를 기반으로 질문·답변이 필요한 용도에는 NotebookLM이 뛰어나다. 그리고 개인 또는 소규모 팀이 자신만의 노하우와 업무 지식을 체계적으로 쌓고, 그것을 AI에게 “주입”해 개인화된 인사이트를 얻고 싶을 때는 LLM 기반 나무위키가 가장 가성비 있는 선택이다.
이 시스템의 가장 큰 매력은 사용자가 해야 할 일의 단순함에 있다. 인상적인 기사를 발견했을 때 Web Clipper로 클리핑하고, 읽은 책의 인사이트를 메모로 남기고, 중요한 업무 문서를 폴더에 옮기는 것 — 이 단순 반복 행위들이 시간이 지날수록 서로 연결되고 심화되면서, AI가 나의 사고 방식과 맥락을 공유하는 동반자로 성장해가는 것이 이 시스템이 목표하는 궁극적인 상태다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 안쓰면 손해! 클로드코드가 내 노하우를 나무위키처럼 정리해줍니다 |
| 채널 | 시민개발자 구씨 |
| 리포트 작성 | 2026-04-11 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.