Claude Code·Obsidian·LLM 위키로 구축하는 AI 세컨드 브레인

출처: https://m.youtube.com/watch?v=cNlvrU-KcRg&pp=ygUW7IS47Luo67iM66CI7J24IOqwnOuFkA%3D%3D&ra=m · 브레인 트리니티 (Brain Trinity) · 52:32 · 2026-04-12

요지

AI 세컨드 브레인의 품질은 자료의 양보다 “왜 수집했는가”를 설명할 수 있는 목적성 있는 수집에서 출발한다.
Obsidian은 사람이 지식을 입력·조회하는 Markdown 프런트엔드이고, Claude Code는 원료를 분해·연결·갱신하는 에이전트 실행 계층으로 사용할 수 있다.
LLM 위키는 새 원료를 기존 지식과 연결하고 목차·색인·개념 문서를 지속적으로 갱신해 지식이 복리처럼 축적되게 하는 패턴이다.
개인의 목표, 기록 이유, 원하는 산출물을 먼저 인터뷰하고 이를 CLAUDE.md와 폴더별 규칙에 반영해야 자동 정리의 기준이 흔들리지 않는다.
웹 클리퍼와 /ingest, /query, /lint 같은 스킬을 결합하면 수집, 위키 반영, 검색, 유지보수를 반복 가능한 워크플로로 만들 수 있다.
문서가 많아지면 Graphify로 지식 그래프를 생성해 관계 기반 탐색을 보강하되, 그래프 역시 목적과 원문을 대신하지 않는 보조 색인으로 다뤄야 한다.

개요

이 영상은 Claude Code, Obsidian, LLM 위키 패턴, Graphify를 결합해 개인 지식 관리 시스템을 처음부터 구성하는 과정을 시연한다. 핵심 목표는 AI와의 대화를 일회성으로 끝내지 않고, 사용자가 가치 있다고 판단한 자료와 관점을 재사용 가능한 Markdown 지식으로 누적하는 것이다.

시스템의 중심에는 도구보다 사용자의 목적이 있다. 사용자가 누구이며 왜 기록하고 어떤 결과물을 만들려는지를 명시한 뒤, 그 기준에 맞춰 원료를 수집하고 위키에 병합한다. 자료가 늘어나면 스킬로 반복 작업을 자동화하고 Graphify로 관계 정보를 추출해 검색 범위를 좁힌다. 영상은 이 과정을 “골드 인, 골드 아웃”으로 설명한다. 의미 있는 원료와 관점이 들어가야 가치 있는 결과가 나온다는 뜻이다.

배경 / 사전 지식

Claude Code: 로컬 폴더의 파일을 읽고 수정하며 명령을 실행할 수 있는 에이전트형 개발 도구다. 이 워크플로에서는 코딩뿐 아니라 Markdown 지식 베이스의 편집기·컴파일러 역할도 맡는다.
Obsidian 볼트: 일반 Markdown 파일과 폴더로 구성된 로컬 지식 저장소다. 사람은 Obsidian으로 내용을 읽고 편집하고, 에이전트는 같은 파일을 직접 처리할 수 있다.
CLAUDE.md: Claude Code가 프로젝트에서 따라야 할 목적, 맥락, 작업 규칙, 분류 스키마 등을 적는 지침 파일이다. 폴더별로 추가하면 해당 영역에 더 구체적인 규칙을 적용할 수 있다.
LLM 위키: 수집한 원료를 LLM 에이전트가 분해하고 기존 개념과 연결해 지속적으로 갱신되는 위키로 만드는 패턴이다. 영상은 Andrej Karpathy가 제안한 큰 아이디어를 각자 목적에 맞게 구현하는 방식으로 소개한다.
인제스트: 새 원료를 읽고 개념·개체·관계를 추출한 뒤 기존 위키에 병합하는 처리 단계다. 단순한 파일 이동이나 요약과 달리 사용자의 목적과 기존 지식 사이의 연결까지 다룬다.
RAG: 질문과 관련된 문서를 검색해 LLM의 답변 생성을 보강하는 방식이다. 일반적인 구현에는 임베딩 모델과 벡터 데이터베이스가 쓰인다. 영상은 LLM 위키가 Markdown과 명시적 목차·색인을 이용해 더 단순한 로컬 구성을 만들 수 있다고 비교한다.
지식 그래프: 개념과 개체를 노드로, 관계를 간선으로 표현한 구조다. 문서의 양이 많을 때 연결 경로를 이용해 관련 영역을 탐색할 수 있다.

핵심 개념

목적성 있는 수집과 골드 데이터

인터넷 자료를 저장했다는 사실만으로 개인 지식이 되지는 않는다. 어떤 목표와 관련되어 있고 왜 가치가 있으며 어디에 활용할지를 설명할 수 있어야 한다. 영상은 이런 자료와 사용자의 코멘트를 “골드 데이터”라고 부른다. 목적 없이 모은 자료는 검색 공간만 키우고 결과물의 품질을 낮출 수 있다.

인제스트 전에 “왜 이 자료를 수집했는가?”, “내 기존 관심사와 어떻게 연결되는가?”, “어떤 결과물에 쓰려는가?”를 확인하면 에이전트가 사용자의 관점에 맞게 자료를 배치할 수 있다.

핵심 맥락과 개인 스키마

지식 체계의 기준은 도구가 임의로 정하게 두지 않는다. 먼저 다음 세 질문에 답한다.

나는 누구이며 어떤 역할·가치·강점을 지니는가?
왜 기록하고 무엇을 축적하려는가?
누구를 위해 어떤 산출물을 만들려는가?

초기 답변을 Claude Code와의 인터뷰로 구체화하고, 그 결과를 핵심 맥락 문서와 CLAUDE.md에 반영한다. 이 정보는 자료의 관련성을 판정하고 폴더·개념·링크를 선택하는 개인 스키마가 된다.

Obsidian과 Claude Code의 역할 분리

Obsidian은 사람이 Markdown 지식을 입력하고 조회하는 프런트엔드다. Claude Code는 파일을 읽어 규칙에 따라 분해·병합·연결하고 산출물을 만드는 처리 계층이다. 같은 로컬 파일을 공유하므로 별도의 데이터베이스로 내용을 복제하지 않고도 사람과 AI가 동일한 원장을 다룰 수 있다.

LLM 위키의 누적 루프

새 자료는 raw 영역에 들어오고, 에이전트는 이를 기존 지식과 비교한다. 개념과 개체를 추출하고 연관 문서에 링크한 뒤 위키, 목차, 목록, 색인, 변경 로그를 갱신한다. 새 원료가 들어올 때마다 이 루프가 반복되므로 기존 지식과의 연결이 늘어나며 재사용 가치가 커진다.

이 방식은 벡터 데이터베이스를 필수로 요구하지 않는다는 점에서 전형적인 RAG보다 시작하기 쉽다. 다만 영상에서 제시한 검색 신뢰도 비교는 개념적 설명이므로, LLM 위키가 항상 완전한 검색을 보장한다고 해석해서는 안 된다.

반복 작업의 스킬화

여러 차례 수동으로 실행해 안정된 절차는 Claude Code 스킬로 만든다.

/ingest: 새 원료를 찾고 수집 목적을 확인한 뒤 위키·색인·링크를 갱신한다.
/query: 질문과 관련된 위키 문서를 찾아 근거 기반 답변을 합성한다.
/lint: 끊어진 링크, 중복 개념, 오래된 색인, 규칙 위반 등 위키의 일관성 문제를 검사·정리한다.

영상은 실제 대화를 두세 차례 수행한 뒤 그 패턴으로 스킬을 만들 것을 권한다. 먼저 기대 동작을 관찰해야 자동화 규칙도 구체적으로 만들 수 있기 때문이다.

Graphify를 이용한 관계 기반 탐색

위키가 커지면 키워드와 문서 목록만으로 관련 자료를 찾는 비용이 증가한다. Graphify는 Markdown 문서에서 개체와 관계를 추출해 그래프와 사람이 읽을 수 있는 보고서·시각화를 만든다. Claude Code가 이 그래프를 질의하면 관련 노드와 연결 경로를 먼저 찾은 뒤 필요한 문서를 살펴볼 수 있다.

그래프는 위키 원문을 대체하지 않는다. 위키가 상세한 근거와 맥락의 원장이라면 그래프는 연결 구조를 보여 주는 탐색용 지도다. 자료를 인제스트한 뒤 그래프도 갱신해야 두 계층이 어긋나지 않는다.

작동 원리

새 Obsidian 볼트 생성: AI 세컨드 브레인 전용 로컬 폴더를 만들고 Claude Code에서 같은 폴더를 연다.
핵심 맥락 작성: 자신의 역할, 기록 목적, 원하는 산출물을 자유롭게 적는다. 음성 입력을 사용해도 되지만 최종 문장은 검토한다.
AI 인터뷰 수행: Claude Code가 초기 기록을 읽고 역할·가치·대상 독자·현재 문제·장기 비전을 질문하게 한다. 답변으로 핵심 맥락 문서를 보강한다.
CLAUDE.md 생성: 핵심 맥락을 바탕으로 목적, 작업 규칙, 분류 기준, 링크 정책, 산출물 형식, 금지 사항을 정의한다.
LLM 위키 구조 설계: 예를 들어 raw/, wiki/, outputs/를 만들고, wiki/ 아래에는 개념 문서, 색인, 변경 로그, 종합 보고서를 둔다. 각 폴더의 CLAUDE.md에 해당 영역의 처리 규칙을 기록한다.
웹 클리퍼 템플릿 구성: Obsidian Web Clipper의 기본 JSON 템플릿을 내보내 에이전트에게 보여 주고, 아티클·유튜브·팟캐스트·책·연구 자료용 템플릿을 생성한다. 모든 템플릿이 raw/에 저장되고 원본 URL과 자료 유형을 보존하게 한다.
원료 수집과 관점 입력: 클리퍼나 직접 복사로 원료를 저장한다. 각 자료에 수집 이유, 관련 프로젝트, 기대 활용처를 남긴다.
인제스트 실행: 에이전트가 새 파일을 읽고 개념·개체·관계를 추출한다. 기존 위키와 비교해 새 문서를 만들거나 내용을 병합하고 색인과 링크를 갱신한다.
반복 절차를 스킬화: 두세 번의 인제스트를 통해 질문 방식과 병합 결과를 확인한 후 /ingest, /query, /lint로 자동화한다.
질의와 종합: /query로 위키에 질문하고, 여러 문서를 연결한 결과 중 재사용 가치가 있는 것은 종합 문서로 저장한다. 생성된 종합문은 최종 지식이 아니라 새 사고와 산출물의 초안으로 검토한다.
그래프 생성: Graphify로 wiki/를 분석해 그래프 데이터, Markdown 보고서, HTML 시각화를 만든다.
그래프 기반 질의와 증분 갱신: 연결 관계가 중요한 질문은 Graphify 질의를 사용한다. 위키가 변경되면 전체 또는 변경분 그래프를 갱신하고 결과를 검증한다.

코드 예시

아래는 영상에서 시연한 핵심 명령 흐름을 단순화한 셸 예시다. Graphify는 영상 이후 인터페이스가 바뀔 수 있으므로 설치 전에 현재 프로젝트 문서의 패키지명과 명령 구문을 확인해야 한다.

# 프로젝트 전용 Python 환경 준비
python -m venv .venv
source .venv/bin/activate

# 영상에서 소개한 방식으로 Graphify 설치
python -m pip install graphify

# wiki 폴더의 Markdown을 지식 그래프로 변환
# 영상에서는 "graphify wiki" 형태로 시연한다.
graphify wiki

# 위키 변경 후 그래프의 변경분 반영
# 실제 버전에서 update 인자를 지원하는지 도움말로 먼저 확인한다.
graphify --help
graphify wiki update

첫 두 명령은 Graphify를 프로젝트별 격리 환경에 설치한다. graphify wiki는 wiki/의 문서를 읽어 그래프 데이터와 보고서·시각화 산출물을 만드는 흐름을 나타낸다. 이후 Claude Code에는 그래프 질의 결과와 연결된 위키 원문을 함께 읽도록 지시해야 한다. 마지막 갱신 명령은 영상의 설명을 옮긴 것이므로 현재 설치된 버전의 도움말과 공식 문서를 우선한다.

다음과 같은 프롬프트로 최초 규칙을 만들 수 있다.

우리는 이 Obsidian 볼트에 AI 세컨드 브레인을 만든다.
"나의 핵심 맥락.md"를 읽고 나를 더 깊이 이해하기 위한 질문을 한 번에 하나씩 해 줘.
인터뷰가 끝나면 목적, 수집 기준, 폴더별 작업 규칙, 링크·병합 원칙,
원료를 위키에 반영하는 절차를 포함한 CLAUDE.md 초안을 작성해 줘.
기존 파일을 수정하기 전에는 변경 계획을 먼저 보여 줘.

이 프롬프트의 핵심은 곧바로 폴더를 자동 생성하게 하는 것이 아니라 사용자의 목적을 먼저 명확히 하고, 변경 계획을 검토한 다음 규칙을 파일로 고정하는 데 있다.

함정·실수

목적 없이 자료부터 모으는 것: 파일 수는 늘지만 어떤 질문과 결과물에 쓸지 알 수 없다. 각 원료에 수집 이유와 기대 활용처를 한두 문장으로 기록한다.
CLAUDE.md를 한 번 만들고 방치하는 것: 실제 사용 중 발견한 분류 기준과 예외가 반영되지 않는다. 실패 사례가 생길 때마다 규칙을 작게 수정하고 변경 이유를 남긴다.
기본 웹 클리퍼 형식을 그대로 쓰는 것: 저장 위치와 속성이 위키 스키마와 맞지 않아 자동 인제스트가 파일을 놓칠 수 있다. 자료 유형별 템플릿과 공통 필수 필드를 정한다.
필수 상태 필드에 과도하게 의존하는 것: 영상의 데모처럼 에이전트가 특정 status 값만 찾으면 외부에서 복사한 파일을 누락할 수 있다. 인박스 탐색 규칙과 누락 감사를 함께 둔다.
AI가 만든 개념 문서를 곧 자신의 지식으로 간주하는 것: 분해·요약된 문서는 재사용 가능한 재료일 뿐 사용자가 이해하고 검증한 결론은 아니다. 중요한 종합문은 직접 검토하고 자신의 표현을 덧붙인다.
새 자료마다 중복 개념 파일을 만드는 것: 이름이 비슷한 개념과 별칭이 분리되어 위키가 파편화된다. 생성 전에 기존 색인과 제목·별칭을 검색하고 가능한 경우 병합한다.
자동 인제스트가 지나치게 많은 파일을 한 번에 수정하는 것: 토큰 소비가 커지고 잘못된 규칙이 전체 위키에 퍼질 수 있다. 작은 배치로 시험하고 변경 내역을 검토한 후 범위를 늘린다.
LLM 위키를 검색 정확도 100%의 RAG 대체재로 보는 것: 문서가 많거나 색인이 낡으면 누락과 환각이 생길 수 있다. 대표 질문으로 회수율을 점검하고 원출처 링크를 유지한다.
그래프 시각화 자체를 성과로 보는 것: 보기 좋은 그래프가 실제 검색과 산출물 품질을 보장하지 않는다. 그래프 질의가 어떤 문서를 선택했고 답변을 얼마나 개선했는지 평가한다.
위키만 갱신하고 그래프를 갱신하지 않는 것: 오래된 노드와 관계가 검색을 왜곡한다. 인제스트 완료 후 그래프 증분 갱신과 링크 검사를 자동 실행한다.
원본과 생성물을 구분하지 않는 것: AI가 만든 요약이 다시 원본처럼 사용되면 오류가 증폭된다. 원료, 위키 개념, 종합문, 산출물을 폴더와 메타데이터로 구분한다.

베스트 프랙티스

처음에는 작은 볼트와 소수의 원료로 시작해 분류·링크·병합 결과를 직접 확인한 다음 자동화 범위를 넓힌다.
핵심 맥락에는 현재 역할뿐 아니라 대상 독자, 원하는 변화, 주력 산출물, 피하고 싶은 결과까지 기록한다.
모든 원료에 원본 URL, 제목, 자료 유형, 수집일, 수집 이유를 보존해 결과를 역추적할 수 있게 한다.
raw/는 원본 보존 영역, wiki/는 통합 지식, outputs/는 콘텐츠 결과물처럼 각 계층의 책임을 명확히 나눈다.
인제스트는 동일한 파일을 다시 처리해도 중복 문서나 링크가 생기지 않는 멱등 작업으로 설계한다.
에이전트가 새 주장으로 기존 내용을 덮어쓰지 않게 하고, 충돌하는 관점은 출처와 함께 병렬로 보존한다.
/ingest는 수집 목적 확인, 중복 검색, 위키 병합, 색인 갱신, 처리 결과 보고를 하나의 체크리스트로 수행하게 한다.
/query의 답변에는 참조한 위키 문서와 원출처를 표시하고, 근거가 부족하면 추론임을 명시하게 한다.
/lint로 끊어진 링크, 고립 문서, 중복 별칭, 오래된 색인, 처리되지 않은 원료를 정기적으로 검사한다.
자동 변경 전에는 Git이나 별도 백업으로 복구 지점을 만들고, API 키와 사적 원료가 원격 저장소에 포함되지 않게 한다.
Graphify는 문서 규모와 관계 탐색의 필요성이 커졌을 때 추가한다. 작은 볼트라면 Obsidian 링크와 전문 검색만으로도 충분할 수 있다.
도구의 출력보다 실제 산출물 개선을 평가한다. 대표 질문과 콘텐츠 작업을 정해 검색 근거성, 누락률, 수정 시간, 토큰 사용량을 비교한다.

참고

영상에서 언급한 인물·아이디어: Andrej Karpathy, LLM 위키, 바이브 코딩, 컨텍스트 엔지니어링
영상에서 사용한 주요 도구: Claude Code, Obsidian, Obsidian Web Clipper, Graphify, Python
영상에서 제시한 주요 파일·영역: CLAUDE.md, 핵심 맥락 문서, raw/, wiki/, outputs/, 색인, 로그, 종합 문서
영상에서 제안한 자동화: /ingest, /query, /lint 스킬과 Graphify의 그래프 생성·질의·갱신 흐름
영상은 Obsidian과 Claude Code가 이미 설치되어 있다는 전제로 진행하며, 정확한 Graphify 저장소 URL과 버전별 명령 사양은 자막에 명시하지 않는다.