https://news.hada.io/topic?id=28208
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
🧠 한줄 요약
RAG처럼 매번 검색해서 답하는 게 아니라, LLM이 직접 ‘지식을 누적하는 위키’를 계속 업데이트하는 방식
🔑 핵심 아이디어
기존 방식 (RAG)
- 문서들을 저장해두고
- 질문할 때마다 관련 부분을 찾아서 답변 생성
- ❌ 지식이 “누적되지 않음”
새로운 방식 (LLM Wiki)
- LLM이 지속적으로 위키를 직접 작성/관리
- 새 자료가 들어오면:
- 읽고 요약
- 기존 내용과 통합
- 충돌/모순 표시
- ✅ 지식이 계속 쌓이고 진화하는 구조
🧱 구조 (아키텍처 3층)
- 원본 데이터 (Source of truth)
- 논문, 기사, 메모 등 (수정 불가)
- 위키 (LLM이 작성)
- 요약, 개념, 엔티티 페이지
- 서로 링크된 구조
- 스키마 (운영 규칙)
- LLM에게 “어떻게 위키를 관리할지” 알려주는 설정 파일
👉 핵심:
LLM을 단순 답변기가 아니라 “지식 관리자”로 쓰는 것
⚙️ 동작 방식 (중요)
1. Ingest (입력)
- 새 자료 넣으면:
- LLM이 읽고
- 요약 작성
- 관련 페이지들 업데이트 (10~15개까지 영향)
2. Query (질문)
- 위키를 기반으로 답변 생성
- 답변 자체도 다시 위키에 저장 가능
👉 즉:
질문 자체가 지식을 더 쌓는 행동
3. Lint (정리)
- LLM이 주기적으로 점검:
- 모순
- 오래된 정보
- 연결 안 된 페이지
- 빠진 개념
💡 왜 중요한가
기존 문제:
- 위키는 유지 관리가 너무 힘들어서 다들 포기
이 방식:
- LLM이 대신 관리 → 비용 거의 0
👉 핵심 통찰:
“문제는 공부가 아니라 정리(bookkeeping)였다”
🧠 특징 (차별점)
1. 명시적 지식
- 위키 형태로 눈에 보임
- AI가 무엇을 아는지 확인 가능
2. 데이터 소유권
- 로컬 파일 기반 (마크다운)
- 특정 서비스에 종속되지 않음
3. 파일 중심 구조
- Obsidian, git, CLI 등과 연동 가능
4. AI 교체 가능
- Claude, GPT 등 자유롭게 연결
🧪 활용 사례
- 개인 지식 관리 (PKM)
- 연구 정리
- 독서 노트
- 팀 내부 위키
- 프로젝트 기록
👉 공통점:
시간에 따라 지식이 쌓이는 영역
🔥 핵심 비유
- Obsidian = IDE
- LLM = 프로그래머
- Wiki = 코드베이스
👉 즉:
지식을 “코드처럼 관리”하는 패러다임
🚨 중요한 포인트 (실무 감각)
이건 단순히:
- “노트 잘 정리하기”가 아니라
👉 “지식을 자동으로 재구성하는 시스템 설계”
🧩 한 줄 인사이트
👉 RAG = “검색 기반 기억”
👉 LLM Wiki = “축적 + 진화하는 기억”
