10만 명이 [@karpathy](https://x.com/@karpathy) 의 [게시물](https://x.com/karpathy/status/2039805659525644595)을 북마크했습니다:
그런 다음 그는 전체 GitHub Gist를 공개했습니다. 5,000개 이상의 별표. 1,400개 이상의 포크. 이틀 만에.
대부분의 사람들도 그걸 북마크할 것입니다. 그런 다음 아무것도 하지 않죠.
어렵기 때문이 아닙니다. 아무도 그들에게 정확한 프롬프트를 알려주지 않았기 때문입니다.
제가 그걸 해결해 드리겠습니다.
전체 시스템을 안내해 드리고, 각 단계별로 복사해서 붙여넣을 수 있는 프롬프트를 제공하며, 이 시스템이 어디에서 한계에 부딪히는지 알려드려서 주말을 낭비하지 않도록 해드리겠습니다.
"인간의 역할은 소스를 큐레이팅하고, 분석 방향을 지정하며, 좋은 질문을 하고, 그것이 의미하는 바를 생각하는 것입니다. LLM의 역할은 그 외의 모든 것입니다." — Andrej Karpathy
컨셉 (60초 요약)
당신의 지식은 도처에 흩어져 있습니다. 4개의 앱에 저장된 기사들. 다시는 보지 않을 2023년의 북마크들. 존재조차 잊어버린 폴더에 있는 회의 노트들.
현재, AI에게 당신의 자료에 대해 질문하면 매번 처음부터 시작합니다. 문서를 업로드하고, 질문하고, 답변을 받습니다. 다음 세션? 모든 것을 잊어버립니다. 이것이 ChatGPT 파일 업로드, NotebookLM 및 대부분의 RAG 시스템이 작동하는 방식입니다. 축적이 전혀 없습니다.
Karpathy의 아이디어는 이것을 뒤집습니다.
AI가 매번 당신의 원본 파일을 검색하는 대신, AI가 소스를 한 번 읽고 구조화된 위키를 작성합니다. 요약, 상호 참조, 아이디어 간의 연결, 모순 사항 등이 포함됩니다.
모든 것이 AI에 의해 유지됩니다. 모두 간단한 마크다운 파일로 말이죠.
다음에 질문할 때, AI는 원본 문서를 뒤지지 않습니다. 이미 구축된 위키를 읽습니다.
연결은 이미 존재합니다.
종합은 이미 당신이 읽은 모든 것을 반영합니다.
새로운 소스를 추가할 때마다 위키는 더 풍부해집니다. 질문할 때마다 다시 위키에归档될 수 있습니다. 지식은 재설정되지 않고 축적됩니다.
그의 결과: 단일 연구 주제에 대해 약 100개의 기사, 약 40만 단어. 그는 한 글자도 쓰지 않았습니다. AI가 모든 것을 쓰고, 연결하고, 분류하고, 유지했습니다.
데이터베이스 없음. 임베딩 없음. 벡터 스토어 없음. 그저 폴더와 텍스트 파일뿐입니다.
왜 신경 써야 할까요?
지금 당장 중요한 세 가지 사용 사례:
크리에이터나 마케터라면, 이것은 콘텐츠 리서치 엔진입니다. 경쟁사 분석, 트렌드 기사, audience 인사이트를 raw/ 폴더에 넣으세요. 위키는 수동으로는 절대 찾을 수 없었던 패턴과 관점을 발견해 줍니다.
창업자나 컨설턴트라면, 이것은 클라이언트 작업, 시장 조사 또는 경쟁 분석을 위한 당신의 두 번째 뇌입니다. 생성하는 모든 보고서가 시스템에 다시 공급됩니다. 3개월이 지나면, 당신의 AI는 대부분의 신입 직원보다 당신의 도메인을 더 잘 알게 됩니다.
학생이나 연구자라면, 이것이 Karpathy가 실제로 구축한 목적입니다. 수십 개의 논문에 걸친 심층 연구, AI가 아이디어가 어떻게 연결되는지, 저자들이 어디에서 의견을 달리하는지, 어떤 격차가 남아 있는지 추적합니다.
*비즈니스 R&D 워크플로우에도 많이 사용될 수 있습니다.
구축하기 전에: 필요한 것
→ 로컬 파일을 읽을 수 있는 모든 AI 코딩 도구 (Claude Code, Cursor, Codex 또는 유사 도구)
→ 텍스트 편집기 (Obsidian 권장, VS Code, Notepad 등 무엇이든 가능)
→ 관심 있는 주제에 대한 10개 이상의 소스 문서
→ 초기 설정에 30분, 이후 소스당 10분
이게 전부입니다. 특별한 소프트웨어가 필요하지 않습니다. 생성할 계정이 없습니다. 설치할 플러그인이 없습니다.
이 글의 나머지 부분은 구축 과정입니다. 7단계. 각 단계마다 AI에 붙여넣을 정확한 프롬프트가 있습니다. 순서대로 따르세요.
1단계: 폴더 구조 생성 (2분)
머신 어디에든 이것을 만드세요:
1my-knowledge-base/2├── raw/ # 원본 자료. AI가 읽지만 절대 수정하지 않습니다.3│ └── assets/ # 이미지, 스크린샷, 다이어그램4├── wiki/ # AI가 유지 관리하는 wiki. 당신이 읽습니다. AI가 씁니다.5├── outputs/ # 쿼리로 생성된 보고서, 분석, 답변6└── CLAUDE.md # 이 모든 것을 작동하게 하는 스키마 파일
세 개의 폴더, 하나의 파일. 여기에 2분 이상을 소비한다면, 지나치게 생각하고 있는 것입니다.
2단계: 스키마 파일 작성 (모두가 건너뛰는 단계. 건너뛰지 마세요.)
스키마는 일반 챗봇과 훈련된 위키 관리자의 차이를 만듭니다.
AI에게 지식 베이스가 무엇에 관한 것인지, 어떻게 구성할지, 그리고 소스를 추가하거나 질문하거나 유지 관리를 실행할 때 무엇을 해야 하는지 알려줍니다.
다른 모든 가이드는 10줄짜리 템플릿을 제공합니다. 여기 Karpathy의 gist를 기반으로 하고 실제 사용을 위해 설계된 전체 프로덕션 스키마가 있습니다:
1# Knowledge Base Schema23## Identity4This is a personal knowledge base about [YOUR TOPIC].5Maintained by an LLM agent. The human curates sources and asks questions. The LLM does everything else.67## Architecture8- raw/ contains immutable source documents. NEVER modify files in raw/.9- wiki/ contains the compiled wiki. The LLM owns this directory entirely.10- outputs/ contains generated reports, analyses, and query answers.1112## Wiki Conventions13- Every topic gets its own .md file in wiki/14- Every wiki file starts with YAML frontmatter:15 ---16 title: [Topic Name]17 created: [Date]18 last_updated: [Date]19 source_count: [Number of raw sources that informed this page]20 status: [draft | reviewed | needs_update]21 ---22- After frontmatter, a one-paragraph summary23- Use [[topic-name]] for internal links between wiki pages24- Every factual claim cites its source: [Source: filename.md]25- When new info contradicts existing content, flag explicitly:26 > CONTRADICTION: [old claim] vs [new claim] from [source]2728## Index and Log29- wiki/index.md lists every page with a one-line description, by category30- wiki/log.md is append-only chronological record31- Log entry format: ## [YYYY-MM-DD] action | Description32 (Actions: ingest, query, lint, update)3334## Ingest Workflow35When processing a new source:361. Read the full source document372. Discuss key takeaways with user383. Create or update a summary page in wiki/394. Update wiki/index.md405. Update ALL relevant entity and concept pages across the wiki416. Add backlinks from existing pages to new content427. Flag any contradictions with existing wiki content438. Append entry to wiki/log.md449. A single source should touch 10-15 wiki pages4546## Query Workflow47When answering a question:481. Read wiki/index.md first to find relevant pages492. Read all relevant wiki pages503. Synthesize answer with [Source: page-name] citations514. If answer reveals new insights, offer to file it back into wiki/525. Save valuable answers to outputs/5354## Lint Workflow (Monthly)55Check for:56- Contradictions between pages57- Stale claims superseded by newer sources58- Orphan pages with no inbound links59- Concepts mentioned but never explained60- Missing cross-references61- Claims without source attribution62Output: wiki/lint-report-[date].md with severity levels6364## Focus Areas65[List 3-5 topics this knowledge base covers]
이것을 복사하세요. 집중 영역을 사용자 정의하세요. 프로젝트 루트에 CLAUDE.md로 저장하세요.
3단계: Raw 폴더 채우기 (덤프 10분, 정리 0분)
raw/ 폴더를 열고 모든 것을 넣으세요:
→ 기사를 .md 또는 .txt 파일로 복사하여 붙여넣기
→ 현재 사용 중인 앱에서 노트 내보내기
→ 스크린샷과 다이어그램을 raw/assets/에 저장
→ 연구 논문, PDF, 경쟁사 분석 자료 붙여넣기
→ 몇 달 동안 모아온 북마크 덤프하기
정리하지 마세요. 이름을 바꾸지 마세요. 깨끗하게 만들지 마세요. 그것은 AI의 일입니다.
Karpathy의 프로 팁: Obsidian Web Clipper 브라우저 확장 프로그램은 모든 웹 기사를 한 번의 클릭으로 마크다운으로 변환합니다.
단축키를 설정하여 (Settings → Hotkeys → "Download attachments") 모든 이미지를 로컬로 가져와 AI가 참조할 수 있게 하세요.
Obsidian을 사용하지 않는다면, 브라우저에서 복사하여 붙여넣기만 해도 됩니다.
목표는 양입니다. 완벽함이 아닙니다.
4단계: 첫 번째 수집 실행하기
AI 에이전트를 엽니다. 프로젝트 폴더를 가리킵니다. 이것을 붙여넣으세요:
수집 프롬프트:
1"Read the schema in CLAUDE.md. Then process [FILENAME] from raw/. Read it fully, discuss key takeaways with me, then: create a summary page in wiki/, update wiki/index.md, update all relevant concept and entity pages, add backlinks, flag any contradictions, and append to wiki/log.md."
한 번에 하나의 소스부터 시작하세요. Karpathy도 같은 방식으로 합니다. 요약을 읽으세요. 업데이트를 확인하세요. AI가 강조해야 할 내용을 안내하세요. 이렇게 하면 모든 것을 한 번에 일괄 처리하는 것보다 훨씬 더 나은 결과를 얻을 수 있습니다.
5-10개의 소스를 처리한 후에는 wiki/ 폴더에 인덱스, 로그 및 15-30개의 상호 연결된 페이지가 생깁니다.
바로 그때부터 효과가 나타나기 시작합니다.
5단계: 지식 베이스 쿼리 시작하기
10개 이상의 위키 페이지가 있으면 시스템이 진정으로 유용해집니다. 이것을 붙여넣으세요:
쿼리 프롬프트:
1"Read wiki/index.md. Based on what's in the knowledge base, answer: [YOUR QUESTION]. Cite which wiki pages informed your answer. If this reveals new connections worth preserving, create a new page in wiki/ and update the index."
가장 큰 가치를 추출하는 질문들:
→ "이 지식 베이스의 가장 큰 세 가지 격차는 무엇인가요?"
→ "어떤 소스들이 서로 의견이 일치하지 않으며, 어떤 점에서 그렇습니까?"
→ "여기에 있는 내용을 바탕으로 다음에 무엇을 연구해야 할까요?"
→ "위키 콘텐츠만 사용하여 [주제]에 대한 500단어 브리핑을 작성해 주세요."
→ "[개념 A]와 [개념 B] 사이에는 어떤 연결이 존재하나요?"
중요한 루프: 좋은 답변은 위키에 다시 기록되어야 합니다.
비교, 분석, 당신이 발견한 연결점 등이요.
이것들은 수집된 소스처럼 지식 베이스에 축적됩니다.
모든 질문이 다음 답변을 더 좋게 만듭니다.
6단계: 월간 상태 점검 실행하기
아무도 하지 않는 단계입니다. 전체 시스템이 서서히 썩어가는 것을 방지하는 단계입니다. 이것을 붙여넣으세요:
린트 프롬프트:
1"Run a full health check on wiki/ per the lint workflow in CLAUDE.md. Output to wiki/lint-report-[date].md with severity levels (🔴 errors, 🟡 warnings, 🔵 info). Suggest 3 articles to fill the biggest knowledge gaps."
이것이 중요한 이유: AI가 약간 잘못된 내용을 쓰고 당신이 그것을 다시 저장하면, 다음 답변은 그 잘못된 내용을 기반으로 구축됩니다.
두 달 후에는 같은 오류를 강화하는 다섯 개의 페이지가 생깁니다. 상태 점검은 이것이 눈덩이처럼 불어나기 전에 잡아냅니다.
한 달에 한 번 점검. 10분의 시간. 시스템을 신뢰할 수 있게 유지하려면 반드시 필요합니다.
7단계: 축적되게 두기
이것이 바로 시스템이 그 가치를 증명하는 단계입니다.
일관되게 사용한 지 4-6주 후에는, 당신은 단지 노트를 검색하는 것이 아닙니다.
여러분은 소스 간의 연결을 여러분보다 더 잘 이해하는 구조화된 지식 시스템을 쿼리하고 있습니다.
축적을 가속화하는 세 가지 방법:
탐색 결과를 다시 기록하기: AI가 생성한 비교나 분석이 가치 있다고 생각되면, wiki/ 또는 outputs/에 저장하세요.
Karpathy는 자신의 탐색과 쿼리가 지식 베이스에 "항상 합산된다"고 말합니다.
시각적 출력 추가하기: AI가 답변을 마크다운 표, 차트 또는 슬라이드 데크 (Marp 형식)로 렌더링하도록 하세요.
이것들은 일회성 채팅 메시지가 아닌 재사용 가능한 자산이 됩니다.
모든 것을 버전 관리하기: 당신의 위키는 단지 마크다운 파일일 뿐입니다.
git 저장소를 초기화하세요. 전체 기록, 브랜칭, 그리고 AI가 망친 모든 것을 되돌릴 수 있는 기능을 얻을 수 있습니다.
자, 이것이 구축 과정입니다. 이제 아무도 말해주지 않을 부분입니다.
이 시스템이 한계에 부딪히는 지점 (솔직한 버전)
이것은 완성된 제품이 아닌 초기 단계의 패턴입니다. Karpathy 자신도 이것을 "해키한 스크립트 모음"이라고 부르며, 진정한 제품을 위한 여지가 있다고 말했습니다.
지식을 맡기기 전에 알아야 할 사항은 다음과 같습니다:
컨텍스트 윈도우 한계.
Karpathy의 위키는 약 100개의 기사와 약 40만 단어에서 작동합니다. 하지만 128K 토큰 컨텍스트 윈도우라도 약 96,000 단어만 담을 수 있습니다. AI는 인덱스를 통해 선택적으로 읽기 때문에, 일부를 놓칠 수 있습니다. 연구에 따르면 LLM은 긴 입력의 중간에 있는 정보가 우선순위에서 밀리는 "중간에서 길을 잃음" 효과로 고통받습니다. 쿼리 결과에는 사각지대가 있을 것입니다. 이것을 받아들이세요.
오류 누적.
AI가 미묘한 실수가 있는 위키 페이지를 작성합니다. 당신이 그것에 대해 쿼리합니다. 실수가 답변에 포함됩니다. 당신이 그 답변을 다시 기록합니다. 이제 두 페이지가 같은 오류를 강화합니다. 월간 린트가 도움이 되지만, 린트를 수행하는 AI는 오류를 만든 AI와 동일한 사각지대를 가지고 있습니다. 이것이 가장 큰 위험입니다. Karpathy의 gist에 대한 한 댓글 작성자가 정확히 지적했습니다: "출력물이 다시 기록될 때, 오류도 함께 누적됩니다."
환각은 사라지지 않습니다.
위키 접근 방식은 AI가 답변을 소스에 근거하기 때문에 환각을 줄입니다. 하지만 완전히 없애지는 않습니다. AI는 여전히 소스 자료에 존재하지 않는 연결을 종합할 수 있습니다. 그리고 위키가 권위적으로 보이기 때문에 (깔끔한 마크다운, 상호 참조, 인용), 잘못된 정보를 더 신뢰할 가능성이 높습니다. 그러지 마세요.
비용이 0은 아닙니다.
모든 수집, 모든 쿼리, 모든 린트 검사는 토큰을 소비합니다. 10-15페이지에 영향을 미치는 단일 소스는 프론티어 모델을 사용한 API 호출에 2-5달러가 들 수 있습니다. 50개의 소스는 수집만으로 100-250달러입니다. 연구 보조원보다는 저렴합니다. 공짜는 아닙니다.
엔터프라이즈 규모로 확장되지 않습니다.
Karpathy는 인덱스 파일 접근 방식이 약 100개의 기사에서는 RAG 없이도 작동한다고 말합니다. 10,000개 이상의 소스에서는 이 패턴이 깨집니다. 인덱스가 너무 커집니다. 수천 페이지에 걸친 일관성은 불가능해집니다. 이 시스템이 피하도록 설계된 인프라가 필요할 것입니다. 한계를 인지하세요.
단일 모델의 사각지대.
당신의 전체 위키는 하나의 모델이 소스를 해석한 결과입니다. 그 모델은 편향과 경향성을 가지고 있습니다. 중요한 결정을 위해서는, 한 gist 댓글 작성자가 4개 이상의 모델을 통해 독립적으로 쿼리를 실행한 다음 일치 여부를 비교할 것을 제안했습니다. 더 강력합니다. 하지만 비용은 4배입니다.
어떻게 대처해야 할까요
→ 오류 누적: 월간 린트 검사. 중요한 주장은 수동으로 이중 확인. 중요한 결정을 내릴 때 위키를 맹목적으로 신뢰하지 마세요.
→ 컨텍스트 한계: 각 위키를 하나의 도메인에 집중시키세요. 여러 도메인? 여러 개의 지식 베이스를 사용하세요.
→ 비용: 수집 및 복잡한 쿼리에는 프론티어 모델을 사용하세요. 간단한 업데이트에는 저렴한 모델을 사용하세요.
→ 환각: 위 스키마는 모든 주장에 소스 인용을 요구합니다. 페이지가 [Source: filename] 없이 주장을 하면, 린트가 이를 플래그합니다.
→ 규모: 이것이 개인 도구이지 엔터프라이즈 인프라가 아님을 인지하세요. 규모를 초과한다면, 그것은 좋은 문제입니다.
그래도 여전히 중요한 이유
위의 모든 사항에도 불구하고, 이것은 현재 사용 가능한 가장 실용적인 개인 지식 시스템입니다.
그 이유는 매우 간단합니다: 인간은 유지 관리가 가치보다 빠르게 증가하기 때문에 위키를 포기합니다.
정리를 시작하면, 2주 동안은 기분이 좋지만, 그 다음에는 유지 관리가 동기를 죽이고 다시는 건드리지 않게 됩니다.
LLM은 지루해하지 않습니다. 그들은 상호 참조를 업데이트하는 것을 잊지 않습니다. 그들은 불평하지 않고 한 번에 15개의 파일을 처리할 수 있습니다.
Lex Fridman은 자신도 비슷한 설정을 사용한다고 확인했습니다.
그는 대화형 HTML 시각화를 생성하고 7-10마일 달리기 동안 음성 모드로 로드하는 "미니 지식 베이스"를 만듭니다.
DAIR.AI의 Elvis Saravia는 AI 연구 큐레이션을 위해 LLM 지식 베이스를 구축해 왔습니다.
Karpathy의 gist가 나온 지 48시간 이내에 여러 오픈 소스 구현체가 GitHub에 올라왔습니다.
이것은 더 이상 실험이 아닙니다.
진지한 연구를 하는 모든 사람에게 표준 관행이 되어 가고 있습니다.
완전한 프롬프트 라이브러리 (모두 복사하세요)
이 글의 모든 프롬프트를 한 곳에 모았습니다:
스키마: 2단계의 전체 CLAUDE.md 템플릿을 복사하세요.
수집 (단일 소스):
1"Read the schema in CLAUDE.md. Process [FILENAME] from raw/. Read it fully, discuss key takeaways with me, then: create summary page, update index, update all relevant pages, add backlinks, flag contradictions, log the ingest."
수집 (일괄 처리, 감독 덜 함):
1"Read CLAUDE.md. Process all unprocessed files in raw/ sequentially. For each: create summary, update index, update relevant pages, log the ingest. Proceed automatically."
쿼리:
1"Read wiki/index.md. Answer: [QUESTION]. Cite wiki pages. If this answer is worth preserving, offer to file it as a new wiki page."
린트:
1"Run a full health check on wiki/ per the lint workflow in CLAUDE.md. Output to wiki/lint-report-[date].md with 🔴/🟡/🔵 severity. Suggest 3 articles to fill gaps."
탐색:
1"Read wiki/index.md and identify the 5 most interesting unexplored connections between existing topics. For each, explain what insight it might reveal and what source would help confirm it."
브리핑:
1"Based on everything in wiki/, write a 500-word executive briefing on [TOPIC]. Cite sources. Structure it as: current state, key tensions, open questions, recommended next steps."
이제 직접 구축해 보세요
Karpathy의 gist를 북마크하는 것과 그것으로부터 혜택을 얻는 것의 차이는 단 한 번의 오후입니다.
주제를 선택하세요. 폴더를 만드세요. 스키마를 복사하세요.
이미 가지고 있는 자료를 넣으세요. 첫 번째 수집을 실행하세요.
그런 다음 내일 다른 소스로 다시 하세요.
그리고 다음 주에는 다섯 개를 더 추가하세요.
위키는 매번 더 똑똑해집니다. 그것이 바로 핵심입니다.
세 개의 폴더. 하나의 스키마.
당신이 직접 하지 않을 힘든 일을 해주는 AI.
북마크 수집을 멈추세요. 지식을 컴파일하기 시작하세요.
Claude를 마케팅 및 비즈니스를 위한 20개 이상의 다양한 전문가로 전환하세요.
단순한 프롬프트가 아닌, 실제 전문 지식을 설치하세요.
제 Claude 스킬 번들을 받아보세요 👇
