LLM-Wiki
대학원생을 위한 AI 지식 베이스
Claude · Codex · OpenCode로 만드는 개인 지식 체인
CONCEPT · 도구 소개
AI 에이전트란 무엇인가
"말하는" 챗봇을 넘어 "일하는" 동료로
챗봇이 "답을 말해주는" 도구라면, AI 에이전트는 "내 컴퓨터에서 직접 일을 해주는" 도구입니다.
✦ 생물학자를 위한 비유
단일 효소(LLM) → 효소 복합체·신호전달 캐스케이드(에이전트). 더 큰 작업을 한 번에 처리하고, 결과를 보고 스스로 다음 단계를 결정합니다.
1Claude Code
Anthropic · 오늘 시연
- 대화 + 파일 읽기/쓰기/실행
- 긴 컨텍스트 (1M 토큰)
- Mac · Windows 데스크탑 앱
- 국내 연구실 보급 빠르게 ↑
2Codex
OpenAI · ChatGPT 계정으로
- Claude Code의 대안·보완재
- ChatGPT Plus·Pro 구독자
- UI·사용 흐름은 거의 동일
- 둘 다 깔아두면 비교 편함
3OpenCode
오픈소스 · 무료·자유
- 커뮤니티가 만드는 에이전트
- Claude·GPT·Gemini·로컬 LLM
- 실험·학습·커스터마이징
- opencode.ai
셋 다 "폴더를 열고 자연어로 지시"하는 같은 사용 방식 — 한 번 익히면 셋 다 쓸 수 있음
02 / 29
TIMELINE · 3번의 변곡점
AI 발전의 3개 변곡점
2023 → 2025 → 2026
제가 보기에 지난 3년 동안 3번의 본질적 변화가 있었습니다 — 매번 1–2년 만에 게임의 룰이 바뀌고 있습니다.
2023
ChatGPT 등장
"AI와 대화한다"
→
2025
AI 에이전트 보급
"AI가 일을 한다"
→
2026
LLM-Wiki
"AI와 함께 지식을 쌓는다"
1대화의 시대
- 모르면 AI에게 물어본다
- 요약·번역·브레인스토밍
- 한계: 잊고, 모르고, 출처 없음
- 모든 대화가 일회성으로 휘발
2작업의 시대
- 코드를 직접 쓰고 실행
- 파일을 읽고 폴더를 정리
- 여러 단계를 자율적으로
- 도구를 든 동료가 됨
3축적의 시대
- 읽은 것이 사라지지 않음
- 질문이 자라며 구조가 됨
- 나만의 지식 자산이 됨
- 이게 오늘의 주제
대화 → 작업 → 축적으로. 매번 5년이 아닌 1–2년 만에 본질이 바뀌고 있습니다
03 / 29
CONCEPT · 동작 원리
에이전트는 루프로 일한다
LLM + 도구 + 자율적 반복
에이전트의 정체는 의외로 단순합니다 — LLM이 도구를 부르고, 결과를 보고, 다시 부르는 반복 루프.
Agent = LLM × Tools × Loop
언어 모델 × 외부 도구(파일·웹·코드) × 반복적 자기수정
루프4단계의 반복
- ① 계획(Plan) — 목표를 받고 단계 설계
- ② 실행(Act) — 도구 호출 (파일 쓰기·코드 실행)
- ③ 관찰(Observe) — 도구 결과를 읽음
- ④ 수정(Refine) — 부족하면 다시 ①
생물학 비유: 음성 피드백 루프가 있는 신호전달처럼, 에이전트는 결과를 보고 자기를 교정합니다
차이챗봇 vs 에이전트
- 챗봇: 1회 입력 → 1회 출력 (open loop)
- 에이전트: 1회 입력 → N회 자율 행동 → 결과 (closed loop)
- 중간에 사람이 끼어들 필요 ↓
- 대신 가드레일(규칙)이 더 중요
에이전트는 마법이 아닙니다. "LLM이 도구를 들고 반복하는 것" — 이것이 본질
04 / 29
THEORY · 지식 노동
"읽기"에서 "쌓기"로
대학원생의 일은 무엇인가, 다시 묻기
기억은 유한, 논문은 무한. 한 주에 30편을 읽는 학생이 1년 뒤 무엇을 기억할까요. 사람의 워킹 메모리는 7 ± 2 청크입니다.
전읽기의 시대 (~2024)
- 읽기 → 머릿속 정리 → 휘발
- 1주 뒤 70%, 1년 뒤 95% 망각
- 같은 논문을 두세 번 읽음
- "읽었지만 알지 못한다"
PubMed 연 170만 편 · bioRxiv 일평균 300편 · 한 주제만 봐도 주당 30+편
후쌓기의 시대 (2026~)
- 읽기 → 에이전트와 함께 정리 → 외부 메모리
- 마크다운 파일이 머리 대신 기억함
- 다음 질문은 정리된 결과에서 출발
- "읽음 = 자산"이 되는 첫 시대
생물학 비유: 장기기억(LTP)이 머리 안이 아니라 파일 시스템에 형성됨
대학원생의 일이 바뀝니다: "논문 읽기" → "읽으며 질문 가능한 지식을 만들기"
"읽었지만 알지 못한다"는 옛 한탄이 — 외부 메모리로 구조적으로 해결되는 시점
05 / 29
CONCEPT · 핵심 개념
개인 지식 체인 — Personal Knowledge Chain
시간에 따라 자라는 나만의 지식 그래프
개인 지식 체인이란 "내가 소유하고, 시간에 따라 자라며, 에이전트가 함께 편집하는 지식 구조"입니다.
①입력 (Input)
외부 자료의 흡수
- 논문 PDF
- 실험 노트·프로토콜
- 회의록·강의자료
- 아이디어 메모
②저장 (Store)
내 손에 있는 형식
- 마크다운 (.md) 파일
- 로컬 폴더 + Git 버전관리
- 벤더 종속 X · 5년 후에도 읽힘
- AI에게 통째로 줄 수 있음
③출력 (Output)
질문하고 합성하기
- 에이전트가 위키에서 답
- 여러 페이지 연결·합성
- 새 통찰을 글로 적음
- 다시 ②에 저장 → 루프
✦ 왜 "체인(Chain)"인가
오늘의 정리가 → 내일의 질문이 되고 → 모레의 새 페이지가 됩니다.
시간이 지날수록 연결이 늘어나는 자기 강화 구조.
생물학 비유: 유전자(논문) → 전사·번역(요약) → 단백질 네트워크(위키) — 나만의 단백질체
06 / 29
THEORY · 변곡점
왜 2026년이 변곡점인가
3가지 기술이 같은 시점에 성숙
"개인 지식 체인"은 갑자기 가능해진 게 아닙니다. 3가지 기술이 동시에 임계점을 넘었습니다.
①긴 컨텍스트
1M 토큰 = 책 5권 분량
- 2023: 8K~32K 토큰
- 2026: 1M+ 토큰 (Opus 4.7)
- 한 번에 위키 전체를 읽음
- "검색"이 거의 필요 없어짐
②도구 사용
Tool use의 안정화
- 파일 읽기/쓰기 신뢰성 ↑
- 코드 실행 정확도 ↑
- 인간 개입 없이 N단계 실행
- "진짜 일하는 AI"의 조건
③로컬 우선
마크다운 + Git의 회귀
- 벤더에 묶이지 않음
- 오픈 표준 = 안전한 자산
- 5년·10년 후에도 읽힘
- 클라우드 RAG는 정반대
세 가지가 합쳐지면: 개인이 클라우드 인프라 없이도 RAG급 워크플로우를 갖는다
이전엔 회사가 RAG를 했지만, 이제는 대학원생 한 명이 자기 노트북에서 가능
07 / 29
THEORY · 이론과 구현
LLM-Wiki = 개인 지식 체인의 구현
개념을 폴더 3개로 떨어뜨리면
"개인 지식 체인"은 개념(이론)이고, LLM-Wiki는 그 개념을 실제로 동작하게 만든 가장 단순한 구현입니다.
개념Personal Knowledge Chain
- 입력 → 저장 → 출력 → 다시 입력
- 시간에 따라 자라는 그래프
- 나의 소유 · 나의 형식
- 이론적 모델
구현LLM-Wiki (Karpathy)
- papers/ — PDF 원본
- sources/ — LLM 요약
- wiki/ — 페이지 + overviews
- 구체적 폴더 3개
왜이 구현이 좋은가 — 3가지 이유
- ① 단순함 — 폴더 + 마크다운 · 누구나 즉시 시작
- ② 검증 가능성 — 모든 답이 PDF로 추적 가능
- ③ 누적성 — 좋은 답은 overview로 저장 · 다음 사고의 출발점
개념(Personal Knowledge Chain)과 도구(LLM-Wiki)가 만났을 때 — 오늘의 실습이 시작됩니다
08 / 29
CONCEPT · 패러다임
LLM 단독은 환각, RAG는 부담
그 사이에 빈자리가 있다
지금까지의 두 가지 선택지에는 각각 명확한 한계가 있습니다.
ALLM 단독
- 모르면 그럴듯하게 지어내기 (환각)
- 최신 논문 학습은 컷오프 시점 한정
- 출처 없이 자신만만
- 같은 질문을 매번 처음부터
BRAG (검색 기반)
- 임베딩 인프라 셋업 필요
- 청크 크기·검색 파라미터 튜닝
- 답이 좋으려면 검색이 좋아야
- 매 질문이 독립 — 누적되지 않음
✦ 우리가 원하는 것
"검색해서 답을 만드는" 게 아니라
"답을 만들며 지식을 쌓는" 도구
RAG와 다른 길: 이전 정리가 다음 사고의 출발점이 되는 누적형 지식
09 / 29
CONCEPT · 해결책
LLM-Wiki — Karpathy의 3-tier 패턴
Andrej Karpathy의 LLM Wiki 아이디어
PDF에서 시작해 LLM 요약을 거쳐 위키 페이지로. 단순한 폴더 3개가 전부입니다.
★핵심 아이디어
- 같은 파일명을 3계층이 공유 ({author}-{year}-{words})
- 모두 마크다운 — Git·Obsidian·grep 친화적
- 매 대화가 5–15 페이지를 새로 만들거나 갱신
▲복리의 순간
- 좋은 답을 overviews/에 저장
- 다음 질문은 그 overview에서 시작
- 1년 뒤 — 검색이 아니라 구조가 자라 있음
전부 로컬 마크다운입니다. 인프라 없습니다. 폴더 3개로 시작합니다
10 / 29
INSTALL · 무엇을
3개의 앱을 설치합니다
Mac · Windows · Linux 모두 네이티브
전부 일반 데스크탑 앱입니다. 터미널·WSL·Node 설치 필요 없음.
1Claude Code
Anthropic의 코딩 에이전트.
위키를 만들고 갱신하는 메인 도구.
2Codex
OpenAI의 코딩 에이전트.
Claude Code의 대체·보완재.
- 둘 중 하나만 있어도 OK
- 둘 다 깔아두면 비교 편함
3Obsidian
위키를 그래프로 보고 싶을 때만.
마크다운 뷰어 + 그래프 뷰.
설치 순서: Claude Code (또는 Codex) → Obsidian → gist 받기 — 5분이면 끝납니다
"AI 도구 처음이에요" — 3번의 더블클릭만 하면 됩니다
11 / 29
INSTALL · Claude Code
Claude Code 앱 설치
Anthropic 공식 인스톨러
공식 사이트에서 인스톨러 받아 더블클릭 — 3분이면 됩니다.
STEP 1 — 사이트 접속
브라우저에서 claude.com/claude-code 열기. "Download" 버튼이 보입니다.
STEP 2 — 인스톨러 받기
Mac이면 .dmg · Windows면 .exe를 받습니다. 시스템이 자동 감지됩니다.
STEP 3 — 더블클릭 설치
받은 파일을 더블클릭. Mac은 Applications 폴더로 드래그, Windows는 안내대로 Next 클릭.
STEP 4 — 로그인
앱을 처음 열면 Anthropic 계정으로 로그인. 계정이 없으면 그 자리에서 가입 — 30초.
앱이 열리고 채팅창이 보이면 끝. "Open Folder"로 작업할 폴더를 선택하면 됩니다
스크린샷은 발표 직전 실제 화면으로 교체 — 앱 UI는 자주 바뀝니다
12 / 29
INSTALL · Codex
Codex 앱 설치
OpenAI 공식 인스톨러
Claude Code와 거의 동일한 흐름. 둘 다 깔아두고 취향 따라 골라 쓰면 됩니다.
STEP 1 — 사이트 접속
브라우저에서 OpenAI Codex 공식 페이지 (github.com/openai/codex 또는 openai.com/codex) 접속.
STEP 2 — 인스톨러 받기
Mac · Windows · Linux 네이티브 인스톨러. WSL2·Node 사전 설치 필요 없음.
STEP 3 — 더블클릭 설치
받은 파일 더블클릭. 시스템 안내대로 진행.
STEP 4 — 로그인
처음 실행 시 OpenAI / ChatGPT 계정 로그인. ChatGPT Plus·Pro 구독자는 그대로 사용 가능.
사용 흐름은 Claude Code와 동일: 폴더 열기 → 채팅창에 자연어로 지시
둘 중 하나만 있어도 충분합니다. 둘 다 있으면 답이 다를 때 비교 가능
13 / 29
INSTALL · Obsidian
Obsidian — 선택사항
위키를 그래프로 보고 싶을 때만
에이전트가 만든 마크다운 위키를 시각적으로 둘러보는 용도. 위키 동작 자체에는 필요 없습니다.
설치
- obsidian.md 접속
- Mac · Windows · Linux 인스톨러
- 더블클릭 → 끝 (계정 불필요)
- 완전 무료·로컬·오픈소스
왜
- 그래프 뷰 — 페이지 간 [[wikilinks]] 시각화
- 전문 검색 — 폴더 전체 instant search
- 읽기 전용 — 에이전트의 편집을 방해하지 않음
- 정리는 에이전트가, 탐색은 Obsidian이
사용법: File → Open Vault as Folder → 위키 폴더 선택. 그게 전부입니다
읽기는 Obsidian, 쓰기는 에이전트 — 서로 간섭 없이 한 폴더 공유
14 / 29
INSTALL · Gist
이 gist를 받으세요
위키 셋업의 단일 진실 원천
QR 코드를 휴대폰으로 찍거나 URL을 브라우저에 붙여넣으세요.
URL주소
https://gist.github.com/joonan30/
cbce305684d079dbe9a3fbaefe4e3959
★안에 들어 있는 것
- llm-wiki-gist.md — 방법론 에세이
- CLAUDE.md.template — 도메인 채워넣을 템플릿
- The Four Rules · 3-tier 구조 · 부트스트랩 프롬프트
브라우저에 한 탭 열어두세요 — 다음 슬라이드에서 한 줄 복사합니다
15 / 29
INSTALL · 부트스트랩
한 번만 붙여넣으면 끝
앱 채팅창에 그대로 복사
Claude Code 또는 Codex 앱을 열고 빈 폴더를 선택한 다음, 채팅창에 아래를 붙여넣으세요.
# 부트스트랩 프롬프트 (gist에서 그대로 가져옴)
Set up an LLM Wiki for me, following this gist:
https://gist.github.com/joonan30/cbce305684d079dbe9a3fbaefe4e3959
Read all files in the gist, ask me about my research field
and 5–10 categories, then:
- Create papers/, sources/, wiki/{my-categories}/, wiki/overviews/
- Write CLAUDE.md from the template in this gist, filling in my domain
- Install pypdf if missing
- Apply the Four Rules from this gist verbatim — never use web search
에이전트가 폴더 구조·CLAUDE.md·규칙을 자동 생성합니다 — 3분 안에 위키 셋업 완료
16 / 29
RULES · 핵심
The Four Rules — 환각을 막는 네 줄
CLAUDE.md에 박혀 있어야 하는 규칙
이 4개가 깨지면 위키는 "검색 엔진을 닮은 가짜 RAG"로 전락합니다.
1No web search
웹 검색 금지. WebSearch·WebFetch 사용 안 함. 위키 안에서만 답합니다.
2Answer from the wiki
위키 우선. sources/와 wiki/가 유일한 진실 원천.
3Re-read the PDF
부족하면 PDF 재독. papers/에서 더 뽑아 오고 위키도 갱신합니다.
4Say "I don't have it"
없으면 솔직히. "I don't have a paper on this — please give me the PDF." 즉흥 답변 금지.
규칙의 목적: 모든 답이 "내가 가진 논문"으로 추적 가능해야 합니다
의심스러우면 규칙 #1로 돌아가라 — 웹 검색 금지가 위키의 영혼입니다
17 / 29
RULES · 구조
3계층 — papers → sources → wiki
같은 stem, 세 가지 표현
하나의 논문이 3개 파일로 존재합니다. 같은 파일명 stem을 공유합니다.
1papers/
원본 PDF · 절대 변경 안 함
- 파일명: {author}-{year}-{words}.pdf
- 외부 폴더에서 복사 (심볼릭 링크 X)
- 이걸 잃으면 위키도 검증 불가
2sources/
LLM이 만든 마크다운 요약
- 같은 stem · .md 확장자
- YAML frontmatter (제목·저자·DOI…)
- 표준 7섹션 (요약·기여·방법…)
3wiki/
구조화된 위키 페이지
- 카테고리별 폴더 (methylation/ 등)
- [[wikilinks]]로 페이지끼리 연결
- overviews/가 합성의 핵심
설계 원칙: papers는 불변, sources는 LLM 산출물, wiki는 사람·LLM 공동 편집
단순한 폴더 3개 — 어떤 OS에서도, 어떤 에디터에서도 그대로 작동합니다
18 / 29
RULES · 스키마
파일명과 YAML 한 컷
규칙은 단순할수록 잘 지켜집니다
{author}-{year}-{first-5-title-words} — 이게 모든 3계층의 stem.
A파일명 예시
- pollard-2006-an-rna-gene-expressed-during.pdf
- karpathy-2025-llm-wiki-pattern-emerging.md
- 1000-genomes-project-2015-a-global-reference.pdf
규칙: 소문자 · 특수문자 제거 · 공백 → - · 컨소시엄 논문은 컨소시엄명
BYAML frontmatter
---
title: "Paper Title"
authors: Author List
year: 2025
doi: 10.1038/...
category: methylation
pdf_path: /full/path/papers/{stem}.pdf
tags: []
---
YAML 덕분에 위키가 검색 가능 + 필터 가능 + RAG 친화적
에이전트는 이 형식을 자동 생성합니다 — 사람이 외울 필요 없음
19 / 29
RULES · 지식 트리
위키는 가지를 뻗으며 자란다
한꺼번에 쌓지 않습니다
"논문 1,000편 다 넣고 검색"이 아니라 진짜 질문에서 가지가 뻗어나가는 방식.
Root question — 예: "비피질 뇌세포 종류"
├── 1차 가지: 직접 overview 페이지
│ ├── 시상 분자 구조
│ ├── 소뇌 세포 다양성
│ └── ...
├── 2차 가지: 발견에서 더 깊이 들어간 가지
│ ├── 도파민 뉴런 다양성 (뇌간 절에서 파생)
│ └── 뇌영역별 질병 취약성
└── 3차 가지: 가로지르는 테마
├── 뇌 진화에서의 일주기 조절
└── ...
실제 흐름
- ① 질문 → 위키 검색 → 답
- ② 부족 → PDF 재독 (Rule #3)
- ③ 없음 → "PDF 주세요" (Rule #4)
- ④ 좋은 답은 overview로 저장
결과
- 한 세션 = 5–15 페이지 신규/갱신
- 몇 세션 후 — cross-reference 그래프
- 1년 뒤 — overview는 raw 5배 빠르게
진짜 가치는 raw 페이지가 아니라 overview에서 누적됩니다
20 / 29
USE CASE · 사이클 1
첫 논문 추가하기
한 줄 요청 → 3개 파일
PDF 한 편을 떨어뜨리고 채팅창에 한 줄만 보내면 됩니다.
YOU채팅창에 입력
Add this paper:
~/Desktop/karpathy-2025.pdf
AI자동 작업
- PDF를 papers/에 복사
- 본문 추출 + sources/ 요약 작성
- 카테고리 결정 + wiki/ 페이지 작성
- index.md 한 줄 추가
결과3개 파일 생성
$ tree -L 2
.
├── papers/
│ └── karpathy-2025-llm-wiki-pattern.pdf
├── sources/
│ └── karpathy-2025-llm-wiki-pattern.md # YAML + 7섹션 요약
└── wiki/
└── concepts/
└── karpathy-2025-llm-wiki-pattern.md # 위키 페이지 + [[wikilinks]]
한 줄 요청 → 구조화된 3개 마크다운 — 약 1분
21 / 29
USE CASE · 사이클 2
위키에 질문하기
Four Rules가 작동하는 모습
같은 도메인 질문이 들어오면, 에이전트는 위키 안에서만 답합니다.
A답이 있을 때
YOU: What is the LLM Wiki pattern?
AI: According to karpathy-2025:
The LLM Wiki pattern is a 3-tier
local knowledge base...
# 출처를 위키 안에서만 인용
B답이 없을 때
YOU: What about Mamba state-space
models?
AI: I don't have a paper on this
— please give me the PDF.
# Rule #4 작동 — 즉흥 답변 없음
차이: 평범한 LLM은 모르면 지어내고, LLM-Wiki는 "없다"고 정확히 말합니다
규칙이 잘 작동하면 — 틀린 답보다 "없다"가 나옵니다. 그게 신뢰입니다
22 / 29
USE CASE · 사이클 3
Overview — 지식의 복리
한 번의 좋은 답이 5–15 페이지로
좋은 답이 나왔을 때 한 마디 — "이걸 overview로 저장해" — 이게 위키가 자라는 순간입니다.
YOU한 줄 지시
Save this as an overview in
wiki/overviews/
AI한 번에 만드는 것
- overviews/ 페이지 1편
- 관련 raw 페이지 5–15편 갱신
- [[wikilinks]]로 모두 연결
- index.md 갱신
왜복리인가
5×
overview 페이지는 raw 페이지보다 5배 빠르게 늘어납니다 — 다음 질문이 overview를 출발점으로 삼기 때문에.
2년 = ~2,800 source · ~3,700 wiki · ~320 overview (실측)
매 세션의 좋은 답을 overview로 저장하는 습관 — 1년 뒤가 다릅니다
23 / 29
USE CASE · 사이클 4
Obsidian으로 그래프 보기
읽기·탐색의 동반 도구
에이전트가 만든 [[wikilinks]]가 그래프로 살아납니다.
1
Obsidian 실행 → Open Vault as Folder → 위키 폴더 선택
2
왼쪽 사이드바에서 Graph view 아이콘 클릭
A그래프에서 보이는 것
- 주제 클러스터 — 자연스러운 카테고리 경계
- 고립된 노드 — 아직 연결 안 된 신규 논문
- 허브 노드 — 자주 인용되는 overview
- 다리 — 카테고리를 가로지르는 융합 논문
B역할 분담
- Claude Code/Codex — 쓰기·정리·갱신
- Obsidian — 읽기·탐색·시각화
- 한 폴더 공유 — 충돌 없음
- Obsidian은 폴더 구조 안 건드림
위키는 자라기 시작하면 그래프부터 보고 싶어집니다 — 그때 Obsidian
24 / 29
RESEARCH · 의미
대학원생에게 논문을 쓴다는 것
졸업 요건이 아니라 사고의 결정체
왜 우리는 5년 동안 논문을 쓰는가. 단순히 졸업장 때문이 아닙니다. "내 사고를 외부화해서 검증 가능한 자산으로 만든다"는 행위입니다.
전논문 = 결과물의 기록
- 실험 → 분석 → 글쓰기 (마지막 단계)
- "끝난 일을 정리한 보고서"
- 한 번 쓰면 끝, 다시 안 봄
- 지식이 한 편에 갇혀 잠듦
후논문 = 지식 체인의 결정체
- 위키에서 자란 사고가 → 글로 응축
- "검증받기 위해 외부화한 사고"
- 비판·인용·후속 연구로 다시 자람
- 그 사고는 위키에 영원히 남음
✦ 논문 쓰기의 4단계 사이클
① 읽기 (위키에 축적) → ② 합성 (overview) → ③ 글쓰기 (논문) → ④ 비판받기 (peer review) → 다시 ①
논문은 "끝"이 아니라 지식 체인의 한 매듭 — 매듭이 많아질수록 사고가 자랍니다
25 / 29
RESEARCH · 새 협업자
AI 동료 과학자의 등장
"도구"가 아니라 "함께 일하는 동료"
2026년의 결정적 변화는 — AI가 "검색해주는 도구"를 넘어 "함께 가설을 세우는 동료"가 되었다는 것입니다.
①AI가 잘하는 일
- 문헌 전수 검토
- 가설·실험 디자인 비판
- 분석 코드 작성·디버깅
- 피곤하지 않게 24시간
- 지치지 않는 인내심
②사람이 하는 일
- 실험을 직접 수행
- 현실 데이터의 노이즈 판단
- 책임 · 의사결정 · 결론
- "이 결과가 진짜인가" 검증
- 연구 방향의 가치 판단
③같이 하는 일
- 가설 브레인스토밍
- 이상한 결과의 원인 추적
- 논문 초고 작성·교정
- 리뷰어 응답 작성
- 학회 발표 준비
새 정의: "포닥은 사람만이 아니다" — AI 동료를 옆에 두는 것이 표준이 되는 시대
중요: AI는 "보조"가 아니라 "동료"로 대하면 일이 더 잘 됩니다 — 명확한 컨텍스트·가드레일·피드백
26 / 29
RESEARCH · 글쓰기
논문 작성 워크플로우
위키와 원고를 양방향으로 연결
"작성 중" 원고도 위키에 등록합니다. 에이전트가 내 원고를 읽고, 위키 논문을 알고 있는 상태로 개입합니다.
①Introduction
"이 주제 기존 연구 요약해줘"
- 위키의 related papers에서 합성
- 출처와 함께 인용 가능한 형태로
- 리뷰 논문 1편 분량을 빠르게
- 사람은 논점만 정함
②Methods
"이 부분 method 정리해줘"
- 위키 concept 페이지 인용
- 코드 → 텍스트 자동 변환
- 레퍼런스 자동 매칭
- 사람은 정확성만 검증
③Discussion
"우리 결과와 위키 비교해줘"
- Overview의 gap 분석 투입
- 찬성·반대 논거를 양쪽 다
- 리뷰어가 물을 만한 질문 예측
- 사람은 해석만 결정
효과: "내 원고는 나보다 LLM이 더 잘 기억한다" — 글쓰기가 합성·검증의 작업이 됨
위키에 원고 경로를 등록 — YAML에 manuscript_file: /abs/path/...docx 한 줄이면 끝
27 / 29
RESEARCH · 일일 연쇄
한 편의 논문이 만드는 5단계 연쇄
논문 → 위키 → 원고 → 토론 → 분석 — 한 흐름으로
대학원생이 논문 한 편을 다시 펼쳐보면, 그 뒤로는 위키화·원고 반영·동료 토론·분석 작업까지 에이전트가 한 줄기로 끌고 갑니다.
Step 1한 줄 질의 — "이 논문에서 우리 데이터에 적용할 만한 부분은?" → 답변이 그대로 위키 페이지로 저장
Step 2에이전트가 작성 중인 원고와의 연관성 자동 탐지 → 해당 섹션 옆 코멘트로 추가
Step 3관련 동료에게 알림 자동 발송 (Notion·Slack·Gmail MCP)
Step 4동료가 자기 LLM-Wiki에서 같은 논문을 다른 시각으로 분석 → 두 위키가 교차하며 토론 시작
Step 5분석 항목 추출 → 코드 작성·서버 실행 작업지시서로 정리 → 분석 시작
대학원생이 한 일: 논문 한 편을 다시 읽음 + 한 줄 질의. 나머지 5단계는 에이전트가 이어서.
한 편의 논문이 위키·원고·동료·분석까지 연쇄로 번진다 — 도구를 일일이 열고 다닐 필요 없음
28 / 29
WRAP-UP · 다음 단계
오늘 시작 → 이번 주 5편
규모는 천천히 따라옵니다
처음에는 작게. 위키는 10편을 넘기는 순간부터 가치가 보이기 시작합니다.
이번 주5편
- 설치 · gist 부트스트랩
- 최근 논문 5편 추가
- 위키에 첫 질문 → 답
- 좋은 답 1개를 overview로
한 달50편
- 주제별 카테고리 자리잡음
- Obsidian 그래프에 군집 보임
- overview 페이지 5–10개 누적
- 매 세션 = 5–15 페이지 갱신
500편 시점QMD 도입
- 한 카테고리 ~500 파일 → 분할
- QMD MCP 서버 (BM25 + 의미 검색)
- 전부 on-device · 클라우드 X
- 폴더 구조는 그대로
"위키는 답을 만드는 곳이 아니라,
답을 만들며 쌓는 곳이다"
감사합니다 — 질문은 여러분의 첫 위키에 먼저 물어보세요
29 / 29