출처: NotebookLM 「빌더 조쉬 Builder Josh」 라벨 'LLM 기술 활용' (영상 3개) · 2026.10.04 생성
LLM wiki랑 RAG랑 뭐가 다른건지 알려드려요. 옵시디언+클로드 코드 조합은 필수입니다. (브레인 트리니티 브라이언님)
- 개인 지식 관리(PKM)와 기록의 가치: 24시간 스크린 파이프 및 오디오 트래커(온미, 플라우드 노트)를 통해 일상의 모든 활동과 생각을 기록하고, 나만의 지식을 축적하여 AI에게 맥락(Context)을 제공함으로써 나를 가장 잘 아는 고품질의 답변을 얻어냅니다.
- LLM 위키(LLM Wiki)의 개념과 탄생 배경: 안드레이 카파시(Andrej Karpathy)의 트윗에서 시작된 개념으로, 사용자가 수집한 원본 데이터(유튜브, PDF 등)를 AI가 이해할 수 있는 마크다운(Markdown) 형태로 소화(Ingest)하고 엔티티와 컨셉을 추출·연결하여 함께 편집하고 꺼내쓰는 문서 기반 지식 베이스입니다.
- LLM 위키와 기존 RAG의 구조적 차이점: RAG는 새 문서가 들어올 때 전체 인덱싱 및 벡터 DB 업데이트 비용이 발생하지만, LLM 위키는 사람이 읽을 수 있는 마크다운 문서 형태로 개별 정제/인제스트되어 새로운 문서만 추가 업데이트하면 되고 의미적 맥락(온톨로지) 연결이 훨씬 뛰어납니다.
- 목적성과 맥락이 담긴 인제스트(Ingest) 프로세스: 단순 문서 변환에 그치지 않고 '이 영상을 왜 캡처했는지', '나의 목적과 관점은 무엇인지'에 대한 질문과 대화를 거쳐 정제함으로써 지식 데이터의 가치와 재활용성을 극대화합니다.
- 하루 5단계 기록 시스템 (의도-실행-현실-해석-AI 로그): 아침 플래너를 통한 '의도' 설정, 스크린파이프/녹음기를 통한 '실행' 및 '현실' 기록, 클로드/헤르메스 대화 세션의 'AI 로그' 보관을 통해 나의 하루 데이터와 세이브 포인트를 지속적으로 남깁니다.
- AI 기반 회고(월/분기/연간)와 서사(Story) 추출: 쌓인 일상 및 감정 기록 데이터를 기반으로 AI가 1년 간의 삶의 서사를 정리해 회고해 주며, 실제 이 서사 기록을 바탕으로 연애 스토리 정리 및 프로포즈(청혼)까지 성공적으로 활용했습니다.
- 기록 시스템 구축을 위한 첫걸음과 온톨로지 설계: 무작정 도구만 구축하기보다 '나라는 사람'의 기존 기록을 AI로 읽어 '나는 누구인가', '왜 일하는가'에 대한 나의 세계관과 맥락 문서(온톨로지)를 먼저 정립하는 것이 시스템 성공의 핵심입니다.
RAG 어렵다고요? PDF 하나로 5분 만에 시작하는 법 (feat. 공원나연님)
- RAG(검색 증강 생성)의 기본 개념과 웹 검색과의 차이: LLM이 대답하기 전 외부/내부 데이터베이스에서 관련 정보를 먼저 검색(Retrieval)해 증강(Augmented)된 정보를 바탕으로 답변을 생성(Generation)하는 오픈북 시험 방식으로, 기관/개인만의 내부 비공개 데이터 기반 신뢰도 높고 출처 명확한 답변을 가능케 합니다.
- RDB와 그래프 데이터베이스(Graph DB)의 차이: 일반 Relational DB가 조인(Join) 연산을 거쳐 정보를 조회하는 반면, 그래프 DB는 데이터 간의 관계(Edge)를 화살표 형태로 저장하여 A가 평가한 영화를 탐색하듯 직관적이고 빠르게 조회가 가능합니다.
- 기존 벡터 RAG 대비 그래프 RAG(Graph RAG)의 우수성: 문맥이 끊긴 텍스트 조각(청크) 단위로 유사도를 검색하는 벡터 RAG와 달리, 그래프 RAG는 청크 노드 간의 연관 관계와 주위 맥락(부록, 연관 문서 등)까지 확장 검색하여 구조적이고 설득력 높은 답변을 생성합니다.
- 온톨로지(Ontology)와 지식 그래프 스키마의 역할: 암묵적 지식이나 매뉴얼, 교육 과정의 선행/후행 개념(예: 방정식 → 2차함수)처럼 AI가 추론할 수 있도록 지식의 표준 규칙과 뼈대(스키마)를 정립해 주는 기준점 역할을 합니다.
- 에이전틱 워크플로우를 위한 랭그래프(LangGraph): 사용자의 질문 분석, 정보 탐색, 답변 생성 등 다단계 AI 에이전트 작업을 각 노드(Node)로 정의하고 실행 순서를 그래프 형태로 설계하여 고도화된 AI 애플리케이션을 구현하는 프레임워크입니다.
- 그래프 시각화와 설득력 강화 및 활용 사례: 검색된 정보가 어떠한 경로와 근거로 도출되었는지 우측 시각화 맵으로 투명하게 보여주며, 공정 고장 이력 분석이 중요한 제조/스마트 팩토리 분야 등에서 핵심적으로 활용되고 있습니다.
- 비개발자를 위한 그래프 RAG 입문 방법: arrows.app(에로스 앱) 사이트를 이용해 아이디어나 업무 관계를 마인드맵처럼 그려보고, Neo4j의 그래프 RAG 패키지 한 줄 코드를 활용해 PDF 문서를 지식 그래프로 변환해 보는 실습 스텝을 제안합니다.
전 세계를 뒤집고 있는 AI 최강자 대결.. 최종 승자는 누굴까?
- Gemini 3.0과 Claude 4.5 Opus의 종합 성능 비교: 구글의 제미나이 3.0과 안트로픽의 클로드 4.5 오퍼스(Opus) 두 최강 AI 모델을 3가지 실전 사례(랜딩 페이지, 3D 게임, 음성 앱)로 다각도 비교 검증했습니다.
- 랜딩 페이지 클론 디자인 테스트 (제미나이 승): 어피니티(Affinity) 웹사이트 스크린샷 기반 클론 제작 시, 제미나이 3.0(AI 스튜디오)은 마우스 오버 인터랙션, 이미지 생성, UI 스타일을 뛰어나게 해석한 반면, 클로드는 이미지를 표현하지 못하고 지나치게 정제된 한계를 보여 제미나이가 승리했습니다.
- 3D 슈팅 게임 개발 테스트 (클로드 승): Three.js 기반 파스텔톤 3D 비행 슈팅 게임 제작 시, 클로드 4.5 오퍼스가 미사일 발사 효과, 터지는 연출, 역동적인 게임 코딩 디테일을 더 우수하게 구현해 코딩 영역에서는 클로드가 승리했습니다.
- 음성 인식 스크립트 추출 앱 제작 (안티그래비티 vs 커서): 오픈AI 위스퍼(Whisper) API와 Next.js 기반으로 음성을 텍스트로 변환하는 데스크톱/웹 앱 프로젝트를 안티그래비티(제미나이)와 커서(클로드) 환경에서 동시에 구축했습니다.
- 풀스택 앱 코딩 및 디자인 구현력 차이: 안티그래비티는 기능 동작은 성공했으나 디자인이 일부 깨진 반면, 커서 내 클로드 4.5 오퍼스는 UI 반영과 모바일/웹 실시간 음성 변환 코딩을 압도적이고 완벽하게 구현했습니다.
- 영역별 최적 AI 모델 활용 결론: 디자인 해석 능력, UI/UX 시각화, 랜딩 페이지 기획 영역에서는 제미나이 3.0이 우수하며, 복잡한 풀스택 코딩, 3D 로직 구현, 디테일한 개발 영역에서는 클로드 4.5 오퍼스가 우위를 점하고 있습니다.
라벨 종합 정리
- 선택된 영상들은 AI를 단순히 일회성 질의응답 도구로 쓰는 것을 넘어, 지식의 구조화(LLM 위키, 그래프 RAG, 온톨로지)와 최적의 AI 모델 선택(Gemini 3.0 vs Claude 4.5)을 통해 답변의 신뢰도와 구현력을 극대화하는 방안을 다룹니다.
- 개인의 일상 및 업무 기록부터 기업의 PDF·공정 데이터까지 맥락과 데이터 간의 관계성(Edge)을 명확히 정의함으로써, AI가 인간의 의도에 부합하는 정교한 추론과 설득력 있는 근거를 제공하도록 설계합니다.
- 옵시디언, Neo4j, 랭그래프, 커서, 안티그래비티 등 적재적소의 프레임워크와 AI 도구를 결합하여 개인 지식 관리부터 실전 프로덕트 개발까지 AI 네이티브 생태계를 완성하는 것이 핵심입니다.
💡 LLM 위키 구축 방식이나 그래프 RAG 실습 과정에 대해 더 궁금한 점이 있으신가요?