빌더 조쉬_LLM 기술 활용

LLM wiki랑 RAG랑 뭐가 다른건지 알려드려요. 옵시디언+클로드 코드 조합은 필수입니다. (브레인 트리니티 브라이언님)

• 등장인물 및 사용 도구: 브라이언(AX 컨설턴트, '브레인 트리니티' 유튜버), 빌더 조쉬(진행자), 안드레 카파시(LLM 위키 개념 제안자), 옵시디언(Obsidian), 클로드 코드(Claude Code), 헤르메스 에이전트(Hermes Agent), 스크린파이프(ScreenPipe, 24시간 화면 녹화), Oming(목걸이형 24시간 녹음기), 플라우드 노트(Plaud Note)가 활용됩니다.
• LLM 위키와 기존 RAG의 핵심 차이점: 전통적인 RAG는 문서를 청킹하여 벡터 DB에 집어넣으므로 새 문서 추가 시 전체 재인덱싱 비용과 맥락 손실이 발생하지만, LLM 위키는 사람이 읽을 수 있는 마크다운(.md) 기반으로 개별 엔티티와 지식 개념을 연결 인덱싱하여 맥락 유지와 비용 효율성이 훨씬 뛰어납니다.
• 하루 5단계 라이프 로깅 방법 및 절차:
  1. 의도(Intent): 아침에 헤르메스 에이전트와 대화하여 캘린더/투두 기반 데일리 플래너와 질문을 생성합니다.
  2. 실행(Execution): 24시간 녹음기(Oming), 회의용 플라우드 노트, 옵시디언 타임스탬프로 실질적 액션을 기록합니다.
  3. 현실(Reality): 스크린파이프(ScreenPipe) 앱으로 컴퓨터 화면 및 음성을 24시간 녹화하고 로컬 AI가 30분 단위 마크다운 요약으로 자동 변환합니다.
  4. 해석(Interpretation): 하루/주간/월간/분기/연간 단위로 회고를 진행하여 AI가 인생의 서사 스토리를 추출합니다.
  5. AI 로그(AI Log): 클로드 스킬(/log)을 통해 대화 맥락과 중간 세이브 포인트를 타임스탬프로 자동 저장합니다.
• LLM 위키 인제스트(Ingest) 정제 절차: 웹클리퍼나 유튜브 트랜스크립트로 무작정 자료를 수집하는 것이 아니라, "이 지식을 왜 저장하며 앞으로 어떻게 활용할 것인가?"라는 질문에 사용자가 자신의 의도와 맥락을 답변하게 한 뒤, AI가 소스 및 엔티티 노트로 분해·연결하여 수집합니다.
• 주요 수치 및 축적 데이터: 24시간 컴퓨터 화면 녹화 및 30분 간격 로컬 AI 요약 적재, 24시간 오디오 녹음, 10년간 진행해 온 회고 및 인생 회계 라이프 로깅 데이터베이스를 운용하고 있습니다.
• 주의점: 개인 지식 관리 시스템 구축 시 자신의 정체성이나 사용 목적(맥락) 없이 수단만 도입하면 자료만 쌓이고 전혀 쓰지 않는 '지식의 무덤'이 되므로, "나는 누구인가"에 대한 나다움 정의와 구조화된 프레임워크 작성이 선행되어야 합니다.
• 실전 활용 팁: 옵시디언에 클로드 스킬을 연동하여 프로젝트 실행 중 /log 명령을 사용하면 세션이 바뀌어도 이전 작업의 메타데이터와 진행 상황을 손쉽게 이어받을 수 있으며, 축적된 일기 및 기록을 AI에게 주입해 분기·연간 서사 스토리를 도출하여 청혼 편지나 인생 계획 수립에 극적으로 활용할 수 있습니다.

RAG 어렵다고요? PDF 하나로 5분 만에 시작하는 법 (feat. 공원나연님)

• 등장인물 및 사용 도구: 공원나연(AI 엔지니어, '공원나연' 유튜버, 패스트캠퍼스 강사), 빌더 조쉬(진행자), RAG, 그래프 RAG(Graph RAG), Neo4j(그래프 데이터베이스), Arrows.app(노드/엣지 드로잉 도구), 랭그래프(LangGraph) 및 랭그래프 스튜디오 UI, Neo4j Graph RAG 패키지, 사이퍼(Cypher) 쿼리 언어가 사용됩니다.
• RAG와 그래프 RAG의 차이점: 일반 벡터 RAG는 긴 문서를 파편화된 텍스트 청크(Chunk)로 잘라 문맥이 잘릴 수 있으나, 그래프 RAG는 정보 덩어리를 노드(Node)와 관계(Edge)로 묶어 주변 맥락까지 고려하므로 훨씬 설명력 높고 신뢰할 수 있는 출처 기반 답변을 도출합니다.
• 그래프 RAG 및 온톨로지 구축 5단계 절차:
  1. 개념 설계(Arrows.app): 웹사이트(arrows.app)에서 머릿속 생각이나 업무 흐름을 노드와 화살표(엣지)로 마인드맵처럼 직접 그려 지식 관계를 도식화합니다.
  2. PDF 소스 자동 적재: Neo4j Graph RAG 올인원 패키지 코드 한 줄을 돌려 PDF 문서를 입력하면 자동으로 지식 그래프로 추출되어 Neo4j DB에 적재됩니다.
  3. 쿼리 작성: 사이퍼(Cypher) 언어를 활용해 관계 탐색용 쿼리를 수행합니다.
  4. 에이전트 워크플로우(LangGraph): 질문 의도 분석, 정보 탐색, 답변 생성을 노드 단위로 설계하고 랭그래프 스튜디오 UI로 시각화 검증합니다.
  5. 답변 시각화 및 근거 제시: 검색 시 연관된 10여 개 기사 노드 및 청크 노드를 우측 그래프로 보여주며 정답 근거를 제시합니다.
• 주요 수치: 패스트캠퍼스 올인원 가이드 강의 런칭, 코드 한 줄로 PDF 문서를 지식 그래프로 자동 변환, 뉴스 검색 시 10개 이상의 관련 청크 노드를 계층적으로 추적 탐색합니다.
• 주의점: 그래프 RAG를 제대로 구현하려면 지식 그래프의 뼈대가 되는 온톨로지(그래프 스키마/규칙 체계) 설계가 필수적이며, 무분별하게 구축하면 AI가 검색할 경로(Path)를 제대로 찾지 못할 수 있습니다.
• 활용 팁: 제조 공정 로그/고장 이력(증상-원인-해결책) 분석이나 교육 분야 선행 개념(방정식 ➔ 2차함수) 추천 등 계층적 연결 추론이 필요한 영역에서 그래프 RAG가 독보적 성능을 보입니다. 비개발자는 Arrows.app 도구를 통해 브레인스토밍하듯 자사만의 에이전트 온톨로지 관계를 먼저 정의한 후 개발로 확장할 수 있습니다.