대부분의 사람들은 AI를 마치 자판기처럼 사용합니다.
문서를 업로드하고, 질문하고, 답변을 받고, 탭을 닫습니다. 다음 날, 같은 문서를 다시 업로드합니다. 약간 다른 질문을 하고, 모델이 어제가 없었던 것처럼 처음부터 다시 시작하는 모습을 지켜봅니다.
이것이 오늘날 "AI 생산성"의 기본 패턴입니다. 처음 몇 번은 시스템이 던지는 거의 모든 것에 대해 요약, 설명, 통찰력을 추출해내기 때문에 마법처럼 느껴집니다. 하지만 몇 주가 지나면, 그 마법은 이상할 정도로 일회용처럼 느껴지기 시작합니다. 당신은 지식을 쌓는 것이 아니라, 지능의 짧은 폭발을 빌려 쓰고 있는 것입니다.
문제는 모델이 너무 약해서가 아닙니다. 문제는 워크플로우에 축적되는 기억이 없다는 것입니다.
Andrej Karpathy는 더 나은 패턴을 설명했습니다: LLM을 사용하여 개인 지식 베이스를 구축하고 유지하는 것입니다. 단순히 업로드된 PDF 폴더가 아닙니다. 문서에 대한 챗봇이 아닙니다. 지속적이고, 구조화되어 있으며, 상호 연결된 위키를 LLM이 시간이 지남에 따라 업데이트하는 것입니다.
중요한 것은 위키가 아닙니다. 우리는 수십 년 동안 위키를 사용해 왔습니다.
중요한 것은 유지보수입니다.
바로 그것이 AI 이전의 거의 모든 "두 번째 뇌" 시스템을 망친 빠진 조각입니다. 사람들은 개인 지식 베이스의 아이디어를 좋아합니다. 그들은 Obsidian 그래프, Zettelkasten 다이어그램, PARA 폴더, 태그가 달린 노트, 백링크, 에버그린 노트, 대시보드 및 기타 모든 것을 좋아합니다. 그러나 초기의 열정이 지나면, 보통 같은 일이 발생합니다: 시스템은 유지해야 할 또 다른 시스템이 됩니다.
기사를 스크랩하지만 요약하지는 않습니다. 노트를 만들지만 연결하지는 않습니다. 태그를 일관성 없이 붙입니다. 새로운 정보가 도착했을 때 오래된 주장을 업데이트하는 것을 잊어버립니다. 아름다운 구조를 만들고 나서는 천천히 그것을 피하게 됩니다. 모든 상호작용이 더 많은 기록 작업을 만들기 때문입니다.
두 번째 뇌는 실패합니다. 왜냐하면 여전히 그것을 정리할 첫 번째 뇌가 필요하기 때문입니다.
Karpathy의 LLM 위키 패턴은 경제성을 변화시킵니다. 그것은 지식 베이스를 개인 노트북보다는 코드베이스에 더 가깝게 취급합니다. 원시 소스가 들어갑니다. LLM이 그것을 읽고, 중요한 부분을 추출하고, 마크다운 페이지를 생성하거나 업데이트하고, 상호 참조를 유지하고, 모순을 추적하고, 인덱스를 최신 상태로 유지합니다. 인간이 손으로 위키를 작성하지 않습니다. 인간은 소스를 선별하고, 질문하고, 출력물을 검토하고, 무엇이 중요한지 결정합니다.
Andrej Karpathy 게시물
https://x.com/karpathy/status/2039805659525644595
그것은 훨씬 더 흥미로운 역할 분담입니다.
검색에서 축적되는 지식으로
오늘날 대부분의 AI 문서 워크플로우는 검색을 기반으로 합니다. 파일을 업로드하면 시스템이 그것을 청크로 나누고, 청크를 임베딩하고, 질문할 때 관련 구절을 검색합니다. 이것은 많은 RAG 시스템의 기본 아이디어이며 유용합니다. 모델이 훈련 데이터에 없는 자료에 대한 질문에 답할 수 있게 해줍니다.
하지만 검색에는 한계가 있습니다.
질문을 하면 시스템이 검색하고, 소수의 조각을 컨텍스트로 가져와 답변을 생성합니다. 답변은 좋을 수 있지만, 대화가 끝나면 작업은 보통 사라집니다. 합성이 자동으로 내구성 있는 구조의 일부가 되지는 않습니다. 다음 질문은 또 다른 검색 주기를 시작합니다.
일회성 질문에는 괜찮습니다. 하지만 이해가 축적되어야 하는 학습, 연구, 글쓰기, 전략에는 약합니다.
LLM이 유지 관리하는 위키는 다르게 작동합니다. 쿼리 시간까지 기다렸다가 모든 것을 처음부터 합성하지 않습니다. 미리 지식을 컴파일합니다.
새로운 소스를 추가하면 LLM이 그것을 읽고 기존 시스템에 통합합니다. 논문이 개념 페이지를 업데이트할 수 있습니다. 회사 프로필이 경쟁사 페이지를 수정할 수 있습니다. 대본이 고객 불만 사항에 증거를 추가할 수 있습니다. 새로운 기사가 오래된 요약과 모순될 수 있으므로, 위키는 문서 더미에 조용히 묻어두는 대신 긴장감을 표시합니다.
질문이 "올바른 단락을 검색할 수 있습니까?"에서 "이 소스를 추가했기 때문에 내 지식 베이스가 더 똑똑해졌습니까?"로 바뀝니다.
그것이 진정한 변화입니다: 지식이 누적됩니다.
세 가지 계층
아키텍처는 단순해서 그 단순함을 놓치기 쉽습니다.
첫 번째 계층은 원시 소스입니다. 이것들은 원본 자료입니다: 기사, PDF, 노트, 대본, 논문, 웹 클립, 이미지, 저장소, 데이터셋 및 시스템이 알고 싶어하는 모든 것입니다. 이 계층은 불변으로 취급되어야 합니다. AI는 그것을 읽고, 인용하고, 요약할 수 있지만, 증거를 다시 작성해서는 안 됩니다.
두 번째 계층은 위키입니다. 이것은 LLM이 유지 관리하는 마크다운 파일 디렉토리입니다. 소스 요약, 개념 페이지, 엔티티 페이지, 타임라인, 비교, 미해결 질문, 인덱스 및 연구 브리핑을 포함할 수 있습니다. 이것은 컴파일된 계층입니다. 원자재가 사용 가능한 지식이 되는 곳입니다.
세 번째 계층은 스키마입니다. 이것은 LLM에게 유지 관리자로서 어떻게 행동해야 하는지 알려주는 일련의 지침입니다. 어떤 폴더가 있습니까? 소스 요약으로 간주되는 것은 무엇입니까? 인용은 어떻게 작동해야 합니까? 언제 오래된 개념 페이지를 업데이트하는 대신 새 페이지를 만들어야 합니까? 모순은 어떻게 기록되어야 합니까? 상태 점검은 무엇을 찾습니까?
스키마는 챗봇을 운영자로 바꾸는 것입니다.
그것 없이는 즉흥적으로 행동하는 모델이 있습니다. 그것이 있으면, 하우스 스타일, 파일링 시스템 및 유지 관리 의식을 아는 주니어 연구원에 더 가까운 무언가가 있습니다.
Obsidian은 이미 로컬 마크다운 환경이며 백링크, 그래프 보기 및 빠른 탐색을 제공하기 때문에 이 워크플로우에 자연스럽게 맞습니다. Karpathy의 프레이밍은 유용합니다: Obsidian은 IDE이고, LLM은 프로그래머이며, 위키는 코드베이스입니다.
그 비유는 중요합니다. 코드베이스는 파일을 포함하고 있기 때문에 가치 있는 것이 아닙니다. 파일이 규칙을 따르고, 서로를 참조하고, 리팩터링될 수 있고, 린트될 수 있고, 처음부터 시작하지 않고 개선될 수 있기 때문에 가치 있습니다. 진지한 지식 베이스도 같은 방식으로 작동해야 합니다.
인간은 사무원이 되어서는 안 됩니다
개인 지식 관리의 오래된 모델은 조용히 인간이 모든 것을 할 것이라고 가정했습니다.
당신은 소스를 읽습니다. 하이라이트합니다. 요약합니다. 폴더를 선택합니다. 태그를 추가합니다. 링크를 만듭니다. 이제 업데이트해야 하는 오래된 노트가 있다는 것을 기억합니다. 두 소스가 동의하지 않는다는 것을 알아차립니다. 인덱스를 깨끗하게 유지합니다. 고아 노트를 삭제, 병합 또는 연결해야 하는지 결정합니다.
이것은 정확히 1주차에는 생산적으로 느껴지고 3개월차에는 견딜 수 없게 되는 종류의 작업입니다.
또한 이것은 정확히 LLM이 잘하는 종류의 작업입니다.
그들은 반복적인 구조에 지치지 않습니다. 한 번에 15개의 파일을 업데이트하는 것을 개의치 않습니다. 그들은 오래된 주장, 누락된 백링크, 중복된 개념, 일관성 없는 명명, 해결되지 않은 모순을 스캔할 수 있습니다. 그들은 지저분한 소스를 다섯 개의 유용한 아티팩트로 바꿀 수 있습니다: 요약, 주장 목록, 엔티티 페이지 업데이트, 개념 페이지 업데이트, 그리고 나중에 조사할 가치가 있는 질문.
인간은 판단에 더 가까이 있어야 합니다.
어떤 소스가 시스템에 속합니까? 어떤 주장이 실제로 중요합니까? 다음에 물어볼 가치가 있는 질문은 무엇입니까? 어떤 합성이 사실이고, 유용하고, 놀랍거나, 틀렸다고 느껴집니까? 무엇이 기사, 메모, 덱, 결정, 제품 아이디어 또는 연구 방향으로 바뀌어야 합니까?
그것이 취향이 중요한 부분입니다.
LLM은 지식의 사무 작업을 해야 합니다. 인간은 의미의 편집 작업을 해야 합니다.
실제로 이것이 어떻게 보이는지
당신이 시장을 조사하고 있다고 상상해보십시오. 몇 가지 분석가 보고서, 경쟁사 블로그 게시물, 고객 인터뷰, 제품 페이지 및 영업 전화 대본으로 시작합니다. 오래된 워크플로우에서는 이것들이 문서 더미가 되었을 것입니다. 아마도 챗봇에게 질문을 했을 것입니다. 아마도 스프레드시트를 유지했을 것입니다. 아마도 결국 새로운 정보가 도착하자마자 쓸모없어지는 메모를 작성했을 것입니다.
LLM 위키 워크플로우에서는 모든 새로운 소스가 살아있는 지도를 업데이트합니다.
경쟁사 발표는 경쟁사 페이지를 업데이트합니다. 고객 통화는 이의 제기, 불만 사항, 구매 트리거 및 고객이 실제로 사용하는 언어에 대한 페이지를 업데이트합니다. 시장 보고서는 가격, 규제, 채택 또는 유통에 대한 개념 페이지를 업데이트합니다. 새로운 모순은 무시되는 대신 기록됩니다. 유용한 쿼리는 미래의 쿼리가 기반으로 삼을 수 있는 저장된 브리핑이 될 수 있습니다.
몇 주 후, 시스템은 더 이상 단순한 문서 저장소가 아닙니다. 그것은 연구 환경입니다.
같은 패턴은 작가에게도 효과적입니다. 과거의 에세이, 노트, 인터뷰, 저장된 기사 및 초안을 수집하십시오. 위키는 반복되는 주장, 예, 주장, 참고 자료 및 완성되지 않은 아이디어를 추적할 수 있습니다. 글을 쓰기 위해 앉으면, 주제에 대해 이미 말한 것, 가장 강력한 예, 생각이 바뀐 곳, 아직 탐구하지 않은 각도를 물을 수 있습니다.
자기 교육에도 효과적입니다. 강의, 읽기 자료, 연습 문제 및 논문을 수집하십시오. 위키는 과정이 어려워짐에 따라 진화하는 개념 페이지를 유지 관리할 수 있습니다. 7주차가 2주차를 어떻게 수정하는지 설명할 수 있습니다. 복습 시트를 생성하고, 약점을 식별하고, 혼란을 학습 계획으로 바꿀 수 있습니다.
팀에도 효과적입니다. 회의 노트, Slack 스레드, 고객 통화, 계획 문서, 전략 메모, 지원 티켓 및 사후 분석을 제공하십시오. 위키는 프로젝트 페이지, 고객 페이지, 제품 결정 로그, 경쟁사 페이지 및 반복되는 위험 테마를 유지 관리할 수 있습니다. 이점은 단지 검색이 아닙니다. 이점은 조직이 도구 사이의 균열에서 컨텍스트를 잃지 않는다는 것입니다.
모든 경우에 패턴은 동일합니다: 소스가 수집되고, 지식이 컴파일되고, 질문이 출력을 생성하고, 유용한 출력이 시스템에 다시 제출됩니다.
탐색이 축적됩니다.
상태 점검은 제품입니다
Karpathy 패턴의 가장 과소평가된 부분 중 하나는 린팅입니다.
일반적인 노트 시스템은 조용히 붕괴됩니다. 링크가 끊어집니다. 페이지가 중복됩니다. 요약이 쓸모없어집니다. 주장이 서로 모순됩니다. 중요한 소스가 처리되지 않은 채로 남아 있습니다. 실제 작업을 위해 시스템이 필요하고 더 이상 신뢰할 수 없을 때까지 붕괴를 알아차리지 못합니다.
LLM이 유지 관리하는 위키는 확인될 수 있습니다.
고아 페이지를 찾도록 요청할 수 있습니다. 중복된 개념을 식별하도록 요청할 수 있습니다. 어떤 주장에 인용이 필요한지 물을 수 있습니다. 최신 소스가 이전 소스와 충돌하는 위치를 물을 수 있습니다. 어떤 페이지가 너무 모호하거나, 너무 길거나, 너무 얇거나, 명백한 상호 참조가 누락되었는지 물을 수 있습니다.
이것은 작게 들리지만, 노트 더미와 운영 가능한 지식 베이스의 차이입니다.
상태 점검은 부차적인 기능이 아닙니다. 그것은 신뢰를 유지하는 메커니즘입니다.
신뢰하지 않는 지식 베이스는 또 다른 아카이브에 불과합니다. 스스로를 검사하고, 약점을 설명하고, 수리를 제안할 수 있는 지식 베이스는 인프라처럼 느껴지기 시작합니다.
마크다운이 중요한 이유
마크다운의 소박한 선택은 보이는 것보다 더 중요합니다.
마크다운 파일은 이식 가능합니다. 일반 폴더에 저장할 수 있습니다. Obsidian에서 열고, 모든 텍스트 편집기로 편집하고, git으로 버전 관리하고, 명령줄 도구로 검색하고, 웹사이트로 렌더링하고, 슬라이드로 변환하거나, 스크립트로 처리할 수 있습니다.
이것은 시스템이 블랙박스가 되는 것을 방지합니다.
많은 AI 제품은 당신의 지식을 독점적인 인터페이스로 흡수하려고 합니다. 그것은 편리할 수 있지만, 또한 당신의 이해를 다른 사람의 데이터베이스, 가격, 로드맵 및 내보내기 버튼에 의존하게 만듭니다.
로컬 마크다운 위키는 가능한 최선의 방식으로 지루합니다. 검사 가능합니다. 내구성이 있습니다. 백업할 수 있습니다. 차이를 비교할 수 있습니다. 모델이 무엇을 변경했는지 볼 수 있습니다. 잘못된 편집을 롤백할 수 있습니다. 그 주위에 작은 도구를 구축할 수 있습니다.
진지한 지식 작업을 위해, 지루한 인프라가 승리합니다.
존재하기를 원하는 제품
Karpathy는 이것을 해키한 스크립트 모음으로 설명했지만, 그것은 훨씬 더 큰 제품 범주를 가리킵니다.
다음 위대한 지식 도구는 아마도 업로드 버튼이 있는 챗봇처럼 보이지 않을 것입니다. 그것은 AI 네이티브 연구 환경처럼 보일 것입니다: 로컬 우선 저장소, 구조화된 수집, 인식 인식 합성, 자동 유지 관리, 시각적 출력, 상태 점검, 버전 기록 및 전체 지식 베이스에서 작동할 수 있는 에이전틱 워크플로우.
그것은 단지 질문에 답하지 않을 것입니다. 더 나은 질문을 가능하게 하는 컨텍스트를 유지 관리할 것입니다.
그 구분은 중요합니다. 챗봇은 반응적입니다. 유지 관리되는 지식 베이스는 누적적입니다. 챗봇은 응답을 제공합니다. 위키는 미래의 당신에게 더 나은 출발점을 제공합니다.
이것이 또한 "두 번째 뇌"라는 문구가 마침내 덜 부끄러워질 수 있는 이유입니다. 수년 동안, 그것은 종종 야망적인 파일 캐비닛을 의미했습니다: 미래의 당신이 정리하기를 바라며 물건을 넣는 곳. 그러나 진정한 두 번째 뇌는 단지 기억을 저장해서는 안 됩니다. 그것은 구조를 보존하고, 신념을 업데이트하고, 연결을 표면화하고, 축적된 생각을 재사용하기 쉽게 만들어야 합니다.
지금까지, 그것은 너무 많은 인간의 규율을 필요로 했습니다.
이제 유지 관리를 위임할 수 있습니다.
실제 워크플로우
실용적인 워크플로우는 거의 실망스러울 정도로 간단합니다.
원시 소스를 수집하십시오. LLM이 그것들을 구조화된 마크다운 위키로 컴파일하게 하십시오. Obsidian 또는 다른 마크다운 인터페이스를 사용하여 결과를 탐색하십시오. 위키에 대해 질문하십시오. 실질적인 답변을 위키에 다시 저장하십시오. 정기적인 상태 점검을 실행하십시오. 반복하십시오.
플라이휠이 중요합니다.
모든 소스는 위키를 더 좋게 만듭니다. 모든 좋은 질문은 아티팩트를 만듭니다. 모든 아티팩트는 미래의 컨텍스트가 됩니다. 모든 상태 점검은 신뢰성을 향상시킵니다. 시간이 지남에 따라, 시스템은 당신이 실제로 연구하고, 쓰고, 구축하고, 결정하는 것을 반영하는 형태를 발전시킵니다.
이것은 AI에게 PDF를 요약하도록 요청하는 것과는 매우 다릅니다.
그것은 주요 임무가 최종 답변을 생성하는 것이 아니라 당신의 지적 작업 공간을 일관되게 유지하는 연구 조교를 갖는 것에 더 가깝습니다.
그것은 현재 LLM의 가장 레버리지가 높은 용도 중 하나일 수 있습니다. 당신의 생각을 대체하는 것이 아닙니다. 모든 것을 아는 척하는 것이 아닙니다. 무한한 일회용 텍스트를 생성하는 것이 아닙니다. 단지 진지한 생각이 축적되게 만드는 유지 관리 작업을 하는 것입니다.
결론
오래된 두 번째 뇌는 규율 문제가 있는 저장 시스템이었습니다. 그것은 모든 것을 넣을 장소를 제공했지만, 여전히 미래의 당신이 조직하고, 연결하고, 업데이트하고, 청소하는 것에 의존했습니다. 그것이 많은 노트 작성 시스템이 아름다운 지도로 시작하여 조용한 아카이브로 끝나는 이유입니다.
LLM 위키는 모델을 뒤집습니다. 원시 소스는 증거 계층으로 남아 있습니다. 마크다운 위키는 컴파일된 계층이 됩니다. 스키마는 AI에게 그것을 유지 관리하는 방법에 대한 규칙을 제공합니다. 상태 점검은 시스템을 신뢰할 수 있게 유지합니다. Obsidian 또는 다른 마크다운 인터페이스는 당신이 작업을 검사하고, 질문하고, 재사용하는 장소가 됩니다.
RAG는 문서 더미에서 질문에 답하는 데 도움을 줄 수 있습니다. LLM이 유지 관리하는 위키는 모든 미래 질문의 출발점을 변경합니다.
그것이 핵심 아이디어입니다. 가치는 더 빠른 요약, 더 깨끗한 노트 또는 더 예쁜 그래프가 아닙니다. 가치는 축적된 컨텍스트입니다. 모든 소스, 모든 쿼리, 모든 모순 및 모든 유용한 출력은 다른 채팅 스레드로 사라지는 대신 시스템을 강화할 수 있습니다.
인간의 역할은 더 좁아지고 더 가치 있게 됩니다: 더 나은 입력을 선택하고, 더 날카로운 질문을 하고, 약한 합성에 도전하고, 무엇이 중요한지 결정합니다. AI의 역할은 반복적이고 구조적이 됩니다: 요약하고, 연결하고, 수정하고, 인용하고, 린트하고, 유지 관리합니다.
그것이 지식 작업이 축적되기 시작하는 방법입니다.
당신의 두 번째 뇌는 더 많은 폴더가 필요하지 않습니다.
그것을 유지 관리할 누군가가 필요합니다.
그리고 처음으로, 그 누군가는 당신일 필요가 없습니다.
이 기사가 마음에 들었다면 더 많은 AI 및 Obsidian 조언을 위해 저를 팔로우해 주세요: @Degen_calls_sol
