Karpathy's LLM Wiki - Full Beginner Setup Guide

원본 영상: Karpathy's LLM Wiki - Full Beginner Setup Guide · 채널 Teacher's Tech

Part 1 — 핵심 인사이트

RAG의 한계는 검색이 아니라 '축적 부재'다.
지식은 읽는 순간보다 연결될 때 더 큰 가치를 만든다.
원본과 파생 위키를 분리해야 지식베이스가 안정적이다.
규칙(schema)이 있어야 AI가 일관된 편집자로 동작한다.
문서 관리의 미래는 저장보다 구조화와 업데이트다.

Part 1 — 요약

이 영상은 기존 RAG 방식의 한계, 즉 질문할 때마다 문서를 매번 다시 검색하고 조합해야 해서 지식이 축적되지 않는 문제를 짚고, 이를 해결하는 Andre Karpathy의 'LLM wiki' 개념을 소개한다. 핵심은 AI가 원본 문서를 한 번 읽고, 그 내용을 서로 연결된 마크다운 위키로 정리해 누적되는 지식베이스를 만드는 것이다.

영상은 Obsidian과 Claude Code 같은 도구로 이를 실제로 구현하는 과정을 보여준다. raw/source, wiki, schema라는 3층 구조를 만들고, 규칙 파일을 통해 AI가 새 문서를 읽어 위키를 업데이트하고, 요약·링크·충돌 감지까지 수행하게 한다. 결과적으로 사용자는 매번 처음부터 검색하는 대신, 이미 정리된 지식망 위에서 질문하고 탐색할 수 있게 된다.

Part 2 — 핵심 인사이트

핵심 가치는 저장이 아니라 연결이다.
새 자료가 들어오면 기존 지식도 함께 갱신돼야 한다.
AI 위키는 검색보다 추론형 질의에 더 강하다.
lint는 지식베이스의 품질 관리 장치다.
개인 규모에선 plain text 위키가 가장 실용적이다.

Part 2 — 요약

이 영상은 Claude Code와 Obsidian을 활용해 개인용 LLM 위키를 만드는 방법을 보여준다. 단순히 문서를 저장하는 수준이 아니라, AI가 여러 소스를 읽고 구조화된 페이지를 만들며, 새 자료가 추가되면 기존 페이지까지 갱신해 지식 간 연결을 점점 더 촘촘하게 만든다는 점이 핵심이다.

또한 서로 다른 출처의 정보를 조합해 질문에 답하게 하고, 위키 전체를 점검하는 'lint' 개념으로 모순·고아 페이지·깨진 링크를 찾아내는 유지보수 방식도 소개한다. 마지막에는 학생, 교사, 비즈니스 팀, 독서가 많은 개인 등 다양한 활용 사례와 함께, 개인 규모에 적합하고 좋은 자료를 넣어야 하며 AI 오류를 검토해야 한다는 한계도 짚는다.