AI Wiki - 논문, 뉴스, 저장소를 LLM이 쌓아올리는 개인 지식 위키

시작: 논문을 읽어도 남는 게 없었다

AI 논문·뉴스·저장소를 꾸준히 보는데, 읽고 나면 어디에 뭐가 있었는지 기억이 안 났습니다. 노션에 정리도 해봤지만 문서 작성에 시간이 많이 소요되서 포기했습니다.

그러던 중 안드레 카파시가 제안한 LLM Wiki 개념을 봤습니다. 핵심은 검색 시점이 아니라 자료를 넣는 시점에 LLM이 위키 페이지를 써두고, 질문에는 그 위키만 근거로 답하게 한다는 것입니다. 이거다 싶어서 Claude Code로 직접 만들어보기로 했습니다.

설계: 3계층과 네 가지 규칙

폴더는 다른 저장소 구현체를 참고해서 세 층으로 나눴습니다.

raw/ : PDF, 저장소 스냅샷, 기사 원문을 손대지 않고 보관 sources/ : LLM이 쓴 한글 구조화 요약 (요약·기여·방법·결과·한계·관련 연구·용어) wiki/ : [[위키링크]]로 연결된 정제 페이지

세 층의 파일명 stem을 통일해서(vaswani-2017-attention-is-all-you-need 같은 식) 위키에서 원문까지 항상 거슬러 올라갈 수 있게 했습니다.

그리고 CLAUDE.md에 네 가지 규칙을 설정했습니다. 웹 검색 금지, 위키가 유일한 진실, 부족하면 원문을 다시 읽고 위키를 갱신, 자료가 없으면 없다고 답하기.

컨텐츠 분류는 주제가 아니라 네 연구 관심사 기준으로 했습니다. RAG 인프라는 database, 로봇 학습은 physical-ai, 벤치마크는 evaluations처럼요. "나중의 내가 어디서 찾고 싶을까"를 기준으로 정한 겁니다.

구현: Claude Code 스킬과 훅으로 파이프라인 자동화

자료 유형별로 스킬을 만들었습니다. ingest-paper, ingest-article 같은 스킬이 텍스트 추출(pypdf·pymupdf), sources 작성, wiki 작성, index.md 갱신까지 한 번에 처리합니다.

가장 신경 쓴 부분은 그림 처리입니다. 논문의 figure를 전부 추출해두되, LLM이 후보를 표로 제안하면 제가 확인한 것만 wiki/assets/에 복사해 위키에 넣습니다. 자동으로 다 넣으면 위키가 지저분해지고, 아예 안 넣으면 이해가 안 되기 때문입니다.

품질 유지는 훅과 린트에 맡겼습니다. 저장 후 wiki-lint-reminder.sh가 돌고, lint_terms.py가 용어집(wiki/overviews/glossary-*.md)과 표기를 맞추는지, lint_style.py가 문체 규칙을 지키는지 검사합니다. 한글 본문에 영문 기술 용어를 섞을 때 표기가 흔들리는 문제를 여기서 수정합니다.

웹 배포: 프레임워크 없이 직접 빌드

Obsidian도 좋지만 폰이나 다른 PC에서 볼 수 없어서 웹 배포를 붙였습니다.

배포는 GitHub Actions입니다. main에 푸시하면 빌드 → Pagefind 인덱싱 → GitHub Pages 업로드까지 자동으로 돌아갑니다.

만들면서 배운 것 규칙을 CLAUDE.md에 명시하는 것이 프롬프트를 매번 잘 쓰는 것보다 훨씬 효과적이었습니다. 위키는 쌓일수록 좋아집니다. 새 자료가 기존 페이지와 링크로 엮이면서 overviews 페이지가 점점 두꺼워지는 게 이 방식의 진짜 장점입니다.