본문으로 건너뛰기

10년치 명리 강의 PPT 3,182장을, 검색되는 지식 9,733건으로 — 슬라이드 더미를 RAG 지식베이스로 바꾼 기록

한바둑

2026.08.13

소개

시도한 것

10년 동안 명리학을 공부하고 가르치면서 PPT가 쌓였습니다. 4관법 이론서 307장, 통변집 352장, 60갑자 일주론 523장, 정규 교재 389장… 세어 보니 15개 파일에 3,182장이었습니다.

그런데 이 자료의 상태가 이랬습니다.

  • 찾을 수가 없다. "공망이 어디 있더라?" 하면 파일 세 개를 열어 스크롤합니다.

  • 어디에 뭐가 있는지 나만 안다. 그것도 잊어버립니다.

  • AI에게 물어보면 엉뚱한 소리를 한다. 제 자료를 모르니 당연합니다.

목표는 하나였습니다. 이 슬라이드 더미를, 질문 한 줄로 해당 대목이 튀어나오는 지식베이스로 바꾸는 것.

왜 하필 지금

두 가지 이유가 겹쳤습니다.

첫째, AI에게 근거를 대게 하려면 근거가 DB에 있어야 합니다. 저는 AI 명리 상담 시스템(한바둑 MegaAI)을 만들고 있는데, 아무리 좋은 모델을 붙여도 "어느 강의 어느 대목에서 나온 말인가"를 답하지 못하면 그건 상담이 아니라 그럴듯한 말입니다.

둘째, 2027년 UNESCO 디지털 문화유산 등재를 목표로 하고 있습니다. 등재 심사가 요구하는 것은 자료의 양이 아니라 출처 추적 가능성과 재현성입니다. PPT 파일 3,182장을 그대로 제출할 수는 없습니다.

다룬 자료 두 계통

계통

자료

성격

① 탈XX 4관법

제가 정리한 PPT 원본 15파일 3,182장

음양→간지자의→육신→신살 4관법 격자형 체계

② 박청화 강의

춘하추동·제트엔진·옴니버스·운의해석·정진반 등 시리즈 다수

수년에 걸친 현장 강의, 나선형 반복 심화

표기 원칙 외부 공개 시 스승 호칭은 반드시 탈XX로 표기합니다. 계통 혼용 절대 금지 — 이건 나중에 이 프로젝트 전체의 제1원칙이 됩니다. 이유는 §4에서 말씀드리겠습니다.

진행 방법

3-1. 사용한 도구

도구

역할

Claude Opus 4.5 (claude-opus-4-5-20251101)

PPT/전사본 → 섹션 분할, RAG md·INSERT SQL 생성

PostgreSQL 18.1 (hanbadook_production)

gwanbeop_ppt 테이블 — 원천 데이터 보관

Dify (hybrid_search)

RAG 지식베이스 — 검색 계층

python-pptx / markitdown

PPT 텍스트·구조 추출

DigitalOcean

운영 서버

3-2. 원본 PPT 실측 — 먼저 "무엇을 가지고 있는지"부터

정리를 시작하기 전에 자산 목록을 만들었습니다. 이걸 건너뛰고 바로 변환에 들어갔다가 두 번 되돌아온 경험 때문입니다.

스타일

성격

장수

A. 입문형

사주명리 초보 입문 교재

103

B. 통변집형

간명지 작성 특강 · 통변 실전

352

C. 4관법형

음양·간지·육신·신살 이론서

307

D. 일주론형

60갑자 일주별 종합(건강 포함)

523

E. 성명학형

성명학 이론서

96

F. 명식서식형

4관법 실전 적용 + 명식 표기

100

G. 육신조합형

육신 조합 통변

159

H. 간지자의형

지지 자의속성·물상활용

91

I. 정규교재형

節/章 기반 정규 강의 교재 (2파일)

153 / 389

J. 매화역수형

수리역학 기본수·포국도

133

K. 역법서적형

역법(천문) 원리분석 13장

373

L. 우주원리형

음양오행 원리 철학서 9장

324

B-부속

학회지편 독립본

61

C-부속

年月日時 구조와 有無 개념

18

합계

3,182

이 표를 만들면서 얻은 게 두 가지입니다.

하나, 자료마다 구조가 완전히 다르다는 걸 알았습니다. C(4관법)는 1. ○○의 의미 → 2. ○○의 활용 번호형 2단 전개가 끝까지 반복되는 격자형입니다. D(일주론)는 60갑자 × 항목의 사전형입니다. B(통변집)는 일간별 × 지지그룹 격자입니다. 구조가 다르면 분할 전략도 달라야 합니다.

둘, 콘텐츠 배제 원칙을 세웠습니다. L 계열 원본에는 특정 교단 교리 내용이 섞여 있었습니다. 서식(색·폰트·레이아웃)만 참고하고 교리 내용은 지식베이스에 넣지 않기로 명문화했습니다. UNESCO 등재는 신념의 문제가 아니라 자료와 절차의 문제이기 때문입니다.

(이미지 자리 ①: PPT 원본 15파일 자산 목록 스프레드시트 — 파일명·장수·구조 유형)

3-3. 표준 3종 세트 — 이 워크플로우 하나로 전부 처리했습니다

배치를 아무리 많이 돌려도 산출물은 항상 똑같은 3개가 나오도록 고정했습니다. 이게 이 작업 전체에서 가장 큰 시간 절약이었습니다.

#

산출물

용도

1

○○_Dify_RAG_v1_0.md

Dify 지식베이스 업로드용 (검색 계층)

2

○○_gwanbeop_ppt_INSERT_v1_0.sql

PostgreSQL 등재용 (원천 계층)

3

○○_로드맵_일괄업데이트_v1_0.md

7개 로드맵 문서 동시 갱신용 (관리 계층)

3번이 처음엔 없었습니다. 그래서 로드맵 문서 7개가 서로 다른 숫자를 말하는 사태가 벌어졌습니다(§4 시행착오).

3-4. 사용한 프롬프트 전문

배치마다 이 프롬프트를 그대로 씁니다. 자료명·강 범위·slide 대역만 바꿉니다.

[역할]
너는 한바둑 MegaAI 프로젝트의 지식관리 담당이다. 명리학 강의 자료를
RAG 지식베이스와 PostgreSQL에 등재 가능한 형태로 변환한다.

[입력 자료]
- 자료명: 박청화 정진반 下편
- 강 범위: 下1강 ~ 下30강
- 계통: ②박청화  (①탈XX 4관법 / ③상리철학과 절대 혼용 금지)
- 원본: 첨부 전사본 (총 ⟨N⟩자)

[분할 원칙]  ★ 추정 금지, 원본 구조 우선
1. 섹션 분할은 원본의 1차 소제목 단위를 그대로 따른다.
   임의 800자 기계 분할 금지. 원본에 소제목이 없으면 주제 전환점 기준.
2. 원본에 없는 내용을 만들어 넣지 않는다. 요약하되 창작하지 않는다.
3. 섹션마다 원본 글자수를 세어 표에 남긴다. (총합 대조용)

[금기어]  ★ 4관법 계통 보호
- 격국 · 용신 · 기신 · 희신 을 처방형 단정으로 쓰지 않는다.
  (원문에 등장하는 경우 인용 표시 후 그대로 보존. 재정립·비판 맥락은 허용)
- 희기동소(喜忌同所)로 표기 통일.

[slide_number 배정]
- 배정 희망 대역: 9636 ~ 9733
- 반드시 사전 충돌 검증 SQL을 함께 출력할 것.

[출력]  ★ 반드시 3개 파일 전부
1. Dify RAG md   — 헤더 계층: ## [N강] > ### 섹션 N-M: 제목
2. INSERT SQL    — 컬럼 (slide_number, title, content, category,
                          source, lecture_source, book, created_at, updated_at)
                   content는 E'' 이스케이프. 작은따옴표 처리 주의.
3. 로드맵 일괄업데이트 md — 7개 로드맵(LangGraph/PostgreSQL/교재보강/
                   UNESCO/시스템통합/Rails API/저서등재현황)의 버전 증분과
                   변경사항, 그리고 서버 실행 체크리스트

[검증]  ★ 출력 전 필수 3종
① 원본 글자수 vs 산출물 글자수 대조
② 섹션 수 = INSERT 건수 = RAG 섹션 수  (3개 값 일치)
③ slide_number 범위 내 중복 0건
세 개 중 하나라도 어긋나면 출력하지 말고 먼저 보고할 것.

마지막 [검증] 블록이 제일 중요합니다. 이걸 넣기 전에는 RAG 섹션은 98개인데 SQL은 96건인 배치가 나왔고, 두 달 뒤에야 발견했습니다.

3-5. 서버 등재 — 사전 검증 → 실행 → 사후 검증

절차를 고정했습니다. 순서를 바꾸면 사고가 납니다.

sql

-- ① 접속 (서버 재접속 후 무조건 이것부터)
sudo -u postgres psql -d hanbadook_production

-- ② 사전 검증: slide_number 대역 충돌 확인  ★ 0건이어야 진행
SELECT COUNT(*) FROM gwanbeop_ppt WHERE slide_number BETWEEN 9636 AND 9733;
SELECT COUNT(*) FROM gwanbeop_ppt WHERE source = '박청화_정진반_下';

-- ③ INSERT 실행
\i /tmp/박청화_정진반_下_gwanbeop_ppt_INSERT_v1_0.sql

-- ④ 사후 검증 (3종)
SELECT COUNT(*) FROM gwanbeop_ppt WHERE source = '박청화_정진반_下';
                                  -- → 98건
SELECT MIN(slide_number), MAX(slide_number) FROM gwanbeop_ppt
 WHERE source = '박청화_정진반_下';
                                  -- → 9636, 9733
SELECT COUNT(*) AS grand_total FROM gwanbeop_ppt;

-- ⑤ 백업
-- pg_dump hanbadook_production > /tmp/backup_20260615_정진반下_v1.sql

파일 전달은 PowerShell scp 한 줄입니다.

powershell

scp E:\HanbadookMegaAI\박청화_정진반_下_gwanbeop_ppt_INSERT_v1_0.sql root@서버IP:/tmp/

(이미지 자리 ②: psql 사후 검증 화면 — COUNT 98건 / MIN·MAX 9636·9733 출력)

3-6. 테이블 설계

sql

-- gwanbeop_ppt : 원천 데이터 계층
slide_number    integer   -- 자료별 대역 배정. 전역 유일
title           text      -- 섹션 제목
content         text      -- 본문
category        text      -- 강 단위 분류 (예: 정진반_下12강)
source          text      -- 자료 식별자 (예: 박청화_정진반_下)
lecture_source  varchar   -- 원 강의 표기
book            varchar   -- 원 저서/시리즈
created_at / updated_at

source가 계통 분리의 핵심입니다. 검색할 때 source LIKE '박청화_%'로 계통을 고정하면 4관법 내용이 섞여 들어오지 않습니다.

3-7. 등재 결과

② 박청화 계통 (주요 시리즈)

시리즈

source

섹션수

slide 대역

운의해석 春/夏/秋/冬

박청화_운의해석_*

460

6001~6725

춘하추동 2010판 春/夏/冬

박청화_춘하추동_*

340

2901~5199

춘하추동 2004판 春/夏/秋/冬

박청화_춘하추동_2004_*

449

2200~2890

제트엔진 上/中/下

박청화_제트엔진_*

635

7001~7630

옴니버스 春/夏/秋/冬

(편별)

730

6140~9106

정진반 上/下

박청화_정진반_*

196

7001~7098 / 9636~9733

청화비전

—

141

—

신살론 26강

—

95

—

① 탈XX 4관법: 1,593건 ③ 상리철학 상: 82섹션 (조명언 저 · 김동화 강의 정리분. ①과 별개 계통)

gwanbeop_ppt 누적: 문서 기준 9,733건+ ⟨서버 SELECT COUNT(*) 실측 미완⟩

(이미지 자리 ③: source별 건수 GROUP BY 결과 — 계통·시리즈별 분포)

3-8. 구조가 다르면 분할도 다르게

이게 이 작업의 기술적 핵심입니다.

구조 유형

특징

청크 전략

해당 자료

격자형

한 칸에 한 주제, 독립 완결

고정 800자 / 150자 overlap

탈XX 4관법, 제트엔진, 정진반

나선형

같은 주제가 여러 강에서 재등장·심화

주제 전환점 기준 + 맥락태그

옴니버스, 춘하추동, 운의해석

요약형

정수만 압축

섹션 전체 + 키워드 밀집

청화비전

나선형이 문제였습니다. 예를 들어 "충형파해"는 옴니버스 冬편에서는 부동산 맥락으로, 춘하추동 夏편에서는 직업 전환 맥락으로, 운의해석 秋편에서는 대운 이동 맥락으로 나옵니다. 같은 키워드를 가진 섹션이 여러 곳에 흩어져 있으면 검색 점수가 분산되고, 엔진이 "어느 게 맞는 대목인지" 판별하지 못합니다.

그래서 나선형 자료에는 키워드 외에 맥락태그를 따로 붙였습니다.

섹션: "충형파해와 변동"
  키워드: 충 · 형 · 파 · 해
  맥락태그: 부동산 · 매매시기 · 대운그룹      ← 이걸 추가

결과와 배운 점

결과

항목

Before

After

자료 형태

PPT 15파일 3,182장 + 전사본

DB 레코드 ~9,733건 + Dify RAG 문서 130여 개

검색

파일 열고 스크롤

질문 한 줄 → 해당 섹션

출처

기억에 의존

source#slide 로 특정

계통 구분

머릿속에서만

source 컬럼으로 기계 분리

검색 정밀도

—

평균 유사도 0.5395 (목표 0.80)

정직하게 적자면 0.5395는 아직 부족한 숫자입니다. 절반 조금 넘게 맞힌다는 뜻입니다. 다만 60갑자 천간을 반영하기 전 0.38이었으니 방향은 맞았습니다.

꿀팁

① 변환하기 전에 자산 목록부터 만드십시오. 파일명·장수·구조 유형 세 칸짜리 표 하나면 됩니다. 저는 이걸 안 만들고 시작했다가, 같은 내용이 두 파일에 들어 있는 걸 뒤늦게 발견했습니다.

② 산출물을 "3종 세트"로 고정하면 배치가 편해집니다. 검색용(RAG md) · 원천용(INSERT SQL) · 관리용(로드맵 갱신) 세 개를 항상 함께 냅니다. 하나라도 빠지면 나중에 반드시 불일치가 생깁니다.

③ 분할 기준은 글자수가 아니라 원본의 소제목입니다. 춘하추동 2004년판을 800자 기계 분할하면 743섹션이 나왔는데, 원본 1차 소제목 기준으로 자르니 449섹션이었습니다. 후자가 검색 품질이 훨씬 좋았습니다. 기계 분할은 문장 중간을 자릅니다.

④ 새 자료는 항상 가산(additive)입니다. 교체·병합하지 않습니다. 춘하추동 2004년판이 들어왔을 때 2010년판과 합치고 싶은 유혹이 컸습니다. 같은 시리즈니까요. 그런데 같은 강사의 다른 연도 강의는 다른 자료입니다. 별도 source로 병존시켰더니, 오히려 "같은 개념을 6년 뒤에 어떻게 다르게 설명했는가"를 비교할 수 있게 됐습니다. 이게 UNESCO 등재 논거로도 훨씬 강합니다.

⑤ 작업을 4계열로 나눠서 셉니다. 이게 없으면 누적 건수가 오염됩니다.

계열

작업 성격

건수 반영

A

RAG/DB 신규 등재

증가

B

원본 스캔·복원, 전사본 병합

무변동

C

STT/OCR 오류 교정

무변동

D

요약본·학습자료 편집

무변동

"오늘 하루 종일 일했는데 왜 건수가 그대로냐"의 답이 여기 있습니다. B·C·D는 품질 작업입니다. 중요하지만 건수를 늘리지 않습니다.

시행착오

❶ slide_number 대역 충돌 — 제일 크게 데인 사고. 제트엔진 上편에 7001~7233을 배정하고, 中편에 7101~7342를 배정했습니다. 겹칩니다. 게다가 정진반 上편도 7001~7098을 쓰고 있었습니다. 나중에 "정합성 수정" 문서를 따로 만들어 재배정해야 했습니다. → 교훈: INSERT 전 사전 검증 SQL을 무조건 먼저 돌립니다. 0건이 아니면 손대지 않습니다. 지금은 프롬프트에 "사전 충돌 검증 SQL을 함께 출력할 것"을 못 박아 뒀습니다.

❷ 분할 실행 → 통합 재실행의 낭비. 제트엔진 中편을 5개로 쪼개 INSERT 했다가, 나중에 통합본으로 바꾸면서 기존 데이터를 전부 DELETE 하고 다시 넣었습니다. → 교훈: 처음부터 시리즈 단위 통합본으로 만듭니다. 쪼개면 slide 대역 관리가 배로 어려워집니다.

❸ 문서마다 누적 건수가 다름 — 「문서 ≠ 사실」. 같은 시점에 문서 A는 2,387건, 문서 B는 2,700건, 제 메모는 9,733건이라고 적혀 있었습니다. 전부 제가 쓴 문서인데 말입니다. 각 문서가 자기 시점의 스냅샷을 그대로 들고 있었던 것입니다. → 교훈: 수치는 SELECT COUNT(*) 확인 전까지 확정하지 않습니다. 과거 문서는 "2026-05-14 시점 스냅샷"이라고 주석을 달아 동결하고, 최신값은 서버 실측으로만 갱신합니다.

❹ 스텁 등재의 함정. "무엇이든물어보세요" 108강을 제목만 넣고 content를 빈 값으로 먼저 등재했습니다. 레코드는 +108입니다. 그런데 검색에는 하나도 안 잡힙니다. 건수만 보면 늘었는데 지식은 안 늘었습니다. → 교훈: 등재 현황표에 "레코드 수"와 "실질 지식"을 분리해서 적습니다. 숫자가 커지는 걸 성과로 착각하면 안 됩니다.

❺ 계통 혼용 — 처음엔 이게 왜 문제인지 몰랐습니다. 초기에 4관법과 박청화 자료를 한 문서에 섞어 넣은 적이 있습니다. 검색은 잘 됐습니다. 그런데 답변이 나오는 순간 문제가 드러났습니다. 한 문단 안에서 두 스승의 논리가 섞여 버립니다. 4관법은 격국·용신을 처방형으로 쓰지 않는데, 박청화 자료에는 그 개념을 재정립하는 맥락이 있습니다. 섞이면 둘 다 훼손됩니다. → 교훈: source로 계통을 물리적으로 분리하고, 검색 단계에서 계통을 먼저 고정합니다. 지금은 이게 프로젝트 제1원칙입니다.

❻ 서식 사양을 나중에 뽑은 것. 새 PPT를 만들 때마다 색과 폰트가 조금씩 달라졌습니다. 뒤늦게 원본 XML에서 실측값을 추출해 서식 사양서 v12로 정리했는데, 이걸 처음에 만들었으면 훨씬 편했을 겁니다.

도움이 필요한 부분

① 나선형 자료의 검색 정밀도. 유사도 0.5395에서 0.80으로 올리려면 청크 재분할이 필요해 보이는데, 이미 등재된 원본을 다시 쪼개는 것이 맞는지, 아니면 맥락태그 같은 메타데이터 보강으로 우회하는 게 맞는지 판단이 서지 않습니다. 비슷한 규모의 문서 자산을 다뤄 보신 분의 조언을 구합니다.

② 강의 시점 메타데이터. 같은 강사가 초기와 후기에 같은 주제를 다르게 설명합니다. 후기 강의를 우선 랭킹하고 싶은데, 원본에 날짜가 없습니다. 내용 속 시대 단서("요즘 부동산", "IMF 때")로 시기를 추정하는 방식을 검토 중인데, 이 정도 추정이 학술 자료로 허용될 수 있는 수준인지 궁금합니다.

③ 저작권. 강의 전사본을 지식베이스에 넣는 것과, 그 결과물을 출판하는 것은 다른 문제입니다. 현재는 비상업적 내부용을 전제로 진행하고 협의를 준비 중인데, 이런 케이스의 선례를 아시는 분이 있으면 도움을 청합니다.


5. 앞으로의 계획

순서

작업

상태

1

서버 SELECT COUNT(*) 전수 실측 → 전 문서 누적 수치 동기화

최우선

2

나선형 자료 맥락태그 부여 → 유사도 0.5395 → 0.80

진행

3

무물 108강 스텁 content 채우고 재색인

대기

4

60갑자 전체 일주 커버리지 (현재 19/60)

진행

5

교차 참조 인덱스 — "이 개념은 저 강의에서도 나옵니다"

설계

6

UNESCO 등재 서류 — 지식 구조도·근거 추적 증적·재현성 입증

2027 목표

7

POD 출판 / e-북 (저작권 협의 선행)

준비

한 줄로 정리하면 — 인간은 공부하고 잊습니다. 148강을 다 들어도 3년 뒤엔 흐려집니다. 이 작업의 목적은 자료를 많이 모으는 게 아니라, 인간이 잊어버리는 맥락을 AI가 대신 기억하게 하는 것입니다. 유사도 0.80은 그래서 기술 목표가 아니라 기억 재현 충실도의 정량 표현입니다.

도움 받은 글 (옵션)

  • 한문파고다 PPT 서식 사양서 v12 — 원본 15파일 XML 실측 서식값 (자체 문서)

  • 韓바둑 통변 고급화 전략 v2.0 — 5계층 구조, 지식관리 산출물 ↔ UNESCO 등재 서류 대응표 (자체 문서)

  • Claude 반성문 총괄표 v3.7 — "원본 데이터 우선, 추정 금지", "결과 제공 전 필수 3종 검증" (자체 축적 문서)

  • 로드맵 통합 업데이트 v2.8 — 작업 4계열 구분 표준(A/B/C/D)

  • 지피터스 23기 에이전트 하네스 스터디 — 검증 영수증·근거 추적 개념

3

함께 이야기해요 3

로그인하고 댓글을 남겨 주세요

Giacomo 프로필 이미지
Giacomo2026.08.16

세 가지 도움 요청 가운데 검색 정밀도는 운영 원본을 바로 재분할하기보다, 뒤 글에서 정리하신 `_exp` 복제 색인 방식으로 먼저 비교하는 쪽이 안전해 보여요. 고정 골든 쿼리에서 ① 현재 청크+맥락태그, ② 500/800/1,200자 청크, ③ 맥락 포함 쿼리를 한 번에 하나씩 바꾸고, 평균 유사도뿐 아니라 Recall@k·계통 혼입률·`source#slide` 인용 적중을 함께 보면 0.5395가 왜 낮은지도 분리할 수 있습니다.

이미 additive 원칙과 계통별 `source`를 지키고 있으니, 승격 조건도 그 구조에 맞출 수 있어요. 복제 색인에서 같은 평가셋을 반복해 개선이 재현되고 계통 혼입이 0일 때만 운영 후보로 올리면 됩니다. 이 순서라면 맥락태그가 충분한지 먼저 보고, 부족할 때만 나선형 자료의 재분할을 승인형 변경으로 좁힐 수 있습니다.

강의 시점은 본문 속 시대 단서를 확정 날짜로 승격하지 않는 편이 좋습니다. `recorded_date`는 비워 두고, `observed_period_hint`, 정확한 인용과 slide locator, 추정 구간, confidence, reviewer_status를 별도 필드로 두세요. 사람 검토 전에는 검색 순위의 결정값으로 쓰지 않고 비교용 facet으로만 노출하면, ‘후기 강의 우선’이 추정을 사실처럼 굳히는 일을 막을 수 있습니다.

저작권은 내부 RAG 이용과 외부 출판을 서로 다른 gate로 두는 현재 방향이 맞습니다. `source`별로 권리자·허용 용도·출판/2차적 이용 범위·협의 증빙 ID를 관리하고, 출판 gate는 증빙이 없으면 `internal_only`로 닫는 편이 안전해요. 다만 실제 출판 가능성은 자료별 권리관계와 계약에 따라 달라지므로, 선례 하나로 판단하기보다 권리자 협의와 한국저작권위원회 또는 저작권 전문 법률가의 개별 검토가 필요합니다.

9,733건이라는 큰 숫자 앞에서도 서버 `COUNT(*)` 미실측과 0.5395를 그대로 남긴 정직함이 믿음직했어요. 레코드 수와 실질 지식을 구분한 그 태도가 검색 품질을 고칠 수 있는 출발점입니다.

뽀짝이 프로필 이미지
뽀짝이2026.08.13

3,182장짜리 슬라이드 더미를 9,733건의 검색 가능한 지식베이스로 바꾼 과정, 규모도 규모지만 방법론이 탄탄해서 인상 깊게 읽었어요.

"자산 목록을 먼저 만들었다"는 첫 단계가 특히 좋았어요. 변환 도중 두 번이나 되돌아온 경험에서 나온 결정이라는 게 설득력 있고요. 구조가 제각각인 14개 스타일을 먼저 분류해 두지 않으면 변환 전략 자체를 잡기가 어렵죠.

계통 혼용 절대 금지를 프로젝트 제1원칙으로 세운 것도, AI 상담 시스템에서 출처 추적 가능성을 요구하는 UNESCO 등재 심사 기준까지 이어지는 맥락을 보면 단순한 데이터 관리 원칙이 아니라는 게 보여요.

다음 단계가 궁금해지는 글이에요. 고롱고롱… 이런 스케일의 작업 기록이 올라올 때 괜히 기분이 좋아져요 ✨

한바둑 프로필 이미지
한바둑2026.08.16

네 항목 모두 그대로 반영하겠습니다. 순서대로 답을 드립니다.

1. _exp 우선 + 다중 지표 — 특히 지표 쪽이 아팠습니다.
실험 계약을 짜면서 "한 번에 하나만 바꾼다"는 통제는 걸어놓고, 정작 지표는 평균 코사인 유사도 하나만 두었습니다. RS(회수)와 EU(활용)를 왜 갈랐는지 스스로 적어놓고도, 검색 실험에서는 다시 단일 수치로 뭉친 셈입니다. 그 하나로는 "못 찾았다"와 "찾았는데 다른 계통을 물어왔다"가 구분되지 않습니다. Recall@k · 계통 혼입률 · source#slide 인용 적중을 함께 보라는 말씀대로 hermes.growth_result를 실험당 1행이 아니라 지표당 1행으로 바꾸겠습니다.

여기에 더 정직하게 말씀드릴 것이 있습니다. 0.5395라는 숫자 자체가 지금 두 가지 뜻으로 쓰이고 있습니다. 원래는 더미 통변과 실데이터 통변을 19개 일주에서 교차 대조한 의미 유사도(Claude API 채점)인데, 여러 문서에서 이것이 "Dify RAG 검색 유사도"로 옮겨 적혀 있습니다. 측정 층위가 다른 값입니다. 미해결 목록 6번에 "측정 프로토콜 재확인 후 목표 재조정"으로 남겨둔 것이 바로 이 건인데, 말씀하신 지표 분해를 하면 그 혼동부터 드러날 것 같습니다. 그 전까지 0.80이라는 목표치는 방향 표시일 뿐 판정 기준으로 쓰지 않겠습니다.

2. 승격 순서 — 병렬을 순차 의존으로 바꾸겠습니다.
실험 A(청크 재분할)·B(맥락태그)·C(쿼리 템플릿)·D(시점 랭킹)를 등급만 나눠 나란히 놓았는데, A만 사이드카 충돌이 있으니 B·C로 어디까지 오르는지 먼저 보고, 남는 격차가 있을 때만 A를 승인형으로 좁혀 여는 것이 맞습니다. additive 원칙과도 그쪽이 일관됩니다. 승격 조건은 "복제 색인에서 같은 평가셋 반복 → 개선 재현 + 계통 혼입 0"으로 고정하겠습니다. 재현 확인 없이 한 번 좋아진 수치로 올리는 경로는 닫겠습니다.

3. 강의 시점 — 이건 제 원칙과 정면으로 충돌하는 설계였습니다.
반성문 원칙 2가 "원본 데이터 우선, 추정 금지 — 문서 ≠ 사실"인데, 제가 구상한 「강의 시점 추정기 → 후기 강의 우선 랭킹」은 본문 속 시대 단서를 랭킹 가중치로 승격시키는 장치입니다. 더 나쁜 것은, 옴니버스에 대해 "전 시기에 걸쳐 있어 시기 특정이 어렵다"고 제가 직접 적어놓고도 그 시리즈를 랭킹 대상에 넣었다는 점입니다. 추정이 순위를 바꾸고, 순위가 인용을 바꾸고, 인용이 다시 근거로 쌓이면 되돌릴 방법이 없습니다.

말씀하신 필드 구성 그대로 가되 한 가지만 덧붙이겠습니다. 확정 연도와 추정 구간을 같은 필드에 담지 않겠습니다. 춘하추동은 2004년판·2010년판이 별도 source로 등재되어 있어 연도가 문헌적으로 확정된 경우이고, 나머지는 본문 단서뿐입니다. recorded_year(출처 확정분만) 와 observed_period_hint(인용·slide locator·구간·confidence·reviewer_status 동반)를 분리하고, 후자는 사람 검토 전까지 비교용 facet으로만 노출하겠습니다.

4. 저작권 — gate 이원화 채택, 다만 판단은 미루겠습니다.
source별로 권리자·허용 용도·2차적 이용 범위·협의 증빙 ID를 관리하고 증빙이 없으면 출판 gate는 internal_only로 닫는 구조로 가겠습니다. 기본값을 열어두고 예외를 막는 게 아니라 닫아두고 증빙으로 여는 방향이라는 점이 중요하다고 봅니다.

이 gate에 표기 규칙도 함께 넣으려 합니다. 외부 공개 시 협업자 표기를 '탈XX'로만 쓰는 원칙이 지금은 사람 기억과 문서 머리말에만 있는데, source 메타에 외부 표기명 필드를 두면 사람이 잊어도 출판 경로에서 걸립니다. 그리고 마지막 문장 그대로, 실제 출판 가능 여부는 자료별 권리관계와 계약에 달린 문제라 제가 선례 하나로 판단할 일이 아닙니다. 저는 법률가가 아니니 권리자 협의를 먼저 진행하고, 한국저작권위원회 상담과 전문가 개별 검토를 거친 뒤에 gate 값을 채우겠습니다. 그 전까지는 전 source internal_only 기본값입니다.

마지막으로 짚어주신 부분에 사족을 답니다. 9,733건이라는 수치도 사실 확정된 값이 아닙니다. 문서마다 2,387 / 2,700 / 9,733으로 서로 다르게 적혀 있고, 서버 COUNT(*) 실측으로 일괄 동기화하는 것이 아직 미해결 2번입니다. 무물 108강을 빈 content 스텁으로 등재하면서 "레코드는 +108이지만 지식은 +0"이라고 표에 적어둔 것이 이 구분의 출발이었는데, 그 구분을 총계에는 아직 적용하지 못했습니다. 지적하신 대로 검색 품질을 고치려면 분모부터 실측해야겠습니다.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기