본문으로 건너뛰기

LLM Wiki를 겨우 이해하고, 뉴스레터 자동화를 7단계 Harness로 바꿨습니다

유피테르

2026.05.25

LLM Wiki를 겨우 이해하고, 뉴스레터 자동화를 7단계 Harness로 바꿨습니다 본문 이미지

한 줄 요약

LLM Wiki를 거창한 지식관리 시스템이 아니라 "LLM이 읽고 갱신할 수 있는 개인용 온라인 백과사전"으로 이해한 뒤, 그 구조를 뉴스레터 작성 자동화에 연결해 원문 수집 -> 분석 -> 섹션 매핑 -> 레이아웃 -> 초안 -> 인포그래픽 -> 최종 조립의 7단계 Harness로 만들었습니다.

이런 분들께 도움될 수 있습니다

  • AI에게 매번 같은 배경 설명을 반복하고 있는 분

  • 프롬프트는 있는데 결과물이 매번 흔들려서 답답한 분

  • Obsidian, Markdown, Git 같은 도구로 개인 지식 저장소를 만들고 싶은 분

  • 뉴스레터, 보고서, 제안서처럼 반복되는 글쓰기 업무를 단계형 자동화로 바꾸고 싶은 분

처음에는 LLM Wiki가 잘 이해되지 않았습니다

처음 LLM Wiki라는 말을 들었을 때는 조금 막막했습니다. LLM도 알고, Wiki도 아는 것 같은데, 두 단어가 붙으니 갑자기 거창한 시스템처럼 느껴졌습니다. 그래서 아주 기본으로 돌아가서 생각했습니다.

LLM Wiki = LLM + Wiki  

LLM은 ChatGPT, Claude, Gemini 같은 언어 모델입니다. Wiki는 Wikipedia나 나무위키처럼 문서가 서로 연결되고, 계속 수정되고, 업데이트되는 온라인 백과사전에 가깝습니다. 그러면 LLM Wiki는 이렇게 이해할 수 있었습니다.

LLM이 읽고, 정리하고, 다시 갱신할 수 있는 개인용 온라인 백과사전  

여기서 제게 가장 중요했던 단어는 "백과사전"이었습니다.
백과사전은 단순히 글을 쌓아두는 곳이 아닙니다. 개념을 나누고, 목차를 만들고, 관련 개념끼리 연결합니다. 그리고 새로운 정보가 생기면 고칩니다.
종이 백과사전이 빠르게 쇠퇴한 이유도 결국 업데이트가 어렵기 때문이라고 생각했습니다.
반대로 Wiki의 강점은 계속 고칠 수 있다는 데 있습니다.
그 관점에서 보니 LLM Wiki도 "한 번에 완성하는 지식베이스"가 아니었습니다.
자료를 넣고, LLM이 개념을 추출하고, 문서끼리 연결하고, 실제 질문에 써보고, 부족한 규칙을 다시 보완하는 운영 루프였습니다.

개인 Wiki가 어려웠던 이유

개인 Wiki를 만드는 시도는 예전부터 많았습니다. 하지만 개인이 혼자 Wiki를 만든다는 것은 생각보다 어렵습니다. 문서를 새로 만들고, 목차를 잡고, 관련 개념에 링크를 달고, 그 링크 문서도 다시 채워야 합니다. 자료가 조금만 늘어나도 유지보수 부담이 커집니다.

예를 들어 "만우절"이라는 문서를 만든다고 해보면, 그 안에는 "4월 1일" 같은 관련 개념이 나옵니다. 그러면 "4월 1일" 문서를 만들고, 또 그 안의 개념을 연결하게 됩니다. 이렇게 꼬리에 꼬리를 물고 문서가 늘어나는 것이 Wiki의 장점이자 부담입니다.
LLM Wiki는 이 부담을 줄여줍니다. 사용자가 자료를 주면 LLM이 그 자료를 분석하고, 주요 개념을 뽑고, 문서화하고, 기존 문서와 비교해 업데이트할 수 있습니다. 사람이 모든 연결을 손으로 만드는 대신, LLM이 Wiki 운영의 일부를 맡는 방식입니다.

그래서 먼저 만든 것은 운영 규칙인 schema였습니다

처음부터 거창한 시스템을 붙여야 하나 싶었습니다. 하지만 제게 먼저 필요했던 것은 검색 엔진이 아니었습니다. 자료가 들어왔을 때 어떻게 등록하고, 어떤 기준으로 요약하고, 어떤 문서를 고치고, 어떤 결과를 검증할지에 대한 운영 방식이었습니다.

그래서 LLM Wiki의 첫 목표를 이렇게 잡았습니다.

AI가 매번 처음부터 추론하지 않게 하자. 내가 정리한 자료, 규칙, 결정, 검증 루프를 참고해서 일하게 하자.  

결과적으로 만든 구조는 이렇습니다.

llm-wiki/ 
00.Inbox/ 
10.Sources/ 
20.Wiki/ 
30.Members/ 
40.Projects/ 
80.Private/ 
90.Schema/ 

각 폴더의 역할도 분리했습니다.

폴더

역할

00.Inbox/

새 자료를 처음 넣는 곳

10.Sources/

Source ID가 붙은 원본 보관소

20.Wiki/

개념, 요약, 워크플로우, 결정 문서

30.Members/

개인 작업 산출물

40.Projects/

읽기용 결과물, 공개용 초안, 프로젝트 산출물

80.Private/

민감 자료, 이미지, API Key, 일련번호 등

90.Schema/

운영 규칙, lint, eval, agent 지침

AI에게 맡긴 일

이번 작업에서 Codex에게 맡긴 것은 단순 문서 작성이 아니었습니다.

역할은 세 가지에 가까웠습니다.

1. 자료를 읽고 구조를 제안하는 설계자
2. 규칙을 문서로 남기는 기록자
3. lint/eval로 깨진 부분을 찾는 점검자

실제로 만든 문서는 이런 것들입니다.

90.Schema/AGENTS.md
HOWTO.md
90.Schema/eval-questions.md
90.Schema/lint-checklist.md
10.Sources/source-index.md
20.Wiki/overview.md

특히 AGENTS.md는 AI가 이 위키를 다룰 때 따라야 할 운영 규칙입니다. 저는 이 문서를 일종의 "AI 작업 규정"처럼 사용했습니다.

alias를 만든 이유

반복 작업은 짧게 부르고 싶었습니다.

그래서 이런 alias를 만들었습니다.

/ingest  새 자료 등록과 요약
/ask     위키 기준 질문
/save    좋은 답변 저장
/lint    구조 점검
/eval    대표 질문으로 작동 확인

이렇게 해두면 매번 긴 설명을 하지 않아도 됩니다.

예를 들어 새 자료를 넣고 싶으면 이렇게 말하면 됩니다.

/ingest 이 자료 처리해줘

그러면 AI는 다음 순서를 따릅니다.

Inbox 확인
Source ID 부여
Sources에 원본 등록
Wiki에 요약 문서 생성
관련 개념/워크플로우 갱신
log 기록

처음에는 단순한 단축어처럼 보였는데, 실제로는 작업 루프를 고정하는 장치였습니다.

Schema는 사규나 정관에 가까웠습니다

LLM Wiki를 만들면서 가장 많이 고민한 부분은 schema였습니다.

처음에는 schema를 "문서 형식" 정도로 생각했는데, 실제로는 운영 규칙에 가까웠습니다. 회사에 사규가 있고, 법인에 정관이 있듯이, LLM Wiki에도 이 Wiki가 어떻게 운영되어야 하는지를 정하는 규칙이 필요했습니다.

하지만 처음부터 완벽한 schema를 만들 수는 없었습니다.

왜냐하면 실제로 자료를 넣어보기 전에는 어떤 규칙이 필요한지 알기 어렵기 때문입니다. 남이 만든 훌륭한 schema를 그대로 가져오는 방법도 있지만, 그러면 제가 운영하는 Wiki인데 정작 제가 규칙을 잘 모르는 상황이 생길 수 있습니다.

그래서 처음에는 최소 규칙으로 시작했습니다.

1. 원본과 요약을 분리한다.
2. 중요한 자료에는 Source ID를 붙인다.
3. AI가 작업할 때 따라야 할 규칙을 문서로 남긴다.
4. 작동 여부는 lint와 eval로 확인한다.

조금 과장해서 말하면, 처음부터 헌법전을 쓰기보다 8조금법처럼 최소한의 규칙으로 시작한 셈입니다.

그리고 실제로 써보면서 필요한 규칙을 추가했습니다.

실제로 추가된 규칙들

자료를 넣고 운영해보니 처음에는 보이지 않던 질문들이 생겼습니다.

첫 번째는 origin이었습니다.

이 문서가 어디로부터 온 문서일까? youtube일까? 아니면 어떤 특정 웹페이지일까? 자료가 적을 때에는 어디에서 온 자료인지, 어떤 자료인지 한 눈에 알 수 있지만, 자료가 많아지면 출처를 분명히 하는 것이 필요하다고 생각했습니다.

이러한 취지를 codex에게 말하자 codex는 origin이라는 메타데이터를 만들고, 거기에 내용을 써 주었습니다. 그런데 ingest된 몇 몇 문서를 체크해보니 origin: inbox로 쓰는 것이었습니다. 이래서는 아무 의미가 없습니다. 모든 문서는 inbox에 보관된 후 ingest를 거쳐서 오는 것이니까요. 그러면 모든 origin은 inbox가 되어 의미없는 정보가 됩니다.

그래서 origin은 실제 출처를 의미하도록 정했습니다.

origin: tiro
origin: youtube
origin: web
origin: chat
origin: file

두 번째는 field였습니다.

자료가 많아지면 이 자료가 법률 강의인지, 뉴스레터인지, harness engineering인지 구분할 필요가 생깁니다. 그래서 큰 분야는 field, 세부 키워드는 tags로 나눴습니다.

field: newsletter
tags:
  - "[[harness_engineering]]"
  - "[[infographic]]"

세 번째는 LLM의 접근 횟수였습니다.

어떤 문서가 중요한지를 사람이 주관적으로 정할 수도 있지만, 실제로 LLM이 자주 참고한 문서라면 그것도 중요한 신호일 수 있다고 생각했습니다. 음악 플레이어의 재생 횟수나 논문의 인용 횟수처럼요.

그래서 20.Wiki 문서에는 AI 접근 횟수를 기록하는 ai_access_count를 두었습니다.

이렇게 하면 나중에 어떤 문서가 이 Wiki의 core knowledge에 가까운지 조금 더 객관적으로 볼 수 있습니다. ai_access_count가 높은 순서대로 정렬하도록 하면 가장 빈번하게 인용되고 사용된 정보가 무엇인지 알 수 있을테니까요. 여기서 LLM은 한 가지 제안을 합니다. 그냥 단순히 읽기만 하는 수준의 의미없는 접근은 count를 하지 않겠다는 것입니다. 과연 저의 LLM이 의미없는 접근과 의미있는 접근을 어떻게 구분할지는 ingest 몇 번을 거치면서 살펴보아야 하겠습니다.

네 번째는 global schema와 local schema의 구분이었습니다.

법에도 헌법처럼 전체에 영향을 주는 규범이 있고, 특정 분야에만 적용되는 법이나 조례가 있습니다. LLM Wiki의 schema도 마찬가지였습니다.

모든 작업에 항상 적용되어야 하는 규칙이 있고, 특정 폴더나 특정 자료에만 적용되어야 하는 규칙이 있습니다. 이를 구분하지 않으면 LLM은 매번 모든 규칙을 읽어야 하고, 토큰도 낭비되고, 오히려 헷갈릴 수 있습니다.

이 구분은 나중에 Wiki가 커질수록 중요해질 것 같습니다.

저는 이 개념을 지금 구분해놓기는 했지만, 실제로 구현하지는 못하고 있습니다. 실제로 이를 구현하려면 조금 더 구조적인 작업이 필요할 것 같습니다. 하지만 개념적으로는 이미 구분해놓은 상태입니다.

한국 회사의 LMI 시스템 다이어그램

모델이 바뀌어도 남아야 하는 것

스터디 자료에서 인상 깊었던 문장이 있었습니다.

모델은 계속 바뀝니다.
하지만 조직의 지식, 규칙, 검증 루프는 계속 누적되어야 합니다.

이 문장이 LLM Wiki를 이해하는 데 큰 도움이 됐습니다.

우리는 지금 Codex를 쓰다가, 나중에 Claude Code를 쓸 수도 있고, Gemini나 다른 모델을 쓸 수도 있습니다. 모델은 바뀝니다.

그런데 매번 지식과 규칙을 새로 설명해야 한다면, AI를 쓰는 방식이 계속 초기화됩니다.

그래서 중요한 것은 특정 모델이 아니라, 모델이 참고할 수 있는 지식 체계와 운영 규칙을 남기는 것이었습니다.

Codex에서는 AGENTS.md가 운영 규칙처럼 작동했습니다. 만약 다른 도구를 쓰게 된다면, 예를 들어 Claude Code에서는 CLAUDE.md에서 같은 규칙을 참조하게 만들면 됩니다.

즉, 핵심은 특정 파일명이 아니라 이 구조입니다.

모델은 바뀌어도
지식, 규칙, 검증 루프는 남아야 한다.

여기서 Harness Engineering으로 넘어갔습니다

LLM Wiki를 만들고 나서야 Harness Engineering이 조금 다르게 보였습니다.

제가 이해한 관계는 이렇습니다.

LLM Wiki = 지식, 규칙, 절차, 기록의 저장소
Harness Engineering = 그 저장소를 이용해 LLM의 반복 작업을 안정화하는 실행 설계

즉, LLM Wiki 자체가 목적은 아니었습니다.

LLM Wiki는 AI가 일할 때 참고할 수 있는 기반이고, Harness Engineering은 그 기반을 써서 반복 업무를 덜 흔들리게 만드는 방식이었습니다.

이 관점에서 바로 적용해본 것이 뉴스레터 작성 자동화였습니다.

기존 뉴스레터 작성 방식의 문제

처음에는 뉴스레터 프롬프트와 예시 파일이 있었습니다.

하지만 실제로 써보면 결과가 계속 흔들렸습니다.

같은 프롬프트를 써도 섹션 구성이 매번 달라진다.
원문을 어디까지 보존해야 하는지 애매하다.
본문과 이미지 배치가 일관되지 않다.
인포그래픽 품질이 들쭉날쭉하다.
결국 사람이 중간중간 많이 고쳐야 한다.

특히 불편했던 것은 "어디서부터 다시 고쳐야 하는지"가 명확하지 않다는 점이었습니다.

결과물이 마음에 들지 않으면 프롬프트를 다시 쓰거나 전체 결과를 다시 생성해야 했습니다. 그러면 본문은 좋아졌는데 이미지가 무너지고, 이미지는 좋아졌는데 구성은 다시 흔들리는 일이 생겼습니다.

그래서 뉴스레터 작성 과정을 하나의 긴 프롬프트가 아니라, 단계별 Harness로 바꾸기로 했습니다.

뉴스레터를 7단계로 나눴습니다

최종적으로 확정한 흐름은 이렇습니다.

Stage 1. 원문 수집
Stage 2. 내용 분석
Stage 3. 섹션 매핑
Stage 4. 레이아웃/인포그래픽 설계
Stage 5. 뉴스레터 본문 초안
Stage 6. 인포그래픽 생성 및 승인
Stage 7. 최종 조립

중요한 것은 각 Stage마다 산출물이 있다는 점입니다.

그리고 각 Stage가 끝날 때마다 사람이 승인합니다. 승인되면 다음 Stage를 진행하고, 다음 승인 지점에서 멈춥니다.

이렇게 바꾸자 자동화의 의미가 달라졌습니다.

AI가 모든 것을 한 번에 끝내는 것이 아니라, 사람이 봐야 할 지점을 명확히 만들어주는 자동화가 되었습니다.

한국어로 문서를 작성하는 과정을 보여주는 다이어그램

LLM Wiki가 Harness에 들어간 방식

뉴스레터 Harness는 단순히 "좋은 프롬프트"가 아니었습니다.

LLM Wiki에 저장된 규칙과 결정들이 Harness 안에 들어갔습니다.

예를 들면 이런 규칙들입니다.

원문은 사용자가 제공한 내용을 기준으로 한다.
웹검색은 요청이 없는 한 하지 않는다.
섹션 수는 기본 4개로 하되, 원문 분석 후 조정 가능하다.
전체 레이아웃은 먼저 ASCII로 그린다.
본문과 이미지는 지그재그로 배치한다.
각 Stage 파일 상단에는 Stage, 상태, 승인 여부를 표시한다.
이미지는 한 장씩 생성하고 한 장씩 승인받는다.
승인된 이미지만 최종 조립본에 넣는다.

이 규칙들이 없었다면 AI에게 매번 다시 설명해야 했을 것입니다.

하지만 LLM Wiki 안에 workflow, template, decision 문서로 정리해두니, 뉴스레터 제작 시 같은 기준을 반복해서 사용할 수 있었습니다.

전체 레이아웃을 먼저 ASCII로 그렸습니다

뉴스레터 초안을 바로 쓰기 전에 전체 구조를 먼저 그리게 했습니다.

예를 들면 이런 식입니다.

┌──────────────────────────────┐
│ 제목 / 리드 문단              │
├──────────────────────────────┤
│ 본문 1        │ 인포그래픽 1 │
├──────────────────────────────┤
│ 인포그래픽 2 │ 본문 2        │
├──────────────────────────────┤
│ 본문 3        │ 인포그래픽 3 │
├──────────────────────────────┤
│ 인포그래픽 4 │ 본문 4        │
└──────────────────────────────┘

이 작은 단계가 꽤 효과가 있었습니다.

글을 쓰기 전에 구조를 먼저 합의하니, 나중에 본문과 이미지가 따로 노는 일이 줄었습니다.

또 섹션 수를 무조건 고정하지 않고, 원문을 분석한 뒤 3개, 4개, 5개 중 적절한 수를 추천하게 했습니다. 실제 작업에서는 4개 섹션을 유지하는 방식으로 진행했습니다.

인포그래픽은 한 장씩 승인받았습니다

뉴스레터에서 가장 시행착오가 많았던 부분은 이미지였습니다.

처음에는 인포그래픽을 한 번에 만들려고 했습니다. 하지만 실제로 해보니 문제가 많았습니다.

본문과 직접 연결되지 않는 이미지가 나옴
한국어 문구가 깨짐
글자가 너무 많아 이미지가 지저분해짐
배경과 텍스트가 따로 노는 느낌이 생김

그래서 이미지 단계에는 강한 승인 gate를 넣었습니다.

section1 인포그래픽 생성 -> 승인
section2 인포그래픽 생성 -> 승인
section3 인포그래픽 생성 -> 승인
section4 인포그래픽 생성 -> 승인

중간에는 고품질 배경 이미지를 만들고, 나중에 한국어 문구를 오버레이하는 방식도 시도했습니다. 하지만 글자 해상도와 배치가 만족스럽지 않았습니다.

결국 더 나았던 방식은 짧은 한국어 문구를 이미지 생성 단계에서 함께 포함시키는 방향이었습니다.

이때 기준은 "예쁜 이미지"가 아니었습니다.

본문의 핵심 판단을 독자가 빠르게 이해하도록 돕는 이미지인가?

이 기준으로 이미지를 한 장씩 승인하고, 승인된 이미지만 최종 뉴스레터에 넣었습니다.

사업 계획을 수립하는 과정을 보여주는 다이어그램

이번에 만든 뉴스레터 제작 흐름은 다음과 같이 정리됐습니다.

Before:

프롬프트 입력
-> 결과 확인
-> 마음에 들지 않는 부분 수정
-> 다시 생성
-> 이미지 따로 조정
-> 최종본 다시 손보기

After:

원문 수집
-> 내용 분석 승인
-> 섹션 매핑 승인
-> 레이아웃/인포그래픽 계획 승인
-> 본문 초안 승인
-> 인포그래픽별 승인
-> 최종 조립 승인

이후에는 이 검증된 흐름을 /newsletter 기본 프로세스로 사용하기로 정했습니다.

또 이미지 제작 시행착오는 뉴스레터 안에만 두지 않고, 별도의 /infographic Harness로 분리했습니다. 뉴스레터가 아니더라도 단독 인포그래픽을 만들 때 재사용하기 위해서입니다.

전 vs 후 한국어 한국어 한국어 한국어 한국어 한국어

중간에 LLM Wiki도 계속 바뀌었습니다

뉴스레터 Harness를 만들면서 LLM Wiki 자체도 계속 보완됐습니다.

예를 들어 이런 결정들이 추가됐습니다.

Inbox 원본은 수정하지 않는다.
Source ID를 통해 원본과 요약을 추적한다.
AI 생성 문서에는 생성 이유를 남긴다.
frontmatter에는 created, updated, summary_L0, summary_L1을 구분한다.
tags는 Obsidian wikilink 형식으로 통일한다.
20.Wiki 문서는 ai_access_count를 기록한다.

이 과정에서 lint도 중요했습니다.

규칙을 추가하면 기존 문서가 새 규칙을 만족하지 못하는 경우가 생깁니다. 실제로 schema migration을 거치며 누락된 origin, field, 생성 이유 등을 보완했고, lint 결과를 통과 상태로 맞췄습니다.

즉, LLM Wiki는 한 번 만들고 끝나는 문서 묶음이 아니었습니다.

뉴스레터 자동화를 만들면서 Wiki도 같이 성장했습니다.

사용한 도구와 역할

이번 작업에서 도구들은 이렇게 역할을 나눴습니다.

결과

이번 작업의 결과는 세 가지였습니다.

첫째, LLM Wiki를 개인용 온라인 백과사전으로 이해하고 실제 폴더 구조와 운영 규칙을 만들었습니다.

둘째, 뉴스레터 작성 과정을 한 번의 프롬프트가 아니라 7단계 Harness로 바꿨습니다.

셋째, 이 과정에서 확인된 규칙을 다시 LLM Wiki에 저장해 다음 작업에서 재사용할 수 있게 했습니다.

정량적인 시간 절약 수치는 아직 측정하지 못했습니다.

하지만 체감상 가장 크게 달라진 부분은 "다시 설명해야 하는 것"이 줄었다는 점입니다. 매번 AI에게 뉴스레터 구조, 원문 보존 원칙, 이미지 승인 방식, 레이아웃 규칙을 설명하지 않아도 됩니다.

규칙은 Wiki에 있고, 실행은 Harness가 합니다.

배운 점

이번 작업을 하면서 가장 크게 배운 것은 이것입니다.

LLM Wiki는 폴더 구조가 아니라 운영 루프다.
Harness Engineering은 그 운영 루프를 실제 반복 업무에 적용하는 방식이다.

프롬프트를 잘 쓰는 것만으로는 부족했습니다.

프롬프트가 매번 흔들린다면, 문제는 문장 몇 개가 아니라 작업 구조일 수 있습니다. 입력, 판단, 산출물, 승인, 검증을 나눠야 했습니다.

그리고 그 구조를 한 번 쓰고 버리지 않으려면, LLM Wiki처럼 계속 남고 갱신되는 지식 체계가 필요했습니다.

다른 사람이 따라 해본다면

처음부터 거창하게 시작하지 않는 편이 좋다고 느꼈습니다.

저라면 이렇게 시작하겠습니다.

한국 기업의 프로세스를 보여주는 다이어그램
1. Inbox, Sources, Wiki, Schema만 먼저 만든다.
2. 자주 쓰는 자료 3개만 넣어본다.
3. Source ID를 붙인다.
4. AI에게 새 자료를 어떻게 처리할지 규칙을 문서로 남긴다.
5. 반복 업무 하나를 고른다.
6. 그 업무를 Stage 단위로 쪼갠다.
7. 각 Stage의 입력, 출력, 승인 기준을 정한다.
8. 실제로 한 번 실행해보고 막힌 지점을 다시 schema로 만든다.

다음에 개선하고 싶은 점

아직 남은 과제도 있습니다.

첫째, query workflow를 더 다듬어야 합니다. 자료를 넣고 정리하는 루프는 어느 정도 잡혔지만, 질문이 들어왔을 때 어떤 문서를 어떤 순서로 참고할지 더 구체화할 필요가 있습니다.

둘째, 뉴스레터 Harness의 Before/After를 더 측정하고 싶습니다. 현재는 체감 효과 중심이지만, 실제 소요 시간이나 수정 횟수를 기록하면 더 분명한 비교가 가능할 것 같습니다.

셋째, 여러 모델에서 같은 Wiki를 어떻게 읽게 할지도 실험해보고 싶습니다. Codex뿐 아니라 다른 모델에서도 같은 지식, 규칙, 검증 루프를 이어갈 수 있어야 진짜 의미가 있을 것 같습니다.

마지막으로 남은 문장

LLM Wiki를 처음부터 대단한 시스템으로 이해하려고 했을 때는 어려웠습니다.

하지만 "LLM이 도와주는 개인용 온라인 백과사전"이라고 생각하니 조금씩 풀렸습니다.

그리고 그 백과사전이 단순히 지식을 저장하는 데서 끝나지 않고, 뉴스레터 작성 같은 실제 반복 업무를 안정화하는 Harness의 기반이 될 수 있다는 점이 이번 작업에서 가장 큰 발견이었습니다.

4

함께 이야기해요 4

로그인하고 댓글을 남겨 주세요

JAEI 프로필 이미지
JAEI2026.05.25

LLM Wiki에 대해 관심이 있었는데 이해하기 쉽게 정리해주셔서 고맙습니다~! 👍

유피테르 프로필 이미지
유피테르2026.05.26

감사합니다. 처음에 개념만 잘 잡으시면 구축하는 것은 금세입니다. 사실 구축하는 것이 어려운 것이 아니라 개념을 잡고, llm wiki를 어디에 활용할지를 이해하는 것이 저한테는 어려웠는데, 실제로 아주 첫 단계부터 구성해보니 이해를 할 수 있게 되었습니다. 화이팅입니다!

Giacomo 프로필 이미지
Giacomo2026.05.26

유피테르님, LLM Wiki를 “LLM이 읽고 갱신할 수 있는 개인용 온라인 백과사전”으로 다시 잡고, 그 이해를 바로 뉴스레터 Harness까지 연결하신 흐름이 인상적이었습니다. 처음에 막막했던 개념을 폴더 구조, schema, lint/eval, 승인 단계로 풀어낸 과정이 글에 잘 살아 있었습니다. 특히 Inbox / Sources / Wiki / Schema의 역할을 나누고, schema를 단순한 문서 형식이 아니라 운영 규칙으로 본 점이 좋았습니다. “모델은 바뀌어도 지식, 규칙, 검증 루프는 남아야 한다”는 문장을 실제 구조로 옮기신 사례라 다른 분들도 LLM-WIKI를 훨씬 덜 추상적으로 이해할 수 있을 것 같습니다. 뉴스레터 작업을 한 번에 생성하지 않고 원문 수집 → 분석 → 섹션 매핑 → 레이아웃 → 초안 → 인포그래픽 → 최종 조립으로 나누신 것도 좋은 설계였습니다. 특히 각 Stage마다 산출물과 승인 지점을 둔 덕분에, 자동화가 “전부 맡기기”가 아니라 사람이 확인할 지점을 선명하게 만드는 방식으로 바뀐 점이 핵심으로 보였습니다. 다음에는 이미 적어두신 것처럼 뉴스레터 1회만 골라 소요 시간 / 수정 횟수 / 되돌아간 Stage / 최종 승인까지 걸린 단계를 간단히 기록해보시면 좋겠습니다. 그러면 체감상 줄어든 “다시 설명해야 하는 것”이 실제 개선 지표로도 보이기 시작할 것 같습니다.

유피테르 프로필 이미지
유피테르2026.05.26

네, 뉴스레터 1개의 하네스 엔지니어링을 통한 결과물 산출에 대해 이번 기수 내에 반드시 작업을 해서 사례글로 보여드리겠습니다. 감사합니다.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

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

이런 사례도 있어요

사례 전체 보기