초보자를 위한 AKM(AI 기반 지식관리) 만들기

한 줄 요약

Obsidian에 자료를 쌓는 수준에서 멈추지 않고, AI 에이전트가 원본, 지식, 맥락, 절차, 실행 기록, 평가를 구분해 읽을 수 있는 개인 AKM 구조를 만들고 실제 inbox 자료로 첫 정리 테스트까지 했다.

이런 분들께 도움돼요

AI를 이용하여 지식을 체계적으로 관리하고 싶으나, 어떻게 AKM을 구축해야 하는지 막막한 분

시작 전 상태

기존에는 Obsidian에 자료를 넣고 필요할 때 AI에게 정리를 시키면 된다고 생각했다.

그런데 자료가 늘어나면 사람이 봐도 애매한 자료를 AI 역시 그것이 원본 문서인지, 누군가의 해석인지, 지금도 유효한 내용인지 판단하기 어렵게 된다.

주변의 고수들을 보니 지식을 단순히 저장하는 것이 아니라, 계층(레이어)으로 나누어 관리하고 그래프 RAG까지 연결하고 있었다.

그래서 이번 작업의 목표는 AKM 고수들의 베스트 사례를 참고하여 “AI가 읽고 운영할 수 있는 나만의 AKM 구축하기”로 정하였다.

사용한 도구

• ChatGPT 데스크탑 앱: "my-akm"이라는 새 프로젝트 생성하고, 로컬 디스크의 my-akm 폴더와 연결, 이후 AI와 대화하면서 akm 구성 진행

• Obsidian: my-akm 구성 후 연결(akm 문서보는 용도)

만든 것 또는 해본 것

먼저 AKM을 잘 하는 분들의 사례를 참고하기로 하였다.

DECK님의 AKM 볼트 구조를 참고하여 AI에게 내 AKM 볼트를 만들어 달라고 하니 아래와 같이 폴더를 레이어 구조로 나누어 구성하였다.

00-inbox
00-system
10-sources
20-knowledge
30-context
40-memory
50-procedures
60-actions
70-evaluation
80-outputs
90-archive
templates

각 폴더들이 어떤 역할을 하는지 잘 몰라서 인터넷에서 AKM 방법론을 리서치한 후, 내 AKM에 반영하도록 하였다. 작업 완료 후 각 폴더에 README.md와 같이 AI가 참조할 수 있는 규칙들이 쌓인 것을 알 수 있었다.

inbox를 제외하면, 나머지 폴더들은 AI에게 자료 정리를 요청했을 때 자동으로 문서들이 원본 또는 가공된 형태로 재배치되고, 규칙 등 관련 정보들이 업데이트되는 공간으로 이해되었다.

각 폴더의 역할은 다음과 같다.(AI 답변)

• 00-system: 에이전트가 먼저 읽을 운영 규칙과 index

• 00-inbox: 아직 분류하지 않은 자료 투입구

• 10-sources: 원본 자료 보존

• 20-knowledge: 재사용 가능한 지식

• 30-context: 특정 프로젝트나 사용자 맥락

• 40-memory: 세션 시작용 짧은 포인터

• 50-procedures: 반복 절차

• 60-actions: 실행 기록과 결정

• 70-evaluation: 검증 기준과 실패 기록

• 80-outputs: 외부에 보여줄 산출물

• 90-archive: 지금은 비활성인 보관 자료

여기서 멈추려다 어제 지아코님이 보내준 "스킬관리 4계층 학습자료"가 있어서 그것도 AI에게 주면서 내 AKM에 반영할 부분이 있으면 넣어달라고 요청하였다.

그랬더니 20-knowledge에는 단순 요약문만 두지 않고 Claim, Concept, Entity, Relation, Evidence status를 구분하는 방향으로 세분화하였다. 나중에 그래프 DB나 Graph-RAG로 옮기더라도 어떤 것이 주장이고, 어떤 것이 개념이고, 무엇이 관계인지 뽑아내기 쉽게 하기 위해서라고 한다.

이후 실제 테스트를 진행했다. inbox에 텍스트, PPTX, ZIP, 질문은행, 스킬 번들을 넣고 정리해 봤다. AI가 원본은 별도 originals 폴더에 보존하고, 파생 노트는 source note, knowledge note, procedure note, evaluation note, action log로 나눴다.

작업 후 inbox에는 처리 대기 파일이 남지 않았다. 원본 보존 위치와 작업 대기 위치가 분리된 것이 첫 번째 확인된 지점이었다.

실패·막힘·수정

첫 번째 막힘은 RAG 도입 시점이었다. AI 지식관리 자료를 리서치하면서 RAG와 Graph-RAG가 계속 나왔지만, AI가 RAG 도입은 시기 상조라 말려서 일단 자료를 쌓으며 RAG 도입 전 점검 기준부터 만들기로 하였다.

두 번째 막힘은 인코딩과 언어 문제였다. 한국어 파일을 읽는 과정에서 깨져 보이는 경우가 있었고, 처음에는 한국어 자료를 영어 note로 정리하는 실수도 했다. 이후 “한국어 원본 자료는 한국어 source note와 한국어 knowledge note로 정리한다”는 규칙을 추가하고, 템플릿도 한국어 중심으로 고쳤다.

세 번째 막힘은 저작권과 재사용 범위였다. 일부 학습자료에는 개인 학습용 제한이 있었기 때문에, 정리와 재배포 가능한 파생물 제작 사이의 경계를 조심해야 했다. 그래서 보호된 자료는 원문을 길게 재생산하지 않고, 원본 보존과 고수준 방법론 정리로 제한했다.

이 과정에서 “AI가 정리해준다”는 말이 자동으로 좋은 지식관리를 뜻하지 않는다는 걸 알게 됐다. AI가 잘 정리하려면 먼저 어디에 무엇을 넣어야 하는지, 어떤 자료를 근거로 쓸 수 있는지, 어떤 자료는 보호해야 하는지에 대한 운영 규칙이 필요했다.

결과와 다음 실험

이번 작업의 결과는 “AI 지식관리 시스템 완성”이 아니라, AI가 계속 읽고 개선할 수 있는 AKM 운영 뼈대가 생긴 것이다.

이제 새 자료가 들어오면 다음 흐름으로 처리할 수 있다.

Ingest -> Classify -> Compile -> Contextualize -> Execute -> Verify -> Learn Back

다음 실험은 지식 정합성을 유지하기 위한 lint 규칙을 만드는 것이다.

1순위: 새 inbox 처리 반복
2순위: 애매한 routing/metadata 사례 기록
3순위: lint 규칙 문서화
4순위: 실제 lint 스크립트 작성

그 다음 지식이 충분히 축적되고 나면, 내 AKM에 Graph-RAG를 붙여보고자 한다.