초보자를 위한 AKM(AI 기반 지식관리) 만들기
2026.07.26
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
templates각 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 index00-inbox: 아직 분류하지 않은 자료 투입구10-sources: 원본 자료 보존20-knowledge: 재사용 가능한 지식30-context: 특정 프로젝트나 사용자 맥락40-memory: 세션 시작용 짧은 포인터50-procedures: 반복 절차60-actions: 실행 기록과 결정70-evaluation: 검증 기준과 실패 기록80-outputs: 외부에 보여줄 산출물90-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 Back다음 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.
로그인하고 댓글을 남겨 주세요
MOSL님, 빈 폴더만 만든 데서 끝내지 않고 텍스트·PPTX·ZIP·질문은행·스킬 번들처럼 성격이 다른 실제 자료를 inbox에 넣어 첫 라우팅까지 시험하신 점이 좋았습니다. RAG를 서둘러 붙이지 않고 운영 규칙과 정합성부터 확보하기로 한 판단도 정확합니다. 검색 기술보다 먼저 신뢰할 수 있는 지식 단위가 있어야 합니다.
또한 “자료 정리 시 관련 규칙도 자동으로 업데이트된다”는 부분은 승인 경계를 두어야 합니다. 새로운 자료가 들어왔다고 해서 그 자료가 기존 운영 규칙을 곧바로 바꾸게 해서는 안 됩니다. 외부에서 가져온 AKM 방법론이나 스킬 관리 자료는 먼저 10-sources에 원문으로 보존하고, 기존 AKM 설계와 비교한 판단을 Evaluation과 Action에 남긴 뒤 승인된 내용만 99-system에 반영하는 것이 안전합니다. 그렇지 않으면 출처 하나가 전체 시스템의 규칙을 조용히 바꾸는 문제가 생길 수 있습니다.
각 폴더에 생성된 README.md도 같은 이유로 주의가 필요합니다. 폴더마다 규칙을 복제하면 시간이 지난 뒤 99-system의 정본과 충돌할 수 있습니다. README는 해당 레이어의 안내와 정본 링크만 담고, 분류 기준과 스키마의 권위는 ROUTER와 SCHEMA에 집중시키는 편이 좋습니다.Claim·Concept·Entity·Relation·Evidence status를 구분한 것은 Graph-RAG 이전에도 유용한 경량 온톨로지입니다. 다만 파일을 지나치게 잘게 나누는 것보다 먼저 이 구분이 frontmatter와 링크에 일관되게 표현되고, lint가 허용값과 필수 근거를 검사할 수 있는지 확인하는 것이 중요합니다. 그래프는 이 구조에서 자연스럽게 파생되는 결과여야지, 그래프를 만들기 위해 지식을 억지로 분해해서는 안 됩니다.
다음 순서는 공식 저장소와 폴더·스키마 대조 → 시스템 규칙 변경 승인 게이트 추가 → 대표 자료 몇 건 수동 검증 → 일부러 잘못된 파일을 넣어 lint 실패 확인이 적절해 보입니다. 지금 만든 뼈대에 이 경계만 명확히 더하면, 단순히 AI가 정리하는 볼트가 아니라 AI의 정리 결과까지 추적하고 검증할 수 있는 AKM으로 발전할 수 있습니다.
시스템 규칙이 수시로 업데이트되는 것의 심각성을 미처 생각하지 못했었는데 LINT를 구현할 때 세심히 살펴봐야겠네요.
Claim·Concept·Entity·Relation·Evidence status 구분을 그래프 래그 이전에도 경량 온톨로지로 적용해 볼 수 있었다는 부분도 좋은 조언입니다.
바쁘실텐데 이렇게 상세한 피드백 주셔서 감사합니다.
원본은 별도 originals에 보존하고 파생 노트를 source·knowledge·procedure·evaluation·action으로 나눠 실제 자료를 끝까지 처리하신 과정이 인상적이었습니다. 특히 테스트 후 inbox에 처리 대기 파일이 남지 않고 원본 보존 위치와 작업 대기 위치가 분리된 것을 확인하신 점에서, 구조를 설계하는 데 그치지 않고 운영 가능성까지 직접 검증하셨다는 게 잘 느껴집니다. Ingest부터 Learn Back까지 이어지는 흐름이 앞으로 AKM을 꾸준히 키워갈 수 있는 든든한 뼈대가 된 것 같아요.
원본·지식·맥락·절차·실행 기록·평가를 폴더 층으로 나누고, 실제 inbox 자료를 originals와 여러 파생 노트로 분리해본 점이 좋았어요. 한국어 자료가 영어 노트로 바뀐 실패를 규칙과 템플릿 수정으로 되돌리고, 보호된 학습자료는 원문 재생산 대신 고수준 방법론 정리로 제한한 과정도 운영 기준을 만드는 실험으로 잘 보였습니다.
현재 결과를 완성된 AKM이나 Graph-RAG로 과장하지 않고 운영 뼈대라고 한 경계도 정확합니다. 다음에는 분류가 애매하거나 메타데이터가 빠진 샘플을 다시 inbox에 넣고, 기대 경로·실제 경로·근거 상태를 비교해 lint 규칙 하나로 고정한 뒤 재실행 결과를 보여주시면 지식 정합성을 어떻게 유지할지 더 구체적으로 전달될 것 같아요.
AI에게 정리를 시키면 된다고 생각했다가, 자료가 늘면 원본인지 해석인지 지금도 유효한지 AI도 판단하기 어려워진다는 걸 깨달으신 시작점이 명확합니다. DECK님의 볼트 구조를 참고해 폴더를 만드신 뒤 각 폴더의 역할을 직접 리서치해서 반영하신 태도도 좋습니다.
지아코님의 스킬관리 4계층 자료를 받아서 20-knowledge를 Claim·Concept·Entity·Relation·Evidence status로 세분화하신 부분이 특히 인상적입니다. 나중에 Graph-RAG를 염두에 두고 구조를 미리 다듬어두신 판단이 실용적입니다.
텍스트·PPTX·ZIP·질문은행·스킬 번들을 실제로 inbox에 넣어 테스트하고, 원본은 originals에 보존하면서 처리 대기 파일이 남지 않는 걸 확인하신 과정이 꼼꼼합니다. RAG 도입이 시기상조라는 판단, 한국어 자료를 영어로 정리했던 실수를 원본 언어 유지 원칙으로 되돌린 것, 저작권 제한이 있는 학습자료의 재배포 경계를 조심하신 것까지 세 가지 막힘을 솔직하게 공유해주신 점이 좋습니다.
'AI가 정리해준다'는 말이 자동으로 좋은 지식관리를 뜻하지 않는다는 결론이 정확합니다. lint 규칙을 우선순위대로 쌓아가고 그 다음 Graph-RAG를 붙이겠다는 다음 실험 계획도 응원합니다!



와, 나중에 Graph-RAG까지 염두에 두고 20-knowledge 폴더를 Claim이나 Entity 단위로 세분화해서 설계하신 부분은 진짜 생각지도 못했습니다, MOSL님. 단순히 요약을 넘어서 AI가 읽기 좋은 최적의 구조를 고민하고 직접 빌드업하시는 디테일이 정말 대단하네요. 인코딩 오류나 저작권 같은 현실적인 문제를 겪으며 실질적인 운영 규칙을 템플릿에 바로 피드백하는 해결 과정을 보니 머리가 띵해지는 느낌입니다. 제 옵시디언에 대충 쌓아만 둔 자료들을 어떻게 정리해 나갈지 확실한 방향을 잡고 갑니다.