본문으로 건너뛰기

LLM Wiki 강의에서 본 5원칙을 학습 봇 운영에 적용한 후기 — 작은 wiki layer 도입과 자동화 연동까지

라이온

2026.05.22

하려던 것 📝

  • 1주차 강의 "LLM Wiki 기반 지식 저장소"에서 다룬 핵심 원칙을 노트 정리로만 끝내지 않고, 운영 중인 자기 학습 봇 인프라에 실제로 적용해보기

  • 봇이 답변할 때 인용할 수 있는 누적 지식 layer를 작게라도 만들기 (지금까지는 일정·D-day 추적만 가능했음)

  • 여러 수업을 동시 진행 중인데, 같은 개념을 수업마다 다르게 정의할 때 충돌 해결할 base 만들기

  • 같은 세션 안에서 봇 반복 업무 단계화 + 작은 wiki layer 도입을 한 흐름으로 묶기

활용한 툴 ⚒️

  • Claude Code (Opus 4.7) : 자료 정리·구조 설계·코드/스크립트 작성 메인 도구

  • 자기 학습 봇 : "닝"이라는 이름. Learning Agent에서 "ning"만 따와서 닝. GPters 22기 강의 들으면서 만든 학습 동반자. 일정·D-day·사례글 작성을 도와줌

  • macOS launchd : 주 1회 정기 점검 자동화(Lint)

  • Obsidian Vault : 사람용 작성·탐색 인터페이스

  • 강의에서 안내된 LLM Wiki 패턴과 관련 참고 자료 : 구체적 폴더 분류·운영 룰 설계의 출발점으로 활용 (구조 그대로 복제 X)

진행 세부 내용 🔍

1️⃣ 강의 자료와 과제 안내 받자마자 "어디 박을지" + 봇 인프라 매핑

  • 시도한 방법과 접근 방식: 강의에서 다룬 핵심 내용과 과제 요구사항을 학습 노트로 정리하면서, 동시에 "내 학습 봇이 1주차 요구사항을 어디까지 이미 충족하고 있나" 매핑을 같이 진행. 정리만 하고 끝내지 않고 적용 단위로 바로 연결

  • 얻은 결과나 피드백: 매핑 결과 봇 정체성·운영 절차·기억 구조는 이미 충족, 봇 반복 업무 단계화는 미진행, 작은 wiki 폴더 만들기가 강의 핵심이라 진짜 가치 있음. 이 매핑이 사례글 방향(단계화 + 작은 wiki 도입을 한 흐름으로)을 정해줌

2️⃣ OpenClaw에서 Hermes로 마이그레이션할까? 욕심 솔직히 검토 → No

  • 시도한 방법과 접근 방식: 봇이 OpenClaw 기반으로 가동 중인데 봇 자체를 Hermes로 옮길지 비용 분석 요청

  • 사용한 프롬프트 (핵심):

내 봇은 OpenClaw 기반인데 Hermes로 마이그레이션할지 솔직히 검토해줘. 비용은 인프라·운영·시간 항목별로. 결론은 마이그레이션·sandbox 분리·유지 중 하나로 명확히.

  • 얻은 결과나 피드백: 인프라 항목별 비용 분석 후 마이그레이션 No 결론. 핵심 논리는 "운영 중인 봇 갈아엎기"가 아님. 학습 목적이면 별도 Hermes sandbox로 분리, 4주 끝나고 비교 우위 명확해진 다음 결정. 운영 메인을 갈아엎으면 학습도 운영도 둘 다 망가질 뻔

3️⃣ 강의의 계층 분리 원칙을 봇 일일 브리핑 업무에 매핑 (필수 과제 = 봇 반복 업무 단계화)

  • 시도한 방법과 접근 방식: 봇이 매일 돌리는 일일 브리핑 업무를 입력 / 처리 / 판단 / 예외 / 출력 5단으로 분해한 다음, 강의에서 다룬 원본·정리·규칙 분리 원칙과 봇 워크플로 각 단계를 매핑

  • 사용한 프롬프트 (핵심):

봇의 일일 브리핑 스킬을 입력·처리·판단·예외·출력 5단으로 분해해줘. 그리고 강의에서 다룬 원본·정리·규칙 계층 분리 원칙과 1:1 매핑 표 만들어줘. 외부 공개용이라 정확한 명령어·내부 파일 경로는 추상화해서.

  • 얻은 결과나 피드백: 매핑해보니 봇의 핵심 업무가 이미 강의 원칙을 무의식적으로 따르고 있었음. 메타데이터·외부 캐시가 원본층 / 메신저 메시지 + 데일리 노트 갱신이 정리층 / 절차 자체가 규칙층. 다만 한 가지가 빠짐 — 누적된 결론을 다음 reasoning에 인용할 layer. 이게 wiki 도입 동기를 명확하게 만들어줌

4️⃣ 작은 wiki layer 박기 + 자동/수동 권한 사전 분리

  • 시도한 방법과 접근 방식: 강의에서 안내된 워크플로(자료 수집 → 정리 → 충돌 조정 → 결론 확정)를 봇 도메인(학습 추적·D-day·여러 수업 동시 진행)에 맞춰 v0.1로 단순화. 5단 워크플로 중 어디까지 봇 자동, 어디부터 사람 게이트가 필요한지 사전 분리

  • 사용한 프롬프트 (핵심):

5단 워크플로 중 자동·수동 영역을 가치 판단해서 분리해줘. 자동 영역에는 트리거 조건과 안전장치도 명시. 사용자 게이트가 필요한 영역은 그 이유도.

  • 얻은 결과나 피드백: 자동 영역 = 자료 수집·정기 점검·정리 초안·충돌 감지 / 검증된 결론 자동 승급 조건 = 3개 중 2개 이상 충족 시 (서로 다른 출처에서 같은 결론, 사용자 명시 동의, 봇 실제 검증 결과) / 사용자 게이트 = 단일 출처 결론 승급, 민감정보 분류, 카테고리 재설계. 강의의 "AI는 자동화하되, 공식 의미 변경은 사람 리뷰로 통제" 원칙 그대로 따름

5️⃣ 기존 스킬에 자동 ingest 연동

  • 시도한 방법과 접근 방식: 봇이 학습 내용을 코스/주차 노트로 정리해주는 기존 스킬에 한 단계 추가. 정리 끝에 자동으로 wiki 원본층에 출처 메타 + 핵심 발췌 2~3문단만 박는 흐름.

  • 얻은 결과나 피드백: 다음 강의부터 자동 가동. 출처와 핵심 발췌만

6️⃣ 주 1회 정기 점검 자동화 박기

  • 시도한 방법과 접근 방식: macOS launchd로 일요일 정시 정기 점검 스크립트 박음. 점검 항목 = 메타데이터 필수 필드 누락 검출, 외톨이 페이지 검출 (메인 진입점에서 참조 안 되는 토픽), 결과를 이벤트 로그에 자동 기록

  • 얻은 결과나 피드백: 테스트 실행 통과 (v0.1이라 raw 비어있음). 핵심 원칙: 자료 수집은 자동 스케줄 X, 정기 점검만 자동 스케줄 OK. 자료는 의도 있을 때만 박혀야 함. 점검은 기계적이라 안전

시행착오 ⚠️

  • 발생한 어려움과 해결 과정:

    • 1차 사례글을 GPters 표준 포맷이 아닌 일반 AI 사례글 템플릿으로 작성했다가 다른 코스 사례글 비교 후 재작성. 원인은 vault 안에 이미 박혀있던 표준 가이드·템플릿을 사전 확인 안 한 것. 더 어이없는 건 어제 같은 실수해서 회고 메모까지 박아뒀는데 오늘 그 메모를 안 봤음 → 사례글 작성 전 표준 가이드·템플릿 확인을 워크플로 첫 단계로 박는 것이 진짜 해결

  • 실패한 시도:

    • 도구 마이그레이션 검토 — 강의 듣는 도구라는 이유만으로 운영 메인 갈아엎을 뻔. Claude Code 비용 분석으로 솔직히 No 답해줘서 운영 안정성 지킴

    • 처음에 wiki를 "단순한 메모 폴더"로 박을 뻔 → 강의에서 다룬 분류 체계와 우선순위 규칙을 자기 도메인에 맞춰 단순화한 v0.1로 시작이 정답

  • 남은 과제:

    • 원본층이 v0.1에선 비어있음. 다음 주부터 여러 수업 학습 내용을 ingest 시작해야 진짜 가동

    • 자동 승급 첫 케이스 발생 시점 모니터링 — "3개 중 2개 이상" 기준이 적정한지 운영하면서 검증

    • 여러 수업 사이 개념 충돌 첫 조정 케이스 어떻게 정리할지 실전 적용

배운 점 📚

  • 강의 원칙을 1:1 매핑 표로 만들면 추상적 원칙이 구체적 워크플로로 연결됨. 매핑 안 되는 항목이 바로 자기 시스템에 빠진 부분

  • 자동/수동 권한 사전 분리가 핵심. "어디서부터 사람 게이트 필요?"를 단계별로 미리 정해두면 봇이 무리하게 자동화 영역으로 침범 X

  • 자료 수집은 자동 스케줄 X, 정기 점검만 자동 스케줄 OK. 자료는 사용자 의도가 있을 때만 박혀야 함

  • 마이그레이션 욕심 = 거의 항상 신호. 학습 목적이면 sandbox 분리가 답일 때가 많음. 운영 중인 메인을 실험 베드로 쓰면 위험

  • v0.1로 시작 + 자료 5~10건 쌓인 후 v0.2. 처음부터 완벽한 구조 만들려는 욕심은 진화의 적

  • 참고 자료를 그대로 복제하지 말고 자기 도메인에 맞춰 단순화. 강의 자료·외부 참고 자료의 구조를 그대로 옮기면 자기 도메인에 안 맞고 유지보수도 어려움

  • 강의에서 짧게 언급된 도구도 시간을 내서 찾아보고 정리해두면 다음 검토 때 출발점이 잡힘. 당장 도입하지 않더라도 "정체가 모호한 채로 흘려보내지 않는 것"이 다음 v0.2 의사결정의 base가 됨

향후 계획 🧭

  • 이번 주 (5/22~5/26): 1주차 자료 ingest로 첫 wiki layer 진짜 가동

  • 2주차 (5/27~): 다른 수업 강의 캡쳐 시 자동 ingest 작동 검증. 첫 정리 페이지 후보 등장 모니터링

  • 3주차: 원본 자료 10건+ 쌓이면 v0.2 검토 (태그 추가·축소, 분류 조정 등)

  • 4주차 회고: wiki 효과 정량 검토 — 봇 답변 시 인용 빈도, 정리 압축률, 자동 승급 발생 케이스 수

  • 추후 검토 후보: OpenViking 같은 컨텍스트 통합 도구 — 자기 시스템의 자료층·기억층·스킬층이 v0.2+로 충분히 쌓이고 분리가 명확해진 후 도입 검토

도움이 필요한 점 🤝

  • 자동 승급 기준 — 3개 조건 중 2개 이상이 적정한지, 실제 운영해보신 분들 의견

  • 여러 수업 동시 진행 중 개념 충돌 조정 실제 사례 — 같은 단어가 수업마다 다른 의미일 때 어떻게 분리·통합했는지 다른 분들 경험 공유 부탁

  • OpenViking 같은 컨텍스트 통합 도구를 실제로 도입해보신 분의 후기 — 도입 시점·기존 vault 구조와의 충돌·운영 부담 등 실전 경험

2

함께 이야기해요 2

로그인하고 댓글을 남겨 주세요

Giacomo 프로필 이미지
Giacomo2026.05.26

라이온님, 이 글은 강의 내용을 정리하는 데서 멈추지 않고, 본인이 운영 중인 학습 봇 “닝”의 실제 구조에 바로 매핑해본 점이 특히 좋았습니다. 원본, 정리, 규칙 계층을 추상 개념으로만 이해한 것이 아니라, 일일 브리핑 업무의 입력, 처리, 판단, 예외, 출력 단계와 1:1로 맞춰보신 부분에서 자기 도메인에 맞게 흡수하고 있다는 느낌이 분명했습니다.

가장 인상적이었던 부분은 “운영 중인 봇을 Hermes로 갈아엎을지”를 솔직하게 검토하고, 바로 마이그레이션하지 않기로 결정한 대목이었습니다. 새로운 도구를 배우면 기존 시스템을 전부 바꾸고 싶어지기 쉬운데, 학습 목적이면 sandbox를 분리하고 운영 메인은 안정적으로 두겠다는 판단이 좋았습니다. 이건 기술 선택이 아니라 운영 리스크를 관리한 결정으로 보였습니다.

작은 wiki layer를 만들 때 자동 영역과 사람 게이트를 먼저 나눈 것도 중요한 포인트였습니다. 자료 수집, 정리 초안, 충돌 감지는 자동화할 수 있지만, 단일 출처 결론의 승급이나 민감정보 분류, 카테고리 재설계는 사람이 확인해야 한다는 기준이 명확했습니다. “AI가 자동으로 정리한다”보다 “어디까지 자동으로 해도 되는가”를 먼저 정한 점이 LLM-WIKI 운영에서 굉장히 중요해 보입니다.

주 1회 정기 점검을 launchd로 붙이되, 자료 수집 자체는 자동 스케줄로 돌리지 않는다는 구분도 좋았습니다. 점검은 기계적으로 반복해도 안전하지만, 자료가 위키에 들어오는 일은 의도와 맥락이 필요하다는 판단이 들어가 있기 때문입니다. 이런 기준이 있어야 wiki가 쌓일수록 오히려 더 믿을 수 있는 구조가 됩니다.

다음 단계에서는 첫 ingest 사례 하나를 골라 “원본 자료 → 정리 초안 → 충돌 여부 → 승급 여부 → 사람이 결정한 이유”를 아주 작게 기록해보시면 좋겠습니다. 그 한 사례가 생기면 3개 중 2개 이상 조건이 실제로 적정한지, v0.1 규칙이 너무 느슨하거나 빡빡하지 않은지 판단하기 훨씬 쉬워질 것 같습니다.

라이온 프로필 이미지
라이온2026.05.28

깊은 공감과 자세한 피드백 너무 감사합니다!
말씀 주신 다음 단계 부분도 함께 적용해보도록 하겠습니다.
단순 data로 흡수하는게 아닌 pre-ingest process 와 같은 느낌으로 한 단계를 더 만들어보는 쪽으로까지 확장이 될 수도 있지 않을까 생각이 들었습니다.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

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

이런 사례도 있어요

사례 전체 보기