개인지식관리와 AI 업무환경
세컨 브레인, RAG, LLM 위키, 개인 컨텍스트 운영체제처럼 AI가 참조할 수 있는 지식환경을 다룬 노트입니다.
이 컬렉션의 역할
외부 독자가 한 글에서 끝나지 않고 같은 문제의식 안에서 다음 글로 이동할 수 있도록 만든 대표 묶음입니다. 검색 유입용 대표 글과 개별 읽기노트를 연결하는 입구로 씁니다.
Start Here
먼저 읽을 노트
세컨 브레인은 노트앱이 아니라, AI가 참조할 나의 운영체제다
옵시디언·깃허브·LLM 위키를 개인 컨텍스트 운영체제로 바라보며, 여러 AI 도구에 매번 맥락을 설명해야 하는 문제를 어떻게 줄일지 정리한다.
RAG 문서가 많아질수록 먼저 좁혀야 한다
문서가 많아질수록 RAG 검색 품질이 오히려 희석될 수 있다는 연구를 바탕으로, 업무 지식관리와 검색 설계에서 먼저 좁혀야 할 기준을 정리한다.
AI 도입은 도구 전환이 아니라 신뢰 전환이다
HR 지식검색 전환 사례를 바탕으로, 생성형 AI 도입이 왜 시스템 교체가 아니라 역할·검증 습관·조직 신뢰를 다시 설계하는 문제인지 정리한다.
로컬 LLM은 한 대의 컴퓨터가 아니라 개인 지식망이 될 수 있다
Obsidian 노트, LLM Wiki, 로컬 LLM, Tailscale을 연결하면 내 노트 기반 AI를 여러 기기에서 쓸 수 있다. 개인 세컨드 브레인을 서비스처럼 쓰는 방식에 대한 작업 메모.
More Notes
이어 읽기
GraphRAG의 병목은 검색보다 지식 정리 순서에 있다
GraphRAG를 한 번에 만들지 않고 추출, 중복 제거, 요약, 커뮤니티 탐지를 분리한 RAGU 논문을 실무 지식관리 관점에서 읽었다.
프롬프트가 아니라 계약으로 에이전트를 묶어야 한다
기업용 LLM 에이전트를 제품으로 쓰려면 좋은 프롬프트보다 출처, 라우팅, 출력 형식, 검증 흔적을 코드가 소유하는 계약 구조가 먼저 필요하다.
에이전트 기억은 저장소가 아니라 개입 타이밍이다
장기 작업 에이전트에서 메모리를 더 많이 저장하는 문제가 아니라, 필요한 순간에 행동 루프에 다시 개입시키는 문제로 읽은 논문 메모.
RAG가 맞게 찾았어도, 오래된 지식이면 실패다
에이전트가 검색한 지식의 출처, 버전, 승인 상태, 재현 가능성을 관리해야 한다는 ContextNest 논문을 읽었다.
기억하는 에이전트에게는 ‘무시할 줄 아는 능력’이 필요하다
장기 기억을 가진 AI 에이전트가 사용자의 과거 말에 과도하게 맞춰 사실성과 판단을 잃는 문제를 다룬 벤치마크 논문을 읽었다.
AI에게 공부시키기 전에, 무엇을 질문하게 할지 봐야 한다
문서로부터 질문-답변 데이터를 스스로 만들게 하는 학습 방식이 어떤 편향과 프롬프트 인젝션 취약성을 갖는지 살핀 논문을 HRD와 지식관리 관점에서 읽었다.
RAG 메모리에서 더 위험한 것은 잊는 것이 아니라 오래된 사실을 믿는 일이다
AI 에이전트의 장기기억을 RAG 검색 문제로만 다루면, 최신 사실과 낡은 사실을 구분하지 못하는 구조적 문제가 생긴다. 시간 유효성이라는 관점에서 업무용 에이전트 메모리를 읽었다.
업무 AI는 대답보다 증거 찾는 습관이 먼저다
사내 문서 더미에서 AI 에이전트가 실제로 증거를 찾고, 단위와 용어를 맞추고, 계산까지 할 수 있는지를 묻는 벤치마크 AGORA를 업무설계 관점에서 읽었다.
에이전트 기억은 검색창이 아니라 운영 시스템이다
에이전트 메모리를 단순 RAG가 아니라 저장·추출·검색/라우팅·유지보수 모듈을 가진 데이터 관리 시스템으로 평가해야 한다는 논문을 업무 자동화 관점에서 읽었다.
업무 자동화는 문서 검색보다 절차 기억에 가깝다
GraphMind는 과거 운영 사고 해결 흔적에서 문제-행동 그래프를 만들고, 에이전트가 그 그래프를 따라 업무 절차를 실행·갱신하게 하는 연구다. RAG보다 절차 기억을 설계해야 한다는 점에서 Deciflow 자동화에 직접 연결된다.
빠른 RAG는 질문이 언제 안정되는지부터 봐야 한다
Streaming RAG가 항상 빨라지는 기술이 아니라, 사용자의 질문 의도가 입력 중 언제 안정되는지에 따라 이득이 갈린다는 분석을 실무 자동화 관점에서 읽었다.
AI 튜터 평가는 시뮬레이션 다음의 교실을 봐야 한다
RAG와 지식 구성요소 모델을 결합한 AI 튜터 LEA의 실제 수업 배포와 교차 과목 확장성 평가를 HRD·교육평가 관점에서 읽은 논문 메모입니다.
에이전트도 쉬운 일을 쉬운 일로 알아야 한다
LLM 에이전트가 간단한 수정에도 과하게 파일을 읽고 문맥을 모으는 문제를 ‘실행 중복’으로 보고, 먼저 난이도와 필요한 범위를 추정한 뒤 최소 경로로 검증하자는 E3 접근을 읽었다.
에이전트가 푼 일은 자동화 자산으로 굳혀야 한다
AI 에이전트를 매번 새로 추론하게 두지 않고, 반복 검증된 해결 경로를 결정적 워크플로로 전환하는 progressive crystallization을 읽는다.
에이전트의 기억은 사실보다 판단 기록에서 먼저 오염된다
LLM 에이전트의 장기 기억에서 사실 지식뿐 아니라 과거 판단·추론 기록이 공격 표면이 될 수 있다는 FARMA와 SENTINEL 연구를 읽었다.
전문가의 수정은 채팅 로그가 아니라 팀 기억이 되어야 한다
AI 번역 워크플로에서 사람의 개입을 일회성 수정이 아니라 팀이 다시 쓸 수 있는 근거와 선례로 남기는 방법을 읽었다.
LLM을 매번 부르지 않고, 작은 함수로 남기는 상상
자연어로 적은 애매한 업무 함수를 작은 로컬 실행 아티팩트로 컴파일하는 Program-as-Weights 논문을 읽고, 에이전트·RAG·자동화 설계의 실행 비용과 재현성 문제를 정리했다.
교육 AI는 ‘도와줄 학생’보다 ‘건드리지 않을 학생’을 먼저 배워야 한다
학습분석 기반 교육 상담에서 제로샷 LLM과 RAG가 불필요한 개입을 과잉 추천할 수 있음을 보인 논문을 HRD·평가 자동화 관점에서 읽었다.
에이전트의 기억은 쌓는 것보다 옮겨 쓰는 법이 어렵다
반복 업무를 수행하는 LLM 에이전트에서 절차적 기억이 언제 일반화되고 언제 특정 역할에 과적합되는지 평가한 AFTER 벤치마크 논문을 읽었다.
AI를 쓰는 판단은 결국 사람의 눈에서 갈린다
AI가 디자인 업무에 들어올 때 실제 책임은 도구가 아니라 결과물을 판단하고 조직 안에서 통과시키는 사람의 보이지 않는 노동에 남는다는 연구를 읽었다.
표를 읽는 AI는 정답보다 근거 위치를 먼저 틀린다
LLM이 표 구조를 이해해도 실제 값의 위치를 잘못 인용하거나 빠뜨리는 데이터 참조 오류를 분석한 논문을 데이터·평가 자동화 관점에서 읽었다.
복잡한 멀티에이전트가 늘 좋은 것은 아니다
README 자동 생성 실험을 통해, 단일 에이전트 RAG와 멀티에이전트 RAG, 개발자 계획 개입 방식의 품질·비용 차이를 비교한 논문을 실무 자동화 관점에서 읽었다.
검색어를 만드는 AI는 보상 설계에서 무너진다
LinkedIn의 산업용 의미 검색 사례를 통해 RLAIF 기반 검색어 생성에서 보상 해킹과 규칙 기반 안전장치가 왜 중요한지 읽는다.
AI 에이전트는 도구보다 실행 환경을 먼저 필요로 한다
AI agents are driving a new software paradigm, with the ability to autonomously call tools, extract information, manage memory, and complete tasks that span application…
문서 자동화의 핵심은 추출보다 판정 근거다
독일 중앙은행 담보 적격성 검토 사례를 통해, 긴 문서 업무에서 LLM 자동화가 추출-정규화-해석-검증의 운영 구조로 설계되어야 함을 읽는다.
AI를 빌려 쓴 만큼, 검증할 힘도 같이 갚아야 한다
AI가 단기 생산성을 높일수록, 사람이 직접 검증하고 재구성하는 능력이 보이지 않는 부채처럼 줄어들 수 있다는 모델을 조직 AI 도입 관점에서 읽었다.
에이전트에게 기억보다 먼저 필요한 것은 장부다
도구 호출 에이전트가 오래된 정보나 정책 위반으로 실패하지 않도록, 프롬프트 안 기억 대신 별도 상태 장부와 정책 게이트를 두는 LedgerAgent 논문을 읽었다.
딥리서치 에이전트는 질문보다 평가 기준을 먼저 지어야 할 때가 있다
딥리서치 에이전트를 업무에 쓰려면 좋은 질문보다 먼저 좋은 평가 기준과 증거 구조가 필요하다. 루브릭 기반 자동화 설계를 논문으로 읽는다.
협업 역량은 참여 횟수가 아니라 대화의 구조에서 보인다
협업 대화를 개념 지도와 평가 기준으로 바꾸는 연구를 바탕으로, HRD와 교육평가에서 협업역량을 어떻게 진단할 수 있는지 정리한다.
에이전트 메모리는 검색보다 실행 상태를 지키는 일에 가깝다
장기 과제를 수행하는 AI 에이전트에게 메모리는 유사도 검색이 아니라 실행 상태 관리라는 관점의 논문 메모.