🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

지피터스 커뮤니티 글들은 LLM 위키 운영의 검수 구조, 한국 마케팅용 출처 기반 AI 스킬, AI 입문 소감, Gemini 기반 수영 자세 교정기 제작 사례를 공유한다.

📌 핵심 요약

• 본문은 지피터스 커뮤니티의 새 글 목록으로, 무료 웨비나·유료 이벤트 안내와 함께 여러 회원의 AI 활용 사례가 이어진다.
• 가장 긴 글은 LLM Wiki 개념을 IT·AI 뉴스 스크랩 정리에 적용했다가 문서가 과도하게 불어나고 중복·출처 불일치가 생긴 문제를 다룬다.
• 작성자는 이를 해결하기 위해 신문사 편집국을 본뜬 구조를 만들고, 글쓰기와 검수를 분리하며, 데스크가 결과물과 루브릭만 보도록 컨텍스트를 격리했다.
• 다른 글에서는 한국 마케팅에서 AI가 법·플랫폼 정책을 자신 있게 틀리는 문제를 줄이기 위해 Claude Code용 스킬 9종과 references 17개를 만들었다고 설명한다.
• 또한 AI를 처음 접한 사용자의 가입 인사와, 수영 영상을 Gemini 비전 API로 분석해 자세 교정 리포트를 만드는 5일 제작 프로젝트가 소개된다.

🧩 주요 포인트

1. 본문은 지피터스 커뮤니티의 새 글 목록으로, 무료 웨비나·유료 이벤트 안내와 함께 여러 회원의 AI 활용 사례가 이어진다.
2. 가장 긴 글은 LLM Wiki 개념을 IT·AI 뉴스 스크랩 정리에 적용했다가 문서가 과도하게 불어나고 중복·출처 불일치가 생긴 문제를 다룬다.
3. 작성자는 이를 해결하기 위해 신문사 편집국을 본뜬 구조를 만들고, 글쓰기와 검수를 분리하며, 데스크가 결과물과 루브릭만 보도록 컨텍스트를 격리했다.
4. 다른 글에서는 한국 마케팅에서 AI가 법·플랫폼 정책을 자신 있게 틀리는 문제를 줄이기 위해 Claude Code용 스킬 9종과 references 17개를 만들었다고 설명한다.
5. 또한 AI를 처음 접한 사용자의 가입 인사와, 수영 영상을 Gemini 비전 API로 분석해 자세 교정 리포트를 만드는 5일 제작 프로젝트가 소개된다.

🧠 상세 정리

1. 커뮤니티 페이지와 글의 구성

본문은 AI 커뮤니티 지피터스의 페이지 일부로, 상단에는 무료 웨비나와 유료 이벤트, 신청 일정이 보이고 이어서 새로 올라온 포스트들이 나열된다. 글들은 단순 뉴스 요약이 아니라 회원들이 직접 만든 AI 활용 구조, 스킬, 서비스 제작기를 공유하는 형태다. 특히 LLM을 이용한 지식 관리, 한국 마케팅 검증, AI 초보자의 학습 진입, 영상 분석 기반 수영 코칭처럼 서로 다른 실험 사례가 한 화면에 함께 제시된다. 따라서 전체 흐름은 특정 한 주제의 논문식 설명이라기보다, 커뮤니티 안에서 공유된 여러 실전 경험과 공개 링크를 모아 보여주는 구조에 가깝다.

2. LLM Wiki가 뉴스 스크랩에서 복잡해진 문제

첫 번째 주요 글은 안드레이 카파시가 제시한 LLM Wiki 개념을 보고, LLM이 직접 위키를 쓰고 관리하게 하는 방식을 IT·AI 뉴스 스크랩 정리에 적용한 경험을 설명한다. 처음에는 신문 기사 하나를 넣으면 관련 페이지 10~15개가 자동으로 갱신되고 백링크로 이어지는 점이 신기해서 몇 달 동안 운영했다. 그러나 스크랩한 소스가 1,000건을 넘어서자 새 뉴스가 기존 페이지를 덮어쓰고, 비슷한 문서가 중복으로 쌓이며, 출처끼리 맞지 않는 내용이 조용히 뒤섞이는 문제가 발생했다. 작성자는 특히 LLM에게 자신이 쓴 결과물을 스스로 검토하게 하면 대체로 관대하게 통과시키는 현상이 결정적인 한계였다고 말한다.

3. 신문사 편집국 구조와 검수 분리

작성자는 문제를 해결하기 위해 소스 문서를 사람이 읽을 수 있는 연결형 마크다운 위키로 엮는 파이프라인을 신문사 편집국처럼 구성했다. 역할은 편집장, 기자, 칼럼니스트, 데스크, 교열 등으로 나누었지만, 모든 역할을 자율 멀티에이전트로 둔 것은 아니라고 설명한다. 실제로 독립적으로 판단하는 LLM 역할은 데스크, 즉 검수자 하나에 가깝고, 나머지는 성격이 다른 글쓰기 작업이거나 규칙 기반 파이썬 린트와 흐름 오케스트레이션에 해당한다. 자율 실행을 늘리면 토큰이 5~10배 늘고 컨텍스트를 놓칠 수 있어, 작성자는 자율성보다 결정 로그와 컨텍스트 격리에 더 무게를 두었다.

4. 규칙 진화, 모순 처리, 공개 저장소

검수 구조의 핵심은 쓰는 쪽과 검수하는 쪽을 분리하는 것이다. 데스크는 결과물과 채점 기준인 루브릭만 보고, 글쓴이가 어떤 생각으로 작성했는지는 보지 못하게 하여 자기 검수의 관대함을 구조적으로 막으려 했다. 반복적으로 발견되는 결함은 가이드라인 강화로 반영하지만, 고정된 시험 문제에 과적합되는 위험을 피하기 위해 개선에 쓰지 않은 새 실패 사례를 따로 빼서 채점한다고 설명한다. 출처끼리 맞지 않는 부분은 덮지 않고 별도의 모순 페이지로 분리하며, 저장은 마크다운과 git, 파이썬 도구는 로컬 기반으로 구성했다. 공개 레포는 영어 기사 15노드 예제로 구조를 재현해 둔 것이며, 한국 뉴스 인스턴스는 2,300노드까지 커졌지만 별도로 비공개라고 밝힌다.

5. 한국 마케팅 스킬과 수영 자세 교정기 사례

다른 글에서는 POS와 키오스크 일을 하며 만난 소상공인들이 마케팅을 어려워한다는 문제의식에서, 한국 마케팅용 Claude Code 스킬 9종과 references 17개를 만들었다고 소개한다. 작성자는 AI가 밤 10시 할인 문자 발송을 추천하거나, GPTBot과 검색 노출 봇을 혼동하거나, 카카오톡 채널 메시지 비용을 잘못 설명하는 사례를 들며 법령·KISA·벤더 공식 문서로 출처를 고정했다고 말한다. 또 다른 글은 AI 초보자가 새로운 세계에 들어온 듯한 흥미와 두려움을 느끼며 배우고 싶다고 인사하는 짧은 내용이다. 수영 자세 교정기 제작 글은 React, TypeScript, Vite, Tailwind, Flask 또는 FastAPI 기반 서버, google-genai와 Gemini 비전 API를 사용해 사용자의 수영 영상을 분석하고 HTML 코칭 리포트를 생성하는 구조를 설명한다. 작성자는 3초짜리 짧은 영상으로는 스트로크 주기, 물 잡기 각도, 호흡, 킥 타이밍을 충분히 판단할 수 없어 최소 한 사이클 이상의 전체 영상을 요구하도록 피벗했다고 밝힌다.

🧾 핵심 주장 / 시사점

• LLM 기반 지식 관리에서 품질 문제는 모델 성능만의 문제가 아니라, 작성자와 검수자의 컨텍스트를 어떻게 분리하고 실패 사례를 어떻게 평가하느냐의 구조 문제로 드러난다.
• 출처 기반 스킬이나 references를 붙이는 방식은 AI가 특정 지역의 법·정책·플랫폼 규칙을 자신 있게 틀리는 문제를 줄이는 실용적 접근으로 제시된다.
• 수영 자세 교정기 사례는 AI 서비스가 그럴듯한 데모보다 도메인의 데이터 조건을 정직하게 반영해야 제대로 작동한다는 교훈을 보여준다.

✅ 액션 아이템

• LLM 위키 운영에서 문서 과대성장·중복·출처 불일치가 발생하지 않도록 출처 검증과 중복 차단 규칙을 정량화해 적용한다.
• 한국 마케팅용 AI 출력의 법·플랫폼 정책 오판을 줄이기 위해 Claude Code용 스킬 9종과 references 17개를 검증 항목으로 통합 점검한다.
• 커뮤니티 사례의 5일 일정대로 Gemini vision API 수영 자세 교정 프로젝트를 재현해 재현성, 정합성, 산출물 완결도를 점검한다.

❓ 열린 질문

• LLM 위키 문서가 과도하게 불어날 때 중복과 출처 불일치 위험을 사전에 감지할 임계값은 어떤 방식으로 정해야 하는가?
• 신문사 편집국형 구조에서 데스크가 결과물·루브릭만 볼 때, 판단 근거로 충분한 추가 맥락은 어디까지 허용해야 하는가?
• Claude Code용 스킬 9종과 references 17개 적용이 법·플랫폼 정책 오답을 줄였는지, 어떤 지표로 비교 판단할 것인가?