옵시디언 국내 최고 권위자가 녹음 1,400개와 노트 1만 개를 AI로 굴리는 방법 (커맨드스페이스 구요한님)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

구요한이 녹음 전사 노트 1,400개 이상과 메인 노트 1만 개 이상을 AI로 활용하는 핵심은 옵시디언에 검색 경로와 운영 규칙을 만들고, 사람이 감독하며 분류·연결·재사용을 맡기는 데 있다.

📌 핵심 요점

1. 마크다운과 로컬 저장이 기반이다. 범용 파일 형식과 데이터 소유권을 중시해 옵시디언을 선택했고, 축적한 기록과 운영 문서가 이후 Claude Code의 작업 기반이 됐다. 메인 보관함에는 기획·운영·진행 기록을 남기고 외부 작업 폴더도 연결한다.
2. 폴더보다 다양한 검색 단서를 설계한다. 중앙 목차에 더해 유형·날짜·태그·주제·인물·세션 링크를 사용한다. FlowNotes의 녹음 전사문은 별도 도구와 로컬 DB를 통해 활용 상태와 메타데이터를 보완하고 옵시디언에 연결한다.
3. 사람이 아는 지식과 AI가 확장하는 자료를 구분한다. 메인 보관함에는 자신이 설명하고 승인할 수 있는 지식을 두고, LLM 위키에는 더 배우고 싶은 내용을 모은다. 위키는 개념별 카드를 연결하고 질문 결과와 검색 자료를 다시 저장해 다음 탐색에 활용한다.
4. 짧은 지침과 검토 절차로 에이전트를 운영한다. 필수 메타데이터와 문서 우선순위, 편집 오류 예방 규칙을 명시하고 세부 사항은 참조 문서로 연결한다. 아홉 페르소나는 업무별 자료 탐색과 리뷰를 맡지만 전체 구현은 진행 중이며, 운영 주도권은 사람이 유지한다.
5. 자동화 수준은 목적에 맞게 선택한다. 공개 설계를 자신의 업무·주제·용어에 맞게 수정하고, 이해하고 감독할 수 있는 일부터 위임한다. AK Index는 문서화·시스템화·개선 루프 등을 진단해 다음 개선 방향을 찾는 도구로 소개된다.

🧩 배경과 문제 정의

• 연구·강의·컨설팅에서 축적한 지식을 다시 찾고 활용하려면, 자료를 저장하는 것뿐 아니라 접근 경로와 분류 규칙을 설계해야 한다. 폴더 중심 정리만으로는 주제·인물·날짜·활용 여부에 따라 자료를 찾기 어렵다.
• 구요한은 마크다운의 범용성과 로컬 데이터 소유권을 이유로 옵시디언을 선택했다. 이렇게 쌓인 기록과 운영 규칙이 이후 AI가 참고하고 작업하는 기반이 됐다.
• 핵심 과제는 자신이 이해하고 운영할 수 있는 지식 체계를 유지하면서 AI로 분류·연결·학습 범위를 확장하는 것이다. 직접 작성하고 승인하는 지식과 LLM이 운영하는 학습 자료는 별도 보관함으로 구분한다.

🕒 시간순 섹션별 상세정리

1. 폴더 분류를 넘어 기록의 활용 상태까지 관리한다

• 개인용 지식관리 매뉴얼은 다른 사람을 가르치는 자료를 거쳐 AI용 매뉴얼로 확장됐다. 유형·설명·날짜·태그·주제·관련 세션을 정의하고, 세션 링크로 실제 대화에 접근하도록 구성했다 [00:29]
• 클라우드 노트를 1년 조금 넘게 사용하며 1,400개 이상의 노트를 쌓았다. 폴더 분류만으로 부족하다고 느껴 활용 여부 등을 태그로 관리하는 기능을 Swift로 직접 만들었다 [00:44]

2. 가르치기 위한 학습이 지식관리 체계의 출발점이다

• 구요한은 물리학 석사와 교육공학 박사 과정을 거치며 연구·논문 작성·지식관리에 관심을 키웠다. 현재 AI와 지식관리 강의·컨설팅을 중심으로 일하며, 최근에는 LLM 위키에 대한 관심으로 지식관리 강의 요청이 늘었다고 한다 [01:17]
• 새로 배운 내용을 다른 사람에게 잘 전달하려면 먼저 정리해야 한다는 필요가 지식관리의 동력이다. 모르는 질문도 받아들이고, 2주간 공부해 필요한 통찰을 제공하겠다는 학습 원칙을 갖고 있다 [03:03]

3. 마크다운과 로컬 저장이 AI 활용의 기반이 됐다

• 옵시디언을 선택한 가장 큰 이유는 마크다운의 범용성이었다. 특정 운영체제나 컴퓨터에 종속되지 않는 파일 형식으로 지식을 보관하려 했다 [04:49]
• 처음부터 AI 연동을 예상한 것은 아니지만, Claude Code 등장 이후 옵시디언 보관함의 수만 개 파일을 자신의 기억처럼 활용하게 됐다. 로컬 저장과 데이터 소유권도 선택의 중요한 기준이었다 [05:15]

4. 중앙 목차와 여러 접근 경로를 함께 설계한다

• 지식을 유용하게 쓰려면 먼저 자신의 지식관리 체계를 이해해야 한다. 이를 위해 중앙 허브인 ‘헤드쿼터’와 개인용 가이드를 만들고, 분야별 처리 방식과 구축 의도를 목차 형태로 정리했다 [06:27]
• 중앙 목차는 여러 진입점 중 하나다. 같은 사람에 관한 기록도 계정·유튜브 채널·함께한 식사·날짜 등 서로 다른 단서로 떠올릴 수 있으므로, 메타데이터로 다양한 접근 경로를 열어 두었다 [07:33]

5. 일관된 메타데이터 규칙이 사람과 AI의 공통 매뉴얼이 된다

• 필수 메타데이터, 날짜의 ISO 형식, 평가값의 숫자·문자 사용 예시를 미리 정의했다. 연구·프로젝트·강의·일기에도 태그와 폴더 규칙을 적용해 노트를 일관되게 작성하도록 했다 [08:48]
• 접두사와 접미사도 검색 경로로 활용한다. 특정 입력으로 작업 중인 재즈 곡을 모아 찾는 식으로 접근 규칙을 축적했고, 이 규칙을 담은 두 문서가 AI의 작업 매뉴얼로 이어졌다 [09:32]

6. AI는 학습과 작업 범위를 확장하는 수단이다

• AI를 자신의 학습과 활동 범위를 넓혀 주는 수단으로 본다. 계속 배우고 시도하려는 의지는 있지만 혼자 감당할 수 있는 힘에는 한계가 있어, AI로 자신이 다룰 수 있는 영역을 확장하려 한다 [11:43]
• 당시 약 100개의 Claude Code 세션을 열어 두고 있었다. 공부할 때 자료를 효과적으로 정리하고 새로운 내용을 배우도록 돕는 시스템을 구축하는 데 큰 즐거움을 느낀다고 한다 [12:11]

7. 옵시디언은 계획과 진행 기록을 모으는 운영 중심이다

• 메인 보관함에는 1만 개 이상의 노트가 축적돼 있다. 최종 산출물은 필요에 따라 PPT나 PDF로 만들고, 마크다운 기획서·운영 문서·프로젝트 진행 단계는 메인 보관함에 남긴다 [12:33]
• Hookmark로 폴더의 URI를 연결해 옵시디언 문서에서 개발 폴더와 강의 자료 폴더에 접근한다. 기획서에는 개발 자료를 찾을 위치와 계약서·실적 보고서 등을 저장할 실제 프로젝트 폴더를 지정한다 [13:30]

8. 인터뷰 준비에도 원본 검증과 AI 작성 이력을 남긴다

• 인터뷰 질문지 원본을 프로젝트에 보관하고 채널 조사와 질문지 검토를 진행했다. 질문지의 수치가 틀릴 수 있다는 안내를 바탕으로 자신의 기록과 대조해 차이를 확인했다 [14:43]
• 빠르게 열리는 경량 마크다운 뷰어를 직접 만들어 조사 결과와 수정 사항을 확인한다. 질문지 수정본과 답변 초안도 별도로 작성하고, 초안이라는 상태를 명시했다 [15:20]

9. 직접 아는 지식과 LLM이 운영하는 학습 자료를 분리한다

• 메인 보관함과 LLM 위키를 나눈 기준은 작성 주체다. 메인 보관함은 자신이 운영하고, LLM 위키는 관심 있는 지식을 LLM이 운영하되 자신이 관리·감독한다 [16:23]
• 메인 보관함에는 스스로 충분히 설명할 수 있는 지식을 두고, 위키에는 아직 명확히 설명하지 못하더라도 공부하고 싶은 내용을 모은다. 공동 보관함과 수강생용 보관함까지 주변에 배치해 학습 범위를 넓히는 구조로 본다 [17:03]

10. RAG의 장점을 인정하면서 질문 경험이 누적되는 구조를 찾는다

• RAG는 벡터·그래프 데이터베이스를 구축하고 자료 변화에 맞춰 갱신하는 작업이 필요하다. 대규모 지식이나 출처가 명확해야 하는 경우에는 여전히 좋은 방식이라고 평가한다 [19:50]
• 자주 갱신되는 고객 응대 매뉴얼처럼 정형적인 업무에는 RAG가 더 낫다고 본다. 다만 과거 질문이 이후 답변에 반영되며 지식이 누적되는 구조를 원했고, 이 점에서 다른 운영 방식을 탐색했다 [20:23]

11. 개념별 위키 카드와 질의 결과를 다시 지식에 편입한다

• 한 글에 A·B·C 개념이 있으면 각각의 상세 위키 카드를 만든다. 다른 글에서 A가 다시 등장하면 기존 카드와 연결해 여러 자료의 지식을 함께 반영한다 [21:17]
• 특정 개념에 대한 질문 결과와 검색한 자료도 위키에 다시 저장한다. 이후 비슷한 질문이 나오면 과거 질문을 현재 맥락에 추가할 수 있다는 점을 이 구조의 큰 가치로 본다 [21:48]

12. 메타데이터로 필요한 문서와 원래 대화를 찾아간다

• 점진적 공개의 핵심은 본문 전체를 읽기 전에 상단 메타데이터로 문서의 내용을 파악하는 것이다. 이를 바탕으로 어떤 문서를 읽고 어디에서 정보를 찾을지 결정하는 경로를 설계한다 [22:09]
• AI에게 위키 생성을 요청하는 것만으로는 메타데이터가 충분하지 않을 수 있다. 유형·설명·날짜·태그·주제·관련 세션뿐 아니라 응답 링크도 설계해, 준비 과정의 실제 대화 세션을 바로 열 수 있도록 했다 [22:45]

13. 역할별 ‘아홉 현자’를 여러 AI 서비스에 배치하고 있다

• Claude Code를 가장 많이 사용하며, ‘Constellation’이라는 구상 아래 약 50명의 유명 인물을 검토해 아홉 페르소나를 골랐다. 케플러·괴테·듀이·바흐 등의 이름을 역할별 조력자에 부여했다 [23:40]
• 페르소나 설계는 마쳤지만 전체 구현은 아직 진행 중이다. 역할에 따라 OpenRouter·Claude Code·Hermes·Grok 기반 도구 등에 배치하는 방식을 설계하고 있으며, 관련 자료는 공개했다 [24:06]

14. 십진 분류의 기억 부담을 AI의 자동 분류와 연결로 줄인다

• DDC와 같은 십진 분류 방식을 참고해 숫자를 지식의 접근 단서로 쓴다. 예를 들어 900번대에는 901~999를 배치하고, 901을 입력하면 케플러를 떠올릴 수 있도록 번호와 역할을 연결했다 [25:14]
• 분류 체계를 확장하면서 모든 번호를 기억하기 어려운 시기도 있었다. 현재는 에이전트가 질문지 검토 문서에 ‘701 YouTube’를 붙이는 식으로 자동 분류한다 [26:39]

15. 초보자는 공개 설계를 자신의 맥락에 맞게 수정해 시작한다

• AI가 없을 때는 자신이 인지할 수 있는 최소한의 분류 요소만 쓰도록 권했다. AI가 사용자 맥락을 참고할 수 있는 환경에서는 공개된 시스템 보관함을 예시로 제공하고, 자신의 용어와 정체성에 맞게 수정하도록 요청하는 접근을 제안한다 [28:31]
• 초보자는 공개된 설계 예시를 먼저 가져와 자신에게 맞게 적용할 수 있다. 구조와 설계 철학을 더 배우고 싶다면 커뮤니티 채널과 커맨드스페이스 웹사이트의 강의를 활용할 수 있다 [29:03]

16. 업무 유형과 주제로 기록의 분류 기준을 세운다

• 처음부터 복잡한 체계를 갖추지 않아도 데이터를 보존하는 수준으로 시작할 수 있다. 분류의 출발점은 자신이 어떤 업무를 맡고 있는지 파악하는 것이다. [30:15]
• 인덱스에는 연구·프로젝트·강의 같은 업무 유형을 두고, 데이터 분석·컨설팅·아동 교육 같은 주제를 함께 구분한다. 업무의 종류와 다루는 주제를 나누면 기록을 배치할 기준이 생긴다. [30:43]

17. 녹음 전사 자료를 태그와 메타데이터가 있는 데이터베이스로 확장한다

• 주요 입력 자료는 녹음의 전사문이며, FlowNotes를 1년 넘게 사용해 노트가 1,400개 이상 쌓였다. 이를 바탕으로 만든 데이터베이스에서 주요 인물과 고객을 구분하고 대화 내용을 추적한다. [31:39]
• 폴더 중심 분류의 한계를 보완하려고 Swift로 별도 도구를 만들었다. 폴더 분류에 활용 여부 등의 태그를 더하고, AWS에서 자료를 가져와 옵시디언과 연결하며, 별도 로컬 DB의 메타데이터·태그를 세션 ID로 연결한다. [32:29]

18. 운영 문서의 우선순위로 에이전트의 해석과 재사용을 돕는다

• Wiki Vault 운영의 중심은 claude.md이며, 이후 읽을 agent.md 등 시스템 문서의 우선순위를 정해 둔다. 옵시디언의 노트 연결 표기도 명시해 에이전트 호출 표기와 혼동하지 않도록 한다. [34:30]
• 에이전트 정의를 분리한 목적에는 다른 사람이 Codex로 자료를 재사용할 수 있게 하는 것도 포함된다. 실제 운영에서도 토큰 문제와 작업별 강점을 고려해 Claude와 Codex의 역할을 나눈다. [35:04]

19. 짧은 핵심 지침과 참조 문서로 오류를 예방한다

• 본문은 탭, YAML 메타데이터는 공백 두 칸을 쓰는 들여쓰기 차이처럼 편집 오류를 일으키는 세부 사항을 기록한다. 숫자 앞의 해시 기호 때문에 태그가 제대로 표시되지 않는 문제도 지침에 추가한다. [36:08]
• 길었던 claude.md는 짧게 줄이고 필요한 문서로 연결하는 구조로 바꿨다. 하나의 무거운 지침에 모두 담기보다 오류 예방용 참조 문서를 연결하는 방식이다. [36:53]

20. 아홉 에이전트는 검토와 지식 탐색 경로를 맡는다

• 멀티에이전트 구조는 설계돼 있지만 모든 부분이 완벽하게 작동하는 단계는 아니다. 현재 에이전트는 주로 감사·리뷰를 맡아 영역별 피드백을 제공하고 일일 로그를 남기며, 운영의 주도권은 사람이 유지한다. [38:35]
• 아홉 에이전트는 교육·글쓰기 등 업무별 질문을 어디로 보내야 하는지 정하는 경로다. 해당 에이전트를 호출하면 담당 폴더와 자료를 통해 필요한 정보를 파악할 수 있다. [39:46]

21. 위임은 감독할 수 있는 업무부터, 자동화는 탐구의 필요에 맞춰 선택한다

• 개인이 여러 에이전트를 거느리는 대기업 회장처럼 일할 수 있다는 전망이 나온다. 다만 높은 품질을 얻으려면 자신이 이해하고 감독하며 피드백할 수 있는 업무를 위임해야 한다는 입장이다. [41:56]
• 자동화는 이미 펼쳐 놓은 업무를 정리하고 통합하는 데 가깝지만, 현재는 새로운 시도를 직접 해 보는 탐구에 더 큰 가치를 둔다. 번아웃이 오거나 조직이 커지면 업무를 통합해 자동화하는 방향으로 바뀔 가능성은 열어 둔다. [42:43]

22. AI를 자신의 목적에 맞추려면 자기 생각과 이야기가 필요하다

• 옵시디언과 AI는 자신의 삶을 최적화하는 도구다. AI를 직접 관리하고 감독하면서 행복을 찾을 수 있는 방향을 지향한다. [43:58]
• AI가 계속 똑똑해질수록 자신의 이야기와 생각이 어디에 있는지가 중요해진다. AI를 개인의 취향과 목적에 맞게 활용하기 위해 글을 쓰고 자신의 서사를 기록한다. [44:18]

23. AK Index로 지식 관리의 문서화와 자동화 수준을 진단한다

• 루프 엔지니어링의 방향에는 동의하지만, 직접 하고 싶어서 의도적으로 자동화하지 않는 영역도 있다. 이를 판단하기 위해 만든 AK Index는 프롬프트·컨텍스트·하네스·루프·이식성을 진단 대상으로 삼는다. [45:05]
• 영역별로 다섯 문항을 만들고 0~4점으로 평가한다. 기본 구분은 체계가 없으면 0점, 그때그때 수작업으로 처리하면 1점, 문서화돼 있으면 2점, 시스템화된 훅 등이 작동하면 3점, 자기 개선 루프가 작동하면 4점이다. [45:43]

24. 진단 결과는 로컬에 저장하고 동의한 경우에만 공유한다

• 평가는 Claude 스킬로 실행하며 결과는 사용자의 컴퓨터에 저장된다. 성적표를 확인한 뒤 제출에 동의한 경우에만 제작자에게 전달되도록 구성했고, 당시 제출자는 약 50명이었다. [47:01]
• 제출 사례 중에는 처음 80점대였다가 개선 후 100점을 받은 사례도 있다. 프롬프트를 30일간 운영했는지처럼 시간이 지나야 충족 여부를 평가할 수 있는 문항이 있어, 실제 운영 기간도 점수에 영향을 준다. [47:19]

25. 지식 관리는 자신이 좋아하는 주제에서 시작한다

• 기록과 정리를 시작할 때는 자신을 설레게 하는 대상을 찾는 것이 중요하다. 위스키처럼 좋아하는 분야의 정보를 정리하는 것으로도 충분하며, 반드시 경력과 관련된 주제일 필요는 없다. [49:19]
• 좋아하는 기록이 쌓이면 인스타그램 콘텐츠나 유튜브 채널로 이어질 가능성도 있다. 이러한 확장은 보장된 결과가 아니라, 관심사를 축적하면서 열릴 수 있는 가능성이다. [49:29]

26. 활동 정보와 학습·커뮤니티 참여 경로

• 커맨드스페이스의 메인 도메인에는 진행하는 업무와 강의 이력이 정리돼 있다. 앞에 bio를 붙인 프로필 페이지에서는 LinkedIn·X·Threads로 연결되며, 유튜브 활동도 시도할 계획이다. [50:04]
• 옵시디언 관련 저서를 학습 자료로 소개하고, 카카오톡에는 메인 방과 컴퓨터 방이 있다고 안내한다. 지식 관리에 관심 있는 사람이 자료를 읽고 커뮤니티에 참여할 수 있는 경로다. [50:36]

🧾 결론

• 기록의 양만큼 중요한 것은 자료를 다시 찾고 원래 대화까지 확인할 수 있는 접근 경로다.
• 사람이 이해하는 분류 규칙과 운영 매뉴얼은 AI가 기존 지식을 활용하는 공통 기준이 된다.
• AI가 만든 학습 자료를 자신이 승인한 지식과 구분하고 직접 검토해야 지식관리의 주도권을 유지할 수 있다.
• 시작부터 복잡한 체계를 만들기보다 좋아하는 주제의 기록을 보존하고, 업무 유형과 주제를 구분하면서 확장할 수 있다.

📈 투자·시사 포인트

• 도구 선택: 범용 파일 형식, 로컬 데이터 소유권, 다른 도구와의 연결 가능성이 장기적인 기록 활용의 판단 기준으로 제시된다.
• 업무 도입: 개인 지식관리에서도 메타데이터와 운영 규칙의 문서화가 AI의 분류·검색·검토를 지원하는 기반이 된다.
• 기술 선택: 구요한은 대규모 자료나 출처 확인, 자주 갱신되는 정형 업무에는 RAG의 장점을 인정한다. 질문 이력을 누적하는 위키 방식과 업무 목적에 맞춰 비교필요가 있다.
• 성과 판단: 이 사례는 개인의 운영 경험이며 비용 절감률이나 투자 수익률을 제시하지 않는다. 도입 효과는 실제 검색·재사용·검토 업무에서 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목은 ‘녹음 1,400개’라고 표현하지만 본문에서 직접 확인되는 수치는 FlowNotes에 쌓인 노트 1,400개 이상이다. 녹음 파일 수와 전사 노트 수가 정확히 일치하는지는 확인이 필요하다.
• ‘국내 최고 권위자’는 제목의 표현이며, 제공된 자료에는 이를 비교·검증할 객관적 기준이 없다.
• 아홉 페르소나의 설계와 일부 운영 사례는 소개됐지만, 멀티에이전트 전체가 완성되거나 안정적으로 작동한다는 의미는 아니다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 현재 기록을 연구·프로젝트·강의 같은 업무 유형과 각 기록의 주제로 나누고, 자주 사용하는 검색 단서를 적는다.
• 유형·설명·날짜·태그·주제·원본 세션 링크의 최소 메타데이터 규칙을 문서화한다.
• 직접 설명하고 승인한 노트와 AI가 작성한 학습 자료의 보관 위치 및 검토 기준을 구분한다.
• 관심 있는 주제 하나에 개념별 위키 카드를 만들고, 질문 결과를 저장한 뒤 다음 질문에서 재사용되는지 확인한다.

❓ 열린 질문

• 질문 결과가 위키에 계속 누적될 때 잘못된 답변과 오래된 정보를 어떤 기준으로 수정하거나 제거할 것인가?
• 메인 보관함으로 옮길 만큼 충분히 이해하고 검증한 지식이라는 판단을 어떤 절차로 남길 것인가?
• 개인의 자료 규모와 갱신 빈도가 어느 수준일 때 LLM 위키보다 RAG가 운영상 유리해지는가?