LLM Wiki × Obsidian으로 세컨드 브레인 만들기

게시 2026/04/12

By BLUEBUG

33 분읽는 시간

Andrej Karpathy의 LLM Wiki 패턴 + Claude Code + Claudian 플러그인 완전 해설

작성일: 2026-04-12
출처: aboutcorelab.com | Karpathy GitHub Gist

배경: 무엇이 문제인가
Karpathy의 LLM Wiki란 무엇인가
핵심 개념: RAG vs LLM Wiki
아키텍처: 3개의 레이어
핵심 오퍼레이션 4가지
실제 구현 후기: 153개 리포트 → 세컨드 브레인
Claudian 플러그인: 터미널 없이 위키 활용
지식 그래프 뷰 해설
웹사이트로 빌드하기
한계와 과제
커뮤니티 반응과 오픈소스 확장 생태계
철학적 배경: Vannevar Bush의 Memex
시작하는 법: 실전 가이드

1. 배경

잠자는 지식의 문제

많은 사람들이 Obsidian, Notion, Roam 등에 수백 개의 노트를 쌓아두지만, 실제로 그 지식을 유기적으로 활용하지는 못한다. 노트는 늘어나지만 연결되지 않고, 검색은 되지만 통합되지 않는다.

2026년 4월, Andrej Karpathy(전 OpenAI/Tesla 수석 AI 연구원, 현 Eureka Labs 창업자)가 GitHub Gist에 llm-wiki.md라는 아이디어 문서를 올렸다. 공개 1주일 만에 별 5,000개, 포크 3,355개를 기록하며 개인 지식 관리 커뮤니티에 큰 파장을 일으켰다. 이 문서는 단순한 기술 설명이 아니라, 지식 관리의 근본적인 패러다임 전환을 제안한다.

어바웃코어랩(aboutcorelab)은 이 패턴을 Obsidian + Claude Code 환경에 직접 적용해본 실험 후기를 공유했다. 잠자던 153개 리포트가 진짜 세컨드 브레인으로 변환된 이 사례를 통해, LLM Wiki 패턴의 실제 작동 방식과 시사점을 상세하게 살펴본다.

2. LLM Wiki란 무엇인가

Karpathy의 핵심 아이디어

Karpathy는 이렇게 설명한다:

“지식 베이스 유지의 지루한 부분은 읽기나 사고가 아니라 정리 작업이다. LLM이 바로 그 정리 작업을 맡는 것이다.”

LLM Wiki는 RAG(Retrieval-Augmented Generation)와 대비되는 새로운 지식 관리 패턴이다. 핵심은 하나다: LLM이 질문에 답할 때마다 지식을 재발견하는 대신, 인제스트 시점에 한 번 지식을 정리해두고 계속 축적한다.

Karpathy가 제시하는 비유는 강력하다. Obsidian은 IDE이고, LLM은 프로그래머이며, Wiki는 코드베이스다. 프로그래머(LLM)가 코드베이스(Wiki)를 지속적으로 개선하고, 사용자는 그 결과물을 IDE(Obsidian)에서 탐색한다.

적용 범위

Karpathy는 이 패턴이 적용될 수 있는 영역을 구체적으로 나열한다:

개인: 목표, 건강, 심리, 자기계발 - 일기, 기사, 팟캐스트 노트를 넣어 자신에 대한 구조화된 그림을 만들기
리서치: 특정 주제를 몇 주~몇 달에 걸쳐 깊이 파고들며 포괄적인 위키 구축
독서: 각 챕터를 읽으면서 등장인물, 주제, 스토리라인 페이지를 구축
비즈니스/팀: Slack 스레드, 회의록, 프로젝트 문서로 내부 위키 유지
경쟁 분석, 실사, 여행 계획, 취미 심화 등

3. RAG vs LLM Wiki

기존 방식과의 차이를 명확히 이해하는 것이 중요하다.

graph TD
    subgraph RAG["기존 RAG 방식"]
        R1[원본 문서들] --> R2{벡터 임베딩}
        R2 --> R3[(벡터 DB)]
        Q1[질문] --> R4[청크 검색]
        R3 --> R4
        R4 --> R5[LLM 조합]
        R5 --> R6[답변]
        R6 -.->|"지식 축적 없음"| Q1
    end

    subgraph WIKI["LLM Wiki 방식"]
        W1[원본 소스] -->|인제스트| W2[LLM 처리]
        W2 --> W3[(마크다운 위키)]
        W3 -->|엔티티 페이지| W3
        W3 -->|컨셉 페이지| W3
        W3 -->|교차 참조| W3
        Q2[질문] --> W4[위키 검색]
        W3 --> W4
        W4 --> W5[LLM 종합]
        W5 --> W6[답변]
        W6 -->|"/file-answer로 저장"| W3
    end

구분	RAG	LLM Wiki
작동 시점	쿼리 타임 (매번)	인제스트 타임 (한 번)
지식 축적	없음 (매번 재발견)	있음 (점진적 누적)
교차 분석	매번 재조합 필요	이미 완성된 교차 참조
토큰 효율	매우 낮음	최대 95% 절감 가능
오류 지속성	일시적 (리셋됨)	영구적 (관리 필요)
인프라	임베딩 서버 필요	마크다운 파일만으로 충분
유지보수	자동 (인덱스 기반)	LLM이 담당

Karpathy는 이를 “컴파일 타임 vs 쿼리 타임” 이라는 프레임으로 설명한다. Atlan의 분석에 따르면, LLM Wiki는 소규모 지식 베이스에서 토큰 사용량을 최대 95%까지 절감할 수 있다. Karpathy 본인의 ML 연구 위키는 단 하나의 주제만으로 약 100개 문서, 40만 단어 분량이 자동으로 만들어졌다. 박사 논문보다 긴 분량인데, Karpathy가 직접 쓴 문장은 하나도 없다.

4. 아키텍처: 3개의 레이어

LLM Wiki의 구조는 놀라울 정도로 단순하다. 세 개의 레이어가 전부다.

graph TB
    subgraph Layer1["Layer 1: Raw Sources (원본)"]
        RS1[PDF]
        RS2[기사/웹클립]
        RS3[회의록]
        RS4[데이터 파일]
        RS5[이미지]
    end

    subgraph Layer2["Layer 2: The Wiki (지식)"]
        W1[index.md - 전체 카탈로그]
        W2[log.md - 변경 이력]
        W3[sources/ - 소스 요약]
        W4[entities/ - 엔티티 페이지]
        W5[concepts/ - 컨셉 페이지]
        W6[answers/ - Q&A 아카이브]
        W7[overview.md - 종합 개요]
    end

    subgraph Layer3["Layer 3: The Schema (규칙)"]
        S1[CLAUDE.md / AGENTS.md]
        S2[워크플로우 정의]
        S3[페이지 포맷 규칙]
        S4[컨벤션 설정]
    end

    Layer1 -->|"/ingest"| Layer2
    Layer3 -->|"LLM 행동 지침"| Layer2
    Layer2 -->|"index.md 탐색"| Layer2

Layer 1: Raw Sources (원본 저장소)

원본 문서들의 불변 저장소다. PDF, 기사, 회의록, 데이터 파일 등 모든 소스가 여기에 들어간다. LLM은 이 레이어를 읽기만 할 뿐, 절대 수정하지 않는다. 이것이 진실의 원천이다.

Obsidian Web Clipper를 사용하면 웹 기사를 마크다운으로 변환해서 raw 폴더에 바로 넣을 수 있다. 이미지도 로컬에 다운로드해두면 LLM이 직접 참조할 수 있다.

Layer 2: The Wiki (지식 페이지)

LLM이 생성하고 유지하는 마크다운 파일들의 디렉토리다. 요약, 엔티티 페이지, 컨셉 페이지, 비교 분석, 개요, 종합 등이 여기에 쌓인다. LLM이 이 레이어를 완전히 소유한다. 사용자는 읽고, LLM은 쓴다.

두 개의 특별한 파일이 위키를 지탱한다:

index.md (콘텐츠 지향): 위키의 모든 페이지를 카탈로그화한다. 각 페이지의 링크, 한 줄 요약, 날짜/소스 수 등 메타데이터를 포함하는 카탈로그. LLM이 질문에 답할 때 가장 먼저 읽는 파일이다. 임베딩 기반 RAG 없이도 ~100개 소스, ~수백 페이지 규모에서 놀랍도록 잘 작동한다.
log.md (시간순 기록): 발생한 일을 시간순으로 기록하는 추가 전용 파일. 인제스트, 쿼리, 린트 기록이 모두 남는다. ## [2026-04-02] ingest | 기사 제목 형식으로 시작하면 grep으로 파싱 가능하다.

Layer 3: The Schema (규칙 정의)

LLM에게 위키의 구조, 컨벤션, 워크플로우를 알려주는 설정 문서다. Claude Code에서는 CLAUDE.md, Codex에서는 AGENTS.md가 이 역할을 한다. 이 파일이 LLM을 “일반 챗봇”이 아닌 “규율 있는 위키 관리자”로 만드는 핵심이다. 사용자와 LLM이 함께 시간이 지나면서 발전시켜 나간다.

5. 핵심 오퍼레이션 4가지

어바웃코어랩이 Claude Code로 설계한 핵심 커맨드 4개가 LLM Wiki의 전부다.

flowchart LR
    A[새 소스 추가] --> B["/ingest"]
    B --> C[소스 요약 생성]
    B --> D[엔티티 페이지 업데이트]
    B --> E[컨셉 페이지 업데이트]
    B --> F[index.md, log.md 갱신]
    
    G[궁금한 질문] --> H["/query"]
    H --> I[위키 전체 검색]
    I --> J[관련 페이지 읽기]
    J --> K[출처 인용 답변]
    
    K --> L["/file-answer"]
    L --> M[wiki/answers/에 저장]
    M -->|"다시 지식이 됨"| C

    N[정기적으로] --> O["/lint"]
    O --> P[고아 페이지 탐지]
    O --> Q[깨진 링크 확인]
    O --> R[소스 간 모순 검출]

/ingest – 소스를 지식으로 변환

raw/ 폴더의 소스 문서를 분석하여 소스 요약 페이지를 생성하고, 관련 엔티티와 컨셉 페이지를 만들거나 업데이트한다. 인덱스, 개요, 로그까지 자동 갱신된다.

하나의 소스를 넣으면 10~15개의 위키 페이지가 동시에 업데이트된다. 소스 하나가 파문처럼 위키 전체에 영향을 미친다. 소스를 하나씩 천천히 인제스트하면서 요약을 확인하고, LLM에게 무엇을 강조할지 방향을 잡아주는 것이 권장 방식이다. 물론 많은 소스를 배치로 한번에 처리하는 것도 가능하다.

/query – 위키 전체를 검색하고 종합

위키 전체를 검색하여 관련 페이지를 읽고, 출처를 인용한 종합 답변을 합성한다. 단순한 키워드 매칭이 아니다. 이미 정리된 지식 위에서 추론하기 때문에 맥락을 잘 잡는다. 신뢰도 평가(높음/중간/낮음)도 포함된다.

답변은 마크다운 페이지, 비교 표, Marp 슬라이드, matplotlib 차트, 캔버스 등 다양한 형식으로 출력 가능하다. 좋은 답변은 그 자체로 새로운 지식이 된다.

/file-answer – 답변을 다시 지식으로

이 커맨드가 LLM Wiki의 가장 강력한 부분이다. /query의 결과를 wiki/answers/에 위키 페이지로 저장한다. 질문에 대한 답변이 다시 위키의 소스가 되는 구조다.

이 피드백 루프가 세컨드 브레인을 단순 저장소가 아닌 성장하는 지식 체계로 만든다. 내가 한 탐색, 분석, 발견한 연결 – 이 모든 것이 사라지지 않고 위키에 누적된다.

/lint – 위키 건강 검진

고아 페이지(인바운드 링크 없음), 깨진 링크, 프론트매터 오류, 소스 간 모순 등을 탐지하여 보고한다. 위키가 커질수록 이런 정비 작업이 중요해진다. LLM은 새로운 조사가 필요한 질문이나 찾아볼 소스도 제안한다.

6. 실제 구현 후기: 153개 리포트 → 세컨드 브레인

실험 조건

어바웃코어랩은 Obsidian에 잠자고 있던 153개의 리서치/센싱 리포트를 raw 폴더로 옮기고, /ingest를 전체적으로 돌렸다.

결과

지표	결과
유효 소스 처리	146개 (95.4%)
자동 추출 엔티티	48개 (기업, 인물, 기술 등)
자동 생성 컨셉	29개 (개념, 패턴, 프레임워크 등)

153개 파일 중 146개가 유효 소스로 처리된 것은 높은 성공률이다. 그러나 숫자보다 중요한 것은 이 페이지들이 서로 연결되어 있다는 점이다. 엔티티 페이지에서 관련 컨셉으로, 컨셉 페이지에서 원본 소스로 자연스럽게 이동할 수 있다.

이전 방식과의 결정적 차이

이전에는 노트를 직접 태깅하고 링크를 걸어야 했다. LLM Wiki는 소스의 내용을 이해하고 자동으로 분류 체계를 만든다. 정리 작업의 부담이 거의 사라진다.

48개의 엔티티와 29개의 컨셉을 수동으로 분류했다면 며칠은 걸렸을 작업이, 자동으로 완성되었다.

이미지 3: AI Wearable 컨셉 페이지 예시

세 번째 이미지는 실제로 생성된 위키 페이지의 예시다. AI Wearable (AI 웨어러블) 컨셉 페이지를 보면:

정의(Definition): AI 기능을 탑재한 착용형 기기로, 사용자 주변 환경과 대화를 상시 감지·기록하고 분석해 리마인더 생성, 할 일 목록 작성, 개인화된 응답 제공 등 기능 수행
핵심 포인트(Key Points): Amazon Bee 인수 기사부터 OpenAI, Meta, Apple 등 AI 웨어러블 시장 진출 정보까지 자동 정리
출처(Sources): 각 정보의 원본 소스 링크 자동 연결
관련 컨셉(Related Concepts): 온디바이스 AI, Bee, Amazon 등 연관 개념으로 자동 링크

이 모든 것이 LLM이 소스 문서를 읽고 자동으로 생성한 결과다.

7. Claudian 플러그인: 터미널 없이 위키 활용

Claudian이란

Claudian은 Claude Code를 Obsidian 사이드바에 임베드해주는 플러그인이다. 터미널을 열지 않고도 Obsidian 안에서 바로 /query를 실행할 수 있다.

이미지 2: Claudian 실제 사용 화면

두 번째 이미지는 Claudian이 실제로 동작하는 모습이다.

왼쪽 사이드바: wiki 스페이스 안에 answers, concepts, entities, sources, overview, index, log 등 위키 구조가 Obsidian 파일 트리로 보인다
오른쪽 Claudian 패널: /query 에이전트 하네스에 대해 알려줘 라는 명령에 Claudian이 응답하는 과정이 보인다
- index.md 읽기
- 에이전트|하네스|agent|harness 그렙 검색
- 관련 파일들(harness-engineering.md, ai-agent-harness-design.md, agent-framework-harness-differentiation.md 등) 순차적으로 읽기
- 종합 답변: 에이전트 하네스(Agent Harness) 요약을 정의, 핵심 개념 등으로 체계적으로 정리

핵심 워크플로우

sequenceDiagram
    participant U as 사용자
    participant O as Obsidian
    participant C as Claudian
    participant W as Wiki

    U->>O: 그래프 뷰로 지식 구조 탐색
    U->>C: /query [궁금한 것]
    C->>W: index.md 검색
    W-->>C: 관련 페이지 목록
    C->>W: 관련 페이지들 순차 읽기
    W-->>C: 페이지 내용
    C-->>U: 출처 인용 종합 답변
    U->>C: /file-answer
    C->>W: wiki/answers/에 저장
    W->>W: 새 지식으로 축적

탐색 → 질문 → 지식화가 하나의 도구 안에서 끊김 없이 이뤄진다.

Claudian의 강점

볼트 내 파일에 직접 접근할 수 있다는 점이 핵심이다. 파일 읽기, 쓰기, 검색, bash 명령까지 전부 지원하기 때문에 LLM Wiki 커맨드가 그대로 동작한다. 별도 설정 없이 Claude Code CLI만 설치되어 있으면 바로 사용 가능하다.

8. Obsidian 그래프 뷰 해설

이미지 1: 지식 그래프 전체 뷰

첫 번째 이미지는 153개 소스를 인제스트한 후 Obsidian의 그래프 뷰로 본 결과다. 수백 개의 노드가 서로 연결된 복잡한 지식 네트워크가 형성되어 있다.

그래프에서 관찰되는 주요 특징:

허브 노드(크기가 큰 원) 들을 보면:

index - 위키의 중심 카탈로그, 모든 페이지와 연결됨
log - 변경 이력, 시간순 연결
agent - AI 에이전트 관련 컨셉이 허브 역할
ai-coding - AI 코딩 관련 노드가 중심부에 위치

클러스터(군집) 들이 형성되어 있다:

상단: Claude 관련 노드군 (claude-code, claude-in-excel, anthropic 등)
우측 상단: 에이전트 하네스 관련 노드군
하단: OpenAI/DeepSeek/오픈소스 관련 노드군
좌측: 물리 AI, 파운데이션 모델 관련 노드군

주간 센싱 노드들 (sensing-20260229, sensing-20260303 등)이 시간순으로 연결되어 있어, 지식이 시계열적으로 쌓인 것을 볼 수 있다.

이 그래프 뷰는 어떤 개념이 허브인지, 어떤 페이지가 고립되어 있는지, 지식의 클러스터가 어떻게 형성되는지를 한눈에 파악하게 해준다.

9. 웹사이트로 빌드

구축한 LLM Wiki는 웹사이트로도 빌드할 수 있다. Obsidian에서 Claudian으로 운영하는 것도 편하지만, 가독성 면에서는 웹사이트가 더 낫다.

위키 특유의 페이지 간 링크 구조가 웹에서 훨씬 직관적으로 보인다.

Obsidian: 편집과 운영에 강점
웹사이트: 열람과 공유에 강점

두 가지를 병행하는 것이 현재로서는 가장 효과적인 조합이다.

10. 한계와 과제

어바웃코어랩이 솔직하게 공유한 개선 포인트 3가지.

과제 1: 할루시네이션 관리

LLM이 위키 페이지를 작성하면서 소스에 없는 내용을 추가하는 경우가 간혹 발생한다. /lint가 소스 간 모순은 잡아주지만, 소스에서 벗어난 내용까지 완벽하게 걸러내지는 못한다.

가장 치명적인 문제: RAG의 일시적 할루시네이션과 달리, 위키에 한번 잘못 기록된 내용은 이후 생성에도 영향을 미칠 수 있다. “일시적 오류”가 아닌 “영속적 오류“가 되는 것이다.

Karpathy GitHub Gist 댓글에서도 이를 지적한 사람이 있다:

“일시적 할루시네이션 대신 영속적 오류를 선택하는 것이다. 위키에 두 개념이 한번 잘못 연결되면, 그 실수는 사라지지 않는다 — 미래 세대가 그 위에서 계속 쌓아간다.”

커뮤니티 해결책으로는 claude-obsidian 플러그인의 [!contradiction] 콜아웃 자동 생성 기능, 2-hop 출처 추적(클레임 → 소스 페이지 → 원본 텍스트) 등이 제안되고 있다.

과제 2: 분류 체계의 확장

현재 엔티티와 컨셉이라는 두 축으로 분류하고 있는데, 48개 엔티티가 더 늘어나면 세밀한 그룹핑이 필요해진다. 더 위키스러운 카테고리 체계 설계가 필요하다.

과제 3: 인사이트 자동 추출

지금은 지식을 구조화하고 질문에 답하는 데까지 왔다. 다음 단계는 연결된 지식들을 기반으로 새로운 인사이트를 자동으로 뽑아내는 것이다.

예시: 서로 다른 엔티티에서 발견되는 공통 패턴이나, 컨셉 간의 숨겨진 관계를 자동으로 찾아내는 기능.

11. 커뮤니티 생태계

Karpathy의 Gist는 1주일 만에 방대한 오픈소스 생태계를 만들어냈다. 주요 확장들:

도구 및 프로젝트

프로젝트	설명	링크
llmwiki-cli	파일시스템 + git만으로 위키 관리하는 CLI	npm install -g llmwiki-cli
claude-obsidian	Claude Code 플러그인 (3-레이어 구조 구현, 358개 별)	GitHub
SwarmVault	50+ 파일 포맷 지원, YouTube 자동 인제스트	npx @swarmvaultai/cli
agent-wiki	Python 툴킷 (링크 추적, PDF 변환, 린팅)	pip install agent-wiki
knowledge-pipline	지식 그래프 + BFS 추론 체인 시각화	Claude Code 스킬
LLMWikiController	Karpathy 원본 아이디어 기반 확장 구현	GitHub
axiom-wiki	오픈소스 올인원 CLI 구현	GitHub

주목할 확장: claude-obsidian

claude-obsidian은 Karpathy의 3-레이어 구조를 직접 구현한 Claude Code 플러그인으로, 몇 가지 혁신적인 기능을 추가했다:

Hot cache (wiki/hot.md): 세션 간 지속되는 ~500단어 컨텍스트. 세션마다 “어디까지 했죠?” 반복을 제거. 컨텍스트 윈도우의 0.25% 미만 비용으로 매 세션 2 ~ 3천 토큰 절약
모순 플래그: 새 소스가 기존 위키와 충돌하면 [!contradiction] 콜아웃 자동 생성 (조용히 덮어쓰지 않음)
8-범주 린트: 고아 페이지, 죽은 링크, 모순, 누락 페이지, 링크되지 않은 언급, 불완전한 메타데이터, 빈 섹션, 오래된 인덱스
자율 리서치 루프 (/autoresearch): 3라운드 웹 검색으로 지식 공백을 발견하고 채운 뒤, 출처 추적 포함 교차 참조 위키 페이지로 저장

12. 철학적 배경: Vannevar Bush의 Memex

Karpathy는 LLM Wiki의 아이디어가 Vannevar Bush의 Memex(1945) 와 정신적으로 연결된다고 설명한다.

Memex는 개인 지식 저장소로, 문서들 사이에 연상적 경로(associative trails)를 만드는 비전이었다. Bush의 비전은 현재의 웹보다 이것에 훨씬 가까웠다: 사적이고, 능동적으로 큐레이션하며, 문서 간의 연결이 문서 자체만큼 소중한 구조.

Bush가 해결하지 못한 문제가 하나 있었다: 누가 유지보수를 하는가?

LLM이 바로 그 답이다.

13. 시작하는 법: 실전 가이드

준비물

Obsidian 설치
Claude Code CLI 설치 (npm install -g @anthropic-ai/claude-code)
(선택) Claudian 플러그인 설치

단계별 가이드

flowchart TD
    A[1. Karpathy의 llm-wiki gist 다운로드] --> B[2. Claude Code에 요청]
    B --> C["'이 프롬프트를 참고해서 내 Obsidian 볼트에 LLM Wiki를 구성해줘'"]
    C --> D[3. Claude Code가 폴더 구조 생성]
    D --> E["raw/, wiki/, CLAUDE.md 생성"]
    E --> F[4. 소스 5~10개를 raw/ 폴더에 넣기]
    F --> G[5. /ingest 실행]
    G --> H[6. 생성된 위키 페이지 검토]
    H --> I[7. /query로 위키에 질문]
    I --> J[8. /file-answer로 답변 저장]
    J --> K[9. 반복 - 지식이 점점 쌓인다]

핵심 팁

처음에는 작게 시작하라. 관심 있는 주제 하나를 골라서 소스 5~10개로 시작하는 것을 권장한다. 처음부터 모든 노트를 넣을 필요가 없다.

유용한 도구들:

Obsidian Web Clipper: 웹 기사를 마크다운으로 변환해 raw 폴더에 직접 저장
Obsidian Graph View: 지식 연결 구조를 시각적으로 파악
Marp: 마크다운 기반 슬라이드 생성 (Obsidian 플러그인 있음)
Dataview: 페이지 프론트매터로 동적 테이블/리스트 생성

위키는 git repo다. 마크다운 파일의 집합이기 때문에 버전 히스토리, 브랜칭, 협업이 자동으로 된다.

당장 해볼 수 있는 한 가지

Karpathy의 llm-wiki gist를 열고, Claude Code에 이렇게 말해보자:

“이 프롬프트를 참고해서 내 Obsidian 볼트에 LLM Wiki를 구성해줘”

나머지는 AI가 알아서 한다.

참고 자료

자료	링크
Karpathy의 llm-wiki GitHub Gist	https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
LLM Wiki vs RAG Knowledge Base – Atlan	https://atlan.com/know/llm-wiki-vs-rag-knowledge-base/
What Is Andrej Karpathy’s LLM Wiki? – MindStudio	https://www.mindstudio.ai/blog/andrej-karpathy-llm-wiki-knowledge-base-claude-code
Karpathy shares LLM Knowledge Base – VentureBeat	https://venturebeat.com/data/karpathy-shares-llm-knowledge-base-architecture
Claudian – Obsidian Plugin for Claude Code	https://github.com/YishenTu/claudian
aboutcorelab 원문	https://aboutcorelab.com/llm-wiki-in-obsidian-for-2nd-brain/
claude-obsidian 플러그인	https://github.com/AgriciDaniel/claude-obsidian
SwarmVault	https://github.com/swarmclawai/swarmvault

이 문서는 2026년 4월 12일 기준으로 작성되었습니다.

AI, RAG & Knowledge Retrieval

AI WIKI Obsidian claude-code Claudian Claude.write