PKM + Context Engineering — AI 시대의 지식 관리

Karpathy의 Context Engineering

"Context Engineering — LLM의 컨텍스트 윈도우에 다음 스텝에 필요한 정보를 정확히 채워넣는 섬세한 기술이자 과학. 사람들은 '프롬프트 엔지니어링'이라고 하면 일상적인 LLM 사용에서의 짧은 질문을 떠올린다. 하지만 산업 수준의 LLM 애플리케이션에서 진짜 중요한 건 전체 컨텍스트 윈도우를 설계하는 것이다."

— Andrej Karpathy, 전 Tesla AI Director, OpenAI 공동 창립자

Karpathy는 2025년 중반, "프롬프트 엔지니어링"이라는 용어가 산업 현실을 제대로 반영하지 못한다고 지적하며 Context Engineering이라는 개념을 제시했다. 핵심 비유는 이렇다:

LLM = CPU

추론 능력은 고정된 하드웨어. 모델 자체를 바꿀 수는 없다. 대신 이 CPU에 무엇을 먹이느냐가 결과를 결정한다.

Context Window = RAM

작업 메모리. 엔지니어의 역할은 OS처럼 — 이 RAM에 현재 작업에 필요한 코드와 데이터를 정확하게 로드하는 것.

핵심 통찰: 같은 LLM이라도 컨텍스트 윈도우에 무엇이 들어있느냐에 따라 결과가 극적으로 달라진다. "좋은 프롬프트"보다 "좋은 컨텍스트"가 더 중요하다. CLAUDE.md, AGENTS.md 같은 설정 파일은 이 컨텍스트를 체계적으로 관리하는 도구다.

LLM-Wiki: AI가 관리하는 개인 위키

기존 PKM(Obsidian, Notion, Roam)의 가장 큰 문제는 "관리 부담"이었다. 정보를 수집하는 건 쉬운데, 분류하고 연결하고 갱신하는 건 너무 번거롭다. LLM-Wiki는 이 관리 부담을 AI에게 넘긴다.

3계층 아키텍처

Layer 3 — Schema

설정 파일 (Config)

AI에게 위키의 구조를 가르치는 설정. CLAUDE.md, AGENTS.md가 여기에 해당한다. "이 디렉토리 구조를 따르라", "이 형식으로 정리하라" 같은 메타 지시.

CLAUDE.md AGENTS.md .cursorrules config.yaml

Layer 2 — Wiki

AI 생성 정리 문서

AI가 원본 소스를 종합해서 만든 마크다운 문서. 주제별로 정리되고, 상호 링크로 연결된다. 노트의 노트. AI가 자동으로 갱신한다.

wiki/react-patterns.md wiki/system-design.md wiki/career-log.md

Layer 1 — Raw Sources

원본 소스 (불변)

수집한 원본 그대로. 논문 PDF, 스크린샷, 북마크, 메모. 절대 수정하지 않는다. AI가 참조만 한다.

sources/papers/ sources/bookmarks/ sources/screenshots/

기존 PKM과의 결정적 차이: 기존 PKM에서는 사용자가 직접 노트를 작성하고, 태그를 달고, 링크를 만들어야 했다. LLM-Wiki에서는 사용자가 원본 소스만 던져넣으면 AI가 자동으로 종합, 분류, 연결, 갱신한다. "관리 부담(bookkeeping overhead)"이 거의 제로에 가깝다.

실전: LLM-Wiki PKM 구축법

마크다운 파일 기반으로 AI가 관리하는 개인 위키를 직접 만들어보자

디렉토리 구조

# LLM-Wiki PKM 디렉토리 구조
my-wiki/
├── CLAUDE.md              # AI에게 위키 구조와 규칙을 알려주는 설정
├── AGENTS.md              # 범용 AI 도구용 설정 (선택)
│
├── sources/               # Layer 1: 원본 소스 (수정 금지)
│   ├── papers/            # 논문, 보고서 PDF
│   ├── bookmarks/         # 웹 북마크, 아티클 스크랩
│   ├── notes/             # 빠른 메모, 회의록
│   └── screenshots/       # 스크린샷, 다이어그램
│
├── wiki/                  # Layer 2: AI 생성 정리 문서
│   ├── tech/              # 기술 관련
│   │   ├── react.md
│   │   ├── system-design.md
│   │   └── devops.md
│   ├── career/            # 커리어 관련
│   │   ├── skills-map.md
│   │   └── growth-log.md
│   └── _index.md          # 전체 위키 인덱스
│
└── .claude/               # Layer 3: AI 설정
    └── skills/
        ├── add-source.md  # 새 소스 추가 스킬
        ├── update-wiki.md # 위키 갱신 스킬
        └── search.md      # 위키 검색 스킬

CLAUDE.md 설정 예시

# CLAUDE.md — LLM-Wiki PKM 설정

## 이 프로젝트에 대해
이것은 개인 지식 관리 위키다. 3계층 구조로 운영된다:
- sources/: 원본 소스. 절대 수정하지 않는다.
- wiki/: AI가 생성하고 관리하는 정리 문서.
- .claude/skills/: 위키 운영 자동화 스킬.

## 위키 문서 규칙
- wiki/ 아래의 모든 .md 파일은 YAML frontmatter를 포함해야 한다
- frontmatter에는 title, tags[], updated, sources[] 필드 필수
- 문서 간 상호 참조는 [[파일명]] 형식 (Obsidian 호환)
- 매 업데이트 시 _index.md를 함께 갱신한다

## 소스 추가 규칙
- 새 소스는 반드시 sources/ 아래에 먼저 저장
- 소스를 저장한 뒤 관련 wiki/ 문서를 갱신하거나 새로 생성
- 기존 wiki 문서와 관련 있으면 해당 문서에 병합, 새 주제면 새 파일 생성

## IMPORTANT
- sources/ 디렉토리의 파일은 절대 수정하지 않는다
- wiki/ 문서의 updated 날짜를 항상 갱신한다
- 태그는 최대 5개, 소문자 kebab-case

위키 문서 예시

# wiki/tech/react.md
---
title: React 패턴과 베스트 프랙티스
tags: [react, frontend, patterns]
updated: 2026-04-13
sources:
  - sources/bookmarks/react-server-components.md
  - sources/papers/react-19-changes.pdf
  - sources/notes/2026-03-meeting-frontend.md
---

## Server Components

React 19부터 Server Components가 기본이다.
클라이언트 번들에 포함되지 않으므로...

관련: [[system-design]], [[devops]]

활용 시나리오

LLM-Wiki PKM을 실제로 어떻게 쓸 수 있는가

Scenario 01

기술 학습 아카이브

새 기술을 공부할 때 블로그 글, 논문, 튜토리얼을 sources/에 던져넣는다. AI가 자동으로 핵심을 추출하고, 기존 wiki/ 문서와 연결하고, 자신만의 레퍼런스를 만들어준다.

Scenario 02

프로젝트 의사결정 기록

"왜 이 기술을 선택했는가"를 기록한다. 6개월 뒤 돌아왔을 때 AI가 맥락을 복원해준다. CLAUDE.md의 아키텍처 결정을 위키와 연동하면 프로젝트와 개인 지식이 동기화된다.

Scenario 03

커리어 성장 추적

학습한 스킬, 해결한 문제, 받은 피드백을 기록한다. AI가 스킬맵을 자동 생성하고, 부족한 영역을 파악하고, 다음 학습 방향을 제안한다.

Scenario 04

팀 온보딩 문서

팀의 컨벤션, 아키텍처, FAQ를 위키로 관리한다. 새 팀원이 AI에게 "우리 팀의 배포 프로세스 알려줘"라고 물으면 위키를 기반으로 정확하게 답변한다.

Scenario 05

독서 노트 & 인사이트 축적

읽은 책의 핵심 내용과 인사이트를 sources/에 저장한다. AI가 책 간의 공통 주제를 발견하고, 이전에 읽은 책과 새 책의 연결고리를 만들어준다.

Scenario 06

코드 리뷰 패턴 학습

받은 코드 리뷰 피드백을 기록한다. AI가 반복되는 패턴을 파악하고, 자주 지적받는 영역을 정리해서 CLAUDE.md에 반영할 규칙을 제안한다.

PKM의 계보: Memex에서 LLM-Wiki까지

개인 지식 관리의 꿈은 80년 전에 시작되었다

지식 관리 도구의 진화

1945년 Vannevar Bush가 "As We May Think"에서 Memex를 구상했을 때부터, 개인이 자신의 지식을 체계적으로 관리하고 연결하는 것은 오래된 꿈이었다. LLM의 등장으로 이 꿈이 마침내 현실이 되고 있다.

1945

Memex

Vannevar Bush의 구상. 개인 지식 저장소의 원형. 문서 간 연결(trail)이 핵심 아이디어.

1960s

Hypertext

Ted Nelson의 Xanadu. 문서 간 양방향 링크. 웹(WWW)의 사상적 기반이 된다.

2004

Wiki

Wikipedia, 개인 위키(TiddlyWiki). 누구나 편집 가능한 공유 지식. 관리 부담이 크다.

2020

Networked Notes

Roam Research, Obsidian, Logseq. 양방향 링크와 그래프 뷰. PKM 부흥기.

2025

LLM-Wiki

AI가 관리하는 위키. 사용자는 소스만 던져넣으면 AI가 종합, 분류, 연결, 갱신한다.

Context Engineering과 PKM의 교차점

프로젝트 설정 파일과 개인 지식 관리는 사실 같은 문제의 다른 면이다

프로젝트 Context (코딩)

CLAUDE.md, AGENTS.md = 프로젝트 규칙
AI가 코드를 이해하는 데 필요한 맥락
팀이 공유하는 컨벤션과 결정
코드베이스에 종속된 정보

개인 Context (PKM)

CLAUDE.md = 개인 위키의 스키마
AI가 나를 이해하는 데 필요한 맥락
개인의 경험, 인사이트, 학습 기록
프로젝트를 넘어 축적되는 정보

결국 같은 원리: Context Engineering의 핵심은 "AI에게 필요한 정보를 적재적소에 전달하는 것"이다. 프로젝트에서는 CLAUDE.md가, 개인 지식에서는 위키의 스키마가 이 역할을 한다. 둘 다 마크다운이고, 둘 다 AI가 읽고, 둘 다 사람이 관리한다. 형식이 통일되면 시너지가 생긴다.

지금 바로 시작하기

1

빈 디렉토리 만들기

sources/, wiki/ 두 폴더만 만들면 된다. Git으로 버전 관리.

2

CLAUDE.md 작성

위키 구조와 규칙을 AI에게 알려주는 설정 파일. 위의 예시를 참고.

3

소스 던져넣기

관심 있는 글, 메모, PDF를 sources/에 넣고 AI에게 정리를 요청.

"Bookkeeping overhead(관리 부담)가 개인 위키를 포기하게 만드는 가장 큰 원인이다. LLM은 이 부담을 거의 제로로 만든다."

— LLM-Wiki 개념 제안자

공식 자료 및 참고 링크

Karpathy 원문 (X/Twitter)

Context Engineering 개념 제시

LangChain Blog

Context Engineering for Agents

LLM-Wiki PKM (Hada.io)

AI가 관리하는 개인 위키 논의

Context Engineering GitHub