여러 AI 도구를 동시에 사용하는 환경에서 가장 번거로운 작업 중 하나는 도구를 바꿀 때마다 자신의 상황과 맥락을 처음부터 다시 설명해야 한다는 점이다. 이 문제를 해결하기 위해 옵시디언(Obsidian), 깃허브 비공개 저장소, 클로드 코드(Claude Code)를 조합한 개인 맞춤형 LLM 위키를 구축하는 방법이 주목받고 있다. 딥러닝 연구자 안드레이 카파시(Andrej Karpathy)가 제안한 ‘LLM 위키’ 개념에서 출발한 이 방식은, AI가 작성하고 관리하는 위키를 통해 매번 반복 설명 없이 자신에게 최적화된 AI 답변을 받을 수 있다는 것이 핵심이다.
구성 방식은 크게 세 단계다. 먼저 옵시디언을 중앙 저장소로 삼아 볼트를 생성하고, 기기 간 동기화를 위해 깃허브 비공개 저장소와 Git 플러그인을 연결한다. 모바일 환경에서는 Working Copy 앱을 통해 동기화한다. 다음으로 옵시디언 볼트 루트에 CLAUDE.md 파일을 두어 클로드 코드가 새 세션을 시작할 때마다 이 파일을 시스템 컨텍스트로 자동 주입하도록 설정한다. 마지막으로 수집된 자료를 위키로 통합하는 /ingest, 정합성을 점검하는 /lint, 위키 전체를 맥락으로 깔고 AI에게 질문하는 /query 세 가지 스킬을 클로드 코드로 구현한다. 위키 구조는 신원·생각·목표·역사·인물·자산·업무 카테고리로 분류하는 방식이 실용적으로 제안됐다.
실제 운용에서 얻은 효과는 뚜렷하다. AI에게 질문할 때 일반론적 답변 대신 자신의 철학·배경·진행 중인 프로젝트·의사결정 맥락까지 고려한 맞춤형 답변을 받을 수 있게 됐다. 클로드의 스케줄 기능을 활용해 매일 자동으로 lint가 실행되도록 구성하면 위키 관리 비용을 줄이면서 정합성을 유지할 수 있다. 다만 한계도 분명하다. AI가 손글씨나 다이어그램 이미지에서 텍스트를 추출할 때 오류가 빈번해 직접 교정이 필요했고, 위키가 커질수록 담기는 민감 정보도 늘어나 깃허브 계정 보안 관리가 필수적인 과제가 된다.
협업 시 추가 한계도 존재한다. 개인 정보가 담긴 LLM 위키를 팀과 공유하기 어렵기 때문에 팀용 위키를 별도로 구축해야 하는 이중 관리 부담이 생긴다. 단일 출처 원칙(SSOT)을 지향하지만 일부 정보는 두 곳에 나뉘어 관리해야 하는 구조적 모순이 발생한다. 전문가들은 이 방식이 모두에게 정답은 아니며, 처음부터 완벽한 구조를 만들려 하기보다 점진적으로 개선해 나가는 접근이 중도 포기를 방지하는 현실적인 방법이라고 강조한다.
