언제까지 AI에게 매번 같은 설명을 다시 해야할까? | 현업이 알려주는 LLM Wiki (Feat. RAG와의 차이)

00:00 RAG와 LLM Wiki의 차이 00:43 AI에게 매번 설명하게 되는 이유 06:29 RAG의 한계 07:47 LLM Wiki의 핵심 구조 11:31 LLM Wiki가 쓰레기산이 되지 않으려면 13:17 현업이 팀 지식 저장소를 실제로 구성한 방식 23:43 LLM Wiki에 RAG를 다시 연결한 이유 30:13 AI에게 어디까지 맡길 것인가? _ 안녕하세요. 현업 에이전트 채널의 전현준입니다. 이번 영상에서는 AI 에이전트를 다룰 때 계속 반복되는 문제, “왜 AI에게 매번 같은 설명을 다시 해야 하는가?”에서 출발해 LLM Wiki와 RAG의 차이를 중심으로 지식 저장소를 어떻게 설계할 수 있는지 이야기해보았습니다. RAG가 질문 시점에 필요한 문서를 다시 검색하는 방식이라면, LLM Wiki는 문서가 들어오는 시점에 지식을 정리하고 연결해두는 방식에 가깝습니다. 하지만 LLM Wiki도 그냥 만들기만 하면 금방 문서가 쌓이고, 결국 관리되지 않는 지식 저장소가 될 수 있습니다. 그래서 이번 영상에서는 Obsidian, Git, RAG 시스템, 그리고 사람이 개입하는 승인 프로세스를 조합해 팀 단위의 Knowledge Context를 어떻게 운영해봤는지 공유합니다. AI 에이전트에게 일을 맡기기 전에, 무엇을 기억하게 할지, 어떤 지식을 어디에 두고 언제 제공할지를 함께 고민해보면 좋겠습니다. 궁금한 점이나 더 나누고 싶은 이야기가 있다면 댓글로 편하게 남겨주세요. 감사합니다. :)