Claude Code와 Obsidian, Ollama를 활용한 25가지 도구 기반 AI 세컨드 브레인 구축기

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

Claude Code의 세션별 문맥 망각 문제를 해결하기 위해 Obsidian과 Ollama를 결합하고 25개의 자동화 도구로 자가 학습형 지식 시스템을 구축한 사례이다.

배경

Claude Code가 세션마다 이전 작업 내용을 잊어버리는 문제를 해결하기 위해 Obsidian 보관소의 데이터를 AI에게 최적화된 형태로 공급하는 자동화 시스템을 구축했다.

의미 / 영향

이 프로젝트는 개인용 지식 관리 시스템이 단순한 저장소를 넘어 AI의 능동적인 추론 도구로 진화할 수 있음을 입증했다. 특히 MCP를 통한 그래프 접근과 구조화된 핸드오프 데이터 전략은 현재 LLM의 한계인 문맥 망각 문제를 실무적으로 해결하는 효과적인 아키텍처 패턴이다.

커뮤니티 반응

작성자의 고도화된 아키텍처에 대해 매우 긍정적인 반응이며, 특히 MCP와 지식 그래프를 결합한 방식에 높은 관심을 보였다.

주요 논점

01찬성다수

RAG와 지식 그래프를 결합한 아키텍처가 LLM의 기억력 한계를 극복하는 실질적인 대안이다.

합의점 vs 논쟁점

합의점

개인용 지식 베이스 관리에는 모델 파인튜닝보다 RAG 방식이 더 유연하고 효과적이다.
하이브리드 검색이 키워드나 시맨틱 단일 검색보다 검색 품질이 우수하다.

논쟁점

25개의 도구로 구성된 시스템의 복잡도가 높아 일반 사용자가 유지보수하기 어려울 수 있다.
로컬 하드웨어(RTX 3080) 의존성에 따른 시스템 확장성 및 접근성 문제.

실용적 조언

긴 문서를 RAG에 사용할 때는 512자 내외로 청킹하고 상위 섹션 제목을 앵커로 포함하여 문맥 손실을 방지한다.
AI 세션 간 상태 유지가 필요하다면 Markdown보다 JSON 같은 구조화된 데이터 형식을 사용하는 것이 정보 보존에 유리하다.
SQLite의 FTS5와 벡터 검색을 결합한 하이브리드 검색을 구현하여 키워드와 의미 검색의 장점을 모두 취한다.

섹션별 상세

Claude Code의 기억 상실 문제 해결을 위해 세션마다 초기화되는 문맥을 유지하는 자동화 파이프라인을 구축했다. vault-live-sync.mjs 등의 도구가 실시간으로 세션 로그를 Obsidian 노트로 변환하여 지식을 누적하며, 이를 통해 어제의 결정 사항이나 차단된 이슈를 AI가 즉시 파악할 수 있다. 매 세션 시작 시 최적화된 컨텍스트 패키지를 생성하여 AI의 연속성을 보장하는 것이 핵심이다.

bash

sync -> digest -> reflect -> handoff.json -> search index (chunked bge-m3) -> codebase index -> autotag -> schema fix -> voice inbox -> monitors -> heartbeat

매시간 실행되는 AI 세컨드 브레인 자동화 파이프라인의 데이터 처리 순서

검색 정확도를 극대화하기 위해 512자 단위의 청킹과 헤딩 앵커 기법을 도입하여 데이터의 맥락을 보존했다. bge-m3 모델을 사용한 시맨틱 검색과 SQLite FTS5 기반의 키워드 검색을 50:50 비율로 결합한 하이브리드 방식을 적용했다. 실험 결과 전체 문서 임베딩 시 49%였던 매칭 품질이 청킹 도입 후 61%로 향상됨이 확인됐으며, 이는 대규모 지식 베이스에서 정보 인출의 신뢰성을 높인다.

Claude의 토큰 제한으로 발생하는 문맥 압축 과정에서 정보가 왜곡되는 것을 방지하기 위해 handoff.json이라는 구조화된 데이터를 활용한다. 일반적인 Markdown 서술형 데이터는 압축 시 핵심 내용이 변질되기 쉬우나, 기계 판독이 가능한 JSON 형식은 현재 작업 상태와 우선순위 등 필수 정보를 정확하게 유지한다. 이를 통해 세션이 길어져도 프로젝트의 핵심 맥락이 손실되지 않고 유지되는 효과를 얻었다.

단순한 파일 접근의 한계를 넘어서기 위해 375개의 노드로 구성된 지식 그래프를 구축하고 이를 MCP 서버로 연결하여 AI에게 제공했다. Claude는 kg_paths와 같은 도구를 직접 호출하여 서로 다른 프로젝트 간의 연관 관계를 구조적으로 추적하고 추론한다. 이는 AI가 단순 텍스트 매칭을 넘어 지식의 맥락적 연결성을 이해하게 함으로써 복잡한 의사결정과 문제 해결을 지원하는 고도화된 RAG 패턴이다.

실무 Takeaway

Claude Code의 세션 간 기억 유지를 위해 구조화된 JSON 데이터(handoff.json)를 활용하면 문맥 압축 시 정보 손실을 최소화할 수 있다.
RAG 시스템 구축 시 전체 문서보다 512자 단위의 청킹과 헤딩 앵커를 결합하는 것이 검색 정확도 향상에 훨씬 유리하다.
키워드 검색(FTS5)과 시맨틱 검색을 결합한 하이브리드 검색이 단일 방식보다 우수한 성능을 보여준다.
지식 그래프를 MCP 서버로 구현하여 AI에게 제공하면 복잡한 정보 간의 관계를 추론하는 능력이 비약적으로 상승한다.

언급된 도구

Claude Code추천

자율 코딩 에이전트 및 세션 관리

Obsidian추천

지식 저장소 및 노트 관리 앱

Ollama추천

로컬 LLM 및 임베딩 모델 실행 엔진

bge-m3추천

1024차원 고성능 임베딩 모델

SQLite추천

검색 인덱스, 지식 그래프 및 코드베이스 인덱싱 DB