Claude로 개발한 로컬 AI 기반 Apple Notes 검색 및 채팅 도구 'NotesAI'

실용적 조언

Apple Notes 데이터를 직접 다루고 싶다면 시스템의 SQLite DB 경로를 분석하여 접근하는 방식을 고려하십시오.
개인 정보가 포함된 데이터를 다룰 때는 LM Studio를 활용해 로컬 LLM 환경을 구축하여 데이터 유출을 방지하십시오.
Tauri v2와 React를 조합하면 가벼우면서도 강력한 AI 기반 데스크톱 애플리케이션을 빠르게 제작할 수 있습니다.

섹션별 상세

Apple Notes의 데이터를 SQLite 데이터베이스에서 직접 읽어오는 방식을 채택했다. 별도의 내보내기 과정 없이 시스템 내부 DB에 접근하여 노트를 로드하며, 이 과정에서 패스워드, SSH 키, API 토큰 등을 자동으로 감지하고 태그를 부여한다. 이를 통해 구조화되지 않은 방대한 메모 데이터에서 민감 정보를 식별하고 분류하는 자동화 프로세스를 구현했다.

시맨틱 검색과 키워드 검색을 결합한 하이브리드 검색 시스템을 구축했다. pgvector를 백엔드로 활용하여 벡터 유사도 기반의 의미 검색을 수행함으로써 사용자가 정확한 제목을 기억하지 못해도 맥락에 맞는 노트를 찾을 수 있게 했다. 검색 결과는 단순 나열에 그치지 않고 LLM과의 채팅을 통해 '내 API 키가 무엇인가?'와 같은 질문에 출처와 함께 답변하는 RAG 구조로 작동한다.

보안을 위해 LM Studio를 활용한 100% 로컬 실행 환경을 구현했다. 데이터가 외부 서버로 전송되지 않도록 로컬 LLM을 추론 엔진으로 사용하며, FastAPI 백엔드와 Tauri v2 기반의 데스크톱 앱 구조를 통해 개인 정보를 보호한다. 18개의 엔드포인트와 40개의 테스트 코드를 포함한 완성도 높은 아키텍처를 AI와의 대화만으로 단기간에 완성했음을 강조했다.

용어 해설

바이브 코딩(Vibe Coding): — LLM과 대화하며 직관적으로 코드를 생성하고 수정하는 개발 방식이다. 엄격한 설계도나 명세서 없이도 AI의 코딩 능력을 활용해 빠르게 프로토타입을 완성하거나 전체 애플리케이션을 구축하는 과정을 의미한다.
하이브리드 검색(Hybrid Search): — 의미적 유사성을 찾는 시맨틱 검색과 특정 단어의 일치 여부를 확인하는 키워드 검색을 결합한 방식이다. LLM 기반 앱에서 검색 정확도를 높이기 위해 두 방식의 장점을 모두 활용하여 관련성 높은 정보를 추출한다.
타우리(Tauri): — 웹 기술(React, Vue 등)을 사용하여 가볍고 보안이 강화된 데스크톱 애플리케이션을 구축하기 위한 프레임워크이다. Rust로 작성된 백엔드를 사용하여 Electron보다 리소스 사용량이 적고 실행 속도가 빠른 것이 특징이다.
로컬 거대언어모델(Local LLM): — 클라우드 API를 통하지 않고 사용자의 개인 컴퓨터나 서버 내에서 직접 실행되는 언어 모델이다. 데이터가 외부로 유출되지 않아 보안성이 높으며, LM Studio와 같은 도구를 통해 로컬 환경에서 추론을 수행한다.

언급된 도구

Claude추천

애플리케이션 코드 생성 및 개발 보조

LM Studio추천

로컬 환경에서 LLM 추론 실행

pgvector추천

벡터 임베딩 저장 및 유사도 검색 백엔드

Tauri v2추천

데스크톱 애플리케이션 프레임워크

FastAPI추천

백엔드 API 서버 구축

언급된 리소스

GitHubNotesAI GitHub Repository