챕터별 상세
00:42
레벨 1: 자동 메모리 (Auto-Memory)
Claude Code가 기본적으로 제공하는 자동 메모리 시스템이다. 별도의 설정 없이도 Claude가 대화 맥락을 파악하여 `.claude/projects/` 폴더 내에 마크다운 형태의 메모리 파일을 스스로 생성하고 관리한다. 사용자가 명시적으로 제어할 수 없는 암시적인 시스템이며 로컬 머신에만 저장된다는 한계가 있다. 초기 단계에서는 편리하지만 프로젝트가 커질수록 사용자가 직접 제어할 수 있는 명시적인 메모리 시스템으로의 전환이 필요하다.
09:02
레벨 2: CLAUDE.md를 활용한 명시적 규칙 설정
사용자가 직접 `CLAUDE.md` 파일을 생성하여 프로젝트의 규칙과 컨벤션을 명시하는 단계이다. Claude Code는 모든 프롬프트 실행 전 이 파일을 참조하므로 프로젝트 구조, 코딩 스타일, 특정 워크플로 등을 일관되게 유지할 수 있다. 하지만 파일 내용이 너무 방대해지면 컨텍스트 윈도우를 과도하게 점유하여 모델의 성능이 저하되는 'Context Rot' 현상이 발생할 수 있다. 따라서 모든 정보를 한 파일에 넣기보다는 핵심적인 지침 위주로 구성해야 한다.
12:24
레벨 3: 상태 파일(State Files) 기반의 세션 관리
프로젝트의 진행 상황을 `ROADMAP.md`, `PROGRESS.md` 등 여러 개의 상태 파일로 나누어 관리하는 방식이다. 하나의 거대한 규칙 파일 대신 목적에 맞는 여러 마크다운 파일을 활용함으로써 Claude가 현재 작업의 위치와 목표를 더 정확하게 파악하게 한다. GSD(Get Shit Done)와 같은 오케스트레이션 도구를 활용하여 각 세션마다 상태를 업데이트하고 동기화한다. 이는 단일 프로젝트 내에서는 매우 효과적이지만 여러 프로젝트 간의 지식 공유에는 한계가 있다.
bash
claude initClaude Code 프로젝트를 초기화하고 CLAUDE.md 파일을 생성하는 명령 예시
15:51
레벨 4: Obsidian 기반의 지식 저장소 (The Vault)
Obsidian과 같은 도구를 활용하여 체계적인 지식 베이스(Vault)를 구축하고 Claude Code와 연결하는 단계이다. Andrej Karpathy가 제안한 방식과 유사하게 Raw 데이터, Wiki 형태의 가공 데이터, Output 폴더로 구조화하여 관리한다. 마스터 인덱스 파일을 통해 Claude가 필요한 정보가 어디에 있는지 경로를 쉽게 찾을 수 있도록 가이드한다. 수천 개의 문서를 관리할 수 있는 수준이며, 복잡한 벡터 DB 없이도 파일 시스템의 구조만으로 높은 검색 효율을 낼 수 있다.
Obsidian은 마크다운 기반의 개인 지식 관리 도구로, 문서 간의 연결(Backlink)을 시각화하는 기능이 강력하다.
25:55
레벨 5: 벡터 RAG (Vector RAG)
문서를 청크(Chunk) 단위로 쪼개고 임베딩 모델을 통해 벡터 DB에 저장하는 전형적인 RAG 방식이다. 사용자의 질문을 벡터로 변환하여 DB 내 유사한 벡터를 가진 청크를 검색하고 이를 LLM에 전달하여 답변을 생성한다. 대규모 비정형 데이터를 처리하는 데 유리하지만, 청크 간의 관계나 문서 전체의 맥락을 놓치는 'Passage Illusion' 문제가 발생할 수 있다. 단순 유사도 검색만으로는 복잡한 추론이나 관계 파악이 어렵다는 단점이 있다.
35:28
레벨 6: 그래프 RAG (GraphRAG)
데이터 간의 엔티티와 관계를 추출하여 지식 그래프를 형성하고 이를 검색에 활용하는 고도화된 방식이다. LightRAG와 같은 오픈소스 도구를 사용하여 텍스트 간의 복잡한 연결 고리를 수학적으로 정의하고 인덱싱한다. 단순 벡터 검색보다 포괄적이고 다각적인 답변 생성이 가능하며, 특히 서로 떨어진 정보들을 조합해야 하는 질문에 강점이 있다. 벤치마크 결과 기존 Naive RAG 대비 정확도와 다양성 측면에서 2배 이상의 성능 향상을 보이기도 한다.
39:25
레벨 7: 에이전틱 RAG (Agentic RAG)
AI 에이전트가 스스로 판단하여 어떤 검색 도구와 데이터 소스를 사용할지 결정하는 최상위 단계이다. 텍스트뿐만 아니라 이미지, 표, 비디오 등 멀티모달 데이터를 인덱싱하고 에이전트가 질문의 의도에 맞춰 쿼리를 분해하고 실행한다. 데이터 인제스천 파이프라인과 동기화 시스템이 자동화되어 프로덕션 환경에서 실시간으로 지식을 업데이트한다. 매우 강력하지만 시스템 복잡도가 극도로 높으므로 반드시 필요한 경우에만 도입하는 것이 권장된다.
Gemini Embedding 2 모델 등 최신 멀티모달 임베딩 기술이 이 단계의 핵심 동력이다.
용어 해설
- 검색 증강 생성(RAG)
- — 외부 지식 베이스에서 관련 정보를 검색하여 LLM의 응답을 보완하는 기술이다. 모델의 학습 데이터에 없는 최신 정보나 내부 문서를 참조할 수 있게 하여 할루시네이션을 줄이고 정확도를 높이는 역할을 한다.
- 벡터 데이터베이스(Vector Database)
- — 데이터를 수치화된 벡터 형태로 저장하고 유사도 기반 검색을 수행하는 저장소이다. 텍스트의 의미적 유사성을 계산하여 가장 관련성 높은 정보를 빠르게 찾아내는 RAG 시스템의 핵심 인프라이다.
- 임베딩(Embedding)
- — 단어나 문장 같은 텍스트 데이터를 고차원 공간의 수치 벡터로 변환하는 과정이다. 컴퓨터가 텍스트의 의미와 맥락을 수학적으로 이해하고 비교할 수 있게 하여 검색 및 분류 성능을 결정짓는 핵심 단계이다.
- 그래프 검색 증강 생성(GraphRAG)
- — 지식 그래프 구조를 활용하여 데이터 간의 복잡한 관계와 연결성을 파악하는 진화된 RAG 방식이다. 단순한 텍스트 유사도를 넘어 엔티티 간의 관계를 추론함으로써 더 깊이 있고 맥락에 맞는 답변을 생성한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 14.수집 2026. 04. 14.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.