NoteCast: 로컬 LLM 기반 지식 그래프 자동 구축 엔진

섹션별 상세

노트는 Processor, Classify, Organize, Consolidate의 4단계 파이프라인을 거쳐 처리된다. Processor는 요약과 임베딩을 수행하고, Classify는 주제를 할당하며, Organize는 하위 주제를 분할하고, Consolidate는 전체 구조를 재구성한다.

근거

NoteCast는 노트를 요약하고 키워드를 추출한 뒤 임베딩 벡터를 생성하는 4단계 파이프라인을 거친다. — Pipeline 섹션

Organize와 Consolidate 단계에서 벡터 유사도를 기반으로 주제를 분할하고, 주제 간 공통 패턴을 감지하여 다중 부모를 가진 DAG 구조를 형성한다. 이 과정은 수동 개입 없이 데이터 기반으로 자동 수행된다.

llmConfig를 통해 파이프라인 단계별로 서로 다른 LLM 제공자와 모델을 지정할 수 있다. 이를 통해 비용 효율적인 로컬 모델과 고성능 클라우드 모델을 조합하여 최적의 성능을 확보한다.

json

notecast config set llmConfig '{ "summary": { "provider": "ollama", "model": "llama3.2:3b" }, "classify": { "provider": "openai", "model": "gpt-4o-mini", "temperature": 0.2 }, "organize": { "provider": "openai", "model": "gpt-4o" }, "consolidate": { "provider": "openai", "model": "gpt-4o" }, "embedding": { "provider": "ollama", "model": "nomic-embed-text" } }'

NoteCast의 파이프라인 단계별로 LLM 제공자와 모델을 개별적으로 설정하는 예시

근거

llmConfig를 통해 파이프라인 단계별로 서로 다른 LLM 제공자와 모델을 지정할 수 있다. — Per-stage LLM config 섹션

vaultPath 설정 시 데이터베이스 상태를 Obsidian 호환 마크다운 파일로 실시간 동기화한다. 관련 노트 간 위키링크를 자동으로 주입하여 기존 노트 앱과의 연동성을 높인다.

용어 해설

지식 그래프(Knowledge Graph): — 데이터 간의 관계를 노드와 엣지로 표현하여 정보의 맥락과 연결성을 구조화하는 방식이다. NoteCast는 노트를 주제별로 분류하고 연결하여 이 그래프를 자동으로 생성한다.
방향성 비순환 그래프(DAG): — 순환 경로가 없는 방향성 그래프로, 계층적 구조를 표현하는 데 사용된다. NoteCast는 주제 간의 부모-자식 관계를 이 구조로 관리하여 복잡한 지식 체계를 형성한다.
임베딩(Embedding): — 텍스트를 고차원 벡터 공간의 수치로 변환하여 의미적 유사도를 계산하는 기술이다. 노트의 제목과 내용을 벡터화하여 주제 분류 및 관련 노트 탐색에 활용된다.

기술

TypeScript
Python
OpenAI
Anthropic
Gemini
DeepSeek
Ollama
Obsidian

활용 사례

개인 지식 관리
노트 자동 분류
지식 그래프 시각화

언급된 리소스

GitHubNoteCast GitHub Repository