Andrej Karpathy의 문서 위키 아이디어를 구현한 Claude Cowork 플러그인 McBrain

실용적 조언

McBrain을 사용하여 문서를 위키 형태로 관리하면 지식 축적에 유리하다.
연구 작업 추적 기능을 활용하여 병렬 에이전트를 자동화하면 효율적인 지식 베이스 구축이 가능하다.

섹션별 상세

Andrej Karpathy는 LLM을 활용해 문서를 위키 형태로 조직화하는 방식을 제안했다. 단순 폴더 검색과 달리 문서 간 연결성을 인덱스에 포함하여 검색 효율을 높이고, 통찰을 지식 베이스에 다시 기록하여 가치를 축적한다.

McBrain은 이 아이디어를 Claude Cowork에서 구현할 수 있도록 돕는 MCP 기반 플러그인이다. 각 주제별로 위키를 생성하고 MCP를 통해 Claude가 이를 접근하게 함으로써 지식 관리와 통합을 용이하게 한다. 이 구조는 정보가 주제별로 체계적으로 관리되도록 돕는다. 또한 자주 함께 사용되는 McBrain끼리 연결을 유지하여 Claude가 매번 연결을 재발견할 필요가 없도록 설계되었다.

연구 작업 추적 기능을 통해 로컬 파일에 연구 주제를 기록하고, Claude가 이를 바탕으로 병렬 연구 에이전트를 실행할 수 있다. 예를 들어, 특정 SaaS 시장 조사 주제를 50개 생성하여 데이터베이스에 추가하면 Claude가 이를 처리한다. 웹이나 MCP 연동 서비스를 통해 데이터를 수집하여 다음 날 아침 맞춤형 지식 베이스를 완성하는 방식이다. 이는 단순 LLM의 심층 연구 도구보다 효과적인 지식 베이스 구축 방법이다.

용어 해설

모델 컨텍스트 프로토콜(MCP): — Model Context Protocol. AI 모델이 외부 데이터나 도구와 상호작용하기 위한 표준 프로토콜이다. 이 글에서는 McBrain을 Claude에 연결하여 지식 베이스에 접근하게 하는 인터페이스로 사용된다. MCP를 통해 모델은 로컬 데이터나 외부 API와 표준화된 방식으로 통신할 수 있어 에이전트의 확장성을 높인다.
검색 증강 생성(RAG): — Retrieval-Augmented Generation. 외부 데이터를 검색하여 LLM의 답변을 보강하는 기술이다. 이 글에서는 단순한 폴더 기반 검색의 한계를 극복하고, 문서 간 연결성을 인덱싱하여 더 나은 지식 관리를 구현하는 방식으로 언급된다. RAG는 모델이 학습하지 않은 최신 데이터나 개인 문서를 참조하여 정확한 답변을 생성하는 데 필수적이다.

언급된 도구

McBrain추천링크

Create wikis from documents for LLMs

Claude Code중립

Coding/Agentic tool

언급된 리소스

GitHubMcBrain GitHub