TL;DR

이 저장소는 Karpathy가 제안한 LLM Wiki 개념을 Agent Skills 호환 스킬로 패키징해 원자료를 raw/에 보존하고 LLM이 이를 마크다운 위키로 컴파일하도록 하는 워크플로를 제공한다. 인제스트 단계에서 요약과 교차참조를 생성하고 질의는 wiki/를 검색해 인용을 포함한 응답을 반환하며 린트 작업으로 링크와 인덱스 무결성을 유지한다. README에는 94개 문서와 99개 소스, 최근 7일간 87개의 운영 로그 항목과 같은 실제 운영 통계가 포함되어 있어 실사용 기반의 참조가 가능하다. 설치는 npx add-skill 명령으로 간단히 시작할 수 있고 Agent Skills를 지원하는 도구들과 연동해 재사용 가능한 스킬로 운용할 수 있다. 대규모 동적 검색이 필요한 RAG형 워크로드보다는 장기적 지식 누적과 인용 추적이 중요한 용도에서 효율성을 제공한다.

주요 기능

• 원자료를 수집하고 raw/에 불변으로 저장한 다음 LLM이 구조화된 마크다운 페이지로 컴파일해 wiki/에 반영한다. 이 과정을 통해 소스별 요약과 교차참조가 사전에 생성되어 쿼리 시점의 반복 합성을 줄인다. 컴파일 과정에서 충돌이나 모순은 로그에 기록되어 추적 가능하게 유지된다.
• 위키를 검색해 인용을 포함한 응답을 생성하며 검색 결과의 근거를 마크다운 페이지 링크로 명시한다. 질의 처리 시 위키 내 문서를 우선 참조하므로 응답의 출처 추적과 검증이 용이해진다. 이러한 응답 흐름은 연구 노트와 기술 문서 관리에서 반복 검증을 단순화한다.
• 위키 무결성 검사와 자동 수정을 수행하는 lint 작업을 제공해 깨진 링크, 누락 인덱스, 오래된 교차참조를 찾아 수정하거나 리포트한다. 린트 작업은 운영 로그에 기록되어 위키 유지 관리의 지속성을 높인다. 이 기능은 장기적으로 위키의 품질을 일정 수준으로 유지하는 데 기여한다.

어떻게 동작하는가

스킬은 원자료를 raw/에 저장하고 LLM을 통해 해당 자료를 요약·합성해 durable한 마크다운 페이지로 wiki/에 생성한다. 질의는 wiki/ 내 문서를 검색해 관련 페이지를 인용하면서 답변을 생성하므로 쿼리 시점의 대규모 재합성이 줄어든다. 추가적으로 lint 단계가 인덱스·링크 무결성을 점검하고 자동수정을 제안하거나 적용해 위키의 일관성을 유지한다.

해결 문제

반복 질의마다 원자료에서 관계를 매번 새로 도출하는 비용과 불일치를 줄이는 문제를 해결한다. 저장소는 인제스트 시점에 지식을 합성해 durable한 마크다운 페이지로 보존함으로써 동일한 사실을 재생성할 필요를 낮춘다. 그 결과 인용 가능한 응답이 가능해지고 위키 무결성 검사를 통해 시간이 흐르며 누적된 지식의 일관성이 확보된다.

지금 주목받는 이유

Karpathy의 'LLM Wiki' 아이디어를 재사용 가능한 스킬로 패키징한 점과 Agent Skills 표준 호환성 때문에 주목받고 있다. README에 근거가 있는 실제 운영 통계와 샘플 위키 예제가 포함되어 있어 실사용 사례가 입증된 형태로 공개되었다. 저장소의 스타·포크 수와 커뮤니티 구현 링크도 관심을 촉발한 요소이다.

차별점

• 인제스트 시점 합성을 기본 설계로 삼아 질의 시 임베딩 검색 기반의 재도출을 줄이는 점이 특징이다. 이로 인해 빈번한 쿼리에서 동일한 요약을 반복 생성할 필요가 사라져 효율성이 올라간다. 또한 마크다운 중심의 저장소 구조는 사람과 도구가 모두 읽고 편집할 수 있는 형태로 결과물을 산출한다.
• Agent Skills 표준을 준수해 Claude Code, Cursor, Codex 등 다양한 에이전트 도구에서 동일한 설치·호출 방식으로 재사용할 수 있다. 표준 호환성은 각 도구별 맞춤 포맷을 새로 구현할 필요를 줄여 통합 비용을 낮춘다. SKILL.md와 references 디렉토리를 통해 도구별 수동 설치 가이드도 병행 제공된다.

사용 사례

• 연구 노트나 주제별 개인 지식 베이스를 자동으로 구축·갱신하려는 워크플로에서 사용된다. 원자료를 주기적으로 인제스트하면 모델이 요약·교차참조를 유지해 장기적으로 지식을 누적할 수 있다. 결과 위키는 인용 가능한 답변과 운영 로그를 통해 변경 이력을 추적하는 용도로 활용된다.
• 에이전트 기반 도구가 제공하는 스킬을 통해 팀 내부 문서화를 자동화하고 문서 간 링크 무결성을 유지하는 데 사용된다. 린트 기능이 깨진 링크와 누락된 인덱스를 발견해 자동 수정하거나 리포트하므로 문서 품질 관리 부담을 줄일 수 있다. 마크다운 형태로 산출물이 남아 다른 도구나 버전 관리 시스템과 연동이 쉽다.
• RAG보다 인제스트 시점에 요약을 고정해 장기간 축적되는 지식 관리가 필요한 프로젝트에서 대안으로 쓰인다. 빈번한 쿼리로 동일한 정보가 반복 요구되는 경우 응답 일관성 확보와 근거 추적 측면에서 이점이 발생한다. 단, 대규모 실시간 코퍼스 검색이 요구되는 시나리오에는 RAG가 여전히 적합할 수 있다.

시작하기

설치 핵심은 npx를 이용한 스킬 추가 명령이다. npx add-skill Astro-Han/karpathy-llm-wiki 명령으로 Agent Skills 호환 환경에 스킬을 추가한 다음 도구의 스킬 호출 인터페이스로 ingest/query/lint 작업을 실행하면 된다. README의 examples/와 SKILL.md를 참고해 첫 인제스트와 위키 생성·질의를 검증할 수 있다.

요구사항

• Agent Skills 표준을 지원하는 에이전트 도구 환경이 필요하다.
• README에 제시된 설치 방법은 npx 기반이므로 Node/npm 환경에서 설치가 간편하다.
• 도구 별로 Codex CLI의 경우에는 스킬을 .agents/skills/karpathy-llm-wiki/에 복사하는 수동 설치 방식도 지원된다.

벤치마크

이미지 분석