Don't trust memory.
Trust the system. 기억을 믿지 말고,
시스템을 믿으세요.

폴더에 파일을 모아두는 것과 세컨드브레인의 차이는 "AI가 그걸 읽고 일할 수 있는가"입니다. 문서를 통째로 던져주는 것이 아니라, 내 고민의 과정과 판단 기준까지 AI가 참조할 수 있는 구조로 남겨두는 것. 그래서 세컨드브레인의 최종 형태는 저장소가 아니라 "나만의 AI 업무 파트너"입니다. 이 관점에서 보면 노트 개수는 중요하지 않습니다. 중요한 것은 암묵지가 얼마나 자산으로 바뀌었는가입니다.

The difference between a folder of files and a second brain is whether AI can read it and work with it. You don't dump whole documents — you leave your reasoning and judgment criteria in a structure AI can reference. The end state isn't storage; it's a personal AI work partner. Note count doesn't matter. What matters is how much tacit knowledge has become an asset.

"이 구조가 암묵지를 정말 자산으로 바꾸는가 — 이 질문에 답하지 못하면, 그것은 단지 잘 꾸며진 노트 앱 셋업일 뿐이다.""Does this structure really turn tacit knowledge into an asset? If you can't answer that, it's just a nicely decorated notes-app setup."— 구요한, 「AI-Ready 볼트는 암묵지를 공유 가능한 자산으로 바꾸는 구조다」

보통 AI에게 질문하면 매번 문서를 새로 검색해 답을 만들고, 대화가 끝나면 결과는 사라집니다. LLM Wiki 패턴은 이 순서를 뒤집습니다. 기사·논문·회의록이 들어올 때마다 AI가 한 번 읽고 위키 페이지로 "컴파일"해 두고, 새 자료가 오면 기존 페이지를 업데이트합니다. 사람이 위키 운영을 포기하는 진짜 이유는 사고가 아니라 북키핑(참조 갱신, 요약 최신화, 일관성 유지)의 부담인데, AI는 이 유지 노동의 비용이 거의 0입니다. 역할 분담이 핵심입니다. 자료를 고르고 의미를 해석하는 건 사람, 반복 관리 노동은 AI.

Normally AI re-searches your documents per question and the result evaporates. The LLM Wiki pattern inverts this: as sources arrive, AI compiles them into wiki pages once, then updates those pages as new material comes in. Humans abandon wikis not because of thinking but because of bookkeeping — reference updates, summary freshness, consistency. For AI that maintenance cost is near zero. The division of labor: humans choose sources and interpret meaning; AI does the repetitive upkeep.

"Obsidian은 IDE, LLM은 프로그래머, Wiki는 코드베이스.""Obsidian is the IDE, the LLM is the programmer, the Wiki is the codebase."— Andrej Karpathy (LLM Wiki 제안, 2026-04)

RAG는 오픈북 시험입니다. 질문이 들어오면 방대한 원본 더미에서 관련 페이지를 찾아 그 자리에서 답을 조립합니다. 대량 원본의 빠른 검색에는 최고지만, 시험이 끝나면 아무것도 남지 않습니다. 같은 걸 100번 물으면 100번 다시 조립합니다. 컴파일 위키는 요약 노트입니다. 지식 처리를 "질문할 때(매번)"가 아니라 "자료를 넣을 때(한 번)" 해두는 것이죠. 둘은 승패 관계가 아니라 분업입니다. 원문 정확성과 최신 규정이 중요하면 검색이 낫고, 반복해서 꺼내 쓰는 핵심 지식은 위키가 낫습니다. 대규모에서는 위키 위에 검색을 얹는 하이브리드가 현실적 해법입니다.

RAG is an open-book exam: per question, it finds relevant pages in a large pile and assembles an answer on the spot — great for fast search over bulk sources, but nothing remains when the exam ends. A compiled wiki is the summary notebook: knowledge is processed at ingest time (once), not query time (every time). They're not rivals but a division of labor — verbatim accuracy and fresh regulations favor retrieval; repeatedly-used core knowledge favors the wiki. At scale, the practical answer is a hybrid: search layered on top of a compiled wiki.

"RAG re-derives, Wiki compounds. — 검색은 매번 다시 만들고, 위키는 쌓인다.""RAG re-derives, Wiki compounds."— Andrej Karpathy · 『RAG vs Compiled Wiki』 (CMDS LLM Wiki)

AI와의 대화는 그 순간엔 훌륭해도 창을 닫으면 사라집니다. 영속 지식 베이스는 그 반대편의 개념입니다. 성장 메커니즘은 세 동작의 반복입니다. 새 자료를 흡수하는 Ingest(수집), 질문에 답하고 좋은 답을 다시 위키에 저장하는 Query(질의), 누락된 링크를 잇고 모순을 고치는 Lint(건강검진). 세 동작 모두 위키를 조금씩 더 풍부하게 만들기 때문에 지식이 복리 이자처럼 쌓입니다. 같은 자료에 1번 묻고 마는 사람과 100번 묻는 사람의 비용 구조가 완전히 달라지는 이유입니다.

Conversations with AI vanish when you close the window. A persistent knowledge base is the opposite: it grows through three repeated motions — Ingest (absorb new sources), Query (answer questions and save good answers back), Lint (connect missing links, fix contradictions). Each motion enriches the wiki, so knowledge compounds like interest. That's why the cost structure differs completely between someone who asks a source one question and someone who asks it a hundred.

"웹 검색은 매번 새로 합성하고 폐기하는 stateless 도구다. LLM Wiki는 한 번 합성한 결과를 내 frame으로 박제해서 누적시키는 compounding artifact다. 전자는 정보 소비, 후자는 자산 형성이다.""Web search is a stateless tool that synthesizes and discards every time. An LLM Wiki is a compounding artifact. The former is information consumption; the latter is asset formation."— 구요한, 「검색은 휘발성, 위키는 자산」

자동 정리된 문서는 생성 맥락도, 핵심과 주변의 구분도, 전체 구조 안에서의 위치도 없는 정보 조각일 뿐입니다. 그래서 문서보다 먼저 설계해야 하는 것이 스키마입니다. 어떤 종류의 지식이 어디에 놓이고, 어떤 속성을 달고, 어떤 규칙으로 연결되는가. CMDSPACE에서는 이 스키마가 "시스템 파일"이라는 형태로 존재합니다. AI 에이전트가 볼트에서 일하기 전에 반드시 읽는 규칙 문서들이죠. 흥미로운 건 업계의 수렴입니다. Karpathy의 LLM Wiki(Raw/Wiki/Schema 3층), Google Cloud의 OKF까지, 서로 다른 곳에서 같은 구조에 도착하고 있습니다.

Auto-organized documents are fragments with no generation context, no core-vs-periphery distinction, no position in a larger structure. What must be designed before documents is the schema: what kind of knowledge goes where, carrying which properties, connected by which rules. In CMDSPACE this schema exists as "system files" — rule documents every AI agent reads before working in the vault. The industry is converging here: Karpathy's LLM Wiki (Raw/Wiki/Schema) and Google Cloud's OKF arrive at the same structure independently.

"문서가 아니라 구조를 설계하라. 정리가 아니라 해석의 질서를 만들라.""Design the structure, not the documents. Build an order of interpretation, not tidiness."— 구요한, 「LLM Wiki보다 먼저 필요한 것은 스키마다」

AI 모델에는 한 번에 읽을 수 있는 분량의 한계(컨텍스트 윈도)가 있습니다. 그런데 진짜 문제는 분량이 아니라 주의력입니다. 읽을거리가 길어질수록 AI가 각 내용에 쏟는 집중력이 희석되어 판단 품질이 떨어집니다. 관련 없는 문서를 딱 하나만 섞어도 정확도가 내려간다는 실측도 있습니다. 그래서 "많이 넣을수록 좋다"는 가정은 반대로 작동합니다. 관리 레버는 다섯 가지입니다. 필요할 때만 불러오기(Load), 쓸모없어진 중간 결과 지우기(Remove), 긴 과거를 요약으로 압축(Summarize), 세션이 끝나도 남게 파일로 저장(Externalize), 깨끗한 작업 공간에 하위 조사를 분리(Fork). LLM Wiki는 이 중 Externalize 레버의 문서 구조 구현물입니다.

AI models have a context window, but the real constraint is attention: the longer the input, the more diluted the model's focus, and measured accuracy drops even when a single irrelevant document is mixed in. "More is better" works in reverse. Five levers manage this: Load (progressive disclosure), Remove (context editing), Summarize (compaction), Externalize (persist to files), Fork (delegate to clean sub-agents). An LLM Wiki is the document-structure implementation of the Externalize lever.

"희소 자원은 토큰 수가 아니라 attention budget(주의력 예산)이다.""The scarce resource is not token count but the attention budget."— 『Context Engineering』 (CMDS LLM Wiki)

사실인 자료라고 곧바로 공유할 지식이 되는 건 아닙니다. 승격 게이트는 입장 심사입니다. 반복 재사용되는가, 출처를 추적할 수 있는가, 권한과 책임자가 정해져 있는가를 통과한 것만 정식 지식으로 올립니다. 조직에서는 "개인 초안 → 팀 지식"이라는 두 번째 승격이 추가되고, 마지막 승인은 사람이 합니다. 탐사 게이트는 사후 검증 표시입니다. AI가 만든 모든 페이지는 "검증 안 됨" 상태로 태어나고, 오직 사람만이 "검증됨"으로 바꿀 수 있으며, AI는 이 표시를 절대 건드리지 않습니다. 두 게이트가 있어야 "AI가 쓴 글을 어떻게 믿냐"는 질문에 시스템으로 답할 수 있습니다.

A true source is not automatically shareable knowledge. The promotion gate is an entrance exam: only material that is repeatedly reused, traceable to its source, and has defined permissions and an owner gets promoted — and in organizations, a second promotion (personal draft → team knowledge) is approved by a human. The exploration gate is post-hoc verification: every AI-generated page is born "unverified," only a human can flip it to "verified," and AI never touches that flag. Together they answer "how can you trust AI-written knowledge?" with a system, not a promise.

"사실인 원본이 곧 공유 지식은 아니다. 반복 재사용 가치, 품질 표지, 출처, 권한, 책임자를 통과한 파생 설명만 승격해야 한다.""A true source is not yet shared knowledge. Only derived explanations that pass reuse value, quality markers, provenance, permissions, and ownership should be promoted."— 『Knowledge Promotion Gate』 (CMDS LLM Wiki)

볼트가 무덤이 되는 이유는 모든 것을 영구 보관하려 하기 때문입니다. 망각은 노이즈를 줄이는 필터입니다. 기준은 하나. 남의 글(웹 클리핑)은 만료돼도 되지만, 내 판단의 기록은 만료되지 않습니다. 실천 도구가 네 구역 프레임입니다. Keep(지금 쓰는 것), Cache(곧 쓸지도 모를 임시 기억, 유통기한 부착), Compost(발효 대기 중인 아이디어), Cold(영구 보관, 검색 전용). 지식에도 유통기한이 있고, 유형마다 다른 속도로 낡습니다. 확정된 결정은 새 결정이 나올 때까지 유효하지만, 단순 관찰은 몇 달이면 신뢰도가 반감됩니다.

Vaults become graveyards when everything is kept forever. Forgetting is a noise filter. The rule: other people's writing (clippings) may expire; records of your own judgment don't. The practical frame has four zones: Keep (what you use now), Cache (maybe-soon, with a TTL), Compost (fermenting ideas), Cold (permanent archive, search-only). Knowledge has shelf lives that differ by type: a confirmed decision holds until superseded; a mere observation half-decays in months.

"잊어도 되는 이유는 시스템이 기억하기 때문이고, 시스템을 믿는 이유는 내가 그 규칙을 설계했기 때문이다.""I can forget because the system remembers; I trust the system because I designed its rules."— 구요한, 「선택적 망각의 기술」