2. 나·LLM·저장소 삼자간의 협업 관계

지난 페이지에서 우리는 지식을 단순히 모으는 것(PIM)과, 모은 자료가 내 사고로 이어지게 만드는 것(PKM)이 어떻게 다른지를 짚었습니다.

이번 페이지가 풀고 싶은 질문은 하나입니다.

나·LLM·지식 저장소 셋이 협업이 잘 되려면, 무엇이 중요할까?

답을 미리 한 줄로 적어두면 이렇습니다 — 사람에게 학습이 잘 일어나는 방식과 LLM에게 학습이 잘 일어나는 형식은 실제로 다르다. 그래서 한 저장소 안에 두 영역을 둔다. 사람은 outbox/에 쓰면서 학습하고, .ai-wiki/는 LLM이 읽기 좋게 커맨드가 자동으로 채운다. 오늘의 한 줄 목표가 “내 Outbox에 글 1개 쌓는다”인 이유도 여기 있습니다.

아래 세 단계로 풀어 봅니다.

1) 핵심 메커니즘 — 한 저장소에 두 영역

세 주체가 협업한다고 했지만, 그 골격은 의외로 단순합니다. 두 영역으로 자리를 나누면 정리됩니다.

• 사람용 영역 outbox/ — 내가 직접 쓰는 폴더입니다. 본인에게 맞는 분류와 의미 있는 파일명으로(ACE·PARA·날짜·주제 등 자유) 채워나갑니다. 쓰는 동안 학습이 일어나기 때문에, 사람이 보고 찾고 다시 꺼내 쓰기 좋은 형식을 우선합니다.
• AI용 영역 .ai-wiki/ — /돌아보기(사람-소화 글의 outbox/ 복제)와 /수집(.inbox/ raw 자료의 미러)이 함께 채워줍니다. 시간순 평문 YYYY-MM-DD-주제.md 파일이 한 폴더에 평면으로 쌓이고, 모든 파일에 frontmatter type이 박혀 raw인지 사람-소화인지 한눈에 구분됩니다. LLM이 컨텍스트로 한꺼번에 끌어와 읽기 좋은 형식을 우선합니다.

두 영역 사이는 자동 동기화가 책임집니다. 사람은 outbox/에 글을 쓰고 .inbox/에 raw 자료를 던지기만 하면 됩니다. /돌아보기·/수집 커맨드가 두 자리를 .ai-wiki/로 동기화합니다. 사람에게 학습이 잘 일어나는 방식과 LLM에게 학습이 잘 일어나는 형식이 실제로 다르다는 것을 인정하고, 같은 자료를 두 가지 view로 나눈 셈입니다.

저장소 자체는 여전히 Git repo 한 개입니다. 그 안에 두 영역이 같이 살 뿐.

핵심은 세 가지입니다.

첫째, 사람은 outbox/(소화한 글)와 .inbox/(raw 자료) 두 자리만 신경쓰면 됩니다. 본인에게 맞는 분류와 의미 있는 파일명으로 outbox에 글을 쓰고, raw 자료는 /수집으로 .inbox에 던집니다. 시간순 prefix 같은 운영 정보는 신경 안 써도 됩니다.

둘째, 두 커맨드가 .ai-wiki/를 채웁니다. /돌아보기는 outbox/의 사람-소화 글을 type: reflected로 동기화하고, /수집은 .inbox/의 raw 자료를 type: raw로 미러링합니다. 사람은 한 번도 .ai-wiki/를 직접 만지지 않고, type 필드 하나로 LLM·사람 모두 raw와 사람-소화를 한눈에 구분합니다.

셋째, 사람 영역은 append-only, .ai-wiki/는 호출 때마다 새로 쓴다. 안드레 카파시 LLM wiki의 본질입니다. outbox/(사람-소화)와 .inbox/(raw)는 사람만 추가하고 수정하지 않는 append-only 영역. .ai-wiki/는 /돌아보기·/수집이 호출될 때마다 새로 정리해 쓰는 미러. 사람은 한 번도 .ai-wiki/를 직접 만지지 않습니다.

outbox 경계 — 단위는 내 손, 다듬기는 AI 손

“AI한테 다시 써줘”는 PIM, “내가 약한 부분 짚어줘”는 PKM.

LLM 응답을 한 줄씩 검토해 채택한다고 했을 때 — 현실적으로 내가 쓴 글을 AI한테 맞춤법 받고 문장 다듬는 경우가 많습니다. 어디까지 AI에 넘겨야 outbox의 학습 효과가 살아남을까. 내가 만든 정보가 받은 정보보다 더 잘 기억된다는 generation effect의 원 논문(Slamecka & Graf 1978)이 본 단위에서 답이 나옵니다. 학습은 글자가 아니라 하나의 의미 청크를 내가 만들었는가에서 갈립니다.

핵심 원칙 세 가지:

1. 단위(=하나의 아이디어)는 내가 직접 — 1단락 = 1주장 단위는 100% 내 손으로 생성. AI가 단락을 통째로 다시 써주면 generation effect가 무너집니다.
2. 첫 줄 주장은 절대 외주 X — 6원칙의 ”🧭 첫 줄 = 강력한 주장”은 그 자체가 사고의 산물. 다듬기조차 AI에 안 넘깁니다.
3. 다듬기는 AI OK — 맞춤법·문장 흐름·단어 교체·문법은 인지 부하만 잡아먹지 학습 효과는 안 깎습니다. 여기는 자유롭게.

메타 룰 — AI를 부르는 방식:

“이거 다시 써줘” X / “내가 약한 부분 짚어줘 · 반박해봐” O.

AI를 출력자가 아니라 인출자로 씁니다. AI가 약점을 짚으면 결국 내가 다시 쓰게 되고, 그게 인출(testing effect)을 한 번 더 돌립니다. 같은 outbox 위에서 학습이 두 번 일어나는 셈.

함정: 단락 통째로 AI에 던지고 “더 좋게 다듬어줘”라고 부르는 패턴. 결과물은 깔끔해지지만 내가 어디서 막혔는지가 outbox에서 지워집니다. 1주일 뒤 그 글을 다시 봐도 내 사고의 흔적이 안 남고, 카파시 wiki 외형만 갖춘 PIM 상태가 됩니다.

2) 왜 Outbox가 중심인가

지금까지 알려진 여러 지식 관리 방법론 — 안드레 카파시의 LLM wiki, PARA, ACE, Zettelkasten — 이름은 다 다르지만, 학습 과학으로 거슬러 올라가면 같은 결론에 모입니다.

학습이 일어나는 곳은 “읽기·저장(input)“이 아니라 “쓰기·인출(output)“이다.

이걸 뒷받침하는 학습 효과가 네 가지 있습니다. 모두 Outbox 쪽에 무게를 실어주는 연구들입니다.

조금 더 풀어보면 — 각 효과가 우리에게 주는 메시지는 이렇습니다.

첫째, 인출 효과. Roediger와 Karpicke가 2006년에 발표한 실험에서, 시험(인출)을 본 학생이 같은 시간 동안 다시 읽기만 한 학생보다 장기 기억이 약 1.5〜2배 강했습니다. 즉 Inbox에 자료를 100개 모아두는 것보다, Outbox에 단 한 줄이라도 직접 쓰는 게 학습 효과가 큽니다.

둘째, 생성 효과. Slamecka와 Graf가 1978년에 보고한 효과 — 직접 만들어낸 정보는 받아 적은 정보보다 기억에 더 잘 남습니다. 그래서 LLM이 정리해준 요약을 그대로 복사해 붙이면, 보기에는 깔끔해도 학습은 일어나지 않습니다. LLM의 답은 어디까지나 자료, 내가 한 줄씩 손으로 옮겨 쓰면서 검토해야 학습이 일어납니다.

셋째, 글쓰기는 곧 사고다. 글쓰기를 단순한 기록이 아니라 사고가 일어나는 매체로 보는 관점. Sönke Ahrens는 **How to Take Smart Notes**에서 “글쓰기는 연구·학습 뒤에 따라오는 것이 아니라, 그 모든 작업의 매체다”라고 정리했고, Paul Graham은 “잘 안다고 생각했던 것도 글로 써보면 생각만큼 모르지 않다는 게 드러난다”고 적었습니다.

넷째, 사실이 아니라 이야기. 인지심리학자 Jerome Bruner와 의사결정 연구자 Gary Klein이 공통적으로 발견한 사실 — 사람의 기억은 명제(사실 진술)보다 서사(이야기) 단위로 더 잘 저장됩니다. “오늘 회의가 있었다”가 아니라 “오늘 회의에서 들은 한 마디가 내 가정을 흔들었다, 왜냐하면…” 같은 식. 결정의 순간, 판단이 바뀐 순간, 불편했던 대화를 한 단락 이야기로 풀어내는 게 핵심.

3) outbox/ 한 글의 형식 — 6원칙

앞에서 두 영역으로 자리를 나눴으니, 이제 사람이 직접 쓰는 outbox/에 어떤 형식으로 글을 쓰면 좋을지를 정리할 차례입니다. LLM 친화는 자동 동기화 단계에서 자연스럽게 챙겨지므로, 사람이 신경 쓸 건 사람용 형식뿐입니다. 출발은 항상 outbox/의 글 한 편을 잘 쓰는 것.

6원칙은 사람이 다시 읽고 학습하기 위한 글 한 편의 형식입니다(분류 폴더는 본인 자유). .ai-wiki/로 복제될 때 LLM이 읽기 좋은 형태로 자동 변환됩니다.

첫 줄 = 강력한 주장

한 단락 한 아이디어

위키 · 상대경로 링크

파일명 = 인출 단서

평면 배치

사실이 아니라 이야기

여섯 가지 원칙을 한 줄씩 풀어보면:

오늘의 한 줄 목표를 한 번 더 적어두면 —

→ 다음: 3. 저장소 셋팅