JYP Garden

[EP.3] 10년 치 지식! 구글 Gemma 4로 나만의 AI '제2의 두뇌' 복제하기

Properties1
tagssource, agentic-architecture, ai-tech-trend, harness-engineering, knowledge

8 min read

[EP.3] 10년 치 지식! 구글 Gemma 4로 나만의 AI ‘제2의 두뇌’ 복제하기

Source: 2026-04-12-gemma4-second-brain-clone Type: YouTube By: CONNECT AI LAB Valid as of: 2026-04-12 Duration: 31:11

핵심 Takeaway

  • 이 영상은 개인의 10년치 지식·콘텐츠·성과 데이터를 마크다운으로 축적하고, 이를 바탕으로 나만의 AI 에이전트를 키우는 실전 워크플로우를 시연한다.
  • 핵심 구조는 obsidian 기반 지식 저장소 + 로컬 Gemma 4 + GitHub 백업 + 에이전트 자동 구조화다.
  • llm-wiki 와 유사하게 raw 지식 축적 → 구조화된 wiki/metadata 연결 → 그래프 탐색으로 재사용하는 흐름을 강조한다.
  • 저자는 일반 클라우드 모델 호출보다 로컬 Gemma 4를 활용해 비용과 보안을 통제하는 방향을 강하게 밀고 있다.
  • 단순 챗봇이 아니라 “내 철학·노하우·경험이 담긴 제2의 두뇌”를 만들자는 메시지가 영상의 중심 주장이다.

상세 요약

1) 제2의 두뇌 개념: 개인 지식의 영속 축적

영상은 조회수, 댓글, 코드, 프롬프트, 이미지 생성 결과, 학습 메모 등 자신의 디지털 흔적을 모두 마크다운 지식으로 저장해 두고, 이를 기반으로 AI가 다음 행동을 기획·생성하도록 만드는 방식을 설명한다.

이 관점은 compounding-artifact 와 닿아 있다. 일회성 프롬프트가 아니라 시간이 갈수록 더 똑똑해지는 개인 지식 자산을 만든다는 발상이다.

2) Obsidian + 그래프 구조: 지식 연결망 시각화

저자는 구조화된 프롬프트/지식을 obsidian 에 붙여 넣고 그래프 뷰에서 연결 관계를 확인한다. 단순 저장이 아니라 연결된 토픽, 키워드, 주제 간 관계를 노드로 축적해 이후 재활용 가능한 형태로 만든다.

특히 YouTube API를 이용해 자신의 채널 콘텐츠 183개를 수집하고, 제목·설명·태그·썸네일·댓글·성과 데이터를 정리해 그래프형 개인 지식 저장소로 전환하는 흐름을 시연한다.

3) Gemma 4 로컬 모델: 비용 최소화와 보안 통제

중반부 핵심은 “왜 로컬 Gemma 4인가”에 있다. 저자는 클라우드 모델을 한 번 더 호출하는 구조가 토큰 비용을 키운다고 보고, 인터넷 없이도 동작하는 로컬 AI 연결 방식을 별도 개발했다고 주장한다.

주장 포인트는 다음과 같다.

  • 로컬 모델이 마크다운 폴더 전체를 읽고 다음 콘텐츠 기획안을 생성 가능
  • 인풋 토큰 비용을 줄이며 대량 문서 읽기와 생성 수행
  • 인터넷 없이도 동작해 보안·프라이버시 측면에서 유리
  • 필요에 따라 Gemini/Claude/Gemma를 섞는 하이브리드 운영 가능

이 대목은 harness-engineering 의 실무형 사례로도 읽힌다. 어떤 모델을 언제 쓸지, 어떤 데이터 폴더를 읽게 할지, 어떤 비용/보안 제약을 둘지를 사용자가 규칙으로 설계한다.

4) 위키 에이전트: raw → wiki → metadata 자동 구조화

후반부에서 저자는 “위키 에이전트”를 만들어 새로 들어온 문서를 자동 분류·구조화하는 방식을 보여 준다. 설명상 구조는 raw, wiki, meta 레이어를 두고, 새 문서를 넣으면 에이전트가 주제를 판단해 적절한 카테고리로 정리한다.

이는 three-layer-architecture 와 매우 유사하다. 원본을 먼저 쌓고, 구조화된 지식층을 만들고, 메타데이터/연결 관계를 추가해 장기적으로 재사용 가능한 개인 지식 엔진을 만든다는 점에서 llm-wiki 의 대중형·튜토리얼형 변주 사례로 볼 수 있다.

5) GitHub 백업과 장기 자산화

저자는 개인 지식 저장소를 GitHub private repository에 동기화하라고 권한다. 이유는 컴퓨터 교체·고장 위험 대응, 장기 보관, 그리고 에이전트가 읽기 좋은 버전 관리 구조를 확보하기 위해서다.

이 메시지는 “지식을 쌓는 사람 / 쌓지 않는 사람, 나만의 AI를 가진 사람 / 그렇지 않은 사람의 격차가 커질 것”이라는 영상의 미래 전망과 연결된다.

주목할 주장

  • “일반적인 AI는 그럴싸하게 답하지만, 개인의 10년치 지식 세포를 바탕으로 한 AI는 출처가 다르다.”
  • “매일 쌓인 raw 마크다운이 미래의 더 강한 모델에게 학습될 준비가 된다.”
  • “앞으로의 경쟁력은 단순 대화가 아니라 나만의 지식 구조와 이를 활용하는 에이전트 운영 능력에 있다.”

연결되는 위키 페이지

  • llm-wiki — 개인 지식을 축적·연결·재사용하는 기본 패턴
  • three-layer-architecture — raw / wiki / meta 구조와의 유사성
  • compounding-artifact — 시간이 갈수록 가치가 누적되는 지식 자산 관점
  • harness-engineering — 모델 선택·비용·보안·폴더 입력 경로를 규율하는 사례
  • obsidian — 그래프 뷰 기반 개인 지식 브라우징 도구
  • andrej-karpathy — 영상에서 LLM Wiki 아이디어의 출처로 언급되는 인물
  • gemma-4 — 이 시리즈 전편에서 사용하는 로컬 오픈소스 AI 모델

동일 시리즈 (CONNECT AI LAB — Gemma 4 에이전트 육성)

그래프 뷰