AI 에이전트(AI Agents)를 위한 마크다운(Markdown) 기반 위키(Wiki) 시스템, 개발 효율성을 높이다!
마크다운(Markdown)과 깃(Git)을 활용하여 AI 에이전트(AI Agents)가 읽고 쓸 수 있는 지식 저장소(Knowledge Substrate) 구축
BM25 알고리즘을 활용한 검색 기능과 SQLite를 이용한 메타데이터 관리
커뮤니티에서는 자동 노트 작성(Note-taking)의 효용성에 대한 의문 제기
성능 최적화(Performance Optimization)를 위해 BM25를 우선적으로 사용하고, 85%의 검색 정확도를 달성
마크다운(Markdown)과 깃(Git)을 활용한 지식 관리
본 시스템은 마크다운(Markdown)을 사용하여 지식의 영속성을 확보하고, 깃(Git)을 통해 버전 관리 및 협업 기능을 제공한다. 특히, 깃(Git)을 활용하여 변경 사항을 추적하고, 에이전트(Agent) 간의 지식 공유를 용이하게 한다. 데이터 미저장 정책(Zero-Retention Policy)을 통해 사용자는 언제든지 데이터를 가져갈 수 있으며, 시스템의 독립성을 보장한다.
BM25 기반 검색 엔진(Search Engine)의 성능
개발자는 BM25 알고리즘을 활용하여 500개의 아티팩트(Artifacts)와 50개의 쿼리(Queries)에 대해 85%의 검색 정확도를 달성했다고 밝혔다. BM25는 벡터 데이터베이스(Vector Database)보다 빠른 검색 속도를 제공하며, 특히 단문 검색(Short Lookup)에 효과적이다. 커뮤니티에서는 BM25-first 접근 방식에 대한 긍정적인 평가와 함께, 쿼리 분류(Query Classification)의 정확성에 대한 질문이 제기되었다.
AI 에이전트(AI Agents)를 위한 위키(Wiki) 시스템의 구조
시스템은 각 에이전트(Agent)에게 개인 노트(Private Notebook)와 팀 공유 위키(Shared Wiki)를 제공한다. 에이전트는 개인 노트에서 작업하고, 검토를 거쳐 위키에 정보를 추가한다. 또한, 데이터 격리 아키텍처(Data Isolation Architecture)를 통해 각 에이전트의 작업 공간을 분리하고, 팀 전체의 지식 관리를 효율적으로 수행한다. 특히, 자동화된 노트 작성(Note-taking)의 효용성에 대한 의문이 제기되었다.
기술적 트레이드오프(Trade-offs) 및 확장성
개발자는 마크다운(Markdown), BM25, SQLite를 선택함으로써, 시스템의 단순성과 접근성을 높였다. 하지만, 벡터 데이터베이스(Vector Database)를 사용하지 않아, 복잡한 쿼리(Query)에 대한 성능 저하가 발생할 수 있다. 커뮤니티에서는 Obsidian과 같은 다른 솔루션과의 비교를 통해, 시스템의 장단점을 분석하고, 향후 확장 가능성에 대한 논의가 이루어졌다.
