목차(클릭하세요)
내가 만든 지식베이스를 보다 직관적인 그래프로 만들어 LLM이 이 관계를 바탕으로 응답할 수 있도록 도와주는 서브옵션
참고자료
1. 옵시디언에 저장된 LLM위키의 시각화
•
옵시디언의 내용들은 대부분 markdown형태로 저장되어 있으니,
•
이를 좀 더 시각화해서 사람이 이해할 수 있도록,
•
지식 베이스를 LLM이 활용할 수 있도록 하는 것이 목적!
1-1.Graphify소개&설치
•
지식 시각화를 위한 최고의 서브 옵션
•
설치조건: 파이썬 기존 설치
•
터미널 환경 또는 Agent창에서 다음 명령어 실행
# Python 3.10+ 필요
pip install graphifyy
Bash
복사
# 터미널에서 실행시
graphify ./raw
Bash
복사
#Agent에서 실행시(안티그래비티나 클로드코드 등)
/graphify ./raw
Bash
복사
1-2.설치 후 첫 실행 모습
•
Graph빌드 작업을 통해 나의 지식을 보다 시각적으로 구현할 수 있음
•
시각화를 위한 몇 가지 파이썬 시각화 라이브러리가 설치됨
•
실행이 완료되면 몇가지 파일들이 ‘Graphify-out’폴더에 저장됨
•
가장 중요한 파일은 graph.json 이고, 이 파일을 LLM이 활용할 수 있게 됨
•
"사람이 볼 수 있는 파일은 graph.html
# 결과물은 graphify-out/에 자동 생성됨
graphify-out/
├── graph.html # 인터랙티브 시각화
├── GRAPH_REPORT.md # 핵심 노드, 이상 연결, 추천 질문
├── graph.json # 지속 가능한 질의형 그래프
└── cache/ # 증분 캐시
Bash
복사
•
graph.json: 실제 그래프 데이터(노드·엣지·군집 정보) 전체가 담긴 파일
•
graph.html: 브라우저에서 여는 인터랙티브 그래프
•
GRAPH_REPORT.md: 가장 많이 연결된 핵심 개념들, 예상치 못한 연결 관계, 주석이나 문서에서 뽑아낸 설계 의도, 그리고 더 파볼 만한 질문들을 평문으로 정리해줌
•
manifest.json: 파일별 경로와 수정 시각을 추적하는 메타데이터
•
graph.html을 실행시키면 아래와 같이 옵시디언의 그래프화보다 좀 더 컬러풀(?)한 결과를 볼 수 있음
1-3.Graphfy의 다양한 사용법
•
Graphify는 처음부터 코드(.py, .js, .go, .java 등), 마크다운, PDF, 이미지를 분석해서 AI 코딩 어시스턴트가 사용하도록 만든 지식 그래프 도구
•
Claude Code, Codex, OpenCode, Cursor, Gemini CLI, GitHub Copilot CLI, VS Code Copilot Chat, Aider 등 바이브코딩에 쓰는 주요 도구들에서 바로 동작
•
바이브 코딩으로 만들어진 결과물을 AI 에이전트에게 ‘구조’를 설명할 필요가 없어짐
•
작업예시: 5천줄이 넘는 코드의 전체 관계 확인
/graphify .index.html
Bash
복사
•
이렇게 내가 전체적인 맥락파악이 힘든 수준의 바이브 코딩 결과물이 나왔다면 관계파악에 매우 용이함
•
특히 코드의 관계를 기반으로 쿼리를 넣어 내용을 보다 깊게 탐구할 수 있음
2. Graphfy를 사용하는 진짜 목적
LLM wiki를 구축했지만 진짜 지식베이스를 기반으로 답변하기 위해 Graphfy를 사용하는 것임•
정확히는 graphy정보를 기반으로 답변을 하게 됨
2-1.(/)슬러쉬를 사용한 명령어 호출
•
그림 처럼 슬러쉬(/)입력후 graphify를 입력한 뒤, 내 지식베이스에서 확인할 내용을 쿼리로 입력함
◦
예시에서는 쿼리(=질문)을 따옴표로 감싸라고 안내되어 있음
/graphify query "안드레카파시4원칙에 따르면 자세한 프롬프팅이 오히려 답변의 퀄을 하락 시킬 수 있니?"
Bash
복사
2-2.번거로운 점
•
graphy정보를 기반으로 답변을 하기 때문에 지식이 추가될 때마다 graphy를 업데이트 해줘야 하는 문제가 생길 수 있음
◦
그래피파이는 처음부터 전체 재생성이 아니라 변경분만 반영하는 구조로 설계되어 있음
•
그래프를 업데이트 시키고 싶다면?
◦
마지막 실행 이후 바뀐 파일만 다시 추출해서 기존 그래프에 병합
graphyfy wiki/ --update
Bash
복사
3. 무엇이 다른가?
지식베이스가 작업폴더 일때 일반적인 질문과 /graphify query 명령을 사용하는 것 사이에는 정보를 탐색하고 문맥을 찾아내는 방식에서 큰 차이가 존재함
3-1. /graphify query "<질문>"로 물어볼 때 (지식 그래프 탐색)
•
작동 방식: 빌드된 로컬 지식 그래프(graph.json)를 기반으로 질문과 연결된 **개념(노드)들과 그들의 연관 관계(엣지), 그리고 속해 있는 커뮤니티(주제군)**를 그래프 탐색 알고리즘(BFS/DFS)을 통해 추적
◦
단순히 텍스트만 검색하는 것이 아니라 "A라는 개념이 어떤 상위 MOC에 속해 있고, 어떤 파일들과 관계를 맺고 있는가"를 한눈에 파악
•
특징: 검색 결과가 텍스트 파편이 아니라 구조화된 관계망 정보로 제공
3-2.그냥 질문할 때 (일반 AI 지식 + 키워드 RAG)
•
작동 방식: LLM이 기본적으로 인지하고 있는 학습 메모리(LLM)와 함께, 필요한 경우 폴더 내의 파일들을 단순 텍스트 단위로 찾아서 본문을 분석하는 키워드 기반 RAG(예: grep_search)를 사용
•
특징: 개념의 세부 정의나 파일 내에 있는 구체적인 텍스트 본문 내용을 그대로 읽어와 요약하는 데 유리
•
지식베이스에 기록되지 않은 일반적인 상식이나 프로그래밍 문법 등을 물어볼 때는 그래프 탐색을 할 필요 없이 바로 답변 가능
3-3.결론
•
그래프 탐색을 강제하거나 관계망 위주의 출력이 필요할 경우는 /graphify query "<질문>"을 사용