Speaker Bio

김진영 (JY Kim) - 前 Microsoft Data Scientist - AI for Knowledge Work 프로젝트 운영 - PKM과 AI 에이전트 결합 실험 중

^ 안녕하세요. 저는 Microsoft와 Amazon에서 데이터 사이언티스트와 소프트웨어 엔지니어로 일했던 김진영입니다. 현재는 AI for Knowledge Work라는 프로젝트를 통해 PKM과 AI 에이전트를 결합하는 다양한 실험을 하고 있습니다. 저뿐만 아니라 시애틀과 서울의 여러 멤버들이 같이 협업하고 있습니다.

AI for Knowledge Work

Project Components

1. Build a PKM platform that can support various types of knowledge work
2. Build domain-specific skills and workflows on top of PKM

%%🖋 Edit in Excalidraw%%

AI for PKM (platform)

🛠️ 지식 업무를 위한 에이전틱 AI 솔루션

제안하는 솔루션:

1. 📁 사람 사용자를 위한 파일시스템 기반 PKM (Obsidian 같은)
2. 🤖 AI 레이어로서 파일시스템 기반 에이전틱 AI (Claude Code / Cursor)
3. 🤝 효율적인 감독과 피드백을 위한 인간-AI 협업 워크플로우

^ 지식 업무를 위한 에이전틱 AI 솔루션의 세 가지 핵심 구성요소입니다. 인간을 위한 PKM 시스템, AI를 위한 에이전틱 시스템, 그리고 둘 사이의 효율적인 협업 체계가 필요합니다.

^ 이 다이어그램이 전체 아키텍처를 보여줍니다. 왼쪽에는 사용자를 위한 PKM 시스템이 있고, 오른쪽에는 AI를 위한 에이전틱 시스템이 있습니다. 그리고 중간에 파일시스템을 공유하면서 각자의 역할을 수행하고, 효율적으로 협업할 수 있는 구조를 만들어냅니다.

AI4PKM Components

Prompts

🧱 프롬프트는 PKM 워크플로우의 빌딩 블록입니다 - 실행과 평가의 단위 - 명확하게 정의된 입력과 출력을 갖습니다 - 입력과 출력 개수에 따라 1:1 / 1:N / N:1 / N:N

^ 에이전틱 AI에서 프롬프트는 단순한 질문이 아닙니다. 마치 프로그래밍의 함수처럼 명확한 입력과 출력이 정의된 재사용 가능한 모듈입니다. 이렇게 설계해야 AI가 자동으로 작업을 연결하고 평가할 수 있습니다.

Batch Workflows

여러 프롬프트(와 스크립트[^1])를 결합하여 워크플로우를 만들 수 있습니다 - 예: 오늘 읽은 글을 요약해서 Daily Roundup을 만들고, 이중 적절한 내용을 Thread에 포스팅해 줘

[^1]: 프로그래밍 가능한 태스크를 위한 Python이나 shell 스크립트

^ 여러 프롬프트를 연결하면 강력한 워크플로우가 됩니다. 예를 들어 '오늘 읽은 글 요약 → 데일리 라운드업 생성 → 소셜미디어 포스팅'처럼 복잡한 작업을 자동화할 수 있습니다. 더 나아가 각 단계를 병렬로 실행하거나 서로 다른 AI 에이전트에게 맡겨 효율성을 극대화할 수 있습니다.

AI4PKM 주요 워크플로우: - DIR (Daily Ingestion & Roundup): 일일 컨텐츠 수집 및 정리 - CKU (Continuous Knowledge Upkeep): 지속적 지식 업데이트 - WRP (Weekly Roundup & Planning): 주간 회고 및 계획

Batch Workflow Execution Shell

Task Execution Engine

온디맨드 처리 시스템 - 실시간 사용자 요청 (PKM 에이전트를 위한) - 미리 정해지지 않은 작업량 (임시 연구 같은) - 태스크 큐에서 단위 지식 태스크(UKT)를 처리

주요 구성요소: - 🎯 Knowledge Task Generator (KTG): 다양한 소스에서 태스크 생성 - ⚡ Knowledge Task Processor (KTP): 여러 에이전트를 통한 병렬 실행 - ✅ 태스크 평가 및 품질 관리

%%🖋 Edit in Excalidraw%%

^ 배치 처리뿐만 아니라 실시간 온디맨드 처리도 필요합니다. "지금 당장 이 주제에 대해 연구해줘"라는 요청이나 갑자기 떠오른 아이디어에 대한 즉시 연구가 필요할 때 태스크 큐 시스템을 통해 처리합니다. 확장 가능한 구조로, 작업이 많아지면 여러 프로세서를 동시에 실행하거나 특정 유형에 특화된 프로세서를 만들 수 있습니다.

On-demand Task Processing Demo

^ 이 화면의 왼쪽은 AI가 완료한 지식 테스크를 한눈에 확인할 수 있는 상황판을 보여주고, 오른쪽은 AI가 현재 처리 중인 지식 테스크의 처리 상황을 보여줍니다.

Lessons in Building AI4PKM

Human-Orchestrated Automation

• 🛠️ 파일 변화 감지·포맷 변환·부분 Read/Write 같은 반복 루틴은 스크립트로 정형화해 에이전트 투입 전 노이즈를 제거한다.
• 🤖 에이전트는 요약, 판단, 적응이 필요한 고가치 작업에 집중시켜 컨텍스트 예산을 효율적으로 사용한다.
• 👤 인간 감독자는 정책과 품질 기준을 바탕으로 자동화 전 과정을 모니터링하고 예외 상황을 직접 승인한다.

^ 반복 업무를 스크립트화해 안정적인 입출력을 확보하고, 에이전트는 의미 해석과 결정을 지원하는 구조입니다. 사람이 전체 프로세스를 통제해야 워크플로가 예측 가능하고 안전합니다.

Multi-Agent Safety Net

• 🔁 한 에이전트의 출력을 다른 에이전트가 교차 평가
• 🧬 이종/멀티 에이전트를 병렬 실행해 품질과 비용을 최적화
• ⚠️ 중요 태스크는 중복 배정해 컨텍스트 누락과 오류를 완화 스토리라인: 여러 에이전트가 상호 검증하고, 사람은 최종 선택을 통해 책임과 신뢰도를 확보한다.

^ 멀티 에이전트 평가는 컨텍스트 오버플로를 줄이고 최고 결과를 선택하게 해줍니다. 적어도 한 에이전트가 품질을 검수하게 하면 오류를 조기에 차단할 수 있습니다.

Multi-Agentic Future of AI4PKM

• 🎛️ 스크립트·에이전트·인간 감독의 역할 경계를 명확히 하여 운영체계를 구축한다.
• 🧪 멀티 에이전트 실행 데이터를 축적해 어떤 조합이 비용 대비 품질이 좋은지 학습한다.
• 📊 인간은 에러율·리드타임 등 지표를 모니터링하며 자동화 범위를 단계적으로 확장한다. 스토리라인: 구조화된 역할 분담과 데이터 기반 학습으로 AI4PKM을 확장하면서도 인간이 책임과 통제를 유지한다. 시각 자료: 역할 스택(스크립트 ↔ 에이전트 ↔ 사람) 또는 지표 대시보드 목업이 있으면 로드맵 설명에 도움이 된다.

^ Lessons 섹션은 향후 슬라이드에서 운영 로드맵으로 확장할 수 있는 핵심 메시지입니다. 기존 다이어그램을 업데이트하거나 간단한 지표 테이블을 추가하면 이해도가 높아집니다.

Agent Skills for AI4PKM

Claude Skills: AI를 위한 SOP(표준 운영 절차)

Skills = {Instruction + Artifact} 조합으로 특정 태스크에 특화 - MCP 대비 컨텍스트 & 시간 효율적 - 워크플로우 도구보다 유연 - 더 강력한 재사용 가능 프롬프트

새로운 아키텍처: Skills를 추상화 레이어로 - Python의 모듈/함수처럼 분리된 계층 - 프롬프트는 필요시 Skills 호출 - 명확한 관심사 분리

대표 Skill 예시: - 📥 컨텐츠 수집: Clippings, Limitless, Photolog 처리 - 📤 퍼블리싱: Substack, Thread, LinkedIn 채널별 포맷 - 🗂️ 지식 조직화: Topic 업데이트, Wiki 링크 검증 - 📝 Obsidian 규칙: 링크 포맷, 폴더 구조, Property 표준

참고: 2025-10-19 How Claude Skill Affects AI4PKM

AI for Writing

새로운 패러다임: - 🎤 음성, 손글씨, 스케치 - 어떤 입력이든 OK - ⚡ 발상부터 최종 출판까지 모든 단계에서 AI 활용 - 🔄 원소스 멀티유즈 (글/슬라이드/비디오)

글쓰기 워크플로우:

더 자세한 내용: (dep) Interactive Writing Assistant (IWA)

배경 연구

Web-based vs PKM-based Research

^ 컨텐츠 제작에서도 연구 단계가 중요합니다. 웹 검색으로는 일반적 정보를, PKM 검색으로는 개인적 경험과 인사이트를 얻을 수 있어 더욱 풍부하고 독창적인 컨텐츠를 만들 수 있습니다.

개요 & 초안 작성

• AI가 개요 사이의 빈틈을 채울 수 있습니다
• AI가 제공된 개요를 바탕으로 문단을 작성할 수 있습니다
• AI가 음성 전사를 초안으로 개선할 수도 있습니다

🎙️ 진정성 있는 목소리 보존:

❌ AI에게 "단락 써줘" ✅ 내가 말하기 → AI가 다듬기

^ 개요 작성과 초안 단계에서 AI의 세 가지 핵심 역할입니다. 진정성 있는 목소리를 유지하려면 AI가 처음부터 문단을 작성하게 하지 말고, 먼저 말로 표현한 후 AI가 다듬도록 하세요. 특히 음성 전사를 활용하면 고유의 목소리를 컨텐츠에 넣을 수 있습니다.

수정 & 출판

핵심 기능: - 💬 AI가 완성된 초안에 피드백을 줄 수 있습니다 - 🎯 AI가 다른 대상에 맞게 글을 번역하거나 조정할 수 있습니다 - 📱 AI가 소셜 미디어용 스니펫을 생성할 수 있습니다

AI의 다양한 관점 제공 능력: - 😈 Devil's Advocate: 잠재적 약점 발견 - 👥 가상 포커스 그룹: 다양한 청중 대변 - 🔍 다각도 관점: 전문가별 시각 제공

^ 수정과 출간 단계에서 AI의 가장 강력한 능력은 다양한 관점을 제공하는 것입니다. 마치 여러 명의 전문가가 피드백을 주는 것처럼 다양한 의견을 글에 반영할 수 있습니다.

AI for Data Analysis

PKM 기반 데이터 분석의 강점:

개인화된 인사이트 발견 - 수집된 지식에서 패턴 발견 - 시간에 따른 학습 진화 추적 - 관심사 간의 숨겨진 연결 발견

분석 워크플로우 예시:

1. 주제별 트렌드 분석
2. "최근 3개월간 AI 관련 컨텐츠에서 가장 자주 언급된 개념은?"

3. PKM의 Topic 인덱스와 시간별 데이터 활용

4. 학습 효과성 측정

5. "내가 어떤 주제를 가장 빠르게 학습했는가?"

6. Lifelog와 Journal 데이터 분석

7. 네트워크 분석

8. "내 지식 그래프에서 가장 중요한 허브 개념은?"
9. Wiki link 네트워크 분석 (Obsidian Graph View 활용)

AI가 가능하게 하는 분석: - 📊 정량적 분석: 컨텐츠 수, 링크 밀도, 주제별 분포 - 🔍 정성적 분석: 내용의 깊이, 통찰의 질, 개념 간 연결성 - 🎯 예측적 분석: 관심사 변화 추세, 다음 학습 주제 추천

^ PKM에 축적된 데이터는 단순한 아카이브가 아닙니다. AI를 활용하면 자신의 학습 패턴을 이해하고, 지식 축적의 효과를 측정하며, 앞으로의 학습 방향을 예측할 수 있습니다. 이것이 바로 데이터 기반 자기 성장의 핵심입니다.

참고: Data Science 배경을 활용한 PKM 분석 사례는 Data Science in GenAI Era 참조