옵시디언(Obsidian)이란

옵시디언(Obsidian)은 Markdown 기반의 개인 지식관리(PKM, Personal Knowledge Management) 도구입니다. 일반적인 메모 앱과 달리 작성한 노트를 서로 연결하여 개인 지식 네트워크를 구축할 수 있다는 점이 가장 큰 특징입니다.

옵시디언에서 작성한 문서는 기본적으로 Markdown 파일(.md) 형태로 저장됩니다. 따라서 특정 서비스에 종속되지 않고 파일을 직접 관리할 수 있으며, 다른 Markdown 편집기에서도 쉽게 활용할 수 있습니다.

옵시디언의 핵심 특징

옵시디언의 가장 중요한 기능은 노트 간 연결(Link)입니다. 예를 들어 AI Agent라는 노트를 작성한 후 LLM, RAG, LangGraph 등의 관련 문서를 연결하면 각각의 지식이 하나의 네트워크처럼 구성됩니다.

Graph View를 사용하면 노트 사이의 연결 관계를 시각적으로 확인할 수 있습니다. 이를 통해 특정 주제와 관련된 지식이 어떻게 연결되어 있는지 쉽게 파악할 수 있습니다.

또한 Markdown을 기반으로 하기 때문에 제목, 목록, 표, 코드 등을 간단한 문법으로 작성할 수 있어 개발자와 기술 문서를 많이 작성하는 사용자에게 특히 편리합니다.

옵시디언 기본 사용 방법

옵시디언을 처음 사용할 때는 Vault라는 저장 공간을 만들고 Markdown 파일을 생성하면 됩니다. 예를 들어 다음과 같은 구조로 기술 지식을 관리할 수 있습니다.

MyVault/
 ├─ AI/
 │   ├─ LLM.md
 │   ├─ RAG.md
 │   └─ AI-Agent.md
 ├─ ComputerVision/
 │   ├─ OpenCV.md
 │   └─ YOLO.md
 └─ Project/
     └─ AI-Agent-Project.md

문서 안에서는 [[LLM]], [[RAG]]와 같은 방식으로 다른 노트를 연결할 수 있습니다. 이러한 연결을 활용하면 단순한 폴더 기반 문서 관리에서 벗어나 주제와 개념 중심의 지식관리 시스템을 구축할 수 있습니다.

옵시디언의 다양한 활용 방법

1. 기술 지식 관리

프로그래밍, AI, OpenCV, Kubernetes 등의 기술을 개별 노트로 작성하고 서로 연결하면 자신만의 기술 백과사전을 만들 수 있습니다.

2. 프로젝트 관리

프로젝트 요구사항, 회의록, 개발 일정, 문제점 및 참고자료를 하나의 Vault에서 연결하여 관리할 수 있습니다. 프로젝트가 커질수록 관련 문서를 빠르게 찾아볼 수 있다는 장점이 있습니다.

3. 연구 및 학습

논문이나 기술 문서를 읽으면서 핵심 개념을 별도의 노트로 정리하고 기존 지식과 연결하면 장기적인 학습 자료로 활용할 수 있습니다. 단순히 자료를 저장하는 것보다 지식 간의 관계를 정리하는 데 효과적입니다.

4. 블로그 콘텐츠 관리

블로그 아이디어, 자료조사, 초안, 완성된 글을 하나의 Vault에서 관리할 수 있습니다. 키워드와 관련 주제를 서로 연결하면 콘텐츠 제작을 위한 개인 지식 데이터베이스로 활용할 수 있습니다.

5. AI와 결합

옵시디언은 다양한 플러그인이나 외부 AI 도구와 결합하여 개인 지식관리 시스템을 확장할 수 있습니다. 자신의 Markdown 자료를 기반으로 검색, 요약, 질의응답 등을 수행하는 개인 지식 AI 시스템으로 발전시키는 것도 가능합니다.

옵시디언을 효과적으로 사용하는 방법

처음부터 복잡한 폴더 구조를 만드는 것보다는 하나의 주제를 하나의 노트로 만들고 관련 노트를 적극적으로 연결하는 방식이 좋습니다.

기본적인 노트 작성에 익숙해진 후 태그, 검색, Graph View, Dataview 등의 기능을 추가하면 더욱 강력한 지식관리 환경을 구축할 수 있습니다.

옵시디언의 핵심은 단순히 메모를 저장하는 것이 아니라 메모 사이의 관계를 구축하고 지식을 재활용하는 것입니다.

특히 개발자, 연구자, 기술 블로거처럼 지속적으로 지식을 축적하고 이를 다시 활용해야 하는 사용자라면 옵시디언을 개인 지식관리 시스템으로 활용할 수 있습니다. Markdown이라는 개방적인 형식과 강력한 노트 연결 기능을 활용하면 시간이 지날수록 가치가 커지는 개인 지식 저장소를 구축할 수 있습니다.

최근 ChatGPT와 같은 LLM(Large Language Model)을 활용해 프로그램 코드를 작성하는 개발 방식이 빠르게 확산되고 있습니다. LLM은 자연어로 요구사항을 설명하면 Python, C++, JavaScript 등 다양한 언어의 코드를 생성할 수 있다는 장점이 있습니다. 하지만 생성된 코드가 항상 문법적으로 정확하거나 안정적인 것은 아닙니다.

이때 중요한 역할을 하는 기술이 Lint(린트)입니다. Lint는 프로그램을 실제로 실행하기 전에 소스 코드를 정적으로 분석하여 문법 오류, 코딩 스타일 위반, 사용하지 않는 변수, 정의되지 않은 변수, 잠재적인 버그 등을 찾아주는 도구입니다.

Lint란 무엇인가?

Lint는 소스 코드를 분석하여 개발자가 놓치기 쉬운 문제를 자동으로 찾아주는 정적 코드 분석 도구입니다. 일반적인 컴파일이나 프로그램 실행과 달리 코드를 직접 실행하지 않고 소스의 구조와 규칙을 분석한다는 특징이 있습니다.

대표적인 Lint 도구로 Python에서는 Ruff, Flake8, Pylint, JavaScript와 TypeScript에서는 ESLint, C/C++에서는 clang-tidy 등이 사용됩니다.

예를 들어 LLM이 다음과 같은 코드를 생성했다고 가정해 보겠습니다.

import cv2

img = cv2.imread("image.jpg")
resized = cv2.resize(img, None, fx=0.5, fy=0.5)

print(image.shape)

코드 마지막의 image 변수는 정의되어 있지 않습니다. 실제 실행하면 오류가 발생하지만 Lint와 정적 분석 도구를 사용하면 이러한 문제를 실행 전에 발견할 수 있습니다.

LLM과 Lint를 함께 사용하는 이유

LLM은 코드를 생성하고 수정하는 능력이 뛰어나지만 모든 상황에서 완벽한 코드를 만들어 주지는 않습니다. 특히 프로젝트 규모가 커지거나 여러 파일을 동시에 수정하는 AI Agent 환경에서는 작은 오류가 연쇄적으로 발생할 수 있습니다.

따라서 다음과 같은 LLM 코드 검증 과정을 구성하는 것이 효과적입니다.

사용자 요구사항
      ↓
LLM 코드 생성
      ↓
Lint 검사
      ↓
오류 발견 ──→ LLM 코드 수정
      ↓
정상
      ↓
테스트 실행
      ↓
최종 코드

이 구조에서는 LLM이 개발자의 역할을 수행하고 Lint가 자동화된 코드 리뷰어 역할을 수행합니다.

Lint와 테스트의 차이

Lint와 테스트는 비슷해 보이지만 목적이 다릅니다. Lint는 코드 자체의 문제를 찾는 기술이고, 테스트는 프로그램이 실제로 요구사항에 맞게 동작하는지를 검증하는 기술입니다.

예를 들어 Lint는 정의되지 않은 변수나 잘못된 코드 스타일을 찾을 수 있지만, 이미지 처리 프로그램이 실제로 원하는 크기의 이미지를 생성하는지는 테스트를 통해 확인해야 합니다.

따라서 LLM 기반 개발에서는 Lint만 사용하는 것보다 다음과 같은 검증 단계를 함께 구성하는 것이 좋습니다.

LLM
 ↓
Lint
 ↓
Type Checking
 ↓
Unit Test
 ↓
Integration Test
 ↓
Security Scan

Python 프로젝트라면 Ruff, MyPy, Pytest, Bandit 등을 조합할 수 있습니다.

AI Agent에서 Lint의 중요성

Lint는 특히 AI Agent와 Coding Agent에서 중요합니다. AI Agent가 코드를 직접 생성하고 파일을 수정하거나 프로그램을 실행할 경우 사람이 모든 코드를 일일이 확인하기 어렵기 때문입니다.

Agent가 코드를 생성한 후 Lint를 실행하고 오류 메시지를 다시 LLM에게 전달하면 자동 수정 루프를 만들 수 있습니다.

Code 생성
   ↓
Lint
   ↓
오류 발생?
 ↙       ↘
Yes       No
 ↓         ↓
LLM 수정   Test
 ↓         ↓
 └────────┘

이러한 방식을 Self-Correction Loop 또는 Agentic Coding Workflow라고 볼 수 있습니다.

LLM 시대의 Lint는 단순한 코딩 스타일 검사 도구를 넘어 AI가 생성한 코드를 검증하는 중요한 안전장치가 되고 있습니다.

특히 LLM이나 AI Agent를 이용해 코드를 자동 생성하는 환경에서는 다음과 같은 구조를 적용하면 코드 품질과 안정성을 향상시킬 수 있습니다.

LLM + Lint + Type Checker + Test + Security Scanner

앞으로 AI Agent가 단순히 코드를 제안하는 수준을 넘어 실제 프로젝트의 코드를 수정하고 실행하는 방향으로 발전할수록 LLM 생성 결과를 자동으로 검증하고 수정하는 Lint 기반 개발 파이프라인의 중요성은 더욱 커질 것입니다.

일일보고서를 요약해주는 AI Agent 설계·테스트·운영 Setup

일일보고서 요약 AI Agent는 보고서 수집 → 내용 분석 → 핵심 요약 → 중요 이슈 추출 → 결과 검증 → 자동 배포까지 연결하는 방식으로 설계하면 좋습니다. 실제 운영을 고려하면 단순한 LLM 호출보다 Agent Workflow + RAG + 검증 단계를 함께 구성하는 것이 핵심입니다.

1. 요구사항 정의

먼저 AI Agent가 무엇을 해야 하는지 명확하게 정의합니다. 매일 직원들이 작성한 일일보고서를 수집하고 다음과 같은 결과를 자동 생성하도록 구성할 수 있습니다.

• 오늘의 주요 업무
• 업무 진행률
• 완료 및 미완료 업무
• 주요 이슈 및 장애
• 의사결정이 필요한 사항
• 내일 예정 업무
• 부서별 주요 내용
• 경영진용 핵심 요약

입력 데이터는 Word, PDF, Excel, 이메일, 사내 게시판, Google Drive, SharePoint 등으로 확장할 수 있습니다.

2. 전체 아키텍처 설계

기본적인 구조는 다음과 같이 구성할 수 있습니다.

[일일보고서]
      ↓
[데이터 수집 Agent]
      ↓
[문서 파싱 / 정제]
      ↓
[업무별 분류]
      ↓
[LLM 요약 Agent]
      ↓
[사실 검증 Agent]
      ↓
[중요도 / 이슈 분석]
      ↓
[최종 보고서 생성]
      ↓
[메일 / Slack / Teams / Dashboard]

하나의 거대한 Agent를 만드는 것보다 Collector Agent, Summarizer Agent, Verifier Agent, Reporter Agent처럼 작업을 작은 Agent로 분리하는 것이 유지보수와 확장에 유리합니다.

3. 개발 환경 Setup

Python 기반으로 개발한다면 다음과 같은 환경을 구성할 수 있습니다.

python -m venv .venv

# Windows
.venv\Scripts\activate

pip install langgraph langchain
pip install fastapi uvicorn
pip install pydantic
pip install pandas openpyxl
pip install pypdf python-docx

LLM은 OpenAI, Anthropic, Google 등의 API를 사용할 수 있으며, 사내 보안이 중요한 환경에서는 온프레미스 LLM이나 사내 추론 서버를 사용할 수도 있습니다.

프로젝트 디렉터리는 다음과 같이 구성할 수 있습니다.

daily-report-agent/
 ├─ agents/
 │   ├─ collector.py
 │   ├─ summarizer.py
 │   ├─ verifier.py
 │   └─ reporter.py
 ├─ data/
 ├─ prompts/
 ├─ tests/
 ├─ config.py
 ├─ workflow.py
 └─ main.py

4. 보고서 수집 Agent 개발

첫 번째 Agent는 여러 위치에서 보고서를 가져오는 역할을 담당합니다.

def collect_reports():
    reports = load_files("./data")
    return reports

실제 운영에서는 이메일 첨부파일이나 사내 시스템 API와 연결합니다. 수집 후에는 작성자, 부서, 작성일, 프로젝트, 원본 파일, 보고서 내용 등의 메타데이터를 함께 저장합니다.

이 정보가 있어야 나중에 어느 부서에서 어떤 문제가 발생했는지 또는 특정 프로젝트의 진행 상황이 어떻게 변했는지를 분석할 수 있습니다.

5. 요약 Agent 설계

LLM에게 단순히 "요약해줘"라고 요청하기보다는 출력 형식을 구조화하는 것이 중요합니다. 예를 들어 다음과 같은 JSON 형태로 결과를 생성하도록 설계할 수 있습니다.

{
  "summary": "핵심 업무 요약",
  "completed": [],
  "in_progress": [],
  "issues": [],
  "risks": [],
  "tomorrow": [],
  "importance": "HIGH"
}

구조화된 결과를 사용하면 이후 프로그램에서 데이터를 쉽게 처리할 수 있습니다. 특히 프롬프트에는 원문에 없는 사실을 추가하지 말 것, 추측과 사실을 구분할 것, 중요한 숫자와 날짜를 변경하지 말 것 등의 규칙을 포함하는 것이 좋습니다.

6. 검증 Agent 추가

업무용 AI Agent에서 가장 중요한 단계 중 하나입니다. LLM은 자연스러운 문장을 생성하지만 원문에 없는 내용을 만들어낼 가능성이 있으므로 요약 결과를 다시 원본과 비교해야 합니다.

원본 보고서
     ↓
요약 Agent
     ↓
검증 Agent
     ↓
PASS → 최종 보고서
FAIL → 재요약

검증 항목은 숫자 오류, 날짜 오류, 담당자 오류, 원문에 없는 사실 포함 여부, 중요 이슈 누락 여부 등으로 구성할 수 있습니다. 이 과정을 추가하면 단순한 LLM 호출보다 업무 시스템으로서의 신뢰성을 높일 수 있습니다.

7. Agent Workflow 구성

LangGraph와 같은 Workflow 프레임워크를 이용하면 각 단계를 연결할 수 있습니다.

START
 ↓
Collect
 ↓
Parse
 ↓
Summarize
 ↓
Verify
 ↓
[검증 실패?]
 ├─ YES → Summarize
 └─ NO
      ↓
Generate Report
 ↓
Send
 ↓
END

이 구조의 장점은 특정 Agent만 교체하기 쉽다는 것입니다. 예를 들어 GPT 기반 요약 Agent를 다른 LLM으로 교체하더라도 전체 시스템을 다시 개발할 필요가 없습니다.

8. 테스트 단계

운영 전에 최소 50~100개의 과거 일일보고서를 테스트 데이터로 사용하는 것을 권장합니다.

특히 사람이 작성한 기존 요약본이 있다면 이를 Ground Truth로 활용해 AI의 요약 품질을 평가하는 것이 좋습니다.

9. 운영 환경 구축

테스트가 끝나면 매일 정해진 시간에 Agent가 자동 실행되도록 구성합니다.

09:00 Scheduler
     ↓
보고서 수집
     ↓
AI 분석
     ↓
검증
     ↓
경영진 요약
     ↓
Email / Teams / Slack

운영 환경에서는 FastAPI + Docker + Scheduler + Database + Logging 구조를 적용할 수 있습니다.

또한 실행 시간, 보고서 수, 사용 LLM 모델, 사용 토큰, 처리 시간, 검증 결과, 오류 내용, 최종 결과 등을 로그로 기록해야 합니다. 이를 통해 Agent의 비용과 품질을 지속적으로 관리할 수 있습니다.

10. 운영 후 고도화

초기에는 단순 요약 기능으로 시작하고 운영 데이터가 쌓이면 기능을 단계적으로 확장하는 것이 좋습니다.

1. 1단계: 보고서 자동 요약
2. 2단계: 부서별 요약
3. 3단계: 이슈 및 위험 탐지
4. 4단계: 전일 대비 변화 분석
5. 5단계: 반복되는 문제 자동 탐색
6. 6단계: 경영진 의사결정 지원 Agent

일일보고서 요약 AI Agent의 최종 목표는 단순히 보고서의 분량을 줄이는 것이 아닙니다. "오늘 회사에서 어떤 일이 발생했고, 무엇이 중요하며, 무엇을 결정해야 하는가?"를 자동으로 알려주는 업무 분석 시스템으로 발전시키는 것이 핵심입니다.

실제 업무에 적용할 때는 원본 데이터 접근권한, 개인정보 및 기밀정보 보호, LLM 환각 검증, 결과에 대한 감사 로그를 초기 설계부터 포함해야 합니다. 이를 기반으로 설계 → 개발 → 테스트 → 시범운영 → 정식운영 → 지속적인 평가 및 개선의 순서로 구축하면 안정적인 일일보고서 AI Agent를 만들 수 있습니다. 다음 블로그에서는 단계별 세분화 하여 LLM 모델을 활용하여 보고서 요약 Web UI를 구축하는 과정을 기술해 보겠습니다.