Graphify: 디렉토리를 넣으면 지식 그래프가 나오는 Karpathy식 세컨드 브레인
Andrej Karpathy가 제안한 지식베이스 구축 철학과 이를 구현한 오픈소스 도구 Graphify의 자동 개념 그래프 생성, RAG 결합 설계 원리를 정리한다.
2026-08-14 · 최초 발행 2026-04-18
Andrej Karpathy가 2026년 LLM의 생산성 용도로 코드 생성이 아닌 '개인 연구 지식베이스(personal wiki)' 구축을 제안하며 반향을 일으켰다. 디렉토리 단위로 문서·노트를 읽어 자동으로 개념 그래프와 상호 참조를 생성하는 워크플로우를 공유했고, 오픈소스 도구 Graphify가 이 아이디어를 구현해 빠르게 확산되고 있다.
코드 생성이 아니라 연결이 병목이라는 진단
Karpathy는 LLM의 가치가 '코드 자동 완성'에 집중되는 흐름을 경계한다. 그가 보기에 개인 연구자·엔지니어의 실질적 병목은 지식의 축적과 연결이다. Roam Research나 Obsidian 같은 기존 도구는 노드 간 링크를 사용자가 수동으로 그려야 하는 반면, LLM은 자연어를 읽고 개념 간 관계를 추출하는 데 특히 유리하다. 그래서 결론은 단순하다 — LLM을 자동 지식 그래프 엔진으로 쓰자는 것이다.
산출물이 다르면 LLM의 쓸모도 달라진다
| 축 | 코드 생성 중심 | 지식베이스 구축 중심 |
|---|---|---|
| 주 산출물 | 소스 코드 | 연결된 노트·개념 맵 |
| 가치 평가 | 라인 수·PR 수 | 개념 재사용·통찰 빈도 |
| 장기 효과 | 스킬 의존 고정 | 지식 자본 복리 |
| 실패 모드 | 버그·보일러플레이트 | 단편화·중복 |
| LLM 기여 | 생성·수정 | 추출·연결·요약 |
두 용도가 서로를 배제하는 것은 아니다. Karpathy 제안의 핵심은 장기 복리 효과가 더 큰 쪽에 LLM 역량을 배분하자는 것이다.
디렉토리를 넣으면 그래프가 나온다
파일 스캔은 마크다운·PDF·코드·이메일 등 다양한 포맷을 지원하고, 개념·관계 추출 단계에서 LLM이 문맥에서 엔티티와 관계를 구조화한다. 동일 개념의 표기 변형은 그래프 병합 단계에서 정규화돼 하나의 노드로 합쳐지고, 노드당 페이지·엣지당 상호 참조 링크로 위키가 생성된다.
벡터 검색과 그래프 탐색을 섞은 RAG
벡터 검색과 그래프 탐색을 결합한 하이브리드 검색이 핵심이다. 응답에는 원본 노트·위키 링크가 포함돼 출처를 추적할 수 있고, 사용자 피드백을 받을 때마다 그래프가 지속적으로 정제된다.
Graphify가 지키는 설계 원칙들
로컬 디렉토리·Git 저장소·Obsidian Vault를 공통 인터페이스로 처리하는 입력 추상화, OpenAI·Anthropic·로컬 오픈 가중치 모델을 플러그인으로 바꿔 끼우는 모델 중립성이 기본 골격이다. 추출→정규화→그래프 구성→렌더링을 분리하는 단계적 처리 파이프라인 위에서 Markdown Wiki·Graphviz·Mermaid·Neo4j 내보내기 같은 다양한 출력 포맷을 지원하고, 동일 입력이 항상 동일 그래프로 이어지는 Idempotent 재빌드로 증분 업데이트를 쉽게 만든다.
빌드하고 검수하고 다시 빌드하는 순환
연구 노트·논문 PDF·프로젝트 문서 디렉토리를 대상으로 지정하고, Graphify를 실행하면 노드·엣지·위키 페이지가 초기 빌드된다. 자주 오인식되는 개념은 aliases.yml로 정규화하는 수동 검수를 거치고, 신규 문서가 추가되면 증분 재빌드로 반영한다. 이후 Wiki 브라우저와 RAG 챗봇으로 질의하면 검색 결과가 다시 노트로 저장되며 그래프가 풍부해지는 복리 루프가 이어진다.
논문 리뷰어와 컨설턴트가 쓰는 법
수백 편의 논문을 읽었지만 연결점을 찾기 어려운 연구자라면, 논문 PDF 디렉토리를 Graphify에 넣는 것만으로 저자·방법론·결과 간 연결이 자동 생성돼 리뷰 속도가 빨라진다.
프로젝트 산출물과 회의록이 폴더마다 흩어져 있는 에이전시·컨설턴트라면, 사내 문서 저장소를 Graphify로 색인해 신규 프로젝트의 초기 디스커버리에서 기존 사례를 즉시 재사용할 수 있다.
그래프가 지저분해지기 전에 챙길 것들
민감 자료를 다룰 때는 로컬 오픈 가중치 모델을 쓰는 프라이버시 대책이 필요하고, 대규모 디렉토리를 한 번에 추출하면 토큰 비용이 상당하므로 증분 빌드 전략을 세워야 한다. 관계 추출 단계에서 신뢰도가 낮은 엣지는 '제안' 상태로 분리하는 환각 관리가 필요하고, 동의어·약자·브랜드명 같은 도메인별 정규화 규칙도 계속 유지해야 한다. 저품질 노드를 제거하는 정책이 없으면 그래프 자체가 노이즈화될 수 있다.
Karpathy의 제안은 LLM 사용 방식의 무게 중심을 '생성'에서 '연결'로 옮기는 실천적 시도다. Graphify는 디렉토리 단위 자동 지식 그래프 생성을 누구나 시도할 수 있게 만들었고, 벡터 검색과 그래프 탐색을 결합한 RAG는 지식 노동자에게 복리 자산을 안긴다. 코드 생성 속도보다 장기 지식 축적이 더 희귀한 자원이라는 점에서, 2026년의 생산성 도구는 이 방향으로 계속 재정의될 가능성이 높다.