Authorship Loss 방지를 위한 3계층 분리 및 Local Semantic Search 구조 설계

"AI as Retrieval, Not Generation: Why I Stopped Letting AI Into My Vault (And the Plugin That Came Out of It)"

Jacob Mei2026년 4월 27일5분intermediate

AI 요약

Context

AI 생성 콘텐츠와 인간의 사고 결과물이 동일한 Markdown 저장소에 혼재되어 발생하는 Authorship Loss 문제 직면. 데이터의 Epistemic Status 구분이 불가능해짐에 따라 지식 베이스의 무결성이 훼손되는 아키텍처적 한계 발생.

AI 생성물을 메인 Vault와 물리적으로 분리한 Scratch Directory 운영을 통한 데이터 오염 방지
Layer 1(AI 처리)에서 Layer 3(최종 저장소) 이동 시 강제적인 Rewriting 프로세스를 도입하여 인지적 마찰을 통한 지식 내재화 구현
AI의 역할을 Generation에서 Retrieval로 제한하여 원본 데이터의 변조 가능성을 원천 차단한 설계
Ollama 기반의 Local Embedding 모델을 채택하여 8GB RAM 환경에서 클라우드 의존성 없는 독립적 인덱싱 구현
본문이 아닌 Frontmatter 내 50~100자 규모의 Semantic Description만을 AI로 생성하여 메타데이터 계층으로 분리
최근 수정 및 링크 밀도를 가중치로 사용하는 Hot/Cold Layering 알고리즘을 통한 검색 우선순위 최적화

실천 포인트

1. AI 생성 데이터와 원본 데이터를 저장하는 물리적 경로 또는 데이터베이스 스키마를 분리했는가?

2. AI의 출력을 그대로 저장하지 않고 인간의 검토 및 재작성 단계(Human-in-the-loop)를 거치는 파이프라인이 존재하는가?

3. 외부 API 의존성을 줄이기 위해 Local LLM/Embedding 모델 도입이 가능한 구조인가?

4. 생성형 AI를 단순 챗봇이 아닌, 기존 데이터의 Semantic Search를 위한 인덱서로만 제한하여 사용할 수 있는가?

태그