피드로 돌아가기
Dev.toAI/ML
원문 읽기
Vector DB 제거 및 Markdown 기반 지식 컴파일로 SEO 분석 효율 극대화
I Built a Self-Updating SEO Brain Inspired by Andrej Karpathy's LLM Wiki
AI 요약
Context
기존 RAG 시스템의 휘발성 컨텍스트 처리로 인해 과거 데이터와 현재 지표 간의 인과관계 파악 불가. Neo4j 및 ChromaDB 기반의 복잡한 인프라 구성으로 인한 잦은 시스템 장애 및 유지보수 비용 증가.
Technical Solution
- Raw Data, Wiki, AGENTS.md의 3계층 구조를 통한 지식의 정적 컴파일 및 누적 설계
- Vector DB 대신 Markdown 기반의 Wiki-links를 활용한 결정론적 지식 그래프 구현
- 매일 신규 데이터를 기존 Wiki에 통합하여 지식을 갱신하는 Incremental Update 프로세스 구축
- Performance.md를 통한 '이슈-수정-지표 개선'의 Causal Chain 추적으로 도메인 특화 지식 자산화
- LLM 생성 코드의 직접 실행을 배제하고 확정된 Skill Function을 통한 PR 생성 방식의 안전 장치 마련
- 정기적인 Linting 프로세스를 통한 Wiki 내 모순 제거 및 데이터 최신성 검증
실천 포인트
1. Vector DB 도입 전 Markdown 기반의 지식 구조화 가능 여부 검토
2. 데이터 소스(Raw)와 가공 지식(Wiki)을 엄격히 분리하여 불변성 유지
3. LLM의 업데이트 규칙을 정의한 Schema 파일(AGENTS.md) 작성
4. 단순 요약이 아닌 '원인-결과' 중심의 Causal Chain 기록 페이지 설계