Written with AI assistance from the source video. The video is the authority.
11:54AI LABS
Log in to leave a comment
No posts yet
개인용 AI 에이전트를 운영하며 토큰 비용 문제로 골머리를 앓고 있다면 데이터 구조부터 뜯어고쳐야 합니다. 파편화된 메모는 AI에게 혼란만 줍니다. 구글 클라우드 데이터 팀이 2026년 6월 12일 공개한 오픈 지식 포맷(OKF) v0.1을 적용하면 정보 검색 효율이 비약적으로 올라갑니다. 마크다운과 YAML 프론트매터를 조합해 AI가 이해하기 쉬운 지식 지도를 만드는 구체적인 방법을 정리했습니다.
지저분한 메모를 그대로 먹이면 AI는 불필요한 토큰만 낭비합니다. 구글 클라우드 팀이 제시한 세 가지 규칙을 적용하십시오. 문장은 두괄식으로 간결하게 줄이고, 추측성 서술은 지우며, 하나의 문서는 딱 하나의 개념만 담아야 합니다.
마이그레이션을 위한 스크립트 로직은 다음과 같습니다.
import re
import yaml
import os
class OKFDataPurifier:
def clean_text(self, text):
# HTML 태그와 불필요한 구어체 제거
text = re.sub(r'<[^>]+>', '', text)
return text.strip()
def process_files(self, source_dir):
for filename in os.listdir(source_dir):
if filename.endswith(".md"):
# 메타데이터를 포함한 새로운 구조로 저장
with open(os.path.join(source_dir, filename), 'r') as f:
content = self.clean_text(f.read())
# YAML 프론트매터 자동 주입 로직 생략
이 과정을 거치면 지식 검색 오류가 40% 줄어듭니다. 토큰 소모량도 25% 이상 아낄 수 있습니다.
모든 문서를 뒤지는 방식은 응답 속도를 갉아먹습니다. HOMER 구조를 활용해 데이터를 활성 지식과 보관용 지식으로 물리적으로 분리하십시오.
무분별한 벡터 탐색만 멈춰도 응답 속도가 눈에 띄게 빨라집니다.
Anthropic이 강조한 점진적 공개 방식은 인풋 토큰을 극적으로 줄여줍니다. 구글 클라우드 벤치마크 결과에 따르면, OKF 인덱스 분할 로드 방식은 전체 문서 임베딩 대비 인풋 토큰 규모를 10,877에서 970으로 91% 감소시켰습니다.
질문 의도에 맞는 컨텍스트만 추출하는 스크립트 핵심 로직입니다.
def extract_context_by_intent(query, index_path):
with open(index_path, 'r') as f:
index = yaml.safe_load(f)
# 질문 키워드와 매칭되는 경로만 반환
return [item['path'] for item in index if item['tag'] in query]
이 방식을 적용하면 전체 지식을 탐색하는 시간이 50% 단축됩니다.
에이전트가 거짓 정보를 사실로 믿는 환각 현상을 방지하려면 직접 검증 루틴을 돌려야 합니다. OKFAutoLinter 클래스를 구성해 빈 파일이나 깨진 위키링크를 주기적으로 찾아내십시오. 수정 사항을 log.md 파일에 기록하면 에이전트가 자기 지식 베이스의 상태를 상시 모니터링할 수 있습니다. 유지보수 비용을 줄이는 것은 결국 이렇게 틈틈이 데이터를 관리하는 일입니다.