---
title: "나만을 위한 교과서 쓰기: LLM 시대의 학습법"
published: 2026-02-03T23:43:08.000Z
canonical: https://jeff.news/article/366
---
# 나만을 위한 교과서 쓰기: LLM 시대의 학습법

자신의 지식을 상세한 노트(개인 지식 그래프)로 정리하고, 이를 LLM 대화에 주입해 학습 효과를 극대화하는 방법론을 소개함. LLM 출력을 노트에 직접 넣지 않고 반드시 자기 언어로 재작성하는 원칙과, 비선형적 학습 경로에서 LLM을 소크라테스식 대화 파트너로 활용하는 전략이 핵심임.

LLM이 개인 학습 방식을 근본적으로 바꿔놓았다는 글이 올라옴. 저자는 자신만의 "개인 지식 그래프" 노트를 작성하고, 이를 LLM과의 대화에 주입하는 학습 루프를 소개함.

## 핵심 내용

- **LLM 이전 시대의 한계**: 학부/대학원 시절 학습은 강의계획서, 오피스아워, 교과서에 묶여 있었음. 선수과목 개념을 충분히 이해하지 못한 채 넘어가면 나머지 과정이 단순 암기로 전락하기 일쑤였음
- **LLM = 가장 인내심 있는 지적 파트너**: 자신의 가정을 말하고, 현재 지식의 범위를 설명하고, 그 맥락 위에서 질문할 수 있는 대화 상대로서 LLM이 최적임
- **개인 지식 그래프의 복리 효과**: 자신의 현재 지식을 상세하게 정리한 노트("개인 지식 그래프")를 LLM 대화에 함께 제공하면, 학습 효과가 복리로 쌓임. 에이전틱 코딩에서 컨텍스트 관리가 중요하듯, LLM 학습에서도 적절한 수준의 엄밀함과 맥락 주입이 핵심임
- **"나만의 작은 교과서" 전략**: 정보이론이든 강화학습이든, 자신이 해당 주제를 어떻게 이해했는지를 담은 노트를 LLM에게 건네면 자신의 사고 구조와 선호 표기법에 맞춰 응답을 조정해줌. 심지어 자신의 프레임워크에 구멍을 뚫어주는 것이 오히려 바람직함

## "Thinking-slop 금지" 원칙

- **LLM 출력을 노트에 직접 넣지 않는 엄격한 규칙**을 따름. LLM에서 얻은 인사이트는 반드시 자신의 언어로 다시 작성함
- 이렇게 하면 나중에 자기 노트를 다시 봤을 때, 그 설명이 과거의 자신이 이해하고 직접 쓴 것이라는 신뢰가 생김
- LLM은 공동 편집자이자 협력자이지, 대필 작가가 아님

## 소크라테스식 대화와 비선형 학습

- LLM과의 소크라테스식 문답에서 **자신의 사고 과정에 대한 즉각적 피드백**을 받는 루프가 보상감을 줌
- 답변이 자신의 수준에 딱 맞게 조정되는 것이 핵심임
- **최적의 시나리오**: 검증 가능한 결과, 알려진 증명, 직접 실행할 수 있는 코드가 있는 경우
- 학습 경로가 **비선형적**임. 호기심에 따른 우회와 깊이 우선 탐색, 지식 그래프의 다른 노드에서 재진입하는 방식이 특징
- 정적인 교과서는 이런 비선형 학습에 적합하지 않음

## LLM 교육 활용의 본질

- LLM의 교육적 활용은 본질적으로 **"잘 정립된 설명을 한 이해 수준에서 다른 이해 수준으로 번역하는 것"**임
- 자신만의 상세한 컨텍스트(1인 독자를 위한 작은 교과서)를 가져오면, 모델이 현재 지식의 경계에서 만나줌. 바로 그 경계가 가장 도움이 되는 지점임
- **새 프론티어 모델이 나올 때마다 하는 활동**: Obsidian 노트의 서브그래프를 붙여넣고 비일관성, 빈틈, 개선점을 찾아달라고 요청함. 비자명한 개선점을 찾아줘서 매번 놀라게 됨

---

자신의 지식을 성실하게 기록하고, 그 기록을 LLM과의 대화에 적극 활용하는 루프가 인상적임. 특히 "LLM 출력을 절대 노트에 직접 넣지 않는다"는 원칙이 핵심인데, 이게 없으면 노트 시스템 자체의 신뢰성이 무너지기 때문임. Obsidian 같은 도구와 LLM을 결합한 실용적인 학습 워크플로우를 찾는 분들에게 참고할 만한 글임.

## 핵심 포인트

- 개인 지식 그래프 노트를 LLM 대화에 주입하면 학습 효과가 복리로 쌓임
- LLM 출력을 노트에 직접 넣지 않는 엄격한 규칙(No thinking-slop)을 따름
- LLM과의 소크라테스식 문답으로 자기 수준에 맞는 즉각적 피드백을 받음
- 비선형적 학습 경로에서 정적 교과서보다 LLM이 효과적임
- 새 프론티어 모델 출시 시 Obsidian 노트를 붙여넣어 비일관성과 빈틈을 점검함

## 인사이트

LLM 학습 활용의 핵심은 '컨텍스트 주입'과 '출력 재작성' 두 축임. 자신의 지식을 성실하게 기록해서 LLM에 제공하되, LLM의 답변은 반드시 자기 언어로 소화해야 노트 시스템의 신뢰성이 유지됨.