[속보] 코스피 서킷브레이커 발동…올해 4번째

`obsidian-skills`라는 프로젝트인데, 만든 사람이 `kepano`, Obsidian CEO Steph Ango입니다.

Obsidian 앱에 기본 탑재된 AI 기능은 아니고, Steph Ango가 개인 GitHub에 공개한 오픈소스 스킬팩에 가깝습니다.

역할은 AI 에이전트에게 Obsidian 사용법을 가르치는 것입니다.

Claude Code, Codex, OpenCode 같은 에이전트에 붙이면 AI가 내 Obsidian 볼트 안에서 노트를 읽고, 만들고, 수정하고, 연결하는 작업을 더 정확하게 할 수 있습니다.

들어있는 기능은 이렇습니다.

* Obsidian Markdown
위키링크, 임베드, 콜아웃, 프론트매터 같은 Obsidian 전용 문법을 AI가 이해하고 작성할 수 있게 해줍니다.

* Obsidian Bases
노트를 데이터베이스처럼 보고, 필터링하고, 뷰를 만들고, 요약하는 구조를 다룰 수 있게 해줍니다.

* JSON Canvas
Obsidian Canvas 파일을 다루는 기능입니다. 노드와 연결선을 만들어 아이디어맵, 리서치 흐름도 같은 걸 AI가 직접 구성할 수 있습니다.

* Obsidian CLI
AI가 명령어 기반으로 볼트를 검색하고, 노트를 만들고, 플러그인이나 테마 개발 작업까지 다룰 수 있게 해줍니다.

* Defuddle
웹페이지에서 광고, 메뉴, 불필요한 UI를 걷어내고 본문만 Markdown으로 뽑아주는 기능입니다. 자료 정리할 때 토큰 낭비를 줄일 수 있습니다.

이 레포가 의미 있는 지점은 Obsidian이 AI 에이전트의 작업공간으로 바뀔 수 있다는 점입니다.

예전에는 사람이 웹에서 자료를 모으고, 복붙하고, 다시 정리해서 AI에게 넘겼습니다.

이제는 AI가 내 Obsidian 안에서 자료를 읽고, 연결하고, 새 문서로 재구성할 수 있습니다.

Obsidian을 꾸준히 정리해둔 사람이라면 별도 RAG 구축 없이도 개인 지식베이스를 AI 인프라처럼 쓸 수 있습니다.

AI 활용에서 중요한 건 모델을 하나 더 쓰는 게 아니라, 내가 쌓아둔 자료를 AI가 실제로 만질 수 있는 구조를 만드는 것입니다.

- 시즌 1 포인트 할당 배분 입력
- 시는 2 획득 포인트 입력

요약

참가 기준은 계정 잔액 $100 이상.

Anthropic이 Slack용 Claude Tag를 베타로 공개했습니다.

이제 Claude를 Slack 채널에 초대하고, @Claude로 태그해서 일을 맡길 수 있습니다.

Claude는 관리자가 허용한 채널, 도구, 데이터, 코드베이스에 접근합니다.
요청을 받으면 작업을 단계로 쪼개고, 접근 가능한 도구로 처리한 뒤, Slack 스레드에 결과를 남깁니다.

가능한 작업 예시는 PR 작성·병합, 데이터 분석, 지원 티켓 처리, 버그 원인 조사, 인시던트 대응 등입니다.

재밌는 부분은 개인 채팅창이 아니라 “팀 채널 안의 Claude”라는 점입니다.

채널 안에서는 모두가 같은 Claude를 보고, 누가 어디까지 시켰는지, Claude가 어떤 결과를 냈는지 같이 확인할 수 있습니다.
Claude도 채널 맥락을 따라가며 필요한 정보를 쌓기 때문에 매번 처음부터 설명할 필요가 줄어듭니다.

Ambient 모드를 켜면 더 적극적으로 움직입니다.
조용해진 스레드를 다시 챙기거나, 연결된 채널과 도구에서 필요한 내용을 먼저 띄워주는 방식입니다.

Anthropic 내부에서는 제품팀 코드의 65%가 내부 Claude Tag 버전에서 나온다고 합니다.

현재는 Claude Enterprise / Team 플랜의 Slack 베타입니다.

AI가 개인 생산성 도구에서 팀 운영 도구로 바뀌는 장면에 가깝습니다.

AI 를 오래 쓰다 보면 많은 사람들이 어느 순간 "모델 성능이 부족하다"는 결론에 도달합니다.

오랫동안 끌고 왔던 작업중에는 다음 개선 작업을 지시해도 유지 보수만 하고 더 이상 할게 없다고 말합니다.

그런데 실제로는 모델의 한계보다 사용자의 추상화 수준이 모델의 작업 범위를 제한하는 경우가 더 많습니다.

예를 들어 같은 Claude, 같은 GPT 를 사용해도

초보자는
"이 코드 고쳐줘"

중급자는
"병목 구간 찾아서 리팩토링해줘"

고급자는
"현재 아키텍처의 구조적 한계를 분석하고 운영 비용과 유지보수 비용을 줄이는 방향으로 재설계해줘"

라고 요청합니다.

모델은 같지만 결과물은 전혀 다르게 나옵니다.

AI 는 생각보다 지시받은 범위 안에서는 굉장히 잘 움직입니다. 문제는 사용자가 그 범위를 어디까지 확장할 수 있느냐입니다.

그래서 AI 를 사용할수록 오히려 도메인 지식의 가치가 커집니다.

구현이 병목이던 시대에는 "어떻게 만들지?"가 중요했습니다.

지금은 AI 가 구현을 담당하면서 "무엇을 만들어야 하지?", "어디가 진짜 병목이지?", "다음 단계는 무엇이지?"가 더 중요해졌습니다.

실제로 작업을 하다 보면 반복되는 패턴이 있습니다.

AI 가 작업량을 줄여줍니다.

AI 가 대부분 구현합니다.

어느 순간 더 이상 개선이 안 되는 것처럼 보입니다. (겉으로 보기에는)

그때 새로운 개념이나 지식을 가져오면 AI 가 다시 움직이기 시작합니다. (거의 새로 설계하는 수준일수도 있음)

이 과정을 반복하다 보면 느끼게 됩니다.

AI 시대의 생산성은 모델 성능보다 문제 정의 능력, 추상화 능력, 도메인 지식에 더 크게 좌우됩니다.

요즘 코딩 에이전트를 쓰면서 가장 많이 느끼는 것도 이것입니다.

병목은 토큰도 아니고 모델도 아닙니다.

생각보다 자주, 가장 큰 병목은 사용자가 아직 다음 질문을 모르고 있다는 사실입니다.