디자이너의 역할 변화
UX/UI 디자이너는 이제 노트 정리자가 아니라 AI가 활용할 수 있는 데이터 시스템 설계자가 되어야 한다. Obsidian은 이 전환의 실용적 인터페이스다.
LLM Wiki Reference Analysis
UX/UI 디자이너에게 옵시디언이 필수가 되고 있는 이유
이 페이지는 Obsidian 기반 LLM wiki가 UX/UI 디자인 업무에서 왜 실무 자산이 되는지 분석한 문서를 HTML로 재구성한 것이다. 핵심은 디자인 산출물을 잘 만드는 것을 넘어, AI 에이전트가 반복적으로 참고하고 실행할 수 있는 로컬 지식 시스템을 설계해야 한다는 주장이다.
ObsidianMarkdownUX/UI workflowLLM wikiAgentic engineering
Source path: md/obsidian-uxui-llm-wiki-video-report.md
Video: UX/UI 디자이너에게 옵시디언이 필수가 되고 있는 이유
Reliability note: 한국어 자동 생성 자막과 영상 메타데이터 기반 분석이다. 도구명, 수치, 일부 발화는 오차 가능성이 있으며 Markdown 효율 수치는 독립 벤치마크가 아니라 발표자의 방향성 설명으로 보아야 한다.
Video: UX/UI 디자이너에게 옵시디언이 필수가 되고 있는 이유
Reliability note: 한국어 자동 생성 자막과 영상 메타데이터 기반 분석이다. 도구명, 수치, 일부 발화는 오차 가능성이 있으며 Markdown 효율 수치는 독립 벤치마크가 아니라 발표자의 방향성 설명으로 보아야 한다.
Executive Summary
영상의 중심 메시지는 UX/UI 디자이너가 개별 산출물 제작자에 머무르지 않고, AI가 읽고 실행할 수 있는 로컬 지식 시스템의 설계자가 되어야 한다는 것이다. 발표자는 그 중심 도구로 Obsidian을 제시한다. Obsidian은 로컬 Markdown 파일, 문서 간 링크, 그래프 구조를 기반으로 하므로 사람이 지식의 관계를 관리하기 쉽고 AI 에이전트도 파일을 읽고 쓰기 쉽다.
LLM wiki, vibe coding, agentic engineering 흐름은 디자인 리서치, 디자인 시스템, 사용성 평가, 시나리오 설계, 인터뷰 분석, 보고서 기준 같은 UX/UI 업무와 직접 연결된다. 이런 지식을 Markdown으로 축적하면 AI는 단순 답변 도구가 아니라 프로젝트 맥락을 기억하고 반복 업무를 수행하는 동료에 가까워진다.
가장 중요한 전략은 데이터 독립성이다. 누구나 같은 모델을 사용할 수 있는 환경에서는 보편적인 70점 또는 80점 수준 결과물이 빠르게 평준화된다. 차이를 만드는 것은 팀과 디자이너가 축적한 로컬 프로젝트 사례, 리서치 데이터, 디자인 시스템, 평가 기준, 프롬프트와 스킬 문서다.
Core Thesis
산출물에서 운영 자산으로
디자인 방법론, 리서치, 결정 기록, 평가 기준을 Markdown 파일로 구조화하면 일회성 문서가 아니라 반복 사용 가능한 운영 지식이 된다.
에이전트 워크플로
사용성 평가 계획, 인터뷰 코딩, 페르소나 도출, 디자인 시스템 비교, 개선안 작성은 스킬 문서와 로컬 데이터의 조합으로 반복 실행될 수 있다.
Detailed Section-By-Section Analysis
LLM Wiki And Agentic Engineering
영상은 Andrej Karpathy가 제시한 LLM wiki, vibe coding, agentic engineering 흐름을 UX/UI 실무로 가져온다. LLM wiki는 단순 메모장이 아니라 AI가 읽고, 관련 문서를 찾아보고, 작업 기준까지 참고할 수 있는 운영 시스템이다. 이 관점에서 Obsidian은 메모 앱보다 인간과 AI 사이의 파일 기반 인터페이스에 가깝다.
Why Markdown Matters
Markdown은 구조가 단순하고 텍스트 중심이며 불필요한 태그와 스타일 노이즈가 적다. AI 에이전트가 파일을 읽고 수정하는 상황에서는 제목, 목록, 링크, 표, 메타데이터가 명확한 문서가 유리하다. 다만 발표자가 말하는 읽기 시간과 토큰 사용량 절감 수치는 조직별 벤치마크로 별도 검증해야 한다.
Obsidian Versus Notion
Notion은 협업 문서와 데이터베이스에 강하지만, 발표자는 AI 에이전트 워크플로에서는 로컬 파일과 Markdown을 직접 조작할 수 있는 Obsidian의 장점을 강조한다. 같은 vault를 VS Code, Cursor, Claude Code, Codex, Gemini 같은 도구에서 열면 지식 관리와 작업 실행 사이의 거리가 줄어든다.
Linked Knowledge And Attention
Obsidian의 그래프와 링크 구조는 사람이 주제 간 관계를 이해하는 데 도움을 주고, AI에게는 관련 파일을 찾는 단서가 된다. 에이전트에게 폴더 전체를 무작정 읽히는 대신 관련 프로젝트, 평가 기준, 디자인 시스템 문서를 링크로 연결하면 탐색 범위와 토큰 사용을 줄일 수 있다.
Local Data As Design Advantage
공개 자료만 활용하는 팀은 비슷한 결과물을 얻게 된다. 실제 고객 인터뷰, 사용성 테스트 결과, 실패 사례, 내부 의사결정 기록, 디자인 시스템 히스토리, 제품별 제약 조건을 축적한 팀은 AI에게 훨씬 강한 맥락을 제공한다. 결과적으로 AI 결과물의 품질은 모델뿐 아니라 로컬 지식의 품질에 의해 결정된다.
AI-Native Usability Evaluation
AI는 평가 계획, 과업 시나리오, 체크리스트, 리스크 탐지, 보고서 구조화에 유용하다. 그러나 실제 사용자 테스트를 완전히 대체해서는 안 된다. 사용자의 감정, 망설임, 상황 맥락, 조직 제약, 관찰 기반 통찰은 여전히 현장 리서치와 전문가 검토가 필요하다.
Skills As Markdown
사용성 평가 계획서 작성법, 인터뷰 분석 기준, 시나리오 설계 방식, 보고서 작성 기준, 개선안 제안 기준을 Markdown 스킬로 만들면 에이전트가 동일한 절차와 기준을 반복 실행할 수 있다. 좋은 스킬 문서는 목적, 입력, 절차, 산출물 형식, 검토 기준, 금지 사항을 포함해야 한다.
Setup And Collection Workflow
실습 흐름은 Obsidian vault 생성, 같은 폴더를 에디터에서 열기, AI 플러그인이나 CLI 연결, Web Clipper로 웹 자료를 Markdown 저장, 저장 자료를 스킬 문서와 디자인 시스템 문서로 발전시키는 순서다. 처음에는 공개 레퍼런스를 씨앗으로 삼고, 시간이 지나면서 실제 프로젝트 사례로 보강하는 접근이 현실적이다.
Practical Workflow For An Obsidian-Based LLM Wiki
- Vault 생성: 로컬 vault를 만들고 팀 사용 시 동기화 방식과 접근 권한을 먼저 정한다.
- 에디터 연결: VS Code, Cursor, IntelliJ 계열 에디터에서 같은 폴더를 열고 AI 도구의 읽기/쓰기 범위를 vault 내부로 제한한다.
- 자료 수집: Web Clipper로 웹 문서와 레퍼런스를 Markdown으로 저장하고 출처 URL, 작성자, 날짜, 주제, 프로젝트 관련성을 메타데이터로 남긴다.
- 스킬 문서화: 사용성 평가, 인터뷰 분석, 시나리오 설계, 보고서 작성, 개선안 도출 기준을 각각 Markdown 스킬로 만든다.
- 에이전트 실행: 특정 스킬 문서와 입력 파일을 지정해 작업을 요청하고 결과물을 reports 또는 outputs 폴더에 저장하게 한다.
- 자동화 확장: 뉴스 수집, 경쟁사 업데이트, 사용자 리뷰 요약, 디자인 시스템 변경 기록처럼 반복 업무만 정기 실행 후보로 분리한다.
UX/UI Operating Model
| 영역 | 기존 방식 | AI-native LLM wiki 방식 | 핵심 산출물 |
|---|---|---|---|
| 사용자 리서치 | 인터뷰 후 수동 정리 | 인터뷰 데이터와 분석 스킬을 기반으로 보고서, 페르소나, 시나리오 초안 생성 | Research report, persona, insight map |
| 디자인 시스템 | 문서와 컴포넌트가 분리됨 | 디자인 토큰, 컴포넌트 원칙, 사용 예시를 Markdown으로 연결 | Design system notes, component rules |
| 사용성 평가 | UT 룸, 전문가 평가, 수동 보고서 | AI 예비 평가, 시나리오 생성, 결과 요약, 개선안 초안 | UT plan, heuristic review, improvement proposal |
| 디자인 자산화 | 프로젝트별 파일 저장 | 성공 사례와 실패 사례를 지식 카드로 축적 | Case study, pattern note, decision log |
| 구현 연계 | 디자이너와 개발자 간 전달 | Markdown 설계 문서를 에이전트가 코드 작업의 맥락으로 활용 | Design MD, implementation brief |
운영 모델의 핵심은 각 단계가 다음 단계의 입력으로 축적된다는 점이다. 리서치 데이터는 페르소나와 시나리오의 입력이 되고, 시나리오는 사용성 평가의 입력이 되며, 평가 결과는 디자인 시스템과 개선안의 입력이 된다. LLM wiki는 이 순환을 파일과 링크로 고정한다.
Hermes, OpenClove, And Autonomous Agent Implications
영상 후반부는 Hermes Agent와 OpenClove류 자율 에이전트의 가능성을 다룬다. 핵심은 AI가 질문에 답하는 데서 끝나지 않고, 정해진 시간에 뉴스를 수집하고, 웹 콘텐츠를 확인하고, Markdown 문서를 생성하고, 웹사이트를 갱신하는 식의 반복 업무를 맡을 수 있다는 점이다.
- 사용자 리뷰와 경쟁 서비스 변화를 정기 수집한다.
- 수집 자료를 Obsidian vault에 Markdown으로 저장한다.
- 정해진 스킬 문서에 따라 요약, 분류, 개선 후보 도출을 수행한다.
- 디자인 시스템 문서나 제품 개선 backlog에 연결한다.
- 반복 평가를 통해 좋은 결과와 나쁜 결과를 스킬 문서에 반영한다.
도입 주의: 로컬 PC 제어, 브라우저 조작, 터미널 작업, 외부 채널 연동은 권한 범위와 로그 추적, 승인 절차가 없으면 위험하다. 자동 웹사이트 갱신이나 배포는 사람이 검토하는 승인 단계를 두는 것이 안전하다.
Recommended Vault Structure And Starter Templates
Vault Structure
- 00_inbox: Web Clipper, 임시 메모, 빠른 캡처
- 01_sources: 외부 아티클, 논문, 강의, 디자인 시스템 레퍼런스
- 02_projects: 프로젝트별 리서치, 설계, 의사결정, 결과물
- 03_research: 인터뷰, 설문, 관찰, 로그 분석, 페르소나
- 04_design_system: 토큰, 컴포넌트, 패턴, 접근성 기준
- 05_methods: UX 방법론, 사용성 평가, 시나리오 설계, 워크숍 방식
- 06_skills: AI 에이전트가 실행할 Markdown 스킬 문서
- 07_prompts: 반복 프롬프트와 모델별 지시문
- 08_reports: 에이전트가 생성한 보고서와 사람이 승인한 최종본
- 09_automation: 정기 실행 작업, cron 설명, 에이전트 로그
- 99_archive: 더 이상 쓰지 않는 자료와 폐기된 기준
Starter Templates
사용성 평가 스킬
목적, 입력 자료, 과업 시나리오, 평가 기준, 리스크 예측, 관찰 항목, 실제 사용자 테스트를 대체하지 않는다는 caveat를 포함한다.
인터뷰 분석 스킬
발화 정리, 코드 부여, 패턴 탐색, 상충 의견 분리, 인사이트 도출, 페르소나 초안, 과잉 일반화 금지 기준을 포함한다.
디자인 시스템 노트
컴포넌트 이름, 사용 사례, 상태, 접근성 기준, 금지 패턴, 토큰, 예외 케이스, 관련 프로젝트 링크를 기록한다.
프로젝트 케이스 카드
배경, 사용자 문제, 제약, 의사결정, 실험, 결과, 배운 점, 재사용 가능한 패턴을 다음 프로젝트의 입력으로 남긴다.
Risks, Limitations, And Verification Points
- 자동 자막 기반 분석이므로 세부 발화와 도구명이 일부 틀릴 수 있다.
- Markdown 효율성 수치는 발표자의 실무 주장으로 보고, 조직별 토큰 비용과 작업 시간을 별도 측정해야 한다.
- Obsidian은 로컬 파일 기반 에이전트 워크플로에 강하지만 팀 협업, 권한 관리, 데이터베이스형 운영에는 다른 문서 시스템이 더 적합할 수 있다.
- 사용자 리서치 데이터, 고객사 자료, 내부 디자인 시스템은 민감 정보이므로 vault 접근 권한과 AI 도구 권한을 제한해야 한다.
- 브라우저, 터미널, 파일 쓰기 권한이 결합된 에이전트는 사고 범위가 커질 수 있다.
- AI가 만든 평가 보고서나 디자인 개선안은 전문가 검토와 실제 사용자 검증을 통과해야 한다.
- 장기 기억 기능은 편리하지만 잘못된 기억이 누적될 수 있으므로 정기적인 정리와 검증이 필요하다.
- 공개 자료와 내부 프로젝트 사례를 구분하지 않으면 저작권, 보안, 신뢰도 문제가 생긴다.
Verification Points
- vault 내 파일 링크가 실제로 에이전트 탐색 시간을 줄이는지 측정한다.
- 같은 작업을 일반 채팅형 LLM과 vault 기반 에이전트에 맡겨 산출물 품질을 비교한다.
- 사용성 평가 초안이 실제 전문가 평가와 얼마나 일치하는지 확인한다.
- Web Clipper로 저장한 문서의 메타데이터와 원문 출처가 보존되는지 확인한다.
- 자동화 작업이 실패했을 때 로그와 복구 절차가 충분한지 점검한다.
Adoption Action Plan
1 Day Plan
- Obsidian을 설치하고 개인 vault를 만든다.
- VS Code 또는 선호 에디터에서 같은 vault 폴더를 연다.
- 00_inbox, 01_sources, 02_projects, 06_skills, 08_reports 폴더만 먼저 만든다.
- Web Clipper로 좋은 UX/UI 글 3개를 Markdown으로 저장한다.
- 사용성 평가 스킬 초안을 만들고 AI 에이전트에게 공통 패턴 추출을 요청한다.
1 Week Plan
- 진행 중인 프로젝트 하나를 선택해 프로젝트 폴더를 만든다.
- 리서치 데이터, 디자인 결정, 화면별 이슈, 참고 디자인 시스템을 Markdown으로 정리한다.
- 인터뷰 분석, 시나리오 설계, 사용성 평가, 개선안 작성 스킬을 각각 만든다.
- 공개 레퍼런스와 내부 사례를 분리하는 태그와 폴더 규칙을 정한다.
1 Month Plan
- 1개 프로젝트 전체 워크플로를 vault 기반으로 운영한다.
- 리서치에서 디자인 시스템, 사용성 평가, 개선안까지 파일 링크로 연결한다.
- 주간 자동 수집 작업을 1개만 시범 운영한다.
- AI 생성 보고서와 사람이 승인한 최종본을 비교해 품질 기준을 만든다.
- 민감 데이터, 외부 출처, AI 생성물, 승인 완료 문서를 구분하는 governance 규칙을 만든다.
Final Evaluation And Takeaways
이 영상의 가치는 Obsidian 사용법 자체보다 UX/UI 디자이너의 역할 변화를 분명히 설명한다는 데 있다. 디자이너는 AI에게 일을 잘 시키는 수준을 넘어, AI가 계속 일할 수 있는 지식 구조와 운영 시스템을 만들어야 한다. 이는 생산성 팁이 아니라 디자인 조직의 작업 방식 전환에 가깝다.
- Obsidian은 Markdown 기반 로컬 지식 저장소로서 AI 에이전트와 잘 맞는다.
- 디자인 방법론, 평가 기준, 리서치 분석법은 Markdown 스킬로 자산화할 수 있다.
- 로컬 프로젝트 데이터가 AI 결과물의 품질 차이를 만든다.
- AI 기반 사용성 평가는 빠른 예비 평가와 반복 개선에 강하지만 실제 사용자 검증을 대체해서는 안 된다.
- 자율 에이전트는 반복 업무 자동화 가능성을 넓히지만 권한, 보안, 로그, 승인 절차가 반드시 필요하다.
- UX/UI 디자이너의 경쟁력은 개별 산출물 작성 능력에서 AI-native workflow를 설계하고 개선하는 능력으로 이동하고 있다.