Atomic: 로컬 우선 AI 개인 지식 베이스
Show HN: Atomic – Local-first, AI-augmented personal knowledge base
TL;DR Highlight
노트를 자동 태깅·임베딩해 검색, 위키 합성, 채팅까지 하는 오픈소스 앱
Who Should Read
메모를 Obsidian 같은 도구에 쌓아두고 AI 검색·요약·MCP 연동을 붙이고 싶은 개발자
Core Mechanics
- 모든 걸 atom 하나로 저장
- 노트, 글, 웹 클립을 저장하면 atom이 된다.
- 들어오는 순간 태깅·임베딩(의미를 숫자 벡터로 바꾸는 것)·연결이 자동으로 된다.
- 폴더나 스키마는 없다.
- 의미 기반 검색 제공
- 모든 atom을 벡터 공간에 임베딩한다.
- 질문을 넣으면 검색어가 노트에 없어도 관련 아이디어를 돌려준다.
- 태그 하나로 위키 글 생성
- 태그를 고르면 그 아래 모든 노트·클립·저장 페이지로 위키 글을 쓴다.
- 원본 atom으로 가는 인용이 달리고, 노트가 늘면 글도 다시 생성된다.
- 채팅과 MCP 연동
- 에이전트 채팅이 노트를 인용해 답한다고 한다.
- MCP로 Claude나 Cursor에 노트를 연결할 수 있다.
- 서버가 기준, 클라이언트는 어디서나
- 데스크톱, iOS, 브라우저, MCP 클라이언트가 모두 서버를 바라본다.
- 노트북에서 전체를 돌리거나 직접 호스팅하거나 Atomic Cloud를 쓸 수 있다.
- 클라우드는 14일 Pro 체험
- 호스팅 버전은 서브도메인만 고르면 시작되고 Docker나 API 키가 필요 없다고 한다.
- 노트는 통째로 내보내 셀프 호스팅 Atomic으로 옮길 수 있다.
Community Reactions
- Obsidian에 AI만 얹은 것 아니냐는 의견
- 대부분 이런 앱이 AI 내장 Obsidian이라는 지적이 있었다.
- 그래프 뷰 같은 기존 경험을 다시 설계한 접근이 보고 싶다는 의견이다.
- Claude Cowork로 Obsidian 볼트를 다루는 것과 뭐가 다른지 묻는 댓글도 있었다.
- 로컬 우선인데 핵심 기능은 비로컬이라는 비판
- 로컬 우선을 내세우면서 주요 기능이 비로컬 기본값이라는 지적이다.
- 한 사용자는 앱이 폰트 도메인(fonts.googleapis.com 등) 접근 없이는 실행되지 않았다고 보고했다.
- 점 구름 시각화는 쓸모가 적다는 의견
- 점들이 연결된 그래프는 처음엔 예쁘지만 그 뒤로는 쓸모없다는 의견이다.
- AI가 대신 생각하고 종합하면 새 아이디어가 안 나올 것 같다는 우려도 있었다.
- 기능 요청과 플랫폼 불만
- 회의 녹음을 전사해 노트로 처리하는 기능을 원한다는 요청이 있었다.
- Markdown 대신 CSV로 클러스터링하고 싶다는 요청도 있었다.
- Android가 지원되지 않는다는 지적도 있었다.
How to Apply
- 내 노트로 의미 검색 시험하기
- 오늘 Atomic 데스크톱 앱을 받아 실제 메모 20~30개를 넣어라.
- 키워드가 겹치지 않는 질문으로 검색해 기존 도구보다 잘 찾는지 확인하라.
- MCP로 에이전트에 노트 연결하기
- Claude나 Cursor에 Atomic MCP를 연결하라.
- 프로젝트 결정 기록을 물어보고 답에 인용이 붙는지 확인하라.
- 로컬 우선 요건 먼저 점검하기
- 사내 도입 전 네트워크 차단 환경에서 앱을 실행해 보라.
- 어떤 외부 도메인과 모델 호출이 필요한지 기록하라.
- 자체 지식 베이스에 위키 합성 패턴 넣기
- 태그별로 노트를 모아 요약하되 각 문장에 원본 노트 ID를 붙이게 하라.
- 노트가 추가되면 해당 태그 요약만 재생성하라.
Try It
# Claude나 ChatGPT에 붙여넣기 (Atomic 위키 합성 방식의 간이 버전)
아래는 태그 "{{태그}}"가 붙은 내 노트들이다. 각 노트에는 ID가 있다.
{{노트 목록: [ID] 내용}}
이 노트들만 근거로 위키 글을 써줘.
- 노트에 없는 내용은 쓰지 마.
- 모든 문장 끝에 근거 노트 ID를 [ID] 형태로 붙여.
- 노트들이 서로 충돌하면 따로 표시해.
- 마지막에 근거가 부족한 부분을 목록으로 적어.Terminology
관련 논문
트랜스포머는 '기억 저장소'에서 처음부터 만들어 낼 수 있었다
선형층→MLP→self-attention을 기억 저장소로 보면 용량이 64→약 2,700→100만 이상
400년치 고문서에 AI를 돌렸더니 잊힌 운석·코뿔소·화산 폭발이 나왔다
임베딩 검색과 싼 필터 모델로 400년 고문서를 뒤져 미기록 사건 발굴
EmbeddingGemma 2: 텍스트·이미지·오디오·비디오를 한 벡터 공간에 넣는 오픈 경량 임베딩 모델
740M 오픈 모델 하나로 텍스트·이미지·오디오·비디오를 같은 벡터 공간에서 검색
RAG-NAROK: 출처를 직접 반박하는 문서로 RAG 지식베이스를 오염시키는 공격
검색된 출처를 겨냥해 반박문을 심었더니 1위 검색과 탐지 회피가 높아졌다
텍스트냐 이미지냐 둘 다냐: 멀티모달 문서 QA 입력 방식 비교
문서 QA에서 페이지 이미지가 정확도는 높지만 느려서, 질문별 라우터로 지연 30% 줄였다
MS 임원이 AI 스크래핑을 '인류 역사상 최대의 노동 도둑질'이라 불렀다는 NYT 소송 공개 문서
NYT 소송 공개 문서에서 MS·OpenAI 내부의 스크래핑 인식이 드러났다
임베딩의 보편적 기하 구조 활용: 짝 데이터 없이 임베딩 공간 간 변환
짝 데이터 없이 임베딩을 다른 모델 공간으로 옮겼고, 벡터 DB 보안 위험이 드러났다
Better Together: 강한 RAG 베이스라인 위에서 쿼리 리라이팅 조합하기
쿼리 리라이팅을 합치고 점수 낮을 때만 돌렸더니 비용 40%로 효과 절반