RAG-MCP 프로젝트

1. 프로젝트 배경: "기억의 파편을 지능으로 연결하다"

단순히 메모를 저장하는 것을 넘어, 분산된 지식 파편을 하나의 지능형 생태계(Eco-system)로 통합하기 위한 프로젝트.

무분별한 데이터 저장을 지양하고, AI에이전트가 언제 어디서든 나의 맥락(Context)을 정확히 인지할 수 있는 '나만의 뇌(Portable Brain)'를 구축을 목표로 진행.

2. 시스템 아키텍처: [Data → Vector → Intelligence]

본 프로젝트는 데이터의 영속성과 의미 기반 검색을 위해 세 가지 핵심 축을 중심으로 설계 됨.

• PocketBase (Storage):
  모든 지식의 원문과 메타데이터를 시간순으로 관리. "언제, 어떤 맥락에서 이 지식이 기록되었는가"에 대한 타임라인 제공.

• Qdrant (Vector Engine):
  텍스트 데이터를 벡터화하여 저장. 단순 키워드 매칭이 아닌, 의미적 유사성을 바탕으로 관련 지식을 초고속으로 추출.

• Ollama & gemma3 (Intelligence):
  임베딩 생성(BGE-M3)과 데이터의 요약, 분류, 유사도 판단을 전담. 데이터 오염을 방지하기 위한 '지능형 필터' 역할을 수행.

3. 기술적 특징 및 차별점

사용자 중심의 실용주의적 설계 원칙 적용.

• MCP(Model Context Protocol) 도입:
  표준화된 프로토콜을 통해 Claude, Cursor 등 다양한 AI 도구가 동일한 지식베이스에 접근할 수 있는 범용성을 확보.

• Pure JS & Bun 기반 최적화:
  복잡한 컴파일 과정 없는 순수 자바스크립트와 고성능 Bun 런타임을 사용하여 가볍고 빠른 서버 환경 구현.

• Cloudflare Zero Trust 보안:
  모든 엔드포인트를 외부 노출 없이 Service Token 기반으로 보호하여, 홈서버 인프라의 보안성과 편의성을 동시에 확보.

• 지능형 데이터 분류 (Taxonomy):
  MASTER_GUIDE, USER_PERSONA 등 5대 핵심 카테고리를 설정하여 지식베이스의 순도를 엄격하게 관리.

4. 향후 계획: 지식의 시각화

단순한 텍스트 검색을 넘어, Svelte 5와 D3.js를 활용한 '지식지도(Knowledge Map)' UI를 구축 하여, 내 머릿속의 지식이 어떻게 연결되어 있는지 시각적으로

확인하고 직접 관리할 수 있는 단계로 진화시킬 예정.

User Input → gemma3 (Summarize) → BGE-M3 (Vector) → Qdrant/PocketBase (Store) → AI Agent (Retrieve)