우리가 접하는 거의 모든 기술 튜토리얼에는 한 가지 공통된 문제가 있다. 바로 ’내가 아닌 다른 누군가’를 위해 쓰였다는 점이다.
예를 들어 ‘Qdrant Essentials’ 코스는 매우 훌륭한 7일 완성 커리큘럼이다. 데이터 모델링부터 하이브리드 검색, 멀티벡터 리랭킹, 양자화(quantization), 분산 배포에 이르기까지 핵심을 두루 다룬다. 하지만 이 코스는 당신이 Qdrant Cloud를 쓰고 있고, 그들이 지정한 기본 임베딩 모델을 사용하며, 제공된 환경을 그대로 따라갈 것이라 가정한다. 만약 당신이 모든 것을 로컬에서 구동하고, Ollama로 임베딩을 뽑으며, 처음부터 Pydantic AI를 붙여 에이전트를 만들고 싶다면? 공부하는 시간의 절반을 내 환경에 맞게 코드를 번역하고 씨름하는 데 허비하게 된다.
이것이 바로 기술 튜토리얼이 주는 근본적인 답답함이다. 너무 범용적이고, 너무 느리며, 누구에게나 맞추려다 보니 누구에게도 딱 들어맞지 않는다. 내가 쓰지 않을 기술 스택을 강요하거나, 정작 알고 싶은 깊은 내용은 건너뛰고, 이미 다 아는 기초 환경 설정에 세 페이지를 낭비하곤 한다.
이 문제를 해결하기 위해 내가 사용하는 워크플로우를 소개한다.
1단계: 옵시디언(Obsidian)으로 튜토리얼 통째로 클리핑하기
‘Obsidian Web Clipper’ 브라우저 확장 프로그램을 사용하면 어떤 웹페이지든 깨끗한 마크다운 형식으로 내 볼트(Vault)에 즉시 저장할 수 있다. 번거롭게 복사-붙여넣기할 필요도 없고, 서식이 깨지거나 코드 블록이 캡처 이미지로 전락할 일도 없다.
나는 튜토리얼 전체를 클리핑한다. Day 0부터 마지막 날까지 모든 모듈과 실습 프로젝트 설명을 빠짐없이 긁어온다. 이것들은 볼트 안에서 내가 검색하고, 링크를 걸고, 주석을 달 수 있는 하나의 마크다운 노트로 정리된다. 이 작업이 중요한 이유는 다음 단계에서 LLM이 온전히 소화할 수 있는 깔끔한 원본 텍스트를 확보해야 하기 때문이다.
단순히 브라우저 북마크를 쓰지 않고 왜 옵시디언에 넣을까? 북마크는 부패하기 때문이다. 웹페이지는 개편되거나, 링크가 깨지거나, 어느 날 사라져 버린다. 반면 내 볼트에 들어온 마크다운 파일은 영원히 나의 소유다. 태그를 붙이고, 기존 지식 노트들과 백링크를 맺을 수 있으며, 가장 중요하게는 AI에게 완벽한 맥락(context)으로 넘겨줄 수 있다.
2단계: 구글 안티그래비티(Google Antigravity)에게 원하는 바를 정확히 지시하기
범용적인 튜토리얼이 ’나만을 위한 튜토리얼’로 탈바꿈하는 순간이다.
구글의 안티그래비티(Antigravity / Gemini)에 클리핑한 튜토리얼 원문 전체를 붙여넣고, 나의 개발 환경, 숙련도, 그리고 최종적으로 만들고자 하는 시스템에 대해 구체적인 프롬프트를 작성한다. Qdrant 코스를 변환할 때 내가 전달한 지시사항은 다음과 같았다:
효과적인 맞춤형 프롬프트의 4가지 핵심 요소:
1. 구체적인 기술 스택 명시: 단순히 “파이썬을 쓴다”고 하지 말고 정확한 스택을 지정한다. “4096차원 밀집 벡터를 위해 Ollama의 qwen3-embedding:8b를 사용하고, 로컬 Qdrant를 localhost:6333에서 구동하며, 관측성은 로컬 Langfuse로, 에이전트 계층은 Pydantic AI를 쓴다.” 명확하게 못 박을수록 LLM이 쓸데없는 기본 설정 코드를 지어내는 일이 사라진다.
2. 본인의 숙련도 설정: “나는 초보자가 아니니 ‘벡터란 무엇인가’ 같은 기초 개념 설명은 생략하라. 아키텍처 결정 과정과 실제로 부딪히게 될 구현 디테일에 집중하라”고 지시한다.
3. 취할 것과 버릴 것 구분: 원본 코스는 Day 4에서 Qdrant Cloud 배포를 다룬다. “클라우드는 원치 않는다. 내 하드웨어에 최적화된 양자화 설정과 로컬 우선(local-first) 구성을 다뤄달라”고 명시적으로 요구한다.
4. 최종 목표 프로젝트 정의: 튜토리얼이 제시하는 뻔한 예제(단순 문서 검색 데모 등) 대신, 내가 실제로 만들고자 하는 목표를 던져준다. “단순 데모가 아니라 하이브리드 검색 기반의 상용급 로컬 검색 엔진을 구축하겠다”고 전달한다.
3단계: 나만을 위한 커스텀 코스 생성
안티그래비티는 Qdrant Essentials의 전체 커리큘럼을 완전히 새롭게 조립해냈다. Day 0부터 Day 6까지의 훌륭한 교육적 뼈대는 그대로 유지하되, 모든 코드 예제는 내 로컬 스택에 맞춰졌고, 모든 설명은 내 수준에 맞게 군더더기가 제거되었으며, 각 단계의 실습은 내가 실제로 배포하려는 프로젝트로 직결되었다.
그 결과는 오직 나 한 사람만을 위해 정교하게 집필된 최고의 개인 맞춤형 강의였다.
“그냥 챗GPT에 물어보는 것”보다 훨씬 뛰어난 이유
일반 챗봇에 웹페이지 URL 하나 툭 던져두고 “이거 요약해서 나한테 맞게 고쳐줘”라고 할 수도 있다. 하지만 ‘클립 후 주입’ 워크플로우가 비교할 수 없이 뛰어난 데는 명확한 이유가 있다:
완전한 컨텍스트 보존: 옵시디언 클리퍼를 거친 문서는 일부 잘려나간 웹 스크랩이나 뉘앙스를 잃어버린 요약본이 아니다. 코드 조각, 다이어그램 설명, 각주까지 포함된 ’100% 원문 전체’가 LLM의 컨텍스트에 온전히 들어간다.
볼트가 단일 진실 공급원(Single Source of Truth)이 됨: 커스터마이징된 튜토리얼을 내 기존 노트, 프로젝트 저장소, 환경 설정 메모와 유기적으로 백링크할 수 있다. 지식이 파편화되지 않고 하나로 연결된다.
완벽한 재현성: 반년 뒤 특정 모듈을 다시 복습하고 싶을 때, 클리핑해 둔 원본과 나만의 튜토리얼이 모두 내 볼트에 그대로 보존되어 있다. 깨진 링크나 웹페이지 업데이트로 낭패를 볼 일이 없다.
결과물: 완전히 로컬화된 Qdrant 레포지토리
나는 이 맞춤형 튜토리얼을 눈으로 읽고 끝내지 않았다. 이를 바탕으로 즉시 실제 코드를 구축했다. 오픈소스 저장소 qdrant-essentials는 100% 로컬 스택 위에서 재구축된 완전한 실습 결과물이다:
- 벡터 데이터베이스: 로컬 Qdrant (
localhost:6333) - 임베딩 모델: Ollama 기반
qwen3-embedding:8b(4096차원) - 추론 LLM: Ollama 기반
muse-glimmer - 관측성 플랫폼: 로컬 Langfuse
- 에이전트 프레임워크: Pydantic AI 기반의 검색 증강 에이전트
Day 0 환경 설정부터 Day 6의 프로덕션 검색 엔진에 이르기까지, 코스의 모든 단계가 이 스택 위에서 실제로 실행되고 검증되었다. 클라우드 의존성도, 외부 API 키도 없다. 모든 것이 내 컴퓨터 하드웨어 위에서 자급자족된다.
qdrant.tech/course/essentials에 있는 원본 강의는 그 자체로 매우 훌륭하다. 원본을 깎아내리려는 것이 아니다. 다만 “튜토리얼을 그대로 따라 하는 것”과 “그 지식이 내 프로젝트에서 실제로 동작하는 것” 사이의 거대한 간극에서 대다수 개발자가 지쳐 나가떨어진다. 클립하고 맞춤 변환하는 이 워크플로우가 그 간극을 단숨에 메워준다.
맺으며
더 이상 나에게 맞지도 않는 범용 튜토리얼을 붙잡고 시간 낭비하지 말자. Obsidian Web Clipper로 원문을 온전히 내 볼트로 가져와 내 것으로 만들고, Antigravity나 뛰어난 LLM에 내 스택, 숙련도, 진짜 목표를 명확히 전달하라. 마치 나만을 위해 맞춤 제작된 옷처럼 몸에 꼭 맞는 튜토리얼을 돌려받을 수 있다.
누구에게나 똑같이 주어지는 범용 튜토리얼의 시대는 끝났다. 단 5분의 준비 작업만으로, 모든 학습 자료를 나만의 무기로 만들 수 있다.