아우라 리서치: 로컬 도구가 문서를 영구 메모리를 갖춘 AI 탐색 가능 위키로 컴파일합니다

Aura Research는 원본 문서를 영구 메모리가 있는 AI 탐색 가능 위키로 컴파일하는 오픈소스 도구입니다. 이 도구는 데이터가 사용자의 기기를 떠나지 않고 100% 로컬에서 실행됩니다.

작동 방식

워크플로우는 네 가지 주요 명령어로 구성됩니다:

pip install aura-research
research init my-project
# copy docs into raw/
research ingest raw/
research compile
research query "your question"

원본 문서 폴더(PDF, 논문, 노트, 코드, 60개 이상의 형식 지원)를 넣으면 LLM이 이를 백링크된 글, 개념 페이지, 마스터 인덱스가 포함된 구조화된 마크다운 위키로 컴파일합니다. 그런 다음 모든 것을 RAG 검색에 최적화된 .aura 아카이브로 압축하는데, 개발자에 따르면 원본 소스 데이터보다 약 97% 더 작습니다.

주요 설계 결정

• 임베딩 없음, 벡터 데이터베이스 없음. 대신 SimHash + Bloom Filters를 사용하여 RAM 오버헤드 제로
• 내장된 3단계 메모리 OS(사실 / 에피소드 / 스크래치 패드)로 LLM이 세션 간 중요한 컨텍스트를 잊지 않음
• 위키는 단순히 .md 파일로, Obsidian, VS Code 또는 모든 마크다운 편집기에서 탐색 가능
• 모든 LLM 제공업체(OpenAI, Anthropic, Gemini)와 작동하거나 Claude Code/Gemini CLI 내 에이전트 네이티브 도구로 사용 가능(API 키 불필요)
• 데이터가 사용자의 기기를 떠나지 않고 모든 것이 로컬에서 실행됨

"임베딩 없음" 접근법

개발자는 표준 RAG 파이프라인(청크 → 임베딩 → 벡터 검색)을 의도적으로 피했습니다. 대신, LLM이 지식을 인덱스가 있는 잘 구조화된 위키로 컴파일합니다. 질의할 때 인덱스를 읽고 관련 글 2-3개를 찾아 해당 글만 로드합니다. 이 접근법은 지식이 적절히 조직되면 LLM이 별도의 임베딩 모델 없이도 좋은 파일 구조를 탐색할 만큼 똑똑하다는 가정에 기반합니다.

이 도구는 GitHub에서 https://github.com/Rtalabs-ai/aura-research 에서 이용 가능하며 pip install aura-research를 통해 PyPI로 설치할 수 있습니다.