Writing documentation for AI: best practices이라는 문서에 대한 번역입니다. 개인적인 학습 용도이며, 아마도 이 글을 보는 것보다 이 글을 작성한 시점보다 좀 더 나아진 기계번역의 힘을 빌리는 것이 좀 더 좋은 방법이라 생각됩니다.
https://docs.kapa.ai/improving/writing-best-practices
* Kapa라는 서비스를 홍보하기 위한 콘텐츠라는 것을 잊지 마세요 ^^
AI를 위한 문서 작성: 베스트 프랙티스
Kapa와 같은 검색증강생성(RAG) 시스템은 정확하고 유용한 정보를 제공하기 위해 여러분의 문서에 의존합니다. 문서가 사람과 기계 모두에게 잘 제공될 때, 명확한 문서는 AI 답변의 품질을 높이고, 그 답변이 다시 문서의 부족한 부분을 드러내면서 콘텐츠 품질의 선순환 고리가 만들어집니다.
이 가이드는 RAG 시스템에서 인간 독자와 AI/LLM 모두에게 효과적으로 작동하는 문서를 만들기 위한 베스트 프랙티스를 제공합니다. 많은 베스트 프랙티스는 두 대상 모두에게 동시에, 그리고 상호보완적으로 이점을 줍니다.
문서 품질이 중요한 이유
문서 품질은 항상 사용자가 제품을 이해하고 효과적으로 사용할 수 있도록 돕는 데 중요했습니다. AI 시스템이 같은 콘텐츠를 사용자 질문에 답하는 데 사용할 때는 그 중요성이 더욱 커집니다. 품질이 낮은 문서는 사람뿐 아니라 AI의 답변 품질까지 저하시켜, 나쁜 콘텐츠가 나쁜 답변을 낳는 악순환을 만듭니다.
AI 시스템이 문서를 처리하고 사용하는 방식을 이해하면, 좋은 AI 성능을 위해 콘텐츠 품질이 필수적임을 알 수 있습니다.
AI 시스템이 문서를 처리하는 방법
Kapa는 여러분의 콘텐츠에서 관련 부분을 찾아 답변을 구성합니다. 이 과정에는 세 가지 주요 구성 요소가 있습니다.
- 검색 도구(Retriever): 사용자의 질문과 일치하는 콘텐츠를 지식 소스에서 검색
- 벡터 데이터베이스(Vector database): 콘텐츠를 빠르고 정확하게 검색할 수 있는 형식으로 저장
- 제너레이터(Generator): 검색된 콘텐츠를 사용해 답변을 생성하는 대형 언어 모델(LLM)
Kapa에 지식 소스를 연결하면, 정보가 정해진 절차를 거쳐 처리됩니다.
- 데이터 수집(Ingestion): 콘텐츠를 작은 단위(청크)로 나누어 벡터 데이터베이스에 저장
- 질문 처리(Query processing): 사용자의 질문을 검색 가능한 형식으로 변환
- 검색(Retrieval): 문서에서 가장 관련성 높은 청크를 찾음
- 답변 생성(Answer generation): LLM이 이 청크를 문맥으로 사용해 답변 생성
AI가 여러분의 콘텐츠를 이해하는 과정에서, 콘텐츠의 이해도를 떨어뜨릴 수 있는 주목할 만한 작성 및 구조상의 패턴들이 있습니다.
- AI는 청크 단위로 작업: 문서를 연속적인 내러티브로 읽지 않고, 독립적인 단위로 처리합니다.
- 콘텐츠 매칭에 의존: 논리적 문서 구조를 따르지 않고, 사용자 질문과 콘텐츠의 일치 정도로 정보를 찾습니다.
- 암시적 연결을 잃음: 섹션 간의 관계는 명시적으로 드러나지 않으면 유지되지 않습니다.
- 암시된 정보를 추론하지 못함: 합리적인 추론이 가능한 인간과 달리, AI 시스템은 명확하게 문서화된 정보만을 활용할 수 있습니다.
AI 시스템에 최적화된 문서는 이상적으로 명확하고, 독립적이며, 맥락적으로 완전해야 합니다. 하나의 청크(정보 단위)가 관련된 콘텐츠와의 명확한 관계를 유지하면서도 독립적으로 이해될 수 있을수록, AI가 그 내용을 더 잘 이해할 수 있습니다. 정보가 명확하고 모호성이 적을수록 검색 정확도가 높아지고, AI가 질문에 자신 있게 답변할 수 있는 역량도 향상됩니다.
AI가 비정형 콘텐츠도 상당히 잘 처리하긴 하지만, 검색을 염두에 두고 작성되고 구조화된 정보는 지식 소스에 대한 "AI에게 묻기" 인터페이스의 품질을 크게 높일 수 있다는 점도 사실입니다.
왜 청크(Chunking)가 필요한가
이상적으로는 청크 없이 AI가 전체 지식 베이스를 항상 문맥에 둘 수 있으면 좋겠지만, 이는 비현실적입니다. 토큰 제한뿐 아니라, LLM은 최적화된 문맥에서 더 잘 작동합니다. 너무 크거나 범위가 넓은 문맥은 중요한 정보를 놓치거나 오해할 가능성을 높입니다.
문서를 의미적으로 일관된 작은 청크로 나누면, 검색 시스템이 LLM에 가장 관련성 높은 콘텐츠를 제공할 수 있습니다. 이로써 모델의 이해도, 검색 정확도, 답변 품질이 크게 향상됩니다.
콘텐츠 최적화를 위한 몇 가지 팁
AI를 위한 콘텐츠 최적화는 접근성과 스크린 리더를 위한 콘텐츠 최적화와 원리가 비슷합니다. 콘텐츠가 명확하고, 더 구조화되어 있으며, 기계가 읽기 쉬울수록 더 좋은 성능을 발휘합니다. 명확한 시맨틱 구조가 접근성 도구가 콘텐츠를 효과적으로 해석하는 데 도움이 되듯, 명확한 구조는 AI의 정확도를 크게 높여줍니다. 이 섹션에서는 문서를 더 기계가 읽기 쉽게 만들기 위해 오늘 바로 적용할 수 있는 실질적이고 실행 가능한 개선 방법들을 안내합니다.
이러한 조정 사항을 우선적으로 적용하면, ‘AI를 위한 콘텐츠 설계 과제’ 섹션에서 다루는 더 미묘한 콘텐츠 문제들을 해결할 수 있는 탄탄한 기반을 마련할 수 있습니다.
1. 표준화된 시맨틱 HTML 사용
웹사이트 소스의 경우, 헤딩(<h1>, <h2>), 리스트(<ul>, <ol>), 테이블(<table>) 같은 등 시맨틱 HTML 요소를 올바르게 사용하세요. 시맨틱 HTML은 문서 구조를 명확히 하여, 청크화와 검색의 정확성을 높입니다.
<h2>How to enable webhooks</h2>
<ol>
<li>Log in to your CloudSync dashboard.</li>
<li>Navigate to Settings > Webhooks.</li>
<li>Toggle webhooks to "Enabled".</li>
</ol>
잘못된 요소 사용을 피하세요. 예를 들어, 잘못 배치된 <h2>는 기계가 콘텐츠를 잘못 해석하게 만듭니다.
2. PDF 대신 HTML 또는 Markdown 권장
PDF는 시각적 레이아웃이 복잡해 기계가 파싱하기 어렵습니다. PDF를 HTML이나 Markdown으로 옮기면 텍스트 추출과 검색 품질이 크게 향상됩니다.
3. 크롤러 친화적 콘텐츠 작성
커스텀 UI, 자바스크립트 기반 동적 콘텐츠, 복잡한 애니메이션을 줄이거나 제거하세요. 명확하고 예측 가능한 HTML 구조가 인덱싱과 파싱을 쉽게 합니다.
4. 시맨틱 명확성 확보
설명적 제목과 의미 있는 URL을 사용해 콘텐츠 계층 구조를 반영하세요. 시맨틱 명확성은 AI가 콘텐츠 관계를 올바르게 추론하는 데 도움이 됩니다.
✅ Good: /docs/cloudsync/setup-webhooks
❌ Poor: /docs/page12345
5. 시각 자료에 대한 텍스트 대체 제공
다이어그램, 차트, 스크린샷 등 중요한 시각 정보에는 항상 명확한 텍스트 설명을 추가하세요. 이는 기계와 스크린 리더 모두에 중요합니다.
**Figure 1:** Diagram illustrating the CloudSync integration workflow,
detailing authentication, data upload, and confirmation steps.
6. 단순한 레이아웃 유지
의미가 시각적 위치나 서식에 크게 의존하는 레이아웃을 피하세요. 레이아웃 정보는 변환 과정에서 손실되므로, 명확한 제목, 리스트, 단락으로 구조화하세요.
AI를 위한 콘텐츠 설계상의 과제
이 섹션에서는 AI 시스템에 어려움을 줄 수 있는 일반적인 콘텐츠 설계 안티패턴을 자세히 살펴봅니다. 이러한 문제들은 주로 정보가 어떻게 조직되고, 맥락이 제공되며, 어떤 부분이 암묵적으로 가정되는지에서 비롯되며, 단순히 형식상의 문제는 아닙니다. 각 예시는 특정 문제 패턴과 그것이 AI에 문제를 일으키는 이유, 그리고 이를 피하기 위해 콘텐츠를 어떻게 다시 작성하거나 재구성할 수 있는지를 설명합니다.
문맥 의존성
문제점: 주요 세부 정보와 정의를 여러 섹션이나 단락에 분산하는 문서는 콘텐츠를 여러 부분으로 나눌 때 문제를 야기합니다. 중요한 정보가 맥락과 분리되면 각 부분이 모호하거나 불완전해질 수 있습니다.
실제로 청킹이 어떻게 작동하는지 이해하면 근접성이 왜 중요한지 알 수 있습니다. Kapa는 가능한 경우 섹션을 그대로 유지하여 문서 구조를 보존하려고 하지만, 현실적인 제약으로 인해 분할이 불가피한 경우가 많습니다.
- 너무 긴 섹션은 문단이나 문장 경계에서 구분됩니다.
- 너무 짧은 섹션은 주변 콘텐츠와 결합됩니다.
- 최적의 검색 성능을 위해서는 청크 크기가 균형을 이루어야 합니다.
청크 경계를 완벽하게 예측할 수 없기 때문에, 원본 콘텐츠에 관련성이 더 높은 정보가 등장할수록 청킹 후에도 함께 유지될 가능성이 높아집니다. 이러한 근접성 원리는 의미를 유지하는 데 매우 중요합니다.
(단순화된) 문제가 있는 아래 예시를 살펴봅시다.
인증 토큰은 기본적으로 24시간 후에 만료됩니다.
시스템은 다양한 환경에 맞춘 여러 가지 구성 옵션을 제공합니다.
로그인 절차를 구현할 때, 이런 부분을 적절히 처리해야 합니다.
이 콘텐츠가 청크 형태로 분할되면, "구성 옵션"에 대한 중간 문장으로 인해 청크 알고리즘이 토큰 만료 세부 정보와 구현 지침을 분리할 수 있습니다. 결과적으로 "로그인 절차를 구현할 때, 이런 부분을 적절하게 처리해야 합니다"라는 청크는 "이런 부분"이 무엇을 의미하는지, 그리고 24시간이라는 구체적인 시간 범위에 대한 중요한 맥락을 잃게 됩니다.
해결책: 관련 정보는 서로 가까운 곳에 함께 배치하세요. 중요한 제약이나 맥락이 있는 개념을 소개할 때는 해당 세부 정보를 같은 단락이나 바로 옆 단락에 포함하세요.
인증 토큰은 기본적으로 24시간 후에 만료됩니다. 로그인 절차를 구현할 때는, 24시간 제한 전에 토큰을 갱신하거나 만료된 토큰 응답에 대해 적절한 오류 처리를 구현하여 토큰 만료를 반드시 처리해야 합니다.
시스템은 다양한 환경에 맞는 여러 가지 구성 옵션을 제공하며, 여기에는 사용자 지정 토큰 만료 기간도 포함됩니다.
제약 조건(24시간 만료)을 구현 지침에 가깝게 유지하면 경계가 어디에 있든 동일한 청크에 머무를 가능성이 훨씬 높아집니다.
단독으로 읽으면 불분명해지는 섹션을 찾아보세요. 특히 섹션 제목이 일반적이고 여러 단계로 구성되어 이전 단락의 맥락을 참조하는 경우가 그렇습니다.
시맨틱 검색 결함
문제점: Kapa는 질의와 콘텐츠 간의 의미적 유사성을 기반으로 정보를 찾습니다. 중요한 용어나 개념이 청크에 존재하지 않으면, 필요한 정보가 정확히 포함되어 있더라도 관련 질의에 대해 해당 청크가 검색되지 않습니다.
## 타임아웃 설정
운영 환경에서 신뢰성을 높이기 위해 사용자 지정 타임아웃 설정과 재시도 로직을 구성하세요. 이러한 옵션은 관리자 패널에서 설정할 수 있습니다.
사용자가 " CloudSync 타임 아웃을 어떻게 설정합니까?"라고 묻는 경우 "CloudSync"라는 단어가 텍스트에 나타나지 않기 때문에 이 청크가 검색되지 않을 수 있습니다.
해결책: 제품의 고유한 개념에 대한 일관된 용어를 정하고 체계적으로 사용하세요. 기능을 문서화할 때 구체적인 제품 또는 기능 이름을 포함하세요.
## CloudSync 타임아웃 설정
운영 환경에서 신뢰성을 높이기 위해 CloudSync의 사용자 지정 타임아웃 설정과 재시도 로직을 구성하세요. 이러한 옵션은 CloudSync 관리자 패널에서 설정할 수 있습니다.
제품의 고유한 용어는 모델의 학습 데이터에서 제대로 표현되지 않을 수 있습니다. 명확하고 일관된 용어 사용은 어떤 콘텐츠가 어떤 제품 기능과 관련이 있는지 파악하는 데 도움이 됩니다.
균형에 대한 참고 사항: 모든 문장이나 제목에 제품 이름을 반복해야 한다는 의미는 아닙니다. Kapa는 문서 구조, URL, 상위 제목을 사용하여 맥락을 추론합니다. 중요한 것은 주어진 청크에 대해 제품이나 기능과 연결하는 명확하고 일관된 신호가 있어야 한다는 것입니다. 구조적 메타데이터가 이를 어떻게 지원하는지 알아보려면 계층적 정보 아키텍처를 참조하세요.
암시적 지식 가정
문제점: Kapa는 간단한 원칙에 따라 작동합니다. 정보가 명확하게 문서화되지 않으면 시스템의 지식 기반에 존재하지 않는다는 것입니다. 외부 지식을 활용하거나 합리적인 추론을 할 수 있는 인간 독자와 달리, Kapa는 제공된 정보만을 사용합니다.
문서가 사용자의 지식을 전제로 할 때, 이는 위험한 간극이 됩니다. 잘 설계된 RAG 시스템은 부정확성보다는 불확실성을 선택해야 하지만, 이는 문서가 사용자가 묻는 주제를 명확하게 다룰 때에만 효과가 있습니다.
해결책: 사전 설정을 가정하는 대신 절차적 내용에 필수 단계를 포함하세요. 외부 도구나 개념을 참조할 때는 간략한 맥락이나 자세한 설명에 대한 링크를 제공하세요.
## 웹훅 설정 (Before)
대시보드에서 엔드포인트 URL을 구성하고 연결을 테스트하세요.
## CloudSync 웹훅 설정 (After)
웹훅을 구성하기 전에 다음 사항을 준비해야 합니다.
- 외부에서 접근 가능한 HTTPS 엔드포인트
- 유효한 SSL 인증서
- CloudSync API 자격 증명
CloudSync 대시보드의 [설정 > 통합] 메뉴에서 엔드포인트 URL을 구성한 후, "연결 테스트" 버튼을 사용해 설정을 확인하세요.
도구나 인터페이스에 대한 익숙함을 전제로 하거나, 설명 없이 "표준" 구성이라고만 언급하는 안내 문구가 있는지 확인하세요.
시각 정보 의존성
문제점: 이미지, 다이어그램, 비디오에 포함된 중요 정보는 문서를 분석하는 처리 과정에 문제를 야기합니다. 중요 정보가 시각적인 요소로만 표시되면 사용자는 불완전한 답변을 받을 수 있습니다.
아래 다이어그램에서 전체 API 워크플로우를 확인하세요:
통합을 구현하려면 다음 단계를 따르세요.
시각적 요소에 의존하는 지침은 자동화 시스템에서 접근할 수 없게 되어 지침의 의미가 없어집니다.
해결책: 핵심 정보를 담은 텍스트 기반 대안을 제공하세요. 워크플로 다이어그램은 번호가 매겨진 단계 목록으로 표현하고, 시각적 요소는 보완적인 요소로 활용하세요.
## CloudSync API 워크플로우
CloudSync 통합은 다음과 같은 워크플로우를 따릅니다:
1. **인증**: API 자격 증명을 `/auth/token` 엔드포인트로 전송
2. **검증**: 시스템이 자격 증명을 검증하고 액세스 토큰 반환
3. **데이터 준비**: CloudSync 스키마에 맞게 데이터를 포맷
4. **업로드 요청**: 액세스 토큰과 함께 데이터를 `/sync/upload`에 POST
5. **처리**: CloudSync가 데이터를 검증하고 처리
6. **상태 확인**: `/sync/status/{job_id}`를 폴링하여 처리 상태 확인
7. **완료**: 동기화가 완료되면 확인 메시지 수신
8. **오류 처리**: 검증 또는 처리 오류를 처리
_앞에서 설명한 워크플로우 단계의 시각적 표현_
레이아웃 의존 정보
문제점: 시각적 레이아웃, 위치 또는 표 구조에 의존하는 정보는 기계가 텍스트로 처리하면 의미를 잃는 경우가 많습니다. 인간은 시각적 관계와 그룹화된 콘텐츠를 해석할 수 있지만, AI 시스템은 이러한 연결을 유지하는 데 어려움을 겪습니다.
병합된 헤더와 시각적 그룹이 있는 복잡하거나 구조가 좋지 않은 비교표는 일반 텍스트로 변환하면 모호해집니다.
해결책: 표 형식 표현이 더 나은 경우, 헤더와 행의 의미론적 정확성을 확인하십시오. 그러나 표 형식 표현이 항상 적절하거나 필수적인 것은 아닙니다. 텍스트 형식에서 관계를 유지하는 대안을 고려할 수도 있습니다. 구조화된 목록이나 반복되는 맥락을 사용하여 연결을 유지하십시오. 예를 들면 다음과 같습니다.
## CloudSync 요금제
### 베이직 플랜
- 5명 사용자
- 1GB 저장 공간
- 이메일 지원
- API 제한: 시간당 100회 요청, 기본 엔드포인트만 사용 가능
### 스탠다드 플랜
- 25명 사용자
- 10GB 저장 공간
- 전화 지원
- API 제한: 시간당 1,000회 요청, 모든 엔드포인트 사용 가능
### 엔터프라이즈 플랜
- 무제한 사용자
- 무제한 저장 공간
- 24/7 전담 지원
- API 제한: 요청 수 무제한, 모든 엔드포인트 및 웹훅 사용 가능
각 행이 독립적으로 포함된 간단한 참조 표를 유지하고, 셀 간의 관계가 중요한 의미를 전달하는 복잡한 표를 보완하거나 대체합니다.
콘텐츠 조직화
다음 기술은 가독성을 떨어뜨리지 않고도 효과적으로 검색할 수 있는 콘텐츠를 만드는 데 도움이 됩니다.
계층적 정보 구조
콘텐츠가 Kapa에 수집되면 전처리 단계를 통해 맥락을 보존하고 검색 정확도를 높이는 데 도움이 되는 메타데이터가 추출됩니다. 추출되는 가장 중요한 데이터 중 하나는 각 문서 또는 섹션의 계층적 위치입니다.
이 계층 구조에는 URL 경로, 문서 제목, 머리글 등 여러 계층의 컨텍스트가 포함됩니다. 이러한 요소들은 콘텐츠 청크가 원래 위치에서 분리된 후에도 콘텐츠 청크에 대한 맥락적 이해를 구축하기 위해 함께 작용합니다.
각 섹션이 독립적으로 이해될 수 있을 만큼 충분한 맥락을 제공하면서도 상위 및 형제 콘텐츠와의 명확한 관계를 유지할 수 있도록 콘텐츠 계층 구조를 설계하세요.
콘텐츠 구조를 계획할 때는 검색 없이 사용자가 해당 섹션을 어떻게 찾을 수 있을지 고려하세요. 각 섹션에 독립적으로 이해할 수 있는 충분한 맥락이 포함되어 있는지 확인하세요.
- 제품군 : 어떤 제품 또는 서비스 영역
- 제품명 : 특정 제품 또는 기능명
- 버전 정보 : 해당되는 경우
- 구성 요소 특이성 : 하위 기능 또는 모듈
- 기능적 맥락 : 사용자가 달성하려고 하는 것
이러한 계층적 명확성은 AI 시스템이 개념 간의 관계를 이해하는 데 도움이 되고 사용자 쿼리에 대한 정보를 검색할 때 더 풍부한 맥락을 제공합니다.
독립적인 섹션
독자가 선형 경로를 따르거나 이전 섹션의 세부 정보를 기억해야 하는 문서 섹션은 독립적인 덩어리로 처리될 경우 문제가 될 수 있습니다. 섹션은 관련성을 기준으로 검색되며 문서 순서는 유지되지 않으므로, 섹션은 단독으로 접했을 때 의미가 있어야 합니다.
동일한 정보에 대한 두 가지 접근 방식을 비교해 보세요.
## 웹훅 URL 업데이트 (문맥에 의존적인 콘텐츠)
이제 엔드포인트를 새 URL로 변경하고 구성을 저장하세요.
## 웹훅 URL 업데이트 (독립된 콘텐츠)
CloudSync에서 웹훅 엔드포인트를 업데이트하려면:
1. CloudSync 대시보드에서 [설정 > 웹훅]으로 이동하세요.
2. 수정하려는 웹훅을 선택하세요.
3. 엔드포인트 URL을 새 주소로 변경한 후, 저장을 클릭하세요.
독립된 콘텐츠는 분리된 청크로 검색할 때 작동합니다. 이는 필수적인 컨텍스트, 즉 시스템(CloudSync), 설정 위치(설정 > 웹훅), 그리고 전체 단계를 포함하기 때문입니다. 문맥에 의존하는 콘텐츠는 사용자가 "엔드포인트"가 무엇을 의미하는지, 그리고 인터페이스에서 어디에 있는지 알고 있다고 가정합니다.
필수적인 맥락을 미리 제시하고 각 섹션 경계 내에 완전한 정보를 포함하세요. 모든 내용을 반복해서 설명하는 것은 아니지만, 섹션을 독립적으로 접했을 때에도 실행 가능한 상태로 유지해야 합니다.
각 섹션을 시작할 때 해당 섹션의 범위와 전제 조건에 대한 간략한 맥락을 제시하고, 해당 섹션의 내용을 나타내는 설명적인 제목을 사용하고, 사전 학습을 전제하지 않고 필수적인 배경 정보를 포함하는 것이 좋습니다. "위에서 언급한 대로", "이제 완료되었으니", "모든 구성이 완료된 후"와 같은 문구가 언급된 섹션은 맥락을 명확하게 설명해야 함을 나타냅니다.
해결책을 포함하는 오류 메시지
문제 해결 문서는 사용자가 발견한 오류 메시지를 그대로 복사하여 검색하는 경우가 많으므로 특별한 주의가 필요합니다. 문서에 특정 오류 메시지와 해결책이 함께 포함되어 있으면 사용자 질문과 유용한 콘텐츠가 직접적으로 연결됩니다.
문제 해결 단계를 문서화할 때는 정확한 오류 메시지를 인용하고 해결 방법과 함께 관찰 가능한 증상을 설명하세요.
## 연결 문제 (일반적인 문제 해결)
연결에 실패할 경우, 네트워크 설정과 방화벽 구성을 확인하세요.
## CloudSync 연결 문제 (특정 문제 해결)
### Error: "Connection timeout after 30 seconds"
이 오류는 CloudSync가 리소스에 도달할 수 없을 때 발생합니다.
### Error: "Authentication failed (401)"
이 메시지는 자격 증명이 잘못되었거나 만료되었음을 나타냅니다
정확한 오류 메시지를 포함하면 사용자가 표시되는 특정 메시지로 검색할 때 도움을 받을 수 있습니다. 문서에서 어떤 오류 메시지를 우선적으로 처리해야 할지 파악하려면 Kapa 플랫폼의 '일반 질문' 분석을 검토하세요. 이를 통해 사용자가 가장 자주 묻는 실제 오류 메시지와 문제를 확인할 수 있습니다.
마무리
인간 독자와 AI 모두에게 효과적인 문서를 작성하는 것은 기본 원칙, 즉 개념 간의 명확한 관계를 유지하는 명시적이고 독립적인 콘텐츠를 기반으로 합니다. 문맥적 종속성을 제거하고, 검색 가능성을 보장하며, 지식 격차를 메우고, 시각적 콘텐츠에 대한 대체 텍스트를 제공함으로써 기계가 문서를 사용하는 방식에 내재된 한계를 완화하는 데 도움이 됩니다.
AI에 효과적인 문서는 본질적으로 명확하고, 체계적이며, 명확하고, 사용자 중심적인 훌륭한 문서입니다. 문서가 사용자에게 더 잘 제공될수록 AI도 사용자에게 더 잘 제공됩니다.
사용자 대화, 특히 불확실하거나 부정적인 답변이 있는 대화를 검토하고 분석합니다. 자주 묻는 질문에 대한 즉각적인 수정부터 시작하여, 분산된 정보를 점진적으로 일관되고 완전한 섹션으로 재구성합니다. 모든 섹션이 독립적으로 구성되면서도 관련 개념과의 논리적 연결을 유지하는 것이 목표입니다.
