D. K. Min dkmin

PharmOS 전략투자자 모델: 대형 의약품 유통업체가 투자하는 구조

작성일: 2026-05-08 08:14 JST

한 줄 정의

PharmOS의 이상적인 투자자는 단순 재무투자자보다, 자기 공급망 운영체제를 선점하려는 대형 의약품 유통업체에 가깝다.

핵심 관점

이 모델의 포인트는 투자금 자체보다 배포 채널과 산업 표준 선점이다.

PharmOS 사업모델 재해석: AI Deployment Company 관점

작성일: 2026-05-08 08:10 JST 출처: https://wowtale.net/2026/05/06/258205/

한 줄 요약

PharmOS는 단순한 AI SaaS가 아니라, 고객사 운영 현장에 직접 들어가 발주·재고 프로세스를 재설계하고 그 결과를 SaaS로 고정시키는 vertical AI deployment company로 포지셔닝하는 게 더 강하다.

왜 이 관점이 맞나

와우테일 기사 핵심은 이거다.

drug-price-kr 약가 데이터 수집 및 Git 추적 파이프라인

For agentic workers: REQUIRED SUB-SKILL: Use superpowers:subagent-driven-development (recommended) or superpowers:executing-plans to implement this plan task-by-task. Steps use checkbox (- [ ]) syntax for tracking.

Goal: HIRA 약제급여목록표를 수집하고, 약가마스터로 표준코드를 매핑하여, data/prices.csv 단일 파일의 git diff로 약가 변동을 추적하는 repo를 구축한다.

Architecture: HIRA 엑셀 직접 다운로드 → 약가마스터(data.go.kr)로 표준코드 매핑 → data/prices.csv 단일 파일 덮어쓰기 커밋. git diff = 약가 변동 이력. GitHub Actions cron으로 월 1회 자동.

Tech Stack: Python 3.11+, openpyxl, requests, csv (stdlib), GitHub Actions

의약품 약가 공개 데이터 소스

PharmOS-kr/drug-price-kr 데이터 수집용 정리

핵심 소스

데이터	URL	형태	비고
약가마스터 + 표준코드 매핑	data.go.kr/15067462	CSV 파일	로그인 불필요, 즉시 다운로드
약가기준정보 조회 API	data.go.kr/15047819	OpenAPI	키 발급 필요 (1-2일)

OpenClaw Onboarding Guide

10분 안에 OpenClaw 설치 → 채널 연결 → AI 대화까지

사전 준비물

LLM Wiki

LLM을 활용한 개인 지식 베이스 구축 패턴.

이 문서는 아이디어 파일로, 자신의 LLM 에이전트(예: OpenAI Codex, Claude Code, OpenCode / Pi 등)에 복사·붙여넣기하도록 설계되었습니다. 목표는 고수준 아이디어를 전달하는 것이며, 에이전트가 여러분과 협업하여 구체적인 내용을 만들어갑니다.

핵심 아이디어

대부분의 LLM과 문서 활용 경험은 RAG처럼 보입니다: 파일 모음을 업로드하면, LLM이 쿼리 시점에 관련 청크를 검색하고 답변을 생성합니다. 작동은 하지만, LLM은 매번 질문할 때마다 지식을 처음부터 다시 발견합니다. 축적이 없습니다. 다섯 개 문서를 종합해야 하는 미묘한 질문을 던지면, LLM은 매번 관련 조각을 찾아서 조합해야 합니다. 아무것도 쌓이지 않습니다. NotebookLM, ChatGPT 파일 업로드, 대부분의 RAG 시스템이 이렇게 작동합니다.

LLM Wiki

A pattern for building personal knowledge bases using LLMs.

This is an idea file, it is designed to be copy pasted to your own LLM Agent (e.g. OpenAI Codex, Claude Code, OpenCode / Pi, or etc.). Its goal is to communicate the high level idea, but your agent will build out the specifics in collaboration with you.

The core idea

Most people's experience with LLMs and documents looks like RAG: you upload a collection of files, the LLM retrieves relevant chunks at query time, and generates an answer. This works, but the LLM is rediscovering knowledge from scratch on every question. There's no accumulation. Ask a subtle question that requires synthesizing five documents, and the LLM has to find and piece together the relevant fragments every time. Nothing is built up. NotebookLM, ChatGPT file uploads, and most RAG systems work this way.

WezTerm Configuration & Tips

Current Config (~/.wezterm.lua)

local wezterm = require 'wezterm'
local config = wezterm.config_builder()

config.default_prog = { 'pwsh' }
config.font_size = 10.0

	local wezterm = require 'wezterm'
	local config = wezterm.config_builder()

	config.window_background_opacity = 0.7
	config.macos_window_background_blur = 0
	config.font_size = 15
	config.color_scheme = 'Catppuccin Mocha'

	-- Ctrl+Shift+N 으로 N번째 윈도우 전환
	local act = wezterm.action

	local wezterm = require 'wezterm'
	local config = wezterm.config_builder()

	config.default_prog = { 'pwsh' }
	config.font_size = 10.0
	config.window_background_opacity = 0.7

	config.keys = {
	{
	key = 'Enter',