feat(wiki): implement P-Reinforce v3.0 standard & integrate 26+ new knowledge artifacts

- Formalized automatic record migration protocol in System Manual.
- Integrated high-density knowledge for RAG, AI, Business Strategy, and Leadership.
- Enhanced graph connectivity across core strategic hubs.
- Archived raw data and updated timeline records.

01_Archive/2026-05-04/다단계 추론 (Multi-hop Reasoning).md

@@ -0,0 +1,64 @@
+# [[다단계 추론 (Multi-hop Reasoning)]]
+
+## 📌 Brief Summary
+다단계 추론(Multi-hop Reasoning)은 단일 검색으로 해결할 수 없고 여러 문서에 걸쳐 있는 정보를 합성해야 하는 복잡한 질문을 처리하기 위한 검색 및 생성 기법이다 [1, 2]. 이 기법은 복잡한 질문을 여러 하위 질문으로 분해하고, 여러 단계에 걸쳐 순차적으로 증거를 수집하며, 이질적인 출처의 통찰력을 결합하는 과정을 거친다 [1]. 주로 에이전틱 RAG(Agentic RAG)와 같은 고급 검색 환경에서 도구를 자율적으로 활용하거나 그래프 기반 검색과 결합하여 수행된다 [2, 3].
+
+## 📖 Core Content
+다단계 추론은 기존의 단순 검색이 가지는 한계를 극복하고 복잡한 추론 체인(reasoning chains)을 요구하는 질의를 처리하기 위해 도입되었다 [1]. 
+
+* **다단계 추론의 주요 처리 단계:**
+  * **분해(Decomposition):** 복잡한 쿼리를 여러 개의 하위 질문(sub-questions)으로 쪼갠다 [1].
+  * **순차적 검색(Sequential retrieval):** 여러 단계에 걸쳐 필요한 증거와 데이터를 순차적으로 수집한다 [1].
+  * **증거 집계(Evidence aggregation):** 이질적인 여러 소스에서 얻은 통찰력을 하나로 결합하여 종합적인 결론을 도출한다 [1].
+
+* **작동 방식 및 주요 적용:**
+  * **적응형 RAG(Adaptive RAG) 환경:** 쿼리의 복잡성을 동적으로 평가하여, 복잡한 다단계 질문의 경우 반복적인 검색(Iterative retrieval)과 추론 체인을 활성화한다 [1].
+  * **그래프 기반 검색(Graph-based retrieval) 연계:** 금융 서비스 기관 등에서는 순수 벡터 검색이 놓치기 쉬운 엔티티 간 연결을 찾아내고, 이질적인 데이터 소스를 횡단해야 하는 다단계 질문에 답하기 위해 그래프 기반 검색을 활용한다 [2].
+  * **에이전틱 RAG(Agentic RAG) 환경:** 자율적인 에이전트가 검색 도구를 다단계로 활용하며, 검색된 정보 간의 충돌이나 모순이 발생할 경우 논리적 추론을 통해 이를 해결한다 [3]. 또한, 하드코딩된 로직 없이 회사 문서를 검색하고, 비율 분석을 위한 수치 계산 도구를 호출하며, 시장 데이터를 가져와 비교 보고서를 합성하는 등의 복합적인 작업을 수행한다 [4].
+
+## ⚖️ Trade-offs & Caveats
+다단계 추론은 정보의 깊이를 더해주지만, 복잡성 증가로 인한 여러 기술적 부작용과 제약 사항이 존재한다.
+
+* **검색 정밀도 저하 위험:** 실제 프로덕션 환경에서는 다단계 추론 과정에서 검색 정밀도 실패(retrieval precision failures)가 발생하는 것이 중요한 한계로 지적되었다 [5].
+* **높은 비용 및 품질 변동성:** 여러 소스와 관계를 추론하기 위해 지식 그래프 추출 등을 활용할 경우, 기본 RAG에 비해 3~5배 더 많은 비용(LLM 호출 비용 등)이 발생하며, 도메인의 특수성에 따라 엔티티 인식 정확도가 60~85%로 변동성이 크다는 단점이 있다 [2].
+* **무한 루프 및 감사(Audit) 불투명성:** 에이전트가 다단계 검색과 추론을 자율적으로 수행할 때, 답을 찾지 못하고 유사한 정보만 반복해서 가져오는 무한 검색 루프(infinite retrieval loops)에 빠질 수 있다 [6]. 또한 에이전트의 추론 과정이 불투명해져, 왜 특정 검색 결정을 내렸는지 규제 기관이나 관리자가 감사(audit)하기 어려워지는 문제가 발생할 수 있다 [6].
+
+## 🔗 Knowledge Connections
+
+### Related Concepts
+
+#### [아키텍처/기반 기술]
+- [[Adaptive RAG]]
+  - 연결 이유: 쿼리의 복잡성을 평가하여 복잡한 다단계(Multi-hop) 질문의 경우 반복적 검색과 추론 체인을 동적으로 적용하는 아키텍처이기 때문이다 [1].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 질문의 난이도에 따라 단일 검색과 다단계 검색 전략이 어떻게 유연하게 조정되는지 이해할 수 있다 [1, 7].
+- [[Graph-based Reasoning (지식 그래프 검색)]]
+  - 연결 이유: 다단계 추론 질문에 답하기 위해 이질적인 데이터 소스를 횡단하고 엔티티(Entity) 간의 관계를 추적하는 데 사용되는 핵심 기술이다 [2].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 순수 벡터 검색이 놓치는 정보의 맥락과 다단계 논리적 연결망을 어떻게 구조화하는지 파악할 수 있다 [2, 8].
+
+#### [구현/활용 도구]
+- [[Agentic RAG]]
+  - 연결 이유: 고정된 검색 파이프라인을 넘어, 자율 에이전트가 다단계 추론을 수행하고 논리적 모순을 해결하는 주체로 작용하기 때문이다 [3].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 하드코딩된 로직 없이 여러 정보 소스와 도구를 결합하여 복잡한 다단계 작업을 스스로 계획하고 반성(Self-reflection)하는 구조를 이해할 수 있다 [3, 4].
+
+### Deeper Research Questions
+- 다단계 추론 과정에서 발생할 수 있는 '무한 검색 루프'를 효과적으로 방지하기 위해 쿼리당 최대 검색 예산(maximum retrieval budgets)이나 루프 감지 알고리즘은 어떻게 설계되는가? [6]
+- 에이전틱 RAG를 활용한 다단계 추론 시, 시스템의 불투명성(Opacity)을 극복하고 규제 기관의 감사를 충족시키기 위해 추론 로깅(structured logging)은 어떤 형태로 구현되는가? [6]
+- 여러 이질적인 문서에서 추출된 통찰력을 집계(Evidence aggregation)하는 과정에서 상충되는 정보나 모순을 해결하는 구체적인 논리적 추론 알고리즘은 무엇인가? [1, 3]
+- 단일 패스 벡터 검색과 다단계 반복 검색을 결정하는 Adaptive RAG의 쿼리 복잡성 분류 기준과 최적화 메커니즘은 무엇인가? [1, 7]
+- 그래프 기반 검색을 적용한 다단계 추론이 순수 벡터 검색보다 3~5배 더 많은 비용을 유발하는 문제를 완화하기 위한 아키텍처적 최적화 방법은 무엇인가? [2, 9]
+
+### Practical Application Contexts
+- **Implementation:** 복잡한 질문을 여러 하위 질문으로 분해(Decomposition)하고, 다단계로 문서를 검색(Sequential retrieval)한 뒤 증거를 종합하는 파이프라인을 구현할 수 있다 [1].
+- **System Design:** 사용자의 쿼리 복잡성에 따라 검색 깊이를 동적으로 조절하는 시스템(Adaptive RAG)이나 다중 에이전트 시스템을 설계할 때 다단계 추론을 핵심 워크플로우로 반영한다 [1, 10].
+- **Operation / Maintenance:** 다단계 추론 모델을 운영할 때는 검색 정밀도 저하, 환각, 무한 루프 발생 등을 방지하기 위해 검색 예산을 통제하고, 모든 검색 결정 단계를 감사할 수 있는 가시성(Observability) 도구를 유지 관리해야 한다 [5, 6].
+- **Learning Path:** 기본 RAG 파이프라인과 의미론적 검색을 학습한 뒤, 정보 간의 관계를 횡단하는 지식 그래프 구조를 익히고, 최종적으로 에이전틱 RAG 기반의 다단계 추론 과정으로 학습을 확장한다 [1, 3, 11].
+- **My Project Relevance:** 금융, 법률, 의료 등 다양한 출처의 문서를 종합하여 비교 분석하거나 모순된 정보를 검증해야 하는 심층 리서치 에이전트(예: 기업 재무 비율 분석 및 시장 데이터 비교) 기획 및 개발에 직접 적용할 수 있다 [3, 4].
+
+### Adjacent Topics
+- [[환각(Hallucination) 방지 및 자기 반성(Self-Reflective RAG)]]
+  - 확장 방향: 다단계 추론 중 검색된 정보들을 어떻게 자가 평가(Self-critique)하고 사실 검증에 사용하여 LLM의 환각 생성을 억제하는지 조사한다 [4, 12].
+- [[의미론적 검색 (Semantic Search)]]
+  - 확장 방향: 다단계 추론을 위한 정보 검색의 가장 기본이 되는 벡터 임베딩과 문맥 이해 원리를 파악하여 추론 정확도를 높이는 기초 기술을 살펴본다 [13, 14].
+
+---
+*Last updated: 2026-05-04*