Organizer 정리 산출물(From_RawData) + 이사 체크리스트 + 인덱스 갱신

- Raw_Data 자동 정리 산출물이 각 도메인 From_RawData/ 로 편입, 00_INDEX 연결 갱신
- 컴퓨터_이사_체크리스트.md 추가 (두뇌-상대 경로 규약 v2.2.304 — 새 컴퓨터에서
  바꿀 절대 경로는 localBrainPath 1개)
- Astra 세션 산출물(에피소드 기억·기능 인벤토리) 갱신

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

10_Wiki/Topics/_Common/Math/From_RawData/맥락 인출 (Context Retrieval).md

@@ -0,0 +1,90 @@
+---
+id: 맥락-인출-(context-retrieval)
+title: "맥락 인출 (Context Retrieval)"
+category: "AI_and_ML"
+status: "draft"
+verification_status: "applied"
+canonical_id: ""
+aliases: 
+  - Context Retrieval
+  - 적시 맥락 인출
+  - Just-in-time Context Retrieval
+  - 맥락 기억 인출
+duplicate_of: ""
+source_trust_level: "A"
+confidence_score: 0.90
+created_at: 2026-07-11
+updated_at: 2026-07-11
+review_reason: ""
+merge_history: []
+tags: ["research", "context 이해 규칙"]
+raw_sources: 
+  - "[S1] 맥락을 고려하는 뇌 - 바이오인"
+  - "[S2] Effective context engineering for AI agents - Anthropic"
+  - "[S3] Script Theory | Social Sciences and Humanities | Research Starters - EBSCO"
+applied_in: 
+  - "Claude Code (Anthropic)"
+github_commit: ""
+---
+
+# [[맥락 인출 (Context Retrieval)]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+맥락 인출은 생물학적 뇌에서 조건 자극의 의미를 환경에 맞게 해독하는 필수적인 기억 인출 과정이자, AI 에이전트가 런타임에 필요한 정보만을 동적으로 불러와 인지 부하를 줄이는 핵심 탐색 메커니즘이다.
+
+## 🧠 핵심 개념 (Core concepts)
+* **조건 자극의 의미 인출 (Retrieval of Conditioned Stimulus Meaning):** 맥락 자체의 기억 인출뿐만 아니라, 특정 맥락 내에서 모호한 조건 자극(CS)과 무조건 자극(US) 사이의 관계 및 의미를 해석해내는 과정 [S1].
+* **적시 맥락 인출 (Just-in-time Context Retrieval):** AI 에이전트가 모든 데이터를 사전에 로드하지 않고, 가벼운 식별자(파일 경로, 저장된 쿼리, 웹 링크 등)를 유지하다가 런타임 도구를 활용하여 동적으로 데이터를 로드하는 전략 [S2].
+* **해마-전전두피질-편도체 회로 (Hippocampus-mPFC-Amygdala Circuit):** 동물의 뇌 및 인간을 대상으로 한 연구에서 맥락에 따른 공포 기억 인출과 조절, 소거(Extinction)를 담당하는 것으로 밝혀진 핵심 신경 네트워크 [S1].
+* **상기 및 인덱싱 (Reminding and Indexing):** 인간이 이전 경험이나 테마를 기반으로 색인(Index)을 사용하여 적절한 시점에 관련된 스토리를 떠올려(상기하여) 상황을 이해하는 인지 과정 [S3].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+* **점진적 노출 (Progressive Disclosure) 패턴:** 에이전트가 자율적인 탐색을 통해 파일 크기, 명명 규칙, 타임스탬프 등의 메타데이터를 단서로 활용하여 관련 맥락을 점진적으로 발견하고 계층적으로 이해를 구성하는 전략 [S2].
+* **하이브리드 맥락 인출 (Hybrid Strategy) 패턴:** 변동성이 적은 일부 데이터는 속도를 위해 사전에 인출(Pre-computed)하여 컨텍스트에 삽입하고, 동적 정보는 런타임에 자율 탐색(Just-in-time)으로 획득하여 속도와 정확성의 균형을 맞추는 설계 패턴 [S2].
+* **맥락 의존적 공포 갱신 (Fear Renewal) 패턴:** 소거(Extinction)를 학습한 장소 밖에서 조건 자극을 만났을 때, 억제되었던 기억이 맥락 단서에 의해 다시 인출되어 부적절하게 공포가 갱신되는 병리적 패턴 [S1].
+
+## ⚖️ 비교 및 선택 기준 (Comparison & decision criteria)
+
+| 항목 (Option) | 장점 | 단점 | 언제 선택 |
+|---|---|---|---|
+| **사전 인출 (Pre-inference Retrieval)** | 사전에 연산된 데이터를 로드하므로 실행 및 탐색 속도가 빠름 [S2]. | 전체 데이터를 컨텍스트에 올려야 하므로 토큰 예산이 빠르게 소진되며 정보가 정체(Stale)될 위험이 있음 [S2]. | 금융이나 법률 문서와 같이 내용의 동적 변화가 적고 정적인 정보를 다루는 작업 시 [S2]. |
+| **적시 인출 (Just-in-time Retrieval)** | 불필요한 정보를 배제하고 꼭 필요한 정보만 작업 기억에 로드하여 컨텍스트 창을 효율적으로 자체 관리함 [S2]. | 에이전트가 런타임에 직접 데이터를 탐색하고 호출해야 하므로 사전 인출 방식에 비해 속도가 느리고 고도의 도구 설계가 필요함 [S2]. | 대용량 데이터베이스 분석이나 파일 시스템 탐색 등 정보량이 방대하고 구조가 동적인 환경을 분석할 시 [S2]. |
+| **하이브리드 인출 (Hybrid Strategy)** | 기본 지식(예: CLAUDE.md)을 통해 초기 속도를 높이면서도, 동적 탐색으로 유연성과 최신성을 동시에 확보함 [S2]. | 설계 및 구현이 가장 복잡하며, 어떤 데이터를 고정하고 어떤 데이터를 동적으로 인출할지에 대한 의사결정 경계 설정이 필요함 [S2]. | 작업 규칙이 문서화되어 있으면서 세부 정보는 동적으로 변하는 코딩 작업 및 대형 프로젝트 분석 시 [S2]. |
+
+## 📖 세부 내용 (Details)
+**생물학적 뇌의 맥락 인출 메커니즘**
+인지 심리학과 뇌과학에서 맥락은 상황에 맞는 적절한 반응을 결정하는 핵심적인 정보로 작용한다 [S1]. 특정 조건 자극(CS)이 주어질 때 그것이 긍정적 의미인지 위협적 의미인지는 철저히 맥락을 통해 인출된다 [S1]. 예를 들어 운동 경기장의 거대한 고동 소리는 응원의 의미로 해석되지만, 항구에서는 배가 지나간다는 신호로 인출된다 [S1]. 
+뇌에서 이러한 맥락 의존적 기억의 인출은 해마(Hippocampus)와 내측전전두피질(mPFC), 편도체(Amygdala)의 복합적인 상호작용으로 이루어진다 [S1]. 스크립트 이론(Script Theory)의 관점에서 보면, 인간은 특정 목적이나 테마에 따라 조직된 구조체인 MOP(Memory Organization Packets)나 TOP(Thematic Organization Packets)의 색인(Index)을 통해 이전 경험의 맥락을 상기(Reminding)하며 현재 상황을 이해한다 [S3]. 만일 이 맥락 인출 기능에 손실이 발생하면, 환경 자극에 대한 융통성 있는 반응이 불가해지며, 외상 후 스트레스 장애(PTSD), 조현병, 약물 남용과 같은 심각한 정신병리학적 증상으로 이어진다 [S1].
+
+**AI 에이전트의 맥락 인출 아키텍처**
+최신 AI 에이전트 시스템은 생물학적 인지 방식과 유사하게, 정보를 사전에 전부 암기(단순 로드)하는 대신 필요할 때 동적으로 맥락을 탐색해 인출하는 모델로 발전하고 있다 [S2]. 기존에 임베딩을 통해 추론 전(Pre-inference)에 모든 관련 데이터를 밀어 넣는 방식에서 진화하여, 에이전트는 파일 경로, 웹 링크, 쿼리 등의 경량화된 참조(lightweight identifiers)만 기억한다 [S2].
+AI는 이후 자율 루프 환경 내에서 제공된 도구(Tools)를 활용해 런타임 환경에서 데이터를 실시간으로 인출한다 [S2]. 이러한 적시(Just-in-time) 인출 방식은 AI가 폴더 계층, 명명 규칙, 타임스탬프와 같은 메타데이터를 단서로 활용하여 관련 맥락을 점진적으로 발견(Progressive disclosure)하도록 돕는다 [S2]. 에이전트는 이 탐색 과정에서 파악된 정보들 중 오직 다음 결정에 필요한 하위 집합만을 작업 기억에 유지하므로 유한한 어텐션 자원의 소진을 막고 높은 정확도를 유지한다 [S2].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+인간을 대상으로 한 초기 fMRI 연구에서는 색상 변화와 같은 약한 환경적 단서만으로는 해마의 BOLD(혈류 산소 수준) 신호가 유의미하게 변화하지 않아 맥락과 해마의 연관성을 증명하기 어려웠다 [S1]. 하지만, 최근 기능적 뇌 영상 연구들에서는 가상현실을 이용한 복잡한 공간적 방(Room) 등을 맥락으로 활용하여 테스트한 결과, 인간의 해마와 복내측전전두피질(vmPFC)이 소거 기억의 인출 등 복잡한 맥락 인출 과정에 명확히 관여한다는 점이 새롭게 확인 및 업데이트되었다 [S1].
+
+## 🛠️ 적용 사례 (Applied in summary)
+**Claude Code (Anthropic)**: Anthropic의 코딩 에이전트인 Claude Code는 대용량 코드베이스나 데이터베이스를 분석할 때, 모든 파일 객체를 컨텍스트에 무조건 로드하지 않는다. 대신, 에이전트의 `CLAUDE.md` 지침 파일은 기본으로 사전에 인출하여 드롭해두고, `glob`, `grep`, `head`, `tail`과 같은 파일 탐색/Bash 명령어 도구를 제공하여 모델이 스스로 런타임 환경을 내비게이션하며 적시(just-in-time)에 필요한 파일 정보를 인출하는 하이브리드 맥락 인출 구조가 실제로 적용되어 있다 [S2].
+
+## 💻 코드 패턴 (Code patterns)
+소스에 코드 예시 없음
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** applied
+- **출처 신뢰도:** A
+- **신뢰 점수:** 0.90
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 🔗 지식 그래프 (Knowledge Graph)
+- **상위/루트:** [[context 이해 규칙]]
+- **관련 개념:** [[적시 맥락 인출]], [[해마(Hippocampus)]], [[상기(Reminding)]]
+- **참조 맥락:** AI 에이전트의 워크플로우 설계 시 검색 및 데이터 인출 한계를 극복하는 아키텍처 수립 및 인간의 인지적 행동 모델 이해가 필요할 때 참조됨.
+
+## 📚 출처 (Sources)
+- [S1] 맥락을 고려하는 뇌 - 바이오인
+- [S2] Effective context engineering for AI agents - Anthropic
+- [S3] Script Theory | Social Sciences and Humanities | Research Starters - EBSCO
+
+## 📝 변경 이력 (Change history)
+- 2026-07-11: Initial draft generated via Datacollector_MAC P-Reinforce engine.