[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,93 +1,258 @@
|
||||
---
|
||||
id: wiki-2026-0508-asset-specific-knowledge
|
||||
title: Asset Specific Knowledge
|
||||
title: Asset-Specific Knowledge
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ASSP-001]
|
||||
aliases: [자산 특정적 지식, tacit knowledge, institutional knowledge, tribal knowledge, moat, RAG]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, asset-specific-knowledge, specialization, competitive-advantage, core-competency]
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [knowledge-management, tacit-knowledge, moat, rag, institutional, onboarding, fine-tuning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: knowledge management
|
||||
applicable_to: [Custom RAG, Fine-tuning, Onboarding, Documentation]
|
||||
---
|
||||
|
||||
# [[Asset-Specific-Knowledge|Asset-Specific-Knowledge]]
|
||||
# Asset-Specific Knowledge
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "다른 곳에는 없는 나만의 무기: 특정 조직, 프로젝트, 혹은 시스템에만 고유하게 존재하는 깊이 있는 지식으로, 외부인은 쉽게 흉내 낼 수 없는 핵심 경쟁력의 원천."
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 다른 곳 X 의 나만의 무기"**. 매 codebase / business / domain 의 deep context. 매 tacit (문서 X) + 매 high replacement cost. 매 modern AI 시대 의 가장 큰 differentiator — 매 generic LLM 의 X 가, 매 RAG / fine-tune 의 internalize.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자산 특정적 지식(Asset-Specific-Knowledge)은 특정 자산(비즈니스, 코드베이스, 복잡계 등)의 구조, 역사, 구성 요소들 간의 미묘한 관계에 대해 깊이 있게 알고 있는 지식을 의미합니다.
|
||||
## 📖 핵심
|
||||
|
||||
1. **지식의 특징**:
|
||||
* **Tacit Knowledge (암묵지)**: 문서화하기 어려운 노하우나 맥락 포함.
|
||||
* **High Replacement Cost**: 이 지식을 가진 사람이 떠나면 시스템의 성능이 급격히 저하되거나 복구에 큰 비용 발생.
|
||||
* **Context-dependent**: 해당 시스템 밖에서는 가치가 낮을 수 있지만, 안에서는 대체 불가능함.
|
||||
2. **왜 중요한가?**:
|
||||
* **[[Opera|Opera]]tional Excellence**: 시스템의 병목을 정확히 찾아내고 최적화하게 해줌 (Theory of Constraints와 협업).
|
||||
* **Strategic Moat**: 기업이 가진 기술적 해자(Moat)는 흔히 이 특정적 지식의 축적에서 비롯됨.
|
||||
### 매 정의 (Williamson 1985)
|
||||
- 매 specific asset 에 의 가치 의 lock-in.
|
||||
- 매 site / physical / human / dedicated.
|
||||
- 매 transfer cost 의 high.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거 기업 정책은 인력을 부품화하여 '매뉴얼화된 범용 지식'만 남기려 했으나, 현대의 복잡한 기술 정책은 장기 근속자와 전문가들만이 가진 '자산 특정적 지식 정책'을 보호하고 이식하는 것을 핵심 전략으로 삼음(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트 개발 정책에서, 범용 모델을 그대로 쓰는 대신 기업 내부 데이터와 워크플로우를 학습시킨 '특화 에이전트 정책'이 실질적인 ROI를 만들어내는 핵심 트렌드가 됨.
|
||||
### 매 type
|
||||
1. **Tacit (암묵지)**: 매 doc X — 매 experience.
|
||||
2. **Codebase**: 매 specific architecture / convention.
|
||||
3. **Business domain**: 매 customer pattern / regulation.
|
||||
4. **Process**: 매 workflow / decision rule.
|
||||
5. **Relationship**: 매 customer / vendor.
|
||||
6. **Historical**: 매 past incident / decision.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Foundational Models, [[Technical-Architecture|Technical-Architecture]], Workflow-InteGrity, [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Agile-Philosophy|Agile-Philosophy]]
|
||||
- **Modern Tech/Tools**: Internal knowledge base (Wiki), Specialized RAG (Retrieval-Augmented Generation).
|
||||
---
|
||||
### 매 examples
|
||||
- **War story**: "매 last year 의 deploy 의 X 의 fail 의 이유는..."
|
||||
- **Convention**: "매 우리 team 의 매 React 의 hook 의 이런 식으로..."
|
||||
- **Customer quirk**: "매 client A 의 매 Friday 의 deploy 의 X."
|
||||
- **Performance**: "매 query X 의 매 prod 의 매 slow."
|
||||
- **Regulation**: "매 our market 의 매 GDPR 의 매 X 적용."
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 Williamson 의 economics
|
||||
- 매 transaction cost.
|
||||
- 매 hold-up problem.
|
||||
- 매 vertical integration.
|
||||
- 매 firm boundary.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
→ 매 economic moat 의 source.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 매 challenges
|
||||
1. **Bus factor**: 매 1 person → leave → 매 collapse.
|
||||
2. **Onboarding**: 매 6 month + 매 mentorship.
|
||||
3. **Documentation**: 매 stale.
|
||||
4. **Knowledge transfer**: 매 hard.
|
||||
5. **Tribal cliques**: 매 inclusion 의 X.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 매 modern AI 적용
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
#### Custom RAG
|
||||
- 매 internal docs + 매 LLM.
|
||||
- 매 retrieval 의 specificity.
|
||||
- 매 GPT 의 generic 의 enhance.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
#### Fine-tuning
|
||||
- 매 organization-specific data.
|
||||
- 매 LoRA / QLoRA.
|
||||
- 매 cost-effective.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
#### Internal LLM
|
||||
- 매 self-hosted.
|
||||
- 매 data privacy.
|
||||
- 매 brand voice.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
#### Agent specialization
|
||||
- 매 internal tool API.
|
||||
- 매 codebase-specific guideline.
|
||||
- 매 history-aware.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### 매 capture method
|
||||
1. **Pair programming / shadowing**.
|
||||
2. **Recorded sessions** (Loom, Tella).
|
||||
3. **ADR / RFC**.
|
||||
4. **Postmortem**.
|
||||
5. **War story doc**.
|
||||
6. **AMA / office hours**.
|
||||
7. **LLM-mediated extraction** (interview → structured).
|
||||
8. **Code comments** (선별적).
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
## 💻 패턴
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
### Internal RAG
|
||||
```python
|
||||
from langchain.vectorstores import Chroma
|
||||
from langchain.embeddings import OpenAIEmbeddings
|
||||
from langchain.text_splitter import RecursiveCharacterTextSplitter
|
||||
|
||||
```text
|
||||
# TODO
|
||||
# 매 internal sources
|
||||
sources = [
|
||||
'wiki/*.md',
|
||||
'adr/*.md',
|
||||
'postmortem/*.md',
|
||||
'codebase/README.md',
|
||||
'slack/threads.json', # 매 sanitized
|
||||
]
|
||||
|
||||
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
|
||||
docs = []
|
||||
for source in sources:
|
||||
for doc in load(source):
|
||||
docs.extend(splitter.split_documents([doc]))
|
||||
|
||||
vectorstore = Chroma.from_documents(
|
||||
docs,
|
||||
embedding=OpenAIEmbeddings(),
|
||||
persist_directory='./internal_kb',
|
||||
)
|
||||
|
||||
def ask_internal(question):
|
||||
relevant = vectorstore.similarity_search(question, k=5)
|
||||
context = '\n\n'.join(d.page_content for d in relevant)
|
||||
return llm.generate(f"""Use this internal knowledge:
|
||||
{context}
|
||||
|
||||
Question: {question}
|
||||
Answer with citations to the source docs.""")
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Bus-factor mitigation
|
||||
```python
|
||||
def bus_factor_audit(repo):
|
||||
blame_data = get_git_blame_stats(repo)
|
||||
|
||||
high_risk = []
|
||||
for file_path, contributors in blame_data.items():
|
||||
if not contributors: continue
|
||||
top_share = contributors[0].lines / sum(c.lines for c in contributors)
|
||||
if top_share > 0.8 and len(contributors) <= 2:
|
||||
high_risk.append({
|
||||
'file': file_path,
|
||||
'owner': contributors[0].name,
|
||||
'share': top_share,
|
||||
})
|
||||
return sorted(high_risk, key=lambda x: -x['share'])
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
→ 매 high bus-factor file 의 pair programming target.
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### War story extraction (LLM-mediated)
|
||||
```python
|
||||
def extract_war_story(slack_thread):
|
||||
prompt = f"""Extract a structured "war story" from this Slack incident thread.
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
Format:
|
||||
- Trigger: what initially failed
|
||||
- Diagnosis: how it was identified
|
||||
- Fix: what resolved it
|
||||
- Lesson: non-obvious learning
|
||||
- Tags: [domain, tech]
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
Thread:
|
||||
{slack_thread}"""
|
||||
return structured_llm.generate(prompt)
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### LoRA fine-tune (organization)
|
||||
```python
|
||||
from peft import LoraConfig, get_peft_model
|
||||
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||||
from trl import SFTTrainer
|
||||
|
||||
base = AutoModelForCausalLM.from_pretrained('meta-llama/Llama-3-8B')
|
||||
tokenizer = AutoTokenizer.from_pretrained('meta-llama/Llama-3-8B')
|
||||
|
||||
lora = LoraConfig(r=16, lora_alpha=32, target_modules=['q_proj', 'v_proj'], lora_dropout=0.05)
|
||||
model = get_peft_model(base, lora)
|
||||
|
||||
# 매 org-specific Q&A pairs
|
||||
trainer = SFTTrainer(model=model, train_dataset=org_dataset, tokenizer=tokenizer)
|
||||
trainer.train()
|
||||
|
||||
# 매 tiny LoRA adapter (50MB) — 매 portable, 매 swappable.
|
||||
```
|
||||
|
||||
### Onboarding doc template
|
||||
```markdown
|
||||
# [Service Name] Onboarding
|
||||
|
||||
## 30-second pitch
|
||||
[1 sentence]
|
||||
|
||||
## Why it exists
|
||||
[origin story + alternative considered]
|
||||
|
||||
## Key concepts
|
||||
- [domain term 1]: meaning + when to use
|
||||
- [domain term 2]: ...
|
||||
|
||||
## Common pitfalls
|
||||
- [war story 1]: don't do X because Y happened
|
||||
- [war story 2]: ...
|
||||
|
||||
## Who to ask
|
||||
- [Topic A]: @person
|
||||
- [Topic B]: @team
|
||||
|
||||
## Reading list (priority)
|
||||
1. [link] — 30min
|
||||
2. [link] — 1h
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 상황 | Strategy |
|
||||
|---|---|
|
||||
| Generic question | Public LLM |
|
||||
| Codebase-specific | Internal RAG |
|
||||
| Domain expert simulation | Fine-tune |
|
||||
| Privacy-critical | Self-hosted LLM |
|
||||
| Bus-factor risk | Pair programming + record |
|
||||
| Onboarding | RAG + structured doc |
|
||||
| War story | LLM extract + curate |
|
||||
|
||||
**기본값**: Internal RAG 의 baseline. 매 high-volume specific = LoRA. 매 critical = self-host.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Knowledge-Management]] · [[Organizational-Learning]]
|
||||
- 변형: [[Tacit-Knowledge]] · [[Tribal-Knowledge]] · [[Institutional-Memory]]
|
||||
- 응용: [[RAG]] · [[Fine-Tuning]] · [[LoRA]] · [[Onboarding]] · [[ADR]]
|
||||
- Adjacent: [[Bus-Factor]] · [[Postmortem]] · [[Williamson-Economics]] · [[Moat]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 internal RAG 설계. 매 onboarding system. 매 war story 의 extract. 매 organization-specific tool.
|
||||
**언제 X**: 매 generic / public knowledge. 매 single-person consumption.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No documentation**: 매 leave → 매 collapse.
|
||||
- **All in one head**: 매 bus factor 1.
|
||||
- **Generic LLM 의 internal task**: 매 hallucination.
|
||||
- **RAG 의 stale**: 매 outdated.
|
||||
- **Fine-tune 의 small data**: 매 overfit.
|
||||
- **No audit / curation**: 매 outdated war story.
|
||||
- **Tribal exclusion**: 매 newcomer 의 onboard X.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Williamson 1985, Polanyi tacit knowledge).
|
||||
- 신뢰도 B.
|
||||
- Related: [[RAG]] · [[Fine-Tuning]] · [[Onboarding]] · [[ADR]] · [[Bus-Factor]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — type + capture method + 매 RAG / LoRA / bus factor code |
|
||||
|
||||
Reference in New Issue
Block a user