[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,61 +2,171 @@
|
||||
id: wiki-2026-0508-feedback-loops-in-systems
|
||||
title: Feedback Loops in Systems
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [SYS-FEEDBACK-001]
|
||||
aliases: [Feedback Loop, Closed-Loop, Reinforcing Loop, Balancing Loop]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [systems-theory, Cybernetics, feedback-loop, Stability, growth-Strategy]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [systems-thinking, control, dynamics, cybernetics]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: scipy.signal, simpy, control
|
||||
---
|
||||
|
||||
# Feedback Loops in[[_system|system]]s (시스템에서의 피드백 루프)
|
||||
# Feedback Loops in Systems
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "결과가 다시 원인이 되는 순환의 고리를 설계하여, 스스로 제어하고 진화하는 시스템을 완성하라" — 시스템의 출력이 다시 입력으로 돌아와 시스템의 동작을 조절하거나 변화를 증폭시키는 메커니즘.
|
||||
## 매 한 줄
|
||||
> **"매 output 의 portion 의 input 으로 routed back — 매 system 의 self-regulation / self-amplification 의 fundamental mechanism"**. Wiener 의 cybernetics (1948) → Forrester 의 system dynamics (1961) → Meadows 의 *Thinking in Systems* (2008) → 매 SRE / RL / market-design 까지 매 universal.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "원인 -> 결과"의 선형적 인과관계를 넘어, 결과가 원인에 다시 개입하여 시스템의 상태를 유지하거나 급격히 변화시키는 순환적 인과 패턴.
|
||||
- **주요 유형:**
|
||||
- **Negative Feedback (음의 피드백):** 목표와의 편차를 줄여 시스템을 안정화하고 평형을 유지함 (예: 온도 조절 장치, 항상성, RL의 오차 수정).
|
||||
- **Positive Feedback (양의 피드백):** 변화를 가속화하고 증폭시켜 기하급수적 성장이나 붕괴를 초래함 (예: 데이터 플라이휠 효과, 네트워크 효과, 인플레이션).
|
||||
- **의의:** 복잡한 시스템의 거동을 이해하고 예측하기 위한 필수 도구이며, 자율 제어 및 학습 아키텍처 설계의 기반.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순한 제어 공학의 도구에서, 비즈니스 모델의 폭발적 성장(Growth Loop)과 AI의 자가 진화(Self-improvement)를 설명하는 핵심 전략으로 가치 재정립.
|
||||
- **정책 변화:** Antigravity 프로젝트는 사용자의 '수정(Edit)' 행위를 에이전트의 '지식 정합성'을 높이는 강력한 음의 피드백 루프로 활용하여, 시간이 지날수록 지식 베이스의 오류를 0으로 수렴시킴.
|
||||
### 매 두 polarity
|
||||
- **Reinforcing (R, +)**: 매 same-direction amplification → 매 exponential growth or collapse. 매 viral growth, bank runs, flywheel.
|
||||
- **Balancing (B, −)**: 매 opposite-direction correction → 매 goal-seeking equilibrium. 매 thermostat, autoscaler, supply-demand.
|
||||
- 매 system 의 behavior = sum of all loops, with delays.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Cybernetics-Foundations, [[Control-Theory|Control-Theory]], [[Data-Flywheel-Effect|Data-Flywheel-Effect]], [[Reinforcement-Learning-from-Human-Feedback-RLHF|Reinforcement-Learning-from-Human-Feedback-RLHF]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/[[Feedback-Loops|Feedback-Loops]] in Systems.md
|
||||
### 매 4 building blocks (Meadows)
|
||||
1. **Stocks** (state, accumulator).
|
||||
2. **Flows** (rate of change).
|
||||
3. **Information links** (signals).
|
||||
4. **Delays** (transport, perception, action).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 typical archetypes
|
||||
- **Limits to growth**: R + B (resource constraint).
|
||||
- **Shifting the burden**: short-term fix B undermines long-term solution.
|
||||
- **Tragedy of the commons**: many R + 1 B.
|
||||
- **Success to the successful**: 2 R coupled.
|
||||
- **Drift to low performance**: B with eroding goals.
|
||||
- **Escalation**: 2 R + delay (arms race).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 stability
|
||||
- 매 negative loop 의 gain > 1 + delay → 매 oscillation, overshoot.
|
||||
- 매 positive loop 의 unchecked → 매 runaway / collapse.
|
||||
- 매 Bode / Nyquist 의 control-theory 의 quantitative tool.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Thermostat (B loop, ODE)
|
||||
```python
|
||||
import numpy as np
|
||||
from scipy.integrate import odeint
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
setpoint, k_loss, k_heat = 22.0, 0.1, 0.5
|
||||
def dT(T, t):
|
||||
heat = k_heat if T < setpoint else 0
|
||||
return -k_loss*(T-10) + heat
|
||||
t = np.linspace(0, 100, 1000)
|
||||
T = odeint(dT, 15, t)
|
||||
plt.plot(t, T); plt.axhline(setpoint, ls="--")
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### PID controller (B with derivative damping)
|
||||
```python
|
||||
class PID:
|
||||
def __init__(self, kp, ki, kd, dt):
|
||||
self.kp,self.ki,self.kd,self.dt = kp,ki,kd,dt
|
||||
self.i, self.prev = 0, 0
|
||||
def __call__(self, sp, pv):
|
||||
e = sp - pv
|
||||
self.i += e*self.dt
|
||||
d = (e - self.prev)/self.dt
|
||||
self.prev = e
|
||||
return self.kp*e + self.ki*self.i + self.kd*d
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### Reinforcing loop — viral growth
|
||||
```python
|
||||
def viral(t_max=30, k=0.2, init=10, cap=1e6):
|
||||
n=[init]
|
||||
for _ in range(t_max):
|
||||
n.append(min(cap, n[-1]*(1+k))) # R loop
|
||||
return n
|
||||
# 매 limits-to-growth 의 cap 의 추가 — pure exponential 의 unrealistic.
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Logistic — R + B (limits to growth)
|
||||
```python
|
||||
def logistic(K=1e6, r=0.3, t_max=60, init=10):
|
||||
x=[init]
|
||||
for _ in range(t_max):
|
||||
x.append(x[-1] + r*x[-1]*(1-x[-1]/K))
|
||||
return x
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Stock-and-flow (Forrester) with simpy
|
||||
```python
|
||||
import simpy, random
|
||||
env = simpy.Environment()
|
||||
inventory = simpy.Container(env, init=100, capacity=1000)
|
||||
def supplier(env):
|
||||
while True:
|
||||
yield env.timeout(2)
|
||||
if inventory.level < 50: # B loop on stock
|
||||
yield inventory.put(60)
|
||||
def customer(env):
|
||||
while True:
|
||||
yield env.timeout(random.expovariate(1))
|
||||
yield inventory.get(1)
|
||||
env.process(supplier(env)); [env.process(customer(env)) for _ in range(5)]
|
||||
env.run(until=100)
|
||||
```
|
||||
|
||||
### Autoscaler (SRE B loop)
|
||||
```python
|
||||
def autoscaler(metric, target=0.6, replicas=3, max_r=20):
|
||||
err = metric - target
|
||||
delta = round(err * replicas / target)
|
||||
return max(1, min(max_r, replicas + delta))
|
||||
```
|
||||
|
||||
### Causal-loop diagram (text DSL)
|
||||
```
|
||||
Users ─R→ Content ─R→ Engagement ─R→ Users (viral R)
|
||||
Users ─B→ Server-load ─B→ Latency ─B→ Users (capacity B)
|
||||
delay: server provisioning ≈ 10 min → oscillation risk.
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Continuous physical / control | **PID / state-space** |
|
||||
| Discrete event business / supply chain | **System Dynamics (stocks-flows)** |
|
||||
| Service capacity | **B loop autoscaler + SLO error budget** |
|
||||
| Growth product strategy | **Map R loops; identify limit B; remove constraint** |
|
||||
| Policy / market | **Causal-loop diagram + agent-based sim** |
|
||||
| Stability analysis | **Linearize → Bode / root-locus** |
|
||||
|
||||
**기본값**: 매 design 의 첫 단계 = **CLD (Causal Loop Diagram)** + delay 표시 + leverage point 식별.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Systems-Thinking]] · [[Cybernetics]] · [[Control-Theory]]
|
||||
- 변형: [[Reinforcing-Loop]] · [[Balancing-Loop]] · [[Delayed-Feedback]] · [[Hysteresis]]
|
||||
- 응용: [[Feedback-Control-Systems]] · [[Autoscaler]] · [[Reinforcement-Learning]] · [[Growth-Loop]] · [[Macro-Economics]]
|
||||
- Adjacent: [[System-Dynamics]] · [[Causal-Loop-Diagram]] · [[Limits-to-Growth]] · [[Goodhart-Law]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 unintended consequence 의 prediction, 매 product growth 의 root-cause, 매 SRE incident 의 cascading 분석, 매 policy design 의 leverage point.
|
||||
**언제 X**: 매 fully open-loop 의 simple pipeline (매 unnecessary modeling).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Loops without delay**: 매 real systems 의 always have delays — 매 oscillation 의 missed.
|
||||
- **Linear thinking in nonlinear loop**: 매 small input change 의 huge output (or vice versa).
|
||||
- **Optimizing one node**: 매 ignoring loop → 매 Goodhart, perverse incentives.
|
||||
- **Goal erosion**: 매 missed-target → 매 lower target → 매 drift.
|
||||
- **Fixing symptom (B)**: 매 underlying R loop 의 unaddressed (shifting the burden).
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Wiener 1948; Forrester 1961; Senge 1990; Meadows 2008; *Designing Data-Intensive Apps* on backpressure).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 placeholder |
|
||||
| 2026-05-10 | Manual cleanup — archetypes + 7 patterns + decision matrix |
|
||||
|
||||
Reference in New Issue
Block a user