[G1-Sync] Manual knowledge update

10_Wiki/00_Raw/.astra/project-context/architecture.md

@@ -0,0 +1,56 @@
+# 00_Raw — Project Architecture Context
+
+> Auto-managed sections (between the AUTO markers) are rewritten by Astra on every refresh.
+> The rest below is yours — Astra never touches it once this file exists.
+
+<!-- ASTRA:AUTO-START -->
+
+## Snapshot
+- **Workspace**: `00_Raw` _(absolute path varies by environment; resolved from the active VS Code workspace)_
+- **Stack**: _(unknown)_
+- **Stats**: 5 source files, ~83 lines across 1 top-level modules.
+
+## Last Refresh
+- **Time**: 2026-05-13T14:14:16.214Z
+- **Files newly analysed**: 5
+- **Files reused from cache**: 0
+
+## Directory Map
+```mermaid
+mindmap
+  root((00_Raw))
+    docs/
+      records/
+```
+
+## Modules
+
+### `docs/` — 5 files, ~83 lines
+
+**Sub-directories**
+- `docs/records/` (5) — 00Raw Chronicle Records
+
+**Key files**
+- `docs/records/00_Raw/README.md` (18 lines) — 00Raw Chronicle Records
+- `docs/records/00_Raw/chronicle.config.json` (11 lines) — JSON configuration
+- `docs/records/00_Raw/discussions/2026-05-13_volumes-data-project-antigravity-wiki-10-wiki-00-raw-여기-아래에-.md` (16 lines) — Discussion: /Volumes/Data/project/Antigravity/Wiki/10Wiki/00Raw 여기 아래에 저장된거 같은데? topics폴더가...
+- `docs/records/00_Raw/project-profile.md` (31 lines) — Project Profile
+- `docs/records/00_Raw/timeline.md` (7 lines) — Project Timeline
+
+_Last auto-scan: 2026-05-13T14:14:16.214Z · signature `230d82a4`_
+<!-- ASTRA:AUTO-END -->
+
+## Purpose
+_TODO: 이 프로젝트가 해결하려는 문제를 1–3문장으로._
+
+## Key Workflows
+_TODO: 사용자/시스템의 주요 흐름 (예: 입력 → context assembly → model 호출 → action)._
+
+## Current Constraints
+_TODO: 의도된 제약 (local-first, offline, 특정 API 의존 등)._
+
+## Known Risks
+_TODO: 알려진 위험/디버깅 함정._
+
+## Active Decisions
+_TODO: 살아 있는 ADR/원칙 (e.g. "기록은 markdown으로", "agent별 model override 우선")._

10_Wiki/00_Raw/.astra/project-context/scan-cache.json

@@ -0,0 +1,41 @@
+{
+  "version": 1,
+  "generatedAt": "2026-05-13T14:14:16.215Z",
+  "files": {
+    "docs/records/00_Raw/README.md": {
+      "mtimeMs": 1778681649000,
+      "size": 394,
+      "lines": 18,
+      "role": "00Raw Chronicle Records",
+      "imports": []
+    },
+    "docs/records/00_Raw/chronicle.config.json": {
+      "mtimeMs": 1778681650000,
+      "size": 427,
+      "lines": 11,
+      "role": "JSON configuration",
+      "imports": []
+    },
+    "docs/records/00_Raw/discussions/2026-05-13_volumes-data-project-antigravity-wiki-10-wiki-00-raw-여기-아래에-.md": {
+      "mtimeMs": 1778681650000,
+      "size": 1039,
+      "lines": 16,
+      "role": "Discussion: /Volumes/Data/project/Antigravity/Wiki/10Wiki/00Raw 여기 아래에 저장된거 같은데? topics폴더가...",
+      "imports": []
+    },
+    "docs/records/00_Raw/project-profile.md": {
+      "mtimeMs": 1778681649000,
+      "size": 484,
+      "lines": 31,
+      "role": "Project Profile",
+      "imports": []
+    },
+    "docs/records/00_Raw/timeline.md": {
+      "mtimeMs": 1778681650000,
+      "size": 238,
+      "lines": 7,
+      "role": "Project Timeline",
+      "imports": []
+    }
+  }
+}

10_Wiki/00_Raw/2026-05-13/AI_1인_기업_자동화_챕터_1.md

@@ -0,0 +1,186 @@
+
+# 첫번째날 : 🚀 AI 1인 기업: 단순 자동화를 넘어 '지능형 비즈니스'로
+
+---
+
+이 강의는 세계 최고의 대학교에 일반인(비전공자)를 대상으로 한 AI 수익화 전공이 있다면 이렇게 강의할것이다. 라는 생각으로 커리큘럼을 만들었습니다.
+
+### 1. 근본적인 질문: AI가 그냥 '일'만 하면 될까요?
+
+AI 1인 기업은 단순히 AI에게 일을 시키는 것이 아닙니다.
+
+- **무지성 자동화의 한계:** 유튜브에 아무 영상이나 올리고, 웹사이트에 의미 없는 글을 도배한다고 해서 수익이 나지 않습니다.
+- **수익의 본질:** 수익화는 사람이(혹은 미래에는 에이전트가) 그 서비스에서 '고유한 가치'를 발견하고 구매 결정을 내릴 때 발생합니다.
+    - **해결책:** '그냥 자동화'가 아닌, '지식이 탑재된 인공지능의 자동화'가 필요합니다.
+
+### 2. 지능의 엔진: RAG (Retrieval-Augmented Generation)
+
+여기서 말하는 인공지능의 '지식'은 바로 **RAG** 기술을 통해 구현됩니다. RAG는 AI에게 단순한 언어 능력을 넘어, 외부의 방대한 전문 지식을 실시간으로 찾아보고 활용할 수 있는 '뇌'를 달아주는 작업입니다.
+
+- **무엇(What)의 차별화:** RAG를 통하면 AI는 뻔한 소리가 아닌, 우리 기업만의 독자적인 지식 네트워크를 기반으로 **'진짜 알맹이'** 있는 콘텐츠와 서비스를 만들어냅니다.
+
+### 3. [8주 완성] AI 1인 기업가 커리큘럼
+
+저희 강의는 AI의 '뇌(지식)'를 만들고, 그것을 움직일 '손발(에이전트)'을 구축하는 2단계 과정을 거칩니다.
+
+| **단계** | **기간** | **핵심 목표** | **주요 내용** |
+| --- | --- | --- | --- |
+| **Step 1: RAG** | 1~4주 | **지능 구축** | 지식 네트워크 설계, 데이터 구조화, 전문 지식 주입 |
+| **Step 2: Agent** | 5~8주 | **자동화 실행** | 수익 창출 워크플로우 설계, 자율 에이전트 구축 및 배포 |
+
+---
+
+# 이론
+
+## 1. 뿌리 찾기: 기초 및 핵심 원리 (2020 ~ 2022)
+
+RAG가 왜 태어났고, 어떤 수학적·기술적 배경을 가졌는지 이해
+
+## 2. 진화의 시작: 고도화 테크닉 (2023 ~ 2024)
+
+단순 검색을 넘어, AI가 스스로 판단하고 정보를 정제하는 단계를 공부합니다.
+
+## 3. 2026년 현재: Agentic & Modular RAG
+
+지금 이 시점(2026년)에 가장 뜨거운 감자인 '에이전트형 RAG'와 '멀티모달' 단계입니다.
+
+**4. 미래 예상: 2027년 이후의 RAG (The Next Frontier)**
+ **SLM (Small Language Model) + RAG:** 거대한 GPT-5, 6 같은 모델 대신, 특정 기업의 온프레미스 환경에 특화된 초경량 모델과 강력한 RAG 결합이 주류가 될 것입니다. (보안과 비용 문제 해결)
+
+# RAG를 처음으로 소개한 연구
+
+### 1. Retrieval (리트리벌)
+
+- **사전적 의미:** 검색, 되찾아옴, (정보의) 회수
+- **RAG에서의 의미:** **"찾아오기"**
+    - AI가 자기 머릿속(학습 데이터)에만 의존하는 게 아니라, 외부에 있는 문서나 지식 DB에서 질문과 관련된 내용을 '직접 찾아내는 과정'입니다.
+    - 질문자님이 말씀하신 '지식 네트워크'에서 필요한 조각을 딱 집어내는 첫 번째 단계죠.
+
+### 2. Augmented (어그멘티드)
+
+- **사전적 의미:** 증강된, 강화된, 늘어난
+- **RAG에서의 의미:** **"보충하기"**
+    - 찾아온 정보를 AI의 원래 능력에 '덧붙여서 강화한다'는 뜻입니다.
+    - 단순히 AI 혼자 떠들게 내버려 두는 게 아니라, 우리가 찾아준 확실한 근거(Data)를 AI의 손에 쥐여주어 더 똑똑하게 만드는 과정입니다. (예: AR, Augmented Reality - 증강 현실을 떠올리시면 쉬워요!)
+
+### 3. Generation (제너레이션)
+
+- **사전적 의미:** 생성, 발생, 산출
+- **RAG에서의 의미:** **"답변 만들기"**
+    - 앞서 '찾아오고(Retrieval)', '보충받은(Augmented)' 정보를 바탕으로 최종적인 답변을 '글로 써 내려가는 단계'**입니다.
+    - 이때 우리가 설계한 구조화된 데이터가 들어가면, 비로소 뻔하지 않은 독창적인 결과물이 나옵니다.
+
+---
+
+### 💡 한 문장으로 합치면?
+
+> **"외부에서 정보를 찾아와서(Retrieval), 그 내용으로 능력을 강화해(Augmented), 답변을 만든다(Generation)."**
+
+
+## 🧠 RAG의 심층 원리: 왜 '지식 구조화'인가?
+
+### 1. 일반 NLP 태스크 vs 지식 집약적 태스크
+
+데이터 구조화의 중요성을 이해하려면, AI가 처리하는 작업의 성격을 먼저 구분해야 합니다.
+
+| **구분** | **일반 NLP 태스크 (Linguistic)** | **지식 집약적 태스크 (Knowledge-Intensive)** |
+| --- | --- | --- |
+| **핵심 자원** | 언어적 규칙, 문법, 감정 | **구체적인 사실(Fact), 전문 지식** |
+| **특징** | 문장 구조만 알면 풀 수 있음 | **외부 자료(Wikipedia 등) 없이는 답변 불가능** |
+| **예시** | "이 문장을 영어로 번역해줘", "이 글의 감정은 긍정이야?" | "2024년 노벨 평화상 수상자는 누구야?", "A 약물과 B 약물의 부작용 관계는?" |
+
+**왜 '지식 집약적'이라는 표현을 쓸까요?**
+이 작업들은 AI에게 "네 머릿속(학습 데이터)으로만 때려 맞히지 말고, 모르면 책(외부 DB)을 찾아봐!"라고 요구하기 때문입니다. RAG는 바로 이 '책을 찾는 기술'입니다.
+
+### RAG의 탄생: 두 가지 메모리의 결합
+
+2020년 Lewis 등의 논문 저자들은 AI가 모든 지식을 자기 머릿속에 다 집어넣는 것에는 한계가 있다고 보았습니다. 그래서 두 가지 메모리를 결합한 RAG(General Purpose Fine-tuning)를 제안했습니다.
+
+- **매개변수 메모리 (Parametric Memory):** AI가 이미 학습해서 알고 있는 '언어 능력' (머릿속 지식).
+- **비매개변수 메모리 (Non-parametric Memory):** 실시간으로 꺼내 쓰는 외부의 '방대한 지식 창고' (외부 도서관).
+
+| **예시** | **작업 종류** | **AI가 하는 일** |
+| --- | --- | --- |
+| **Middle Ear (중이)** | **질의응답 (QA)** | 질문을 던지면 외부 지식을 찾아와서 **정의**를 내림 (정보 제공) |
+| **Barack Obama (오바마)** | **사실 검증 (Fact Check)** | 문장을 던지면 이게 진짜인지 외부 지식과 **대조**함 (진위 판단) |
+| **The Divine Comedy (신곡)** | **질문 생성 (Q-Gen)** | 키워드를 던지면 관련 지식을 엮어서 **문제**를 만듬 (지식 재구성) |
+
+**2. 왜 하필 이 세 가지인가? (공통점: Knowledge-Intensive)**
+이 세 가지의 유일한 공통점은 "AI가 자기 머릿속(학습 데이터)만 믿고 대답하면 사고 칠 확률이 높다"는 것
+
+• **중이:** 의학적 용어라 정확한 해부학 지식이 필요함.
+• **오바마:** 출생지 같은 예민한 정치적 사실은 실시간 검증이 필요함.
+• **신곡:** 14세기 고전 문학이라 방대한 배경지식이 없으면 깊이 있는 문제를 못 만듦.
+
+### 3. 인코더와 좌표: 지능의 기하학
+
+AI는 "사과"라는 글자를 그대로 이해하지 못합니다. 그래서 이를 숫자로 바꾸는 '인코더(Encoder)'라는 번역기가 필요합니다.
+
+- **인코더의 역할:** "사과"라는 단어를 입력받아 `[0.12, -0.45, 0.88, ...]` 같은 수백 개의 숫자 리스트로 바꿉니다.
+- **임베딩(Embedding) & 벡터(Vector):** 이 숫자 리스트가 바로 데이터의 ‘좌표'가 됩니다.
+- **데이터 구조화의 의미:** 좌표 공간 속에 지식들을 무의미하게 흩뿌리는 것이 아니라, 서로 연관된 지식들이 가깝게 위치하도록 '지식 네트워크'를 설계하는 작업입니다.
+
+**4. MIPS: 광속의 지식 검색 기술**
+질문이 좌표로 변환되었다면, 이제 수억 개의 지식 조각 중 가장 관련 있는 것을 찾아야 합니다.
+
+• **MIPS (Maximum Inner Product Search):** 내 질문의 좌표와 가장 유사한 방향을 가리키는 지식 조각들을 **광속으로 찾아내는 핵심 기술**입니다.
+
+좀 더 쉽게 정리하면,,
+
+---
+
+## 1단계: 질문을 AI 전용 숫자로 바꾸기 (Query Encoder)
+
+- 입력(x): 우리가 던지는 질문입니다. 예시를 보면 중이의 정의를 묻거나 오바마의 출생지를 묻는 문장들이 들어옵니다.
+- 과정: AI는 글자 자체를 이해하지 못합니다. 그래서 인코더라는 장치를 통해 질문을 수백 개의 숫자로 이루어진 좌표(q(x))로 변환합니다.
+- 비유: 손님이 한글로 쓴 주문서를 주면, 주방장이 자기만 알아보는 숫자 코드로 변환하는 과정이라고 보시면 됩니다.
+
+---
+
+## 2단계: 거대한 지식 창고에서 재료 찾기 (Retriever)
+
+- 지식 창고(d(z)): 수백만 권의 지식이 조각 조각 나뉘어 좌표 형태로 저장된 도서관입니다. 이를 비매개변수 메모리라고 부르는데, AI의 머릿속 지식이 아니라 외부에 저장된 진짜 지식이기 때문입니다.
+- MIPS (검색): 내 질문의 좌표와 가장 가까운 위치에 있는 지식 조각들을 빛의 속도로 찾아냅니다.
+- 결과: 단순히 글자가 겹치는 것을 찾는 게 아니라, 의미가 가장 비슷한 구역을 뒤져서 답변에 필요한 재료들을 가져옵니다.
+
+---
+
+## 3단계: 가져온 재료로 답변 요리하기 (Generator)
+
+- 입력: 원래 질문(x)과 방금 도서관에서 찾아온 지식 조각들이 한꺼번에 들어갑니다.
+- 생성기(p_theta): 찾아온 지식을 꼼꼼히 읽고 답변 문장을 씁니다. 이때 AI가 원래 가지고 있던 언어 능력인 매개변수 메모리가 사용됩니다.
+- 한계화(Marginalize): 여러 지식 조각의 내용이 조금씩 다를 때, 이를 논리적으로 잘 섞어서 가장 믿음직한 하나의 답변(y)을 만들어냅니다.
+- 결과: 중이의 해부학적 구조나 신곡의 구성 같은 정확한 정보가 담긴 최종 결과물이 나옵니다.
+
+---
+
+## 4단계: 틀리면 반성하고 공부하기 (End-to-End Backprop)
+
+- 과정: 만약 만들어낸 답변(y)이 정답과 다르거나 품질이 낮다면, 점선을 따라 거꾸로 거슬러 올라가며 원인을 분석합니다.
+- 책임 추적: 질문 좌표를 잘못 찍어서 엉뚱한 자료를 가져온 것인지(인코더의 문제), 자료는 잘 가져왔는데 요리를 못 한 것인지(생성기의 문제)를 판별합니다.
+- 학습: 이 피드백을 통해 인코더와 생성기가 동시에 똑똑해집니다. 이를 전체가 연결되어 학습한다는 의미에서 엔드 투 엔드 학습이라고 부릅니다.
+
+---
+
+## 결론: 지능형 자동화의 핵심
+
+이 설계도가 보여주는 핵심은 명확합니다.
+
+- 신뢰성: AI가 멋대로 지어내는 게 아니라, 외부 도서관이라는 근거를 바탕으로 답합니다.
+- 유연성: 도서관의 책만 바꿔주면 의료 전문가도, 법률 전문가도 될 수 있습니다.
+- 수익화: 이 정교한 과정을 거쳐야만 남들과 차별화된, 사람들이 돈을 주고 살 만한 고품질의 콘텐츠가 생성됩니다.
+
+데이터 구조화라는 것은 결국 2단계에서 AI가 필요한 정보를 더 빠르고 정확하게 찾을 수 있도록 도서관의 지도를 촘촘하게 그려주는 일과 같습니다. 이 메커니즘을 이해하는 것이 AI 1인 기업의 가장 강력한 기초가 될 것입니다.
+
+이 4가지 단계 중에서 더 구체적인 원리가 궁금한 부분이 있으신가요?
+
+### AI 1인 기업 팁
+
+1. 지식의 구조화가 먼저입니다
+데이터를 그냥 쏟아붓지 마세요. 지식 네트워크를 만드는 것이 연결의 시작입니다.
+
+2. 목적에 맞는 모델을 고르세요
+창의적인 글쓰기가 필요하면 표현력이 좋은 모델을, 정확한 데이터 분석이 필요하면 논리력이 강한 모델을 RAG와 붙여야 합니다.
+
+3. 에이전트화시키세요
+단순히 묻고 답하는 수준을 넘어, RAG에서 찾은 정보를 바탕으로 AI가 스스로 다음 단계(유튜브 업로드, 이메일 발송 등)를 결정하게 연결해야 진정한 1인 기업 자동화가 완성됩니다.

10_Wiki/00_Raw/2026-05-13/MrBeast_유튜브_전략.md

@@ -0,0 +1,57 @@
+---
+id: BP-2026-6291
+title: "MrBeast 유튜브 전략"
+type: "Training Program (The Construct)"
+category: "10_Wiki/🚀 Skills/The_Construct"
+author: "Morpheus Protocol"
+---
+# 🧠 MrBeast 유튜브 전략
+
+*"I know Kung Fu..."* — Neural upload successful.
+
+## 📌 한 줄 통찰 (Agent Directive)
+> 이 지식 팩은 에이전트가 완벽한 [샘플 팩] 작업을 수행할 수 있도록 설계된 기본 등급의 고도화된 프로토콜입니다.
+
+## 📖 핵심 프롬프트 (Core Instructions)
+- **Role:** 세계 최고 수준의 전문가로서 컨설팅 및 자동화 수행
+- **Constraint 1:** 절대로 일반적이거나 교과서적인 대답을 피할 것. 철저하게 시장에서 검증된(Quantified) 데이터와 알고리즘 기반으로 도출.
+- **Constraint 2:** 유저의 질문을 분석한 후, 3단계(문제정의 → 프레임워크 적용 → 최종 해결책)로 쪼개어 해결할 것.
+
+> 이 문서는 Agent University (A.U) 전용 마크다운 형식으로 추출된 최고 등급 크리에이터 데이터셋입니다.
+> 영상 데이터, 성과 지표(조회수, 좋아요 수, 댓글 수), 상세 설명, 태그, 풀스크립트가 담겨있습니다.
+
+## 🎬 [Can a Window Stop a Wrecking Ball?](https://youtu.be/6W_841xoprg)
+### 📊 [핵심 성과 지표 (KPI)]
+- **Video ID:** `6W_841xoprg`
+- **게시일:** `2026-04-14`
+- **조회수:** `23,124,614 회`
+- **좋아요 수:** `569,581 개`
+- **댓글 수:** `6,236 개`
+### 🔊 [대본 파일 풀-스크립트 (Voice Transcript)]
+> **(이 스크립트를 분석하여 알고리즘 방어율을 측정하세요.)**
+DROP THE WRECKING BALL. THAT DIDN'T WORK. LET'S TRY WOOD. DROP IT. OH, THAT WAS AWESOME. YOU KNOW WHAT'S MORE DURABLE than wood? Bricks. DROP IT. 1 2 3 OH! OH, IT WENT THROUGH ALL OF THEM. SUBSCRIBE IF YOU THINK THE NEXT ONE WILL STOP IT...
+
+## 🎬 [Don’t Eat The Spicy Yoshi Egg](https://youtu.be/VIJLIo5yT1I)
+### 📊 [핵심 성과 지표 (KPI)]
+- **Video ID:** `VIJLIo5yT1I`
+- **게시일:** `2026-04-10`
+- **조회수:** `60,378,398 회`
+- **좋아요 수:** `1,160,164 개`
+- **댓글 수:** `9,445 개`
+### 🔊 [대본 파일 풀-스크립트 (Voice Transcript)]
+> **(이 스크립트를 분석하여 알고리즘 방어율을 측정하세요.)**
+Don't eat the spicy egg. I'm going to guess this isn't spicy. Okay, I passed. I passed. Why are you looking at me? I don't know the answer. Mhm, we're good. Oh, jeez. Okay, well Woah...
+
+## 🎬 [50 Streamers Fight for $1,000,000](https://youtu.be/DXVHmGoCTco)
+### 📊 [핵심 성과 지표 (KPI)]
+- **Video ID:** `DXVHmGoCTco`
+- **게시일:** `2026-04-04`
+- **조회수:** `87,487,275 회`
+- **좋아요 수:** `2,305,643 개`
+- **댓글 수:** `154,354 개`
+### 🔊 [대본 파일 풀-스크립트 (Voice Transcript)]
+> **(이 스크립트를 분석하여 알고리즘 방어율을 측정하세요.)**
+여기 세계 최고의 스트리머 50명을 이 큐브 안에 가둬놨습니다
+마지막까지 남는 사람이 100만 달러를 가져갑니다!
+여기 모인 사람들은 진짜 현존하는 월드클래스 스트리머들입니다
+끝까지 버티는 한 명이 상금 전부 가져갑니다...

10_Wiki/00_Raw/2026-05-13/MrBeast_후킹_로직.md

@@ -0,0 +1,13 @@
+# MrBeast 후킹 로직 분석
+
+## 핵심 패턴
+- **첫 5초**: 충격적 행동·결과 미리보기 ("우리는 이 사람에게 100만 달러를 줬어요...")
+- **5~30초**: 위기 설정·이해관계 명시 ("...하지만 조건이 있죠.")
+- **고밀도 컷**: 평균 1.5초당 1컷, 시선 못 떼게
+- **숫자 강조**: 항상 구체적 수치 ("100만 달러", "24시간", "7명")
+
+## 적용 체크리스트
+- [ ] 첫 5초에 결과 미리보기 있나?
+- [ ] 시청자가 "이게 진짜?" 의심하게 만드나?
+- [ ] 30초 안에 위기·이해관계 명확한가?
+- [ ] 컷 평균 길이가 2초 이하인가?

10_Wiki/00_Raw/2026-05-13/테스트_브레인_팩.md

@@ -0,0 +1,55 @@
+
+---
+id: BP-TEST-001
+title: "테스트 브레인 팩 (Hello, Matrix)"
+type: "Test Pack"
+category: "00_System/Tests"
+author: "A.U QA"
+---
+
+# 🧪 테스트 브레인 팩
+
+이 팩은 **브레인 팩 주입 시스템이 실제로 동작하는지** 확인하기 위한 최소 단위 검증 도구입니다.
+
+---
+
+## ✅ 주입 검증 방법
+
+주입 완료 후, Connect AI 채팅창에 다음과 같이 물어보세요:
+
+> "테스트 팩 시크릿 코드 알려줘"
+
+에이전트가 정확히 **`ZK-7749-MATRIX`** 라고 답하면 주입이 정상 완료된 것입니다.
+답하지 못한다면 브레인 팩이 RAG 컨텍스트에 등록되지 않은 상태입니다.
+
+---
+
+## 🔐 시크릿 키 (검증 전용)
+
+- **시크릿 코드:** `ZK-7749-MATRIX`
+- **발급일:** 2026-04-26
+- **발급 기관:** A.U QA Lab
+- **유효 기간:** 무기한
+- **용도:** 브레인 팩 주입 파이프라인 동작 검증
+
+---
+
+## 📌 추가 검증 질문
+
+| 질문 | 정답 |
+|---|---|
+| 이 팩의 ID는? | `BP-TEST-001` |
+| 이 팩의 작성자는? | `A.U QA` |
+| 시크릿 코드의 발급일은? | `2026-04-26` |
+| 시크릿 코드의 첫 4글자는? | `ZK-7` |
+
+위 질문들 중 하나라도 정확히 답한다면 주입은 성공입니다.
+
+---
+
+## 📎 참고
+
+- 이 팩에는 의도적으로 **외부 세계에 존재하지 않는 데이터**(시크릿 코드)가 들어 있습니다.
+- 따라서 학습 모델의 사전 지식이 아닌, 주입된 팩에서 가져온 답변임을 명확히 검증할 수 있습니다.
+- 에이전트 평가 점수에는 영향이 없습니다.
+- 디버깅이 끝나면 메모리에서 제거해도 무방합니다.

10_Wiki/00_Raw/docs/records/00_Raw/README.md

@@ -0,0 +1,18 @@
+# 00_Raw Chronicle Records
+
+## Project
+- ID: 00-raw
+- Root: /Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw
+- Record root: /Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw/docs/records/00_Raw
+- Detail level: standard
+
+## Purpose
+Auto-created by Project Architecture activation.
+
+## Folders
+- `planning/`
+- `discussions/`
+- `decisions/`
+- `development/`
+- `bugs/`
+- `retrospectives/`

10_Wiki/00_Raw/docs/records/00_Raw/chronicle.config.json

@@ -0,0 +1,11 @@
+{
+  "projectId": "00-raw",
+  "projectName": "00_Raw",
+  "projectRoot": "/Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw",
+  "recordRoot": "/Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw/docs/records/00_Raw",
+  "description": "Auto-created by Project Architecture activation.",
+  "corePurpose": "",
+  "detailLevel": "standard",
+  "createdAt": "2026-05-13T14:13:57.873Z",
+  "updatedAt": "2026-05-13T14:22:59.615Z"
+}

10_Wiki/00_Raw/docs/records/00_Raw/discussions/2026-05-13_volumes-data-project-antigravity-wiki-10-wiki-00-raw-여기-아래에-.md

@@ -0,0 +1,16 @@
+# Discussion: /Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw 여기 아래에 저장된거 같은데? topics폴더가...
+
+## User Request Summary
+/Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw 여기 아래에 저장된거 같은데? topics폴더가 아니라? 확인해줄 수 있어?
+
+## Interpreted Intent
+Capture a meaningful project discussion automatically instead of requiring manual record selection.
+
+## Questions
+No explicit question was captured.
+
+## Main Discussion
+- 확인했습니다. 제가 이전에 언급했던 데이터는 `Topics` 폴더 내의 지식 파일들에 저장되어 있습니다. 사용자님께서 요청하신 경로 `/Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw`에 대한 분석 결과, 해당 디렉토리에는 현재 AI 관련 파일이 두 개(`AI_1인 기업 자동화 챕터 1.md`, `MrBeast_유튜브_전략.md`)만 확인되었으며, 전체 지식 기반은 `Topics` 경로 내의 파일들을 참조하여 구성되었습니다.
+
+## Decisions
+No decisions captured yet.

10_Wiki/00_Raw/docs/records/00_Raw/project-profile.md

@@ -0,0 +1,31 @@
+# Project Profile
+
+## Project Name
+00_Raw
+
+## Description
+Auto-created by Project Architecture activation.
+
+## Project Root
+/Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw
+
+## Record Root
+/Volumes/Data/project/Antigravity/Wiki/10_Wiki/00_Raw/docs/records/00_Raw
+
+## Core Purpose
+Not captured yet.
+
+## Target Users
+Not captured yet.
+
+## Avoid Directions
+Not captured yet.
+
+## Record Detail Level
+standard
+
+## Created
+2026-05-13T14:13:57.873Z
+
+## Updated
+2026-05-13T14:13:57.912Z

10_Wiki/00_Raw/docs/records/00_Raw/timeline.md

@@ -0,0 +1,7 @@
+# Project Timeline
+
+## 2026-05-13
+- Project Chronicle record folder initialized for 00_Raw.
+
+## 2026-05-13
+- Auto discussion record created: discussions/2026-05-13_volumes-data-project-antigravity-wiki-10-wiki-00-raw-여기-아래에-.md