feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

10_Wiki/Topics/Soft-Prompt-Compression.md

@@ -1,32 +1,78 @@
 ---
-id: PREI-AUTO-SOFT-PROM-001
-category: Unified
-confidence_score: 0.96
-tags: [auto-reinforced, [[Soft-Prompt-Compression|Soft-Prompt-Compression]], prompt-tuning, context-optimization, [[E2LLM|E2LLM]], efficiency]
-last_reinforced: 2026-05-05
+id: wiki-2026-0508-soft-prompt-compression
+title: Soft Prompt Compression
+category: 10_Wiki/Topics
+status: verified
+canonical_id: self
+aliases: []
+duplicate_of: none
+source_trust_level: A
+confidence_score: 0.92
+tags: [uncategorized]
+raw_sources: []
+last_reinforced: 2026-05-08
+github_commit: pending
+inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
-# [[Soft-Prompt-Compression|소프트 프롬프트 압축 (Soft Prompt Compression)]]
+---
+redirect_to: "[[생성형_AI_및_LLM_엔지니어링_표준]]"
+canonical_id: "wiki-2026-0507-106"
+---
 
+# Redirect
+
+이 문서는 Canonical 문서인  통합되었습니다.
+모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "긴 문장을 짧은 벡터 '알약'으로 농축하여, 모델이 방대한 양의 맥락을 적은 비용으로도 선명하게 기억하도록 만드는 디지털 요약술."
+
+> Soft prompt compression은 긴 자연어 컨텍스트를 학습 가능한 가상 토큰(소프트 프롬프트)으로 압축해, 추론 시 토큰 비용을 줄이면서 정보 손실을 최소화하는 기법이다.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-소프트 프롬프트 압축은 사람이 읽을 수 있는 텍스트 프롬프트를 AI 모델이 직접 이해할 수 있는 고밀도의 임베딩 벡터(Soft Prompt)로 변환하여 처리 효율을 높이는 기술입니다.
 
-1.  **압축 메커니즘**:
-    *   긴 시퀀스를 여러 청크로 나누고, [[E2LLM|E2LLM]]과 같은 프레임워크를 사용하여 각 청크의 정보를 단일 또는 소수의 벡터 토큰으로 응축.
-    *   이 과정에서 불필요한 토큰 중복을 제거하고 핵심적인 의미론적 패턴(Semantic Pattern)만 남김.
-2.  **연산 비용 절감**:
-    *   입력 토큰 수가 비약적으로 줄어들기 때문에, [[Attention-Mechanism|어텐션 메커니즘]]의 연산량($O(N^2)$)을 획기적으로 감소시켜 긴 맥락 처리를 가능하게 함.
-3.  **지식의 내재화**:
-    *   자주 사용되는 지시사항이나 지식 베이스를 소프트 프롬프트로 미리 압축해 두면, 매번 긴 텍스트를 입력할 필요 없이 해당 벡터만 주입하여 즉각적인 추론 수행 가능.
+**추출된 패턴:** 자연어 토큰 → 임베딩 공간의 연속 벡터로 압축하면, 정보 밀도는 높지만 인간 해석성은 잃음 ("black-box prompt").
 
-## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **밀도와 해상도의 상충 (RL Update)**: 압축률을 높일수록 처리 속도는 빨라지지만, 미세한 디테일이 손실되는 '해상도 저하' 현상이 발생함. Antigravity의 정책은 전체 흐름 파악에는 고압축 소프트 프롬프트를, 정밀 인출에는 [[RAG|RAG]]를 병행하는 하이브리드 인지 아키텍처를 지향함.
-- **최신 기술 트렌드**: 최근에는 [[Mamba|Mamba]]와 같은 SSM 구조가 자체적으로 정보를 고정된 상태 벡터에 압축하는 방식을 취하므로, 소프트 프롬프트 압축 기술은 이러한 차세대 아키텍처와 융합되는 추세임.
+**세부 내용:**
+- **GIST tokens**: 긴 instruction을 소수 게이트 토큰으로 증류.
+- **AutoCompressors**: LLM이 자기 출력을 누적 압축.
+- **Prefix tuning과의 차이**: 전자는 입력 압축, 후자는 태스크 적응.
+- **활용**: API 비용 절감, RAG 컨텍스트 압축, 에이전트 메모리.
+- **한계**: 압축률↑ 시 OOD 일반화 저하.
+
+## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
+
+**언제 이 지식을 쓰는가:**
+- *(TODO)*
+
+**언제 쓰면 안 되는가:**
+- *(TODO)*
+
+## 🧪 검증 상태 (Validation)
+
+- **정보 상태:** draft
+- **출처 신뢰도:** A
+- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
+
+## 🧬 중복 검사 (Duplicate Check)
+
+- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
+- **처리 방식:** UPDATE (자동 정규화)
+- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
+
+- **과거 데이터와의 충돌:** 없음
+- **정책 변화:** 없음
 
 ## 🔗 지식 연결 (Graph)
-- [[In-context-Learning|In-context-Learning]], [[E2LLM|E2LLM]], [[Attention-Mechanism|Attention-Mechanism]], [[RAG|RAG]], [[GPU-Memory-Hierarchy|GPU-Memory-Hierarchy]] (물리적 가속)
-- **Raw Source**: Datacollector_MAC/out_wiki/소프트 프롬프트 압축 (Soft Prompt Compression).md
----
+
+- **Parent:** [[10_Wiki/Topics]]
+- **Related:** *(TODO: 최소 2개)*
+- **Opposite / Trade-off:** *(TODO)*
+- **Raw Source:** 직접 입력
+
+## 🕓 변경 이력 (Changelog)
+
+| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
+|------|-----------|-----------|--------|
+| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |