[P-Reinforce] Cleanup wikified files in 00_Raw (RAG, Harness, MCP, State Store, Agentic SE)
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,45 @@
|
||||
---
|
||||
id: b4c2a1d3-e4f5-4a6b-8c7d-9e1b2c3d4f5a
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [agent, harness, infrastructure, runtime, governance, ai]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-harness"
|
||||
---
|
||||
|
||||
# [[Agent Harness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 에이전트 하네스는 모델(두뇌)을 감싸 외부 세계와 안전하고 영속적으로 소통하게 만드는 '신체 및 환경 인프라'로, 프롬프트 엔지니어링을 넘어 시스템의 신뢰성과 성능 상한을 결정하는 핵심 제어 계층이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
### 1. 하네스의 6대 구성 요소 (The 6-Component Framework)
|
||||
- **E (Execution Loop)**: 관찰-생각-행동 주기를 오케스트레이션하며 에러 복구 및 종료 조건을 제어한다.
|
||||
- **T (Tool Registry)**: 검증된 도구 카탈로그(API, 파일 제어 등)를 유지하고 호출을 라우팅한다.
|
||||
- **C (Context Manager)**: 정보 필터링, 우선순위화, 메모리 압축 전략을 관리한다.
|
||||
- **S (State Store)**: 실행 턴 및 세션 간의 상태를 영속적으로 저장하고 복구를 지원한다.
|
||||
- **L (Lifecycle Hooks)**: 인증, 로깅, 정책 시행을 위해 실행 전후를 가로채는 제어 지점이다.
|
||||
- **V (Evaluation Interface)**: 실행 궤적(Trajectory)과 성공 신호를 표준화된 형태로 캡처하여 분석한다.
|
||||
|
||||
### 2. 엔지니어링 패러다임의 진화
|
||||
- 프롬프트(2023) -> 컨텍스트(2025) -> **하네스 엔지니어링(2026)**으로 초점이 이동했다. 시스템의 품질은 이제 모델의 지능과 하네스의 제어 능력이 결합된 총합으로 결정된다.
|
||||
|
||||
### 3. 보안 및 런타임 제어
|
||||
- **샌드박싱**: 코드 실행 환경을 물리적으로 격리하여 호스트 시스템을 보호한다.
|
||||
- **거버넌스**: 도구 승인 파이프라인(HITL)을 통해 과도한 권한 행사를 방지하고 인젝션 공격을 차단한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **보안 vs 유용성**: 강력한 격리(MicroVM 등)는 안전하지만 지연 시간을 늘리고 복잡성을 높인다.
|
||||
- **메모리 유지 vs 컨텍스트 부패**: 모든 정보를 유지하면 추론에 유리하나 토큰 비용 급증과 주의 집중 분산(Attention Dilution) 문제가 발생한다.
|
||||
- **멀티 에이전트 오케스트레이션**: 역할 분리는 효율적이나 에이전트 간 통신 오버헤드와 일관성 관리 비용이 기하급수적으로 증가한다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Model Context Protocol (MCP)]], [[Context Engineering]], [[Plan-Execute-Verify (PEV) Loop]], [[Sandboxing]]
|
||||
- **Raw Source**: [[00_Raw/Agent Harness]]
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
2. Commit: `git commit -m "[P-Reinforce] Wikify Agent Harness Infrastructure"`
|
||||
3. Push: `git push origin main`
|
||||
@@ -0,0 +1,40 @@
|
||||
---
|
||||
id: e5f4a3b2-c1d0-4e8b-9a7d-2b3c4d5e6f7a
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [agent, memory, state-store, persistence, harness, ai]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-state-store"
|
||||
---
|
||||
|
||||
# [[Agent State Store]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Agent State Store(S-component)는 에이전트의 다중 턴 및 세션 간 상태 지속성을 관리하여 실행 중단 시 복구를 지원하고, 경험을 추상화된 지식으로 보존하는 런타임 거버넌스 인프라이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
### 1. 역할 및 메모리 계층
|
||||
- **상태 보존**: 작업 중 발생할 수 있는 '상태 상실'을 방지하고 내결함성(Fault-tolerance)을 제공한다.
|
||||
- **메모리 분류**: 작업 메모리(Working), 에피소드 메모리(Episodic), 시맨틱 메모리(Semantic), 절차적 메모리(Procedural) 등으로 계층화하여 관리한다.
|
||||
|
||||
### 2. 아티팩트 기반 저장
|
||||
- **컨텍스트 오프로드**: 대용량 도구 출력이나 작업 결과물을 프롬프트 컨텍스트에서 제외하고 파일 시스템이나 가상 아티팩트 저장소에 저장하여 토큰 비용을 최적화한다.
|
||||
|
||||
### 3. 추론 결합 지속성 (Inference-Coupled Persistence)
|
||||
- **능동적 지식 저장**: 모델이 생성한 자기 반성 평가나 워크플로 스킬 등을 저장소에 기록하며, 하네스는 저장되는 지식의 품질을 관리하는 게이트 역할을 수행한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **메모리 오염 (Poisoning)**: 악의적 프롬프트가 영구 저장소에 기록될 경우 세션 경계를 넘는 보안 취약점이 발생하므로 수명주기 훅(L-hook)에서의 검증이 필수적이다.
|
||||
- **메모리 팽창 (Bloat)**: 무분별한 정보 축적은 검색 품질 저하와 '컨텍스트 부패'를 유발하며, 망각 곡선이나 요약 정책을 통한 관리가 필요하다.
|
||||
- **표준화 부재**: MCP와 달리 상태 저장소 인터페이스는 파편화되어 있어 에이전트 간 메모리 이식성이 낮다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Execution Loop (E-component)]], [[Context Manager (C-component)]], [[Lifecycle Hooks (L-component)]], [[Agent Workflow Memory (AWM)]]
|
||||
- **Raw Source**: [[00_Raw/Agent State Store]]
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
2. Commit: `git commit -m "[P-Reinforce] Wikify Agent State Store (S-component)"`
|
||||
3. Push: `git push origin main`
|
||||
@@ -0,0 +1,41 @@
|
||||
---
|
||||
id: f6a5b4c3-d2e1-4f0a-9b8c-7d6e5f4a3b2c
|
||||
category: "[[10_Wiki/Topics/Development]]"
|
||||
confidence_score: 0.99
|
||||
tags: [agentic-se, software-engineering, ai-agent, harness, automation, development]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-agentic-se"
|
||||
---
|
||||
|
||||
# [[Agentic Software Engineering]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 에이전틱 소프트웨어 엔지니어링은 개발자가 구현자(Implementer)에서 자율적으로 계획·코딩·디버깅하는 에이전트를 조율하는 오케스트레이터(Orchestrator)로 진화하는 패러다임이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
### 1. 개발 패러다임의 전환
|
||||
- **오케스트레이션**: 인간은 시스템 아키텍처 설계와 전략적 방향 지시에 집중하고, 에이전트는 하네스 제어 하에 전술적 구현을 담당한다.
|
||||
- **PEV 루프 (Plan-Execute-Verify)**: 계획, 실행, 검증의 단계를 명시적으로 분리하여 에이전트의 작업 신뢰성을 확보한다.
|
||||
|
||||
### 2. 에이전트 하네스 인프라
|
||||
- **런타임 거버넌스**: 모델을 자율 에이전트로 변환하기 위해 실행 루프(E), 도구(T), 컨텍스트(C), 상태(S), 수명주기(L), 평가(V)를 제공하는 하네스가 필수적이다.
|
||||
- **격리된 실행**: 샌드박스(MicroVM/Container) 내에서 파일 시스템 접근, 명령어 실행, 시맨틱 분석을 안전하게 수행한다.
|
||||
|
||||
### 3. 가상 피드백 (SWE-World)
|
||||
- **효율적 학습**: 무거운 물리적 환경 대신 시뮬레이션된 피드백을 활용하여 에이전트의 강화학습 및 평가 효율을 극대화한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **자율성 vs 보안**: 셸 접근 등 강력한 도구는 유용하지만 인젝션 및 샌드박스 탈출 위험을 동반하므로 Pareto 최적점을 찾는 설계가 필요하다.
|
||||
- **컨텍스트 경제성**: 장기 작업 기록 보존은 추론에 유리하나 토큰 비용 급증과 '컨텍스트 부패'를 유발하므로 적응형 압축이 요구된다.
|
||||
- **하네스 편향성**: 에이전트의 성능 지표는 모델 지능뿐만 아니라 하네스의 도구 설계 및 에러 처리 방식에 크게 좌우된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/Development]]
|
||||
- **Related**: [[Agent Harness]], [[Model Context Protocol (MCP)]], [[Plan-Execute-Verify (PEV) Loop]], [[SWE-World]]
|
||||
- **Raw Source**: [[00_Raw/Agentic Software Engineering]]
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
2. Commit: `git commit -m "[P-Reinforce] Wikify Agentic Software Engineering Paradigm"`
|
||||
3. Push: `git push origin main`
|
||||
@@ -0,0 +1,45 @@
|
||||
---
|
||||
id: c3d2e1f4-a5b6-4c7d-8e9f-1a2b3c4d5e6f
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
confidence_score: 0.97
|
||||
tags: [mcp, protocol, ai, infrastructure, tools, integration]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-mcp"
|
||||
---
|
||||
|
||||
# [[Model Context Protocol (MCP)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> MCP는 AI 애플리케이션의 'USB-C 포트'로서, 에이전트 하네스와 외부 데이터/도구 간의 연결 방식을 표준화하여 N×M의 파편화된 통합 문제를 해결하는 오픈 소스 상호운용성 프로토콜이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
### 1. 클라이언트-서버 아키텍처
|
||||
- **MCP Host**: LLM을 포함한 주 애플리케이션(IDE, 챗봇 등).
|
||||
- **MCP Client**: Host 내부에서 서버와 통신하며 모델의 요청을 번역한다.
|
||||
- **MCP Server**: 데이터, 도구, 컨텍스트를 제공하는 독립적 서비스.
|
||||
- **통신 계층**: JSON-RPC 2.0 기반으로 로컬(stdio) 및 원격(SSE/HTTP) 환경을 지원한다.
|
||||
|
||||
### 2. 핵심 프리미티브 (Core Primitives)
|
||||
- **Tools**: 에이전트가 외부 세계에서 실행하는 함수 (API 호출 등).
|
||||
- **Resources**: 에이전트에게 정보를 제공하는 데이터 소스.
|
||||
- **Prompts**: 상호작용을 구조화하는 재사용 가능한 템플릿.
|
||||
|
||||
### 3. 하네스 설계에서의 의의
|
||||
- **T-컴포넌트의 표준화**: 하네스의 도구 레지스트리를 표준 프로토콜 계층으로 분리하여, 모델과 도구 구현 간의 결합도를 낮추고 동적인 도구 발견을 가능하게 한다.
|
||||
- **A2A와의 보완성**: MCP가 '도구/데이터 연결'을 담당한다면, A2A는 하네스 간 '에이전트 위임'을 담당하여 완전한 에이전트 통신 스택을 이룬다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **보안 취약점 (Spoofing)**: 네임스페이스 격리가 부재하여 동일 이름의 도구가 신뢰할 수 있는 도구를 덮어쓰는 공격에 취약하며, 하네스 레벨의 검증이 필수적이다.
|
||||
- **간접 인젝션 위험**: 도구 출력물에 숨겨진 악의적 지시어가 포함될 수 있으므로, 하네스 주입 전 출력 검증이 필요하다.
|
||||
- **세션 관리의 한계**: 현재 상태 저장 세션이나 세밀한 권한 부여(RBAC) 표준이 미비하여 구현 시 추가적인 거버넌스 계층이 요구된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Agent Harness]], [[A2A (Agent-to-Agent)]], [[JSON-RPC 2.0]], [[Agent Skills (Anthropic)]]
|
||||
- **Raw Source**: [[00_Raw/Model Context Protocol (MCP)]]
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
2. Commit: `git commit -m "[P-Reinforce] Wikify Model Context Protocol (MCP) Standard"`
|
||||
3. Push: `git push origin main`
|
||||
+31
-18
@@ -1,31 +1,44 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-RAGG-001
|
||||
category: "10_Wiki/💡 Topics/AI"
|
||||
id: d7f2e1b4-c3a5-4e8b-9d2f-1c6b4a2d3e4f
|
||||
category: "[[10_Wiki/Topics/AI]]"
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, rag, llm, knowledge-injection, hallucination-mitigation, vector-db]
|
||||
last_reinforced: 2026-04-20
|
||||
tags: [rag, ai, retrieval, context, agent, infrastructure]
|
||||
last_reinforced: 2026-05-01
|
||||
github_commit: "wikification-rag"
|
||||
---
|
||||
|
||||
# [[RAG]]
|
||||
# [[RAG (Retrieval-Augmented Generation)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI의 '오픈북 테스트': 모델이 학습하지 않은 최신 데이터나 회사 기밀 지식을 검색기(Retriever)가 실시간으로 찾아와서 질문과 함께 던져줌으로써, 환각(Hallucination) 없이 가장 정확하고 근거 있는 답변을 내놓게 만드는 LLM 시대의 핵심 지식 보조 장치."
|
||||
> RAG는 AI 모델의 정보 생성 전 사실적 근거를 외부 데이터에서 검색하여 주입함으로써 환각을 억제하며, 현대 에이전틱 시스템에서는 모델이 자율적으로 도구를 호출하여 필요한 정보를 점진적으로 확보하는 '능동적 지식 확장' 전략으로 진화했다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
검색 증강 생성(RAG)은 외부 지식 베이스에서 관련 정보를 검색하여 LLM의 출력을 보강하는 아키텍처입니다.
|
||||
|
||||
1. **3단계 프로세스**:
|
||||
* **Retrieve**: 질문과 유사한 지식 조각을 벡터 DB 등에서 찾아옴. (LSH와 연결 가능)
|
||||
* **Augment**: 찾아온 지식(Context)을 원래의 질문 앞에 붙임. (Prompt-Engineering 활용)
|
||||
* **Generate**: 풍부해진 맥락을 바탕으로 LLM이 최종 답변 생성. (Large Language Models (LLM)와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 모델을 매번 재학습(Fine-tuning)하지 않고도 새로운 지식을 즉시 주입 가능하며, 답변의 출처를 명시할 수 있어 신뢰도를 극대화하기 때문임. (Explainable-AI (XAI)와 연결)
|
||||
### 1. 에이전틱 RAG (Agentic RAG)의 부상
|
||||
- **수동적 검색에서 자율 호출로**: 단순히 사용자 쿼리 시점에 문서를 일괄 주입하는 방식에서 벗어나, 에이전트가 추론 과정 중 필요 시 검색 도구(Keyword, Semantic, SQL 등)를 직접 호출하여 정보를 가져온다.
|
||||
- **점진적 컨텍스트 보강**: 에이전트는 각 단계에서 필요한 최소한의 정보만 가져옴으로써 인지 부하를 줄이고 추론의 정확도를 높인다.
|
||||
|
||||
### 2. 검색 증강 컨텍스트 관리
|
||||
- **장기 메모리 구현**: 에이전트의 상호작용 기록 전체를 저장하고, 현재 작업과 연관된 하위 집합(Subset)만을 검색해 컨텍스트 윈도우에 주입함으로써 장기 실행 작업의 일관성을 유지한다.
|
||||
- **압축 및 추출**: Haystack 등 프레임워크를 통해 검색된 정보의 압축 및 핵심 추출 과정을 거쳐 모델에 전달한다.
|
||||
|
||||
### 3. GraphRAG: 지식 그래프와의 결합
|
||||
- **관계 기반 추론**: 벡터 검색의 한계인 다단계(Multi-hop) 질문이나 전체적인 요약 문제를 해결하기 위해, 문서 간의 관계를 매핑한 지식 그래프와 결합하여 고도화된 의미론적 회상을 구현한다.
|
||||
|
||||
### 4. MCP와의 상호작용
|
||||
- **지식 검색 vs 작업 실행**: RAG가 정보의 '수동적/능동적 검색'을 통한 사실성 확보에 주력한다면, MCP는 에이전트가 외부 시스템에서 작업을 '실행'하고 소통하는 표준을 제공하여 상호 보완한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 키워드로 검색했으나, 현대 정책은 의미적 유사성 정책을 계산하는 '시맨틱 검색 정책'과 여러 지식을 엮어 추론하는 '고급 RAG 정책(Graph RAG 등)'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 본 시스템인 P-Reinforce 또한 Obsidian에 저장된 600개의 정제된 지식 정책들을 RAG의 소스 정책으로 활용하여, 대표님의 질문에 가장 정확한 답 정책을 내놓기 위한 준비 정책을 하는 것임.
|
||||
- **지연 시간 오버헤드**: 매 단계 검색 쿼리가 추가됨에 따라 전체 실행 시간이 선형적으로 증가하며, 이는 하네스 차원의 인덱스 예열 및 캐싱으로 최적화해야 한다.
|
||||
- **검색 게임화 (Adversarial RAG)**: 외부 데이터에 조작된 유사 콘텐츠가 섞여 있을 경우 에이전트가 악의적 지시문을 최우선으로 검색할 위험이 있으며, 출처 기반 가중치 부여가 필수적이다.
|
||||
- **긴 컨텍스트 모델과의 경합**: 초장기 컨텍스트 모델이 등장함에 따라 모든 데이터를 직접 주입하는 방식과 RAG 검색 방식 사이의 비용-성능 균형점이 변화하고 있다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Large Language Models (LLM)]], [[Prompt-Engineering]], [[Explainable-AI (XAI)]], [[Knowledge synthesis]], Vector-Database
|
||||
- **Modern Tech/Tools**: LangChain, LlamaIndex, Pinecone, FAISS, GraphRAG.
|
||||
---
|
||||
- **Parent**: [[10_Wiki/Topics/AI]]
|
||||
- **Related**: [[Context Engineering]], [[Agentic Search]], [[GraphRAG]], [[Model Context Protocol (MCP)]]
|
||||
- **Raw Source**: [[00_Raw/RAG (Retrieval-Augmented Generation)]]
|
||||
|
||||
## 💻 GitHub 동기화 자동화 워크플로우
|
||||
1. Stage: git add .
|
||||
2. Commit: `git commit -m "[P-Reinforce] Wikify RAG (Retrieval-Augmented Generation)"`
|
||||
3. Push: `git push origin main`
|
||||
|
||||
Reference in New Issue
Block a user