bluemsi/2nd
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거

Browse Source 
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를
Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류.

- 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로
  자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거,
  동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거.
- 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming,
  Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business,
  Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로,
  나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는
  title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백).
  원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지.
- 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서.
- 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는
  지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지.
- Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경.
- 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
2026-07-05 00:33:48 +09:00
parent 1cfd3bbb56
commit 9148c358d0
6455 changed files with 1 additions and 86875 deletions
Download Patch File Download Diff File Expand all files Collapse all files
10_Wiki/Topic_General/From_Topics_Root/ASTRA 기능 인벤토리.md
+250
View File
@@ -0,0 +1,250 @@
---
type: reference
title: "ASTRA 기능 인벤토리 (자동 생성)"
version: "2.2.260"
generated_at: 2026-07-04T14:59:10.793Z
aliases: ["ASTRA 기능 목록", "ASTRA 명령어", "내 기능", "ASTRA가 할 수 있는 것", "기능 인벤토리", "ASTRA capabilities"]
---
# ASTRA 기능 인벤토리 — v2.2.260 (자동 생성)
> ⚙️ 이 문서는 Astra 활성화 시 **소스 코드(package.json)에서 기계 생성**됩니다 — 수동 편집 금지 (버전 변경 시 덮어씀).
> 자기 기능에 대한 질문·자기 개선 제안은 이 문서가 **항상 현행** 근거입니다. 서사적 설명은 [[ASTRA 자기 아키텍처]] 참고.
## 사용자 명령 (39개)
- Astra: New Chat
- Astra: 검색 평가 실행 (recall@k / MRR)
- Astra: 업무 평가 실행 (회의록 골든셋)
- Astra: 성장 리포트 (Reflection 추이)
- Astra: 학습 큐 갱신 (Need Engine)
- Astra: 지식 노후 점검 (Knowledge Decay)
- Astra: 학습 실행 (Research Agent — 승인된 큐 항목)
- Astra: 주간 성장 사이클 지금 실행 (평가→학습큐→노후점검→승인분 실행)
- Astra: 두뇌 임베딩 전체 색인
- Astra: 지식 사전 소화 지금 실행 (Sleep-time Digest)
- Astra: 지식 충돌 스캔 지금 실행 (신규 문서 ↔ 기존 지식)
- Astra: Export Chat as Markdown
- Astra: Explain Selected Code
- Astra: Focus Chat Input
- Astra: Show Brain Topology
- Astra: Focus Approval Panel
- Astra: Scaffold New Project
- Astra: Set Telegram Bot Token
- Astra: Clear Telegram Bot Token
- Astra: Test Telegram Connection
- Astra: Open Settings Panel
- Astra: Edit Agent ↔ Knowledge Map
- Astra: Open Chat (Editor Column)
- Astra: Setup Datacollect Dependencies (yt-dlp, youtube-transcript-api)
- Astra: New Lesson (Experience Memory)
- Astra: New Lesson from Current Conversation
- Astra: Browse / Manage Lessons
- Astra: Refresh Project Architecture Context
- Astra: Detach Project Architecture Context
- Astra: Attach Project Architecture Context
- Astra: Open Project Architecture Doc
- Astra: Toggle 1인 기업 Mode
- Astra: Manage 1인 기업 Agents
- Astra: Open 1인 기업 Sessions Folder
- Astra: Open Pixel Office (Full Screen)
- Astra: Google Calendar (iCal) 연결 📅
- Astra: Google Calendar 새로고침 📅
- Astra: Google Calendar OAuth 연결 (쓰기) 🔐
- Astra: Toggle Devil Agent 🎭
## 설정으로 제어되는 동작·자동화 (155개)
- `multiAgentEnabled` — Enable Multi-Agent Workflow (Planner -> Researcher -> Writer) for complex tasks.
- `datacollectBridgeTarget` — Datacollect 백엔드(Bridge)를 어디로 보낼지 선택.
- `datacollectBridgeUrl` — local 타깃 Wiki/Datacollect MCP Bridge URL.
- `datacollectBridgeNasUrl` — nas 타깃 NAS에서 도는 경량 Bridge URL (예: https://your-nas-domain 또는 http://nas-ip:3002).
- `datacollectBridgeNasToken` — nas 타깃 NAS Bridge가 요구하는 x-bridge-token 값(Bridge의 BRIDGE_AUTH_TOKEN과 일치).
- `datacollectSavePath` — /benchmark 등 Datacollect slash 명령 결과물(markdown)을 저장할 폴더.
- `datacollectCrawlDepth` — /benchmark 사이트맵 크롤 깊이 기본값.
- `datacollectMaxPages` — /benchmark 스캔 최대 페이지 수 기본값.
- `datacollectSynthesisTemperature` — /benchmark LLM 4-렌즈 합성의 temperature.
- `chatTemperature` — 채팅 응답 생성의 temperature.
- `meetUsesTasks` — /meet 액션 아이템을 Google Tasks 에도 등록할지 여부.
- `meetUsesCalendar` — /meet 액션 아이템을 Google Calendar 일정(all-day)으로도 등록할지 여부.
- `meetVerifyPass` — /meet 회의록 생성 후 검증 패스 실행 여부(기본 ON).
- `meetTeamRoster` — /meet 화자 정규화용 회사 표준 팀/역할 분류(쉼표 구분).
- `dailyBriefing.enabled` — 데일리 브리핑 — 평일(월~금) 지정 시각에 오늘의 캘린더 일정 + Google Tasks(오늘 마감·기한 경과·조건부 대기)를 텔레그램으로 발송.
- `dailyBriefing.time` — 데일리 브리핑 발송 시각 (KST, HH:MM).
- `sleepDigest.enabled` — Sleep-time 지식 사전 소화 — 매일 지정 시각(유휴 시간)에 최근 7일 내 변경된 두뇌 지식을 폴더별 '소화 노트'(<두뇌>/Digests/)로 변환합니다
- `sleepDigest.time` — 사전 소화 실행 시각 (KST, HH:MM).
- `growthCycle.enabled` — 주간 성장 사이클 — 매주 지정 요일·시각에 검색 평가(골든셋)→학습 큐 갱신(Need Engine)→지식 노후 점검→성장 리포트→승인된 학습 자동 실행(Research Agent, 사이클당 최대 3건)을 자동 수행하고 요약을 알림(+텔레그램).
- `growthCycle.day` — 주간 성장 사이클 실행 요일 (0=일 … 6=토).
- `growthCycle.time` — 주간 성장 사이클 실행 시각 (KST, HH:MM).
- `growthCycle.autoRunApproved` — 사이클에서 approved 상태의 학습 큐 항목을 Research Agent 로 자동 실행할지 (사이클당 최대 3건).
- `teamVoiceGuide` — /draft 외부 커뮤니케이션 초안 작성 시 모든 생성에 적용되는 팀 보이스 가이드.
- `memoryEnabled` — Enable layered memory injection before each model response.
- `memoryShortTermMessages` — Number of recent conversation messages included as short-term memory.
- `memoryMediumTermSessions` — Number of recent saved chat sessions included as medium-term memory.
- `memoryLongTermFiles` — Number of relevant Second Brain markdown files included as long-term memory.
- `ollamaUrl` — Base URL for Ollama or LM Studio.
- `defaultModel` — Default model name to use for chat requests.
- `requestTimeout` — Request timeout in seconds.
- `contextLength` — Model context window in tokens (prompt + generation combined).
- `maxOutputTokens` — Upper bound on tokens generated per response.
- `contextSafetyMargin` — Tokens kept free as a safety buffer for token-count estimation error.
- `contextOverflowPolicy` — Fallback behavior (LM Studio) if the prompt still exceeds the context window after Astra's own budgeting.
- `autoCompactHistory` — Automatically drop the oldest conversation messages from the request when the prompt would exceed the context budget (the on-screen chat history is unaffected).
- `smallModelContextCap` — Optional safety knob, OFF by default (0).
- `largeInputMapReduce` — When a single message is too large to fit the model's context window, split it into chunks, extract only the request-relevant facts from each (no hallucination/
- `mapReduceTriggerRatio` — Map-reduce kicks in when a single message exceeds (effective context window × this ratio).
- `mapReduceConcurrency` — How many chunk extractions run in parallel.
- `mapReduceMaxDepth` — Maximum hierarchical-integration depth when the combined extractions still overflow the window.
- `mapReduceShowProvenance` — Tag each extracted block with its source chunk (조각 k) so the final answer can be traced back to the part of the input it came from.
- `autoContinueOnOutputLimit` — When a reply is cut off because it hit the output-token limit, Astra continues it internally (compressed request — original question + the answer so far, not th
- `maxAutoContinuations` — Maximum number of automatic continuation rounds per reply (prevents runaway loops).
- `finalOnlyRetryOnThoughtLeak` — If the model emits only hidden reasoning (<think>, <|channel|>thought, "Thinking Process:" …) and no user-visible answer, Astra silently re-asks it for the fina
- `lmStudio.idleTimeoutMs` — Auto-eject the loaded LM Studio model after this many milliseconds of inactivity.
- `lmStudio.autoLoadOnSelect` — Automatically load LM Studio models into memory when selected from the Astra sidebar.
- `lmStudio.sampling.topP` — Nucleus sampling cutoff.
- `lmStudio.sampling.topK` — Top-K sampling cutoff.
- `lmStudio.sampling.minP` — Min-P floor — discards tokens with probability below this fraction of the top token.
- `lmStudio.sampling.repeatPenalty` — Repeat / frequency penalty to curb stutter (것입니다서입니다…).
- `lmStudio.statsInBudget` — Show token/s and time-to-first-token from LM Studio prediction stats in the context-budget badge after each turn (SDK path only).
- `lmStudio.draftModel` — Speculative decoding LM Studio model key of a small draft model (e.g.
- `lmStudio.load.flashAttention` — Load option Enable Flash Attention when loading models.
- `lmStudio.load.gpuOffloadRatio` — Load option How much of the model to offload to GPU.
- `lmStudio.load.offloadKVCacheToGpu` — Load option Keep KV cache on GPU memory.
- `lmStudio.load.keepModelInMemory` — Load option Prevent the model from being swapped out of system memory.
- `lmStudio.load.useFp16ForKVCache` — Load option Store KV cache in FP16 (halves cache memory).
- `lmStudio.load.evalBatchSize` — Load option Token batch size during evaluation.
- `localBrainPath` — Folder path for your local Second Brain knowledge base.
- `brainProfiles` — Multiple brain profiles.
- `activeBrainId` — Active brain profile id used for the current chat context.
- `secondBrainRepo` — Optional GitHub repository URL used for Second Brain sync.
- `autoPushBrain` — Automatically commit and push Second Brain changes after updates.
- `maxContextSize` — Maximum character count for active file context.
- `maxAutoSteps` — Maximum autonomous steps the agent can take per request.
- `dryRun` — If enabled, the agent will ask for approval before committing any file changes.
- `telegram.enabled` — Enable the Telegram bot integration.
- `telegram.allowedChatIds` — Optional allowlist of Telegram chat IDs that may message the bot.
- `telegram.defaultAgent` — Agent name (matches an entry in the Agent ↔ Knowledge map) used to scope Second Brain retrieval for Telegram replies.
- `telegram.agentByChatId` — Per-chat override of the Telegram agent.
- `telegram.contextChunks` — How many Second Brain excerpts to inject into Telegram replies.
- `skillKnowledgeMapPath` — Absolute path to the agent ↔ knowledge mapping JSON.
- `skillKnowledgeMap` — Inline fallback for the agent ↔ knowledge mapping.
- `agentSkillsPath` — Absolute path to the agent skills folder (.agent/skills/*.md).
- `embeddingModel` — Embedding model registered in LM Studio / Ollama (e.g.
- `embeddingBlendAlpha` — Hybrid score blend: 0 = pure TF-IDF (sparse / keyword), 1 = pure embedding cosine (dense / semantic), 0.5 = balanced.
- `chunkLevelRetrieval` — 섹션 청크 단위 검색 (Phase 1-가).
- `chunkTargetChars` — 섹션 청크의 목표 길이(문자).
- `conflictHighlightingEnabled` — Conflict Surface — 검색된 출처에서 충돌/논란 신호 감지 시 CONFLICT WARNINGS 블록을 시스템 프롬프트에 주입.
- `conflictSeverityThreshold` — Conflict 자기-신호 surface 시 최소 severity 임계.
- `conflictCrossDocEnabled` — 교차-문서 발산 감지 — 같은 주제 ≥2 chunks 의 본문 Jaccard < 0.30 인 잠재 모순 쌍을 CONFLICT WARNINGS 에 함께 표시.
- `coveEnabled` — Chain-of-Verification (CoVe) — 답변 *작성 전* 그라운딩 체크리스트를 시스템 프롬프트에 주입해 모델이 self-verify 하도록.
- `requirementGraphEnabled` — Requirement Graph — 업무 유형(회의록/시장조사/업무조사/일정) 감지 시 필수 요소 체크리스트를 시스템 프롬프트에 주입.
- `requirementCoverageEnabled` — Requirement Coverage Check — 답변 완료 후 업무 필수 요소 커버리지를 결정론적(정규식)으로 검사, 누락 가능 요소를 footer 한 줄로 표시.
- `epistemicGuardEnabled` — Epistemic Guard — 모름/추정/확실 3분류를 강제하는 시스템 프롬프트 블록.
- `confidenceEngineEnabled` — Confidence Engine — 답변 확신도 0~100 을 검색 그라운딩·출처 인용·충돌·커버리지 신호로 결정론적 산출, 업무 답변 아래 footer 표시.
- `escalationEnabled` — Escalation Engine — 확신도 낮음/출처 충돌/조사 출처 누락 시 footer 로 사람 검토를 명시적으로 요청.
- `criticLoopEnabled` — Critic Loop — 커버리지 누락 또는 확신도<70 인 업무 답변에만 LLM 검수 1회 실행, 발견 이슈와 보완 제안을 footer 카드로 표시.
- `reflectionEnabled` — Reflection — 업무 turn 회고(확신도·누락 요소·에스컬레이션)를 두뇌 .astra/growth/reflections.jsonl 에 기록.
- `orgMemoryEnabled` — Organizational Memory — 두뇌 .astra/organization.md 의 조직 규칙·업무 방식·선호를 시스템 프롬프트에 항상 주입.
- `coveTopSourcesCount` — CoVe 체크리스트에 나열할 상위 출처 개수.
- `coveStrictMode` — CoVe Strict 모드 — 모든 사실 주장 뒤에 출처 ID S1 형식으로 inline 인용 강제.
- `actionabilityEnabled` — Actionability Scoring — '현재 작업 상태' 신호(최근 슬래시 명령 + 열린 파일) 로 검색 결과를 재가중.
- `distillationEnabled` — Distillation Loop — stale Episodic Memory 를 LongTerm 'episode-digest' 로 승급해 검색 노이즈 방지.
- `distillationAgeThresholdDays` — 며칠 이상 지난 episode 를 distill 대상으로 할지.
- `distillationIntervalDays` — 자동 distillation 의 최소 간격 (일).
- `distillationArchiveMode` — Distillation 후 원본 episode 처리: 'mark-promoted'=플래그만 (파일 보존, 기본), 'archive-file'=memory/episodes/archive/ 로 파일 이동.
- `hierarchicalReweightEnabled` — Hierarchical Context Window — 질의·문서 추상도(concrete/operational/strategic) 매칭으로 검색 결과 재가중.
- `semanticRerankEnabled` — Semantic Re-ranking — 검색된 selectedChunks 의 순서를 LLM 한 번 호출로 의도-부합도 순 재정렬.
- `semanticRerankModel` — Semantic Re-ranking 전용 모델 ID.
- `semanticRerankCandidateK` — Re-rank 대상 상위 후보 개수.
- `semanticRerankTimeoutSec` — Re-rank LLM 호출 타임아웃 (초).
- `intentClarificationEnabled` — Intent Clarification — 모호 질의(환경/대상/범위/포맷/마감 누락) 감지 시 LLM 에게 추측 답변보다
- `intentClarificationStrictness` — 모호 판정 임계.
- `citationTraceEnabled` — Citation Trace — 답변 끝에 사용된 출처를 *출처:* 한 줄로 정리 지시.
- `selfCheckEnabled` — Post-hoc Self-Check — 답변 완료 후 별도 LLM 호출 1회로 검증 (답변 직접도/그라운딩/논리 모순).
- `selfCheckModel` — Self-check 전용 모델 ID.
- `selfCheckTimeoutSec` — Self-check LLM 호출 타임아웃 (초).
- `glossaryEnabled` — Terminology Dictionary — 사용자 편집 글로서리(.astra/glossary.md) 를 시스템 프롬프트에 주입.
- `glossaryPath` — Glossary 파일 상대 경로 (workspace root 기준).
- `glossaryMaxBodyLength` — Glossary 본문 시스템 프롬프트 cap (chars).
- `termValidatorEnabled` — Post-gen Term Validator — 답변 완료 후 글로서리 forbidden 단어 결정론적 정규식 스캔.
- `knowledgeMix.secondBrainWeight` — Knowledge Mix (0–100): how heavily the assistant should lean on Second Brain evidence vs.
- `workflow.multiAgentMode` — Multi-Agent(5단계) 파이프라인 발동 모드.
- `workflow.autoCtxFractionThreshold` — workflow.multiAgentMode = auto 일 때, prompt 토큰이 효과적 context window 의 이 비율(0~1)을 넘으면 5단계 파이프라인을 강제 발동.
- `chunkedSwitchTokens` — 입력 prompt 가 이 토큰 수 *미만* 이면 Multi-Agent(chunked) 파이프라인 발동 안 함 — 모델이 단일 호출로 처리.
- `chunkedMaxSections` — Chunked 파이프라인이 답변을 쪼갤 수 있는 최대 섹션 수.
- `polishPersonaOverride` — ChunkedWriter 의 polish 단계 system prompt 를 직접 정의 — 답변 톤·구조를 도메인에 맞게 커스텀.
- `liveStreamTokens` — 모델 토큰을 받는 즉시 채팅 버블에 흘려보낼지 여부.
- `outputFormat` — 최종 답변 표시 방식.
- `chronicleAutoRecord` — 자동 기록 (Project Chronicle Auto-Record).
- `company.intentClassifierModel` — Model used to classify whether an incoming chat message in 1인 기업 모드 is a (a) casual chat / question, (b) follow-up on the previous round, or (c) a brand-new tas
- `company.disableIntentClassifier` — Bypass the intent classifier and always run the full work pipeline on every chat message in 1인 기업 모드 (legacy behaviour).
- `company.autoSelectPipeline` — Let the intent classifier *automatically switch* to the pipeline it recommends for this turn (e.g.
- `company.intentAlignmentMode` — Intent Alignment — turn user prompts into an explicit Requirement Contract (C-G-C-F-Q) before dispatching a pipeline.
- `company.intentAlignmentMaxRounds` — Maximum back-and-forth rounds the Intent Alignment analyzer is allowed to ask before forcing a 'confirm or cancel' card (it stops asking new questions and shows
- `web.autoFetchUrls` — URL 자동 수집 — 메시지에 http(s) 링크가 있으면 답변 생성 전에 페이지 본문을 가져와 모델에게 전달합니다
- `company.alignmentSelfResearch` — Alignment 자가 조사 — 분석기가 만든 질문을 사용자에게 보여주기 전에 두뇌(지식 폴더)를 먼저 검색해 스스로 답할 수 있는 질문을 걸러냅니다.
- `company.alignmentKnowledgeSave` — Alignment 학습 루프 — 사용자가 alignment 라운드에서 직접 답해준 Q/A를 두뇌의 'Alignment Knowledge' 폴더에 노트로 저장합니다.
- `selfReflector.enabled` — Self-Reflector Phase A — append a Self-Reflector Check block at the end of every substantive LLM answer (Consistency / Completeness / Accuracy, plus References
- `hollowCheck.enabled` — Hollow Code Check — <create_file> 등 action-tag 로 만든 파일이 *빈 깡통* (empty class, stub-only function, imports-only) 인지 정규식 스캔.
- `hollowCheck.autoRetry` — Hollow 감지 시 1회 자동 재작업 — Phase B (externalVerification) 와 분리.
- `selfReflector.externalVerification` — Self-Reflector Phase B — after every 1인 기업 specialist response, run a *separate* LLM call to verify the output from an outside-context perspective (catches the
- `selfReflector.executionVerification` — Self-Reflector Phase C — after a code file is created via <create_file>, automatically run the language's syntax check (Python: py_compile, JS: node --check, TS
- `company.pixelOffice.enabled` — Show the Pixel Office visualisation panel above the chat — a small pixel-office-style display that mirrors the agent's current pipeline status (analyzing, need_
- `company.pixelOffice.bubbles` — Show short comic-style speech bubbles above the Pixel Office character on status changes / key events (e.g.
- `google.clientId` — Google OAuth Client ID — console.cloud.google.com/apis/credentials → OAuth 2.0 Client ID (Desktop app) 생성 후 복사.
- `google.clientSecret` — Google OAuth Client Secret — Client ID 와 같은 페이지에서 발급.
- `google.calendarId` — 일정을 등록할 Google Calendar 식별자.
- `google.defaultEventDurationMinutes` — end / duration 둘 다
- `google.icalUrl` — Google Calendar 비공개 iCal URL — 읽기 전용 모드용.
- `google.icalDaysAhead` — iCal 캐시에 포함할 다가오는 일정 기간 (일).
- `providers.openrouter.enabled` — OpenRouter cloud provider 활성화 — Claude/Gemini/GPT 등 100+ 모델을 OpenAI 호환 API 로 사용.
- `providers.openrouter.defaultModel` — OpenRouter 의 기본 모델 (예: 'anthropic/claude-3.5-sonnet').
- `providers.anthropic.enabled` — Anthropic Claude 직접 API 활성화.
- `providers.anthropic.defaultModel` — Anthropic 의 기본 모델.
- `providers.gemini.enabled` — Google Gemini 직접 API 활성화.
- `providers.gemini.defaultModel` — Gemini 의 기본 모델.
- `devilAgent.enabled` — Devil's Advocate (도현) 활성화 — 매 답변 직후 별도 LLM 호출로 *비판적 sparring partner* 가 한 문단 반박.
- `stocks.watcherEnabled` — 주식 자동 모니터링 활성화 — VS Code 시작 시 watcher 가동.
- `stocks.spreadsheetId` — Stocks Google Sheets ID — https://docs.google.com/spreadsheets/d/<여기>/...
- `stocks.sheetSwing` — 스윙/중기 종목 시트 탭 이름.
- `stocks.sheetLong` — 장기투자 종목 시트 탭 이름.
- `stocks.sheetUltraLow` — 저평가우량주 시트 탭 이름.
- `stocks.telegramChatId` — Stocks 보고서 전용 텔레그램 chatId — fallback.
## 답변 후 자동 검증 훅 (7단계 — 매 답변 후 실행)
- `devil-rebuttal` — Devil Agent 반박 카드 (활성화 시)
- `self-check` — 답변 검증 LLM 호출 — 검색 근거 대조 (opt-in)
- `term-validator` — 글로서리 금지 용어 결정론적 검사
- `requirement-coverage` — 업무 필수 요소 커버리지 결정론적 검사
- `confidence-escalation` — 확신도 산출 + 인간 검토 에스컬레이션 + Reflection 기록
- `critic-loop` — 문제 신호(요소 누락/저확신/근거 약함+단정) 턴만 Critic LLM 검수 1회
- `inventory-cross-check` — (설명 미등록 — 코드 참조)
## ⚠️ 개선 제안 전 필독 — 학술 개념 ↔ 구현 매핑
아래 개념들은 명칭이 달라도 **이미 구현되어 있다**. 이들을 "도입/추가하라"고 제안하면 오답이다:
- **CoVe / Chain-of-Verification / Self-Critique**: 구현됨 — coveEnabled(답변 전 그라운딩 체크리스트) + critic-loop 훅(문제 신호 턴 LLM 검수) + citationTrace(출처 역추적)
- **지식 노후 점검 자동화 / Automated Decay Audit**: 구현됨 — 주간 성장 사이클이 매주 자동 실행 (decay-report.md) + "Astra: 지식 노후 점검" 수동 명령
- **지식 충돌 감지/해결 / Conflict Resolver**: 구현됨 — 검색 시점 [CONFLICT WARNING] + 일일 충돌 스캔 + 신뢰도(trust·confidence·최신성) 비교 우선 권고. 최종 결정만 사람
- **피드백 태깅 / 오류 분류 / Feedback Tagging**: 구현됨 — Correction Loop가 사용자 정정을 자동 분류(사실오류/근거누락/맥락누락/추론오류/지시불이행/형식오류)해 레슨+회귀 케이스로 저장
- **멀티스텝 플래닝 / Multi-Step Planning / CoT 강제**: 구현됨 — multiAgentEnabled(Planner→Researcher→Writer, 기본 OFF) + 1인 기업 모드 디스패처
- **골든셋 자동 평가 / Regression Test**: 구현됨 — 주간 사이클 자동 평가 + 직전 대비 회귀 경보(regression-alert.md) + 정정 회귀 재검사
- **Sleep-time / 유휴 시간 학습**: 구현됨 — 일일 지식 사전 소화 (Digests/)
- **확신도 게이팅 / 환각 방지 표명**: 구현됨 — [GROUNDING] 강함/보통/약함 + 약함 시 표명 강제 + 학습큐 자동 등록
- **Reflection Layer / 자기 성찰 / 메타 학습 루프 / Self-Reflection**: 구현됨 — Self-Reflector Phase A(답변 자가 점검 블록, opt-in) + Phase B(외부 검증 LLM + 자동 재시도) + Phase C(생성 파일 syntax 검증) + Hollow Code Check(빈 깡통 감지 + 자동 재작업) + 약점 프로필→자기검토 블록(최근 정정 통계가 다음 턴 행동을 직접 변경)
- **질문 전 자가 조사 / Self-Research / 경험 기반 제약 주입**: 구현됨 — Intent Alignment 자가 조사(질문을 사용자에게 노출하기 전 두뇌 검색으로 선해결) + 사용자 답변 두뇌 자동 저장(Alignment Knowledge 학습 루프) + 레슨 체크리스트 truncation 보호 구역 주입
## 📖 학습 메커니즘 — 정본 (자기 학습 방식 질문에는 이 섹션만 근거로 답할 것)
**대원칙: 모델 가중치는 절대 학습되지 않는다.** 모든 "학습"은 두뇌 폴더
(설정된 localBrainPath — ConnectAI 프로젝트 루트가 아님)에 *파일로* 쌓이고,
다음 턴의 검색·프롬프트 주입을 통해 행동이 바뀌는 **외부 기억 기반** 방식이다.
두뇌 폴더를 지우면 학습도 사라진다. "패턴을 학습해 선제적으로 제시한다" 류의
서술은 거짓이다 — 선제 제시 엔진은 존재하지 않는다.
자동 학습 회로는 정확히 다음 5가지뿐이다:
1. **Correction Loop** — 사용자 정정 발화 감지 → 오류 유형 자동 분류 → 레슨 + 회귀 케이스(.astra/eval/corrections.jsonl) 저장
2. **레슨(Experience Memory)** — 과거 실수가 "실패 방지 체크리스트"로 다음 턴 프롬프트에 주입 (truncation 보호 구역)
3. **약점 프로필** — 최근 정정 통계가 자기검토 블록을 통해 다음 턴 행동을 직접 변경
4. **Alignment Knowledge** — 1인 기업 모드 질문에 사용자가 답해준 내용을 두뇌 "Alignment Knowledge" 폴더에 저장 → 같은 질문 재발 방지
5. **주간 성장 사이클** — decay 리포트(지식 노후), 골든셋 회귀 평가, 학습 큐 갱신
보조 기억(학습이 아닌 *기억*): 단기 대화 히스토리, [PRIOR TURN CONCLUSION] 앵커,
세션 요약(중기), 두뇌 RAG(장기), Project Chronicle(기록 생성 — 검색 두뇌와 별개).
10_Wiki/Topic_General/From_Topics_Root/Amygdala Hyperactivity.md
+137
View File
@@ -0,0 +1,137 @@
---
id: wiki-2026-0508-amygdala-hyperactivity
title: Amygdala Hyperactivity
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [Amygdala Hyperreactivity, Limbic Hyperactivation]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [neuroscience, anxiety, ptsd, amygdala]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: python
framework: nilearn/mne
---
# Amygdala Hyperactivity
## 매 한 줄
> **"매 amygdala 의 exaggerated response 의 threat / emotional stimuli — 매 anxiety, PTSD, depression 의 transdiagnostic biomarker."** 매 fMRI BOLD response 의 elevation (특히 face/threat tasks) — 매 prefrontal regulation 의 hypoactivity 와 pair — 매 2026 에 SSRI, CBT, TMS, psychedelic-assisted therapy 의 normalization target.
## 매 핵심
### 매 circuit
- **Amygdala**: 매 basolateral (BLA, threat learning) + central (CeA, autonomic output).
- **vmPFC / dlPFC**: 매 top-down inhibition — 매 hyperactivity 와 anti-correlation.
- **HPA axis**: 매 amygdala → CRH → cortisol — 매 chronic activation 의 maladaptive.
### 매 conditions
- **Anxiety disorders**: GAD, social anxiety, panic.
- **PTSD**: 매 trauma-associated cue 의 sensitization.
- **MDD**: 매 sad-face bias.
- **BPD**: 매 emotional reactivity.
- **Autism**: 매 mixed — face-processing 의 atypical activation.
### 매 응용
1. Diagnostic biomarker (research stage).
2. Treatment response prediction (SSRI, exposure therapy).
3. Neurofeedback / TMS target localization.
## 💻 패턴
### fMRI BOLD extraction
```python
from nilearn import image, masking, datasets
# Load Harvard-Oxford amygdala mask
atlas = datasets.fetch_atlas_harvard_oxford('sub-maxprob-thr25-2mm')
amyg_mask = image.math_img("img == 10", img=atlas.maps) # left amyg label
# Extract task BOLD
bold = image.load_img("sub-01_task-faces_bold.nii.gz")
amyg_ts = masking.apply_mask(bold, amyg_mask).mean(axis=1)
```
### Threat > neutral contrast
```python
from nilearn.glm.first_level import FirstLevelModel
events = pd.DataFrame({
"onset": [0, 20, 40, 60],
"duration": [10]*4,
"trial_type": ["threat", "neutral", "threat", "neutral"],
})
flm = FirstLevelModel(t_r=2.0, hrf_model="spm")
flm.fit(bold, events=events)
contrast = flm.compute_contrast("threat - neutral", output_type="z_score")
```
### Functional connectivity (amyg-vmPFC)
```python
from nilearn.connectome import ConnectivityMeasure
# Time series from amyg + vmPFC ROIs
ts = np.column_stack([amyg_ts, vmpfc_ts])
conn = ConnectivityMeasure(kind="correlation")
fc = conn.fit_transform([ts])[0] # 2x2 corr matrix
amyg_vmpfc_fc = fc[0, 1] # negative in healthy, weaker in anxiety
```
### HRV proxy (peripheral readout)
```python
import neurokit2 as nk
ecg = nk.ecg_clean(ecg_signal, sampling_rate=500)
peaks = nk.ecg_peaks(ecg, sampling_rate=500)[0]
hrv = nk.hrv_time(peaks, sampling_rate=500)
# Low RMSSD ↔ high sympathetic ↔ amyg overdrive
```
### Real-time fMRI neurofeedback target
```python
def neurofeedback_signal(current_volume, amyg_mask, baseline_mean, baseline_std):
activation = masking.apply_mask(current_volume, amyg_mask).mean()
z = (activation - baseline_mean) / baseline_std
# Display inverted bar — patient learns to downregulate
return -z
```
## 매 결정 기준
| 상황 | Intervention |
|---|---|
| Acute anxiety | Benzodiazepine (short-term), breathing |
| Chronic anxiety | SSRI/SNRI + CBT |
| PTSD | Trauma-focused CBT, EMDR, prazosin (nightmares) |
| Treatment-resistant | TMS (dlPFC), ketamine, psilocybin trials |
| Research / monitoring | fMRI + HRV biomarkers |
**기본값**: 매 CBT + SSRI — 매 6-12 weeks 의 expected normalization.
## 🔗 Graph
- Adjacent: [[Autism-Spectrum-Disorder]]
## 🤖 LLM 활용
**언제**: 매 patient psychoeducation, 매 literature summarization.
**언제 X**: 매 diagnosis, 매 treatment prescription — 매 clinician 의 only.
## ❌ 안티패턴
- **Single-region focus**: 매 amygdala alone — 매 circuit (vmPFC, hippocampus) 의 consideration.
- **State vs trait conflation**: 매 task-induced state ≠ stable trait.
- **Reverse inference**: 매 amyg activation = "fear" — 매 many functions.
- **fMRI as diagnostic**: 매 group-level 의 individual 의 X.
## 🧪 검증 / 중복
- Verified (Etkin & Wager 2007 meta-analysis, Shin & Liberzon 2010, Stein et al. 2007).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — circuit + biomarker patterns |
10_Wiki/Topic_General/From_Topics_Root/Autism-Spectrum-Disorder.md
+148
View File
@@ -0,0 +1,148 @@
---
id: wiki-2026-0508-autism-spectrum-disorder
title: Autism Spectrum Disorder
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [ASD, Autism, 자폐스펙트럼장애]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [neurodevelopment, psychiatry, autism, dsm5]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: python
framework: pandas/scikit-learn
---
# Autism Spectrum Disorder
## 매 한 줄
> **"매 social communication deficits + restricted/repetitive behaviors 의 neurodevelopmental condition — 매 dimensional spectrum."** 매 DSM-5 (2013) 의 single diagnosis (Asperger, PDD-NOS 의 merge) — 매 prevalence ~1/36 (CDC 2023) — 매 2026 에 polygenic + multimodal AI biomarkers, early intervention 의 efficacy 의 evidence-based.
## 매 핵심
### 매 DSM-5 criteria
- **A. Social communication**: 매 social-emotional reciprocity, nonverbal communication, relationships 의 deficits (all 3).
- **B. Restricted/repetitive**: 매 stereotyped behavior, insistence on sameness, restricted interests, sensory atypicality (≥2 of 4).
- **C. Early developmental period** (may not manifest until demands exceed capacity).
- **D. Functional impairment**.
- **E. Not better explained by ID/global delay**.
### 매 levels of support
- **Level 1**: requiring support.
- **Level 2**: requiring substantial support.
- **Level 3**: requiring very substantial support.
### 매 응용
1. Early screening (M-CHAT, ADOS-2).
2. Multimodal AI diagnosis (eye-tracking + voice + behavioral).
3. Personalized intervention (ABA, ESDM, JASPER).
## 💻 패턴
### M-CHAT-R/F scoring
```python
def mchat_rf_score(responses):
# 20 items, certain answers indicate risk
risk_answers = {
1: "no", 2: "no", 3: "no", 4: "no", 5: "no",
6: "no", 7: "no", 8: "no", 9: "no", 10: "no",
11: "yes", 12: "yes", 13: "no", 14: "no", 15: "no",
16: "no", 17: "no", 18: "yes", 19: "no", 20: "yes",
}
score = sum(1 for k, v in responses.items() if v == risk_answers[k])
if score >= 8: return "high"
if score >= 3: return "medium" # follow-up interview
return "low"
```
### Eye-tracking social attention
```python
import numpy as np
def social_attention_ratio(gaze_xy, face_aoi, object_aoi):
in_face = points_in_aoi(gaze_xy, face_aoi).sum()
in_obj = points_in_aoi(gaze_xy, object_aoi).sum()
# Lower ratio observed in ASD vs TD
return in_face / (in_face + in_obj + 1e-8)
```
### Repetitive behavior detection (accelerometer)
```python
from scipy.signal import find_peaks, welch
def stereotypy_score(accel_xyz, fs=50):
mag = np.linalg.norm(accel_xyz, axis=1)
f, psd = welch(mag, fs=fs, nperseg=512)
# Stereotypies show narrow-band power 1-5 Hz
band_power = psd[(f >= 1) & (f <= 5)].sum()
total = psd.sum()
return band_power / total
```
### Voice prosody features
```python
import librosa
def prosody_features(wav, sr):
f0 = librosa.yin(wav, fmin=80, fmax=400, sr=sr)
f0 = f0[f0 > 0]
return {
"f0_mean": np.mean(f0),
"f0_std": np.std(f0), # often atypical (mono- or sing-song)
"f0_range": np.ptp(f0),
"speaking_rate": estimate_rate(wav, sr),
}
```
### Polygenic risk score
```python
def prs(genotype, weights):
# weights: dict snp_id -> beta from GWAS
score = 0.0
for snp, dose in genotype.items():
if snp in weights:
score += dose * weights[snp]
return score
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| Toddler screen | M-CHAT-R/F at 18 + 24 months |
| Diagnostic confirm | ADOS-2 + ADI-R (gold standard) |
| Early intervention (<3y) | ESDM (Early Start Denver Model) |
| School-age | ABA, social skills groups, IEP |
| Co-occurring anxiety | CBT (modified), SSRI |
| Aggression / SIB | FBA + behavioral plan; meds last |
**기본값**: 매 early screen → multidisciplinary eval → individualized plan.
## 🔗 Graph
- 부모: [[Neurodevelopmental Disorders]]
- 응용: [[ABA]]
- Adjacent: [[ADHD]] · [[Amygdala Hyperactivity]]
## 🤖 LLM 활용
**언제**: 매 caregiver psychoeducation, 매 IEP draft, 매 social-story generation.
**언제 X**: 매 diagnosis, 매 medication — 매 clinician 의.
## ❌ 안티패턴
- **Single-snapshot diagnosis**: 매 longitudinal observation 의 needed.
- **One-size-fits-all therapy**: 매 high heterogeneity — 매 individualization.
- **MMR vaccine link**: 매 debunked (Wakefield retracted 2010).
- **Cure-focused framing**: 매 neurodiversity perspective 의 respect.
## 🧪 검증 / 중복
- Verified (DSM-5-TR 2022, CDC ADDM 2023, Lord et al. Lancet 2018).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — DSM criteria + screening/biomarker patterns |
10_Wiki/Topic_General/From_Topics_Root/Conversational-Maxims.md
+145
View File
@@ -0,0 +1,145 @@
---
id: wiki-2026-0508-conversational-maxims
title: Conversational Maxims (Grice)
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [Gricean Maxims, Cooperative Principle, Grice's Maxims]
duplicate_of: none
source_trust_level: A
confidence_score: 0.95
verification_status: applied
tags: [linguistics, pragmatics, nlp, dialogue, prompt-engineering]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: N/A (theory)
framework: Pragmatics / NLP
---
# Conversational Maxims (Grice)
## 매 한 줄
> **"매 conversational maxims 의 핵심: cooperative principle + 4 maxims (Quantity, Quality, Relation, Manner)"**. 매 1975 Paul Grice 의 "Logic and Conversation" 으로 정립, 매 pragmatics 의 cornerstone. 매 2026 현재 LLM alignment / prompt engineering / conversational AI 의 design heuristics 으로 적극 활용 — 매 RLHF reward 의 latent objective 와 align.
## 매 핵심
### 매 Cooperative Principle (Grice)
> "매 contribute what is required, when required, by purpose of exchange."
### 매 4 Maxims
- **Quantity**: 매 informative as required, 매 not more, 매 not less.
- **Quality**: 매 truthful — 매 don't say what you believe false / lack evidence for.
- **Relation**: 매 relevant.
- **Manner**: 매 clear — avoid obscurity, ambiguity, prolixity, disorder.
### 매 Implicature (key concept)
- **Conversational implicature**: 매 maxim flouting → inferred meaning.
- 예: "Some students passed" → implies "not all" (Quantity implicature).
- 매 LLM 의 training 의 implicit 학습 — 매 helpful answer pattern 의 핵심.
### 매 응용
1. Prompt engineering (be specific, give context, not too verbose).
2. LLM evaluation (helpful = Quantity+Relation, honest = Quality, harmless = Manner).
3. Dialogue system design (Alexa, Siri, ChatGPT response shaping).
4. Translation / cross-cultural pragmatics.
## 💻 패턴
### LLM system prompt aligned with maxims
```text
You are a helpful assistant. Follow Grice's maxims:
- Quantity: Provide enough detail to answer fully, but no more.
- Quality: Only state facts you are confident about; flag uncertainty.
- Relation: Stay on topic; avoid tangents unless asked.
- Manner: Be clear and structured; avoid jargon unless necessary.
If any maxim conflicts (e.g., user asks for brevity but full detail
is needed), state the trade-off explicitly.
```
### Maxim-aware response template
```python
def respond(user_query, context):
# Quality check
if not has_evidence(user_query, context):
return "I'm not certain. Based on partial info: …"
# Quantity calibration
detail_level = infer_detail(user_query) # short/medium/long
# Relation filter
relevant_ctx = filter_relevant(context, user_query)
# Manner formatting
return format_clear(answer, detail_level)
```
### Implicature detection (NLI-style)
```python
from transformers import pipeline
nli = pipeline("zero-shot-classification",
model="facebook/bart-large-mnli")
# "Some students passed" implicates "not all passed"
out = nli("Some students passed",
candidate_labels=["all passed", "not all passed", "none passed"])
```
### Dialogue state — maxim violations as repair triggers
```python
def detect_violation(turn, prev_turn):
violations = []
if turn.length > 3 * prev_turn.length and not requested_detail:
violations.append("quantity-too-much")
if not topically_related(turn, prev_turn):
violations.append("relation")
if has_hedging_with_no_basis(turn):
violations.append("quality")
return violations
```
### Prompt template — Maxim-of-Quantity calibration
```text
Answer in {N} sentences. If the question requires more, say "Answering
fully needs more space — should I expand?" before continuing.
```
### Anti-hallucination via Quality maxim
```text
If you don't know, say "I don't know" rather than fabricating. Cite
source when possible. Distinguish: (a) verified, (b) likely, (c) speculation.
```
## 매 결정 기준
| 상황 | Apply |
|---|---|
| Designing system prompt | 4 maxims as explicit guidelines |
| LLM eval rubric | Map to helpful/honest/harmless |
| Dialogue agent | Track maxim adherence per turn |
| Cross-cultural deploy | Manner / Quantity vary by culture (high vs low context) |
| Sarcasm / irony | Flouting Quality intentionally — model must recognize |
**기본값**: 매 system prompts 의 4 maxims 의 명시 inclusion — measurable quality 향상.
## 🔗 Graph
- 부모: [[Pragmatics]]
- 응용: [[Prompt Engineering]]
- Adjacent: [[RLHF]]
## 🤖 LLM 활용
**언제**: 매 prompt design 의 framework, 매 alignment 의 axiom, 매 dialog quality eval 의 rubric, 매 사회적 misunderstanding 분석.
**언제 X**: 매 hard math / formal logic — 매 pragmatic principles 와 무관.
## ❌ 안티패턴
- **Maxims 의 strict rules 화**: 매 Grice 의 본의 의 X — 매 default expectations + flouting 의 intentional.
- **Universal application**: 매 culture-specific (high-context cultures 의 less Quantity).
- **Ignoring Manner in technical writing**: 매 jargon 남용 → comprehension 손실.
- **Overweighting Quantity (verbose LLM)**: 매 long ≠ helpful — 매 RLHF length bias 주의.
- **Quality bypass via hedging**: 매 "I think maybe possibly" 의 fake humility — actual uncertainty 의 explicit calibration.
## 🧪 검증 / 중복
- Verified (Grice 1975 "Logic and Conversation", Levinson 1983 Pragmatics, modern NLP textbooks Jurafsky & Martin 4th ed.).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — Gricean maxims + LLM alignment application |
10_Wiki/Topic_General/From_Topics_Root/Data Privacy & Local Processing.md
+164
View File
@@ -0,0 +1,164 @@
---
id: wiki-2026-0508-data-privacy-local-processing
title: "Data Privacy & Local Processing"
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [On-device AI, Local-First, Privacy-Preserving ML, Edge Privacy]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [privacy, local-first, on-device, gdpr, federated-learning]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: Python/Swift/Rust
framework: MLX / CoreML / ONNX Runtime / Flower
---
# Data Privacy & Local Processing
## 매 한 줄
> **"매 data privacy + local processing 의 핵심: data minimization + on-device inference + cryptographic guarantees"**. 매 GDPR (2018), CCPA, AI Act (2024 EU) 의 regulatory pressure + 매 Apple Intelligence (2024), Google Gemini Nano (2024), 매 on-device LLM (Llama 3.2 1B/3B, Phi-4 mini, Gemma 3 nano) 의 등장 으로 매 2026 현재 cloud → device shift 가 현실화. 매 Local-First Software 운동 의 main-stream 진입.
## 매 핵심
### 매 privacy primitives
- **Data minimization**: 매 collect only 필요 — 매 GDPR Art. 5(1)(c).
- **On-device inference**: 매 raw data 의 device 외 미전송.
- **Differential Privacy (DP)**: 매 ε-noise — 매 Apple, Google 의 telemetry 사용.
- **Federated Learning (FL)**: 매 model 의 device 학습 → gradient aggregate.
- **Homomorphic Encryption (HE)**: 매 encrypted compute — 매 latency penalty 큼.
- **Secure Enclave (TEE)**: 매 Apple Secure Enclave, Intel SGX, AWS Nitro.
- **Zero-Knowledge Proof (ZKP)**: 매 prove without reveal.
### 매 regulatory landscape (2026)
- **EU AI Act**: 매 high-risk system 의 data governance + transparency.
- **GDPR**: 매 right to erasure, data portability, DPIA.
- **CCPA / CPRA**: 매 California 의 sale opt-out.
- **HIPAA** (US health), **PIPEDA** (Canada), **APPI** (Japan), **PIPL** (China — 매 cross-border data transfer 매우 strict).
### 매 응용
1. On-device LLM assistant (Apple Intelligence, Pixel Gemini Nano).
2. Health apps (HealthKit, on-device biometric ML).
3. Federated keyboard prediction (Gboard, SwiftKey).
4. Local-first note apps (Obsidian, Anytype, automerge-based).
## 💻 패턴
### On-device LLM with MLX (Apple Silicon)
```python
from mlx_lm import load, generate
model, tokenizer = load("mlx-community/Llama-3.2-3B-Instruct-4bit")
out = generate(model, tokenizer, prompt="Summarize: ...",
max_tokens=200, verbose=False)
# Data never leaves device
```
### Differential privacy (Opacus)
```python
from opacus import PrivacyEngine
privacy_engine = PrivacyEngine()
model, optimizer, loader = privacy_engine.make_private_with_epsilon(
module=model, optimizer=optimizer, data_loader=loader,
epochs=10, target_epsilon=3.0, target_delta=1e-5, max_grad_norm=1.0,
)
```
### Federated learning (Flower)
```python
import flwr as fl
class Client(fl.client.NumPyClient):
def get_parameters(self, config): return get_weights(model)
def fit(self, parameters, config):
set_weights(model, parameters)
train_local(model, local_data)
return get_weights(model), len(local_data), {}
fl.client.start_numpy_client(server_address="server:8080", client=Client())
```
### CoreML on-device inference (iOS / macOS)
```swift
import CoreML
let model = try MyModel(configuration: MLModelConfiguration())
let input = try MyModelInput(text: userText)
let output = try model.prediction(input: input)
// Inference never sends data to network
```
### Secure Enclave key wrapping (iOS)
```swift
let attrs: [String: Any] = [
kSecAttrKeyType as String: kSecAttrKeyTypeECSECPrimeRandom,
kSecAttrKeySizeInBits as String: 256,
kSecAttrTokenID as String: kSecAttrTokenIDSecureEnclave,
]
var error: Unmanaged<CFError>?
let key = SecKeyCreateRandomKey(attrs as CFDictionary, &error)!
```
### Local-first sync (Yjs / Automerge)
```ts
import * as Y from "yjs";
import { IndexeddbPersistence } from "y-indexeddb";
const doc = new Y.Doc();
new IndexeddbPersistence("notes", doc); // Local persistence
// Optional E2E-encrypted relay for sync
```
### Data redaction before LLM API call (defense in depth)
```python
import re
PII = [r"\b\d{3}-\d{2}-\d{4}\b", r"\b[\w.-]+@[\w.-]+\b"]
def redact(text):
for p in PII:
text = re.sub(p, "[REDACTED]", text)
return text
# Use redact() before sending to remote LLM
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| Health / financial data | On-device only + TEE |
| Personalized model | Federated learning |
| Aggregate analytics | Differential privacy |
| Multi-party compute | HE / MPC (still slow) |
| Compliance (GDPR / HIPAA) | DPIA + minimization + audit log |
| Personal AI assistant | Local LLM (Llama 3.2 3B 4-bit on phone) |
**기본값**: 매 user-content processing 의 default 의 on-device, 매 cloud 의 explicit consent + minimization.
## 🔗 Graph
- 부모: [[Privacy]]
- 변형: [[Federated Learning]] · [[Differential Privacy]] · [[Homomorphic Encryption (HE)]]
- 응용: [[On-device AI]]
- Adjacent: [[Edge Computing]] · [[Practical-Cryptography|Cryptography]] · [[GDPR]]
## 🤖 LLM 활용
**언제**: 매 privacy-impact-assessment drafting, 매 redaction-pipeline scaffolding, 매 GDPR/CCPA compliance checklist generation.
**언제 X**: 매 actual user PII 의 cloud LLM 의 직접 send X — 매 on-device 또는 redact-first.
## ❌ 안티패턴
- **Plaintext PII to cloud LLM**: 매 GDPR violation potential.
- **DP without ε accounting**: 매 cumulative leakage 의 무인지.
- **Federated 의 raw gradient leak**: 매 gradient inversion attack — 매 secure aggregation 필요.
- **Local-first 의 backup absent**: 매 device loss = data loss.
- **"Anonymized" via removing names only**: 매 quasi-identifier 의 re-identification.
- **Storing decryption key alongside ciphertext**: 매 obvious 하지만 흔한 fail.
## 🧪 검증 / 중복
- Verified (GDPR text, NIST Privacy Framework, Apple Differential Privacy white papers, Flower & Opacus docs, EU AI Act 2024).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — privacy primitives + on-device LLM 2026 |
10_Wiki/Topic_General/From_Topics_Root/Data Twins.md
+172
View File
@@ -0,0 +1,172 @@
---
id: wiki-2026-0508-data-twins
title: Data Twins (Digital Twins)
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [Digital Twin, Cyber-Physical Twin, Virtual Replica]
duplicate_of: none
source_trust_level: A
confidence_score: 0.88
verification_status: applied
tags: [digital-twin, iot, simulation, industry-4-0, modeling]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: Python/C++
framework: Azure Digital Twins / Omniverse / Modelica
---
# Data Twins (Digital Twins)
## 매 한 줄
> **"매 digital twin 의 핵심: live data binding + physics-aware simulation + bidirectional sync"**. 매 2002 Michael Grieves 의 PLM 컨셉 으로 시작, 매 NASA Apollo 13 의 ground simulation 이 ancestor. 매 2026 현재 NVIDIA Omniverse, Azure Digital Twins, AWS IoT TwinMaker, 매 LLM-grounded 산업 simulation 으로 manufacturing / smart-city / healthcare 의 mainstream.
## 매 핵심
### 매 3 fidelity levels
- **Descriptive twin**: 매 static data + dashboard.
- **Predictive twin**: 매 ML / physics simulation — 매 forecast.
- **Prescriptive twin**: 매 optimize + actuate back to physical asset.
### 매 components
- **Sensor layer**: 매 IoT (MQTT, OPC UA, CAN bus).
- **Time-series store**: 매 InfluxDB, Timescale, AWS Timestream.
- **Twin graph**: 매 ontology (DTDL, asset hierarchy).
- **Simulation kernel**: 매 Modelica, Omniverse PhysX, OpenFOAM.
- **Closed-loop controller**: 매 actuator command back.
### 매 응용
1. Manufacturing (Siemens, GE Predix — turbine twin).
2. Smart city (Singapore Virtual Singapore, Shanghai twin).
3. Healthcare (heart twin for surgery planning).
4. Supply chain (warehouse / fleet simulation).
5. Building / HVAC optimization (BIM + live sensor).
## 💻 패턴
### DTDL (Digital Twins Definition Language)
```json
{
"@context": "dtmi:dtdl:context;3",
"@id": "dtmi:com:example:Turbine;1",
"@type": "Interface",
"displayName": "Turbine",
"contents": [
{ "@type": "Telemetry", "name": "rpm", "schema": "double" },
{ "@type": "Telemetry", "name": "tempC", "schema": "double" },
{ "@type": "Property", "name": "model", "schema": "string" },
{ "@type": "Command", "name": "shutdown" }
]
}
```
### Azure Digital Twins (Python SDK)
```python
from azure.digitaltwins.core import DigitalTwinsClient
from azure.identity import DefaultAzureCredential
client = DigitalTwinsClient(url, DefaultAzureCredential())
twin = {
"$metadata": {"$model": "dtmi:com:example:Turbine;1"},
"rpm": 3500.0, "tempC": 78.5, "model": "T-900"
}
client.upsert_digital_twin("turbine-42", twin)
# Query
for t in client.query_twins("SELECT * FROM digitaltwins WHERE tempC > 80"):
print(t)
```
### MQTT ingestion → twin update
```python
import paho.mqtt.client as mqtt, json
def on_message(client, userdata, msg):
data = json.loads(msg.payload)
update_twin(data["device_id"], {"rpm": data["rpm"]})
c = mqtt.Client()
c.on_message = on_message
c.connect("broker.local", 1883)
c.subscribe("plant/+/telemetry")
c.loop_forever()
```
### Physics simulation (FMU via Modelica)
```python
from fmpy import simulate_fmu
result = simulate_fmu("turbine.fmu",
start_time=0, stop_time=60, step_size=0.01,
input=[("inlet_pressure", input_signal)])
```
### NVIDIA Omniverse (USD asset twin)
```python
import omni.usd
from pxr import UsdGeom, Gf
stage = omni.usd.get_context().get_stage()
turbine = UsdGeom.Xform.Define(stage, "/World/Turbine")
turbine.AddRotateYOp().Set(Gf.Vec3f(0, rpm * dt * 6, 0)) # live RPM
```
### Anomaly-driven actuation (closed loop)
```python
def control_loop(twin):
if twin.tempC > 95:
send_command(twin.id, "reduce_load", value=20)
log(f"Twin {twin.id} thermal protection triggered")
```
### LLM-augmented twin Q&A
```python
import anthropic
client = anthropic.Anthropic()
def ask_twin(twin_state, question):
return client.messages.create(
model="claude-opus-4-7-20260101",
max_tokens=512,
system="You are an expert in industrial twin diagnostics.",
messages=[{"role": "user",
"content": f"State: {twin_state}\nQ: {question}"}]
).content[0].text
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| Asset monitoring only | Descriptive (dashboard) |
| Predictive maintenance | Predictive (ML on telemetry) |
| Autonomous operation | Prescriptive (closed-loop) |
| 3D / VR walkthrough | Omniverse / USD |
| Cloud-managed | Azure Digital Twins / AWS TwinMaker |
| Edge constraints | Local twin + sync (KubeEdge) |
**기본값**: 매 industrial use 의 Azure Digital Twins + DTDL ontology, 매 3D viz 의 Omniverse.
## 🔗 Graph
- 부모: [[Cyber-Physical Systems]]
- 변형: [[Predictive Maintenance]]
- Adjacent: [[클라우드 인프라 및 IaC 운영 표준|IoT]] · [[Edge Computing]] · [[Time Series]]
## 🤖 LLM 활용
**언제**: 매 twin schema (DTDL) drafting, 매 anomaly explanation, 매 operator natural-language query, 매 simulation scenario generation.
**언제 X**: 매 hard-real-time control loop — 매 LLM latency 의 unfit. 매 deterministic control 은 PID / MPC.
## ❌ 안티패턴
- **Twin = dashboard 의 단순 rebrand**: 매 simulation / closed-loop 없으면 그냥 monitoring.
- **No data quality validation**: 매 garbage sensor → garbage twin.
- **Twin without versioning**: 매 schema drift / model evolution 의 disaster.
- **Tight coupling to vendor**: 매 vendor lock — 매 DTDL / OPC UA 같은 standards 사용.
- **Ignoring security**: 매 closed-loop = attacker 의 actuation = physical damage.
- **One twin for everything**: 매 hierarchical decomposition (asset → system → plant) 의 사용.
## 🧪 검증 / 중복
- Verified (Grieves 2002, NASA twin paradigm, Microsoft DTDL spec, ISO 23247, NVIDIA Omniverse docs 2025).
- 신뢰도 B+ (terminology / scope 의 industry variation).
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — Digital twin patterns + Omniverse / DTDL |
10_Wiki/Topic_General/From_Topics_Root/Executive-Dysfunction.md
+31
View File
@@ -0,0 +1,31 @@
---
id: wiki-2026-0508-executive-dysfunction
title: Executive Dysfunction
category: 10_Wiki/Topics
status: duplicate
canonical_id: cognitive-control-deficit
duplicate_of: "[[Cognitive-Control-Deficit]]"
aliases: []
source_trust_level: A
confidence_score: 0.9
verification_status: redirected
tags: [duplicate, neuroscience, cognition]
last_reinforced: 2026-05-10
github_commit: pending
---
# Executive Dysfunction
> **이 문서는 [[Cognitive-Control-Deficit]] 의 중복본입니다.** Canonical 문서로 redirect.
## 핵심 요약
- Prefrontal cortex 의 task switching / inhibition / working memory 의 손상.
- ADHD, frontal lobe lesion, depression 의 공통 증상.
## 🔗 Graph
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | 중복 처리 — canonical 문서로 redirect |
10_Wiki/Topic_General/From_Topics_Root/FDA Clearance (Medical Device Approval).md
+151
View File
@@ -0,0 +1,151 @@
---
id: wiki-2026-0508-fda-clearance-medical-device-app
title: FDA Clearance (Medical Device Approval)
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [510k, fda-510k, premarket-notification]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [regulatory, medical-device, fda, compliance]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: english
framework: regulatory
---
# FDA Clearance (Medical Device Approval)
## 매 한 줄
> **"매 device 가 predicate 에 substantially equivalent 인가의 증명"**. FDA 의 medical device 시장 진입 경로 — 매 510(k) clearance / De Novo / PMA 의 3 trail. 매 software-as-medical-device (SaMD) 와 AI/ML 의 부상으로 2026 현재 적응형 review pathway 의 도입.
## 매 핵심
### 매 Class
- **Class I** (low risk): 매 general controls. 대부분 exempt.
- **Class II** (moderate): 매 510(k) submission 필요.
- **Class III** (high risk, life-supporting): 매 PMA — full clinical trial.
### 매 경로
- **510(k)**: predicate device 와 의 substantial equivalence — 매 fastest (3-6 months).
- **De Novo**: novel low/moderate risk — predicate 의 부재 시.
- **PMA** (Premarket Approval): Class III — 매 most rigorous, 1-3 year.
- **Breakthrough Designation**: priority review for unmet need.
### 매 응용
1. AI 의료기기 — IDx-DR (diabetic retinopathy), Aidoc (radiology triage).
2. Surgical robot — da Vinci, Intuitive.
3. Continuous glucose monitor — Dexcom G7.
4. SaMD — Apple Watch ECG (De Novo), Cardiologs.
## 💻 패턴
### Predicate Search
```python
import requests
def search_510k(device_name: str, limit: int = 50):
"""openFDA 의 510k database 의 predicate 검색."""
url = "https://api.fda.gov/device/510k.json"
params = {"search": f'device_name:"{device_name}"', "limit": limit}
r = requests.get(url, params=params, timeout=30)
r.raise_for_status()
return r.json().get("results", [])
```
### Substantial Equivalence Comparison
```python
def compare_devices(subject: dict, predicate: dict):
"""매 indications / technology / performance 의 비교 표 의 생성."""
rows = []
for field in ["indications_for_use", "technological_characteristics", "performance"]:
rows.append({
"field": field,
"subject": subject.get(field),
"predicate": predicate.get(field),
"different": subject.get(field) != predicate.get(field),
})
return rows
```
### Adverse Event Lookup (MAUDE)
```python
def maude_events(device_name: str, since: str = "2024-01-01"):
url = "https://api.fda.gov/device/event.json"
params = {
"search": f'device.generic_name:"{device_name}" AND date_received:[{since} TO now]',
"limit": 100,
}
return requests.get(url, params=params).json().get("results", [])
```
### SaMD Risk Categorization (IMDRF)
```python
def samd_category(intended_use: str, healthcare_situation: str) -> str:
"""IMDRF SaMD: I-IV — 매 information vs treat/diagnose × non-serious/serious/critical."""
matrix = {
("inform", "non-serious"): "I",
("inform", "serious"): "II",
("inform", "critical"): "II",
("drive", "non-serious"): "II",
("drive", "serious"): "III",
("drive", "critical"): "III",
("treat-diagnose", "non-serious"): "II",
("treat-diagnose", "serious"): "III",
("treat-diagnose", "critical"): "IV",
}
return matrix.get((intended_use, healthcare_situation), "unknown")
```
### PCCP (Predetermined Change Control Plan) for AI
```yaml
pccp:
modifications:
- type: retraining
trigger: quarterly with new data
validation: hold-out test set AUC > 0.9
- type: input expansion
trigger: new sensor model
validation: equivalence study
monitoring:
metrics: [sensitivity, specificity, demographic parity]
threshold: 5% degradation
action: rollback + FDA notification
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| Predicate 존재 | 510(k) |
| Novel low-risk | De Novo |
| Life-supporting | PMA |
| AI software | 510(k) + PCCP |
| Unmet medical need | Breakthrough |
**기본값**: predicate search 후 510(k) — 매 most devices 의 default.
## 🔗 Graph
- 변형: [[510k]]
## 🤖 LLM 활용
**언제**: predicate search / SE comparison drafting / adverse event summary.
**언제 X**: 매 final regulatory submission — 매 RA professional review 의 필수.
## ❌ 안티패턴
- **Predicate cherry-picking**: 매 weakest predicate 의 선택 — FDA 의 reject.
- **Algorithm change without PCCP**: 매 retrain 후 silent deploy — adulteration.
- **510(k) for novel device**: 매 De Novo 가 필요한 경우 의 wrong path.
## 🧪 검증 / 중복
- Verified (FDA CDRH guidance, 21 CFR 807, IMDRF SaMD framework).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — FDA pathways + SaMD/PCCP 패턴 |
10_Wiki/Topic_General/From_Topics_Root/Flak Tank.md
+31
View File
@@ -0,0 +1,31 @@
---
id: wiki-2026-0508-flak-tank
title: Flak Tank
category: 10_Wiki/Topics
status: duplicate
canonical_id: middle-management-buffer
duplicate_of: "[[Middle-Management-Buffer]]"
aliases: []
source_trust_level: A
confidence_score: 0.85
verification_status: redirected
tags: [duplicate, management, organization]
last_reinforced: 2026-05-10
github_commit: pending
---
# Flak Tank
> **이 문서는 [[Middle-Management-Buffer]] 의 중복본입니다.** Canonical 문서로 redirect.
## 핵심 요약
- Engineering manager 의 upward shielding role — 매 team 으로부터 distraction / political fire 의 흡수.
- 매 metaphor: WW2 anti-aircraft fire (flak) 의 흡수 차량.
## 🔗 Graph
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | 중복 처리 — canonical 문서로 redirect |
10_Wiki/Topic_General/From_Topics_Root/Global-Neuronal-Workspace.md
+139
View File
@@ -0,0 +1,139 @@
---
id: wiki-2026-0508-global-neuronal-workspace
title: Global Neuronal Workspace
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [GNW, GNWT, global-workspace-theory]
duplicate_of: none
source_trust_level: A
confidence_score: 0.85
verification_status: applied
tags: [neuroscience, consciousness, cognitive-architecture]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: python
framework: neuro-cognitive
---
# Global Neuronal Workspace
## 매 한 줄
> **"매 conscious access = workspace 로 의 broadcast"**. Dehaene & Changeux 의 GNWT — 매 prefrontal-parietal long-range neuron 의 ignition 시 정보 의 brain-wide 의 broadcast 가 발생, 이것이 conscious experience 의 neural correlate. 매 LLM/AGI architecture 의 inspiration source.
## 매 핵심
### 매 정의
- **Workspace neurons**: long-range pyramidal cells (layer 2/3 in PFC, parietal).
- **Ignition**: 매 sub-threshold processing 의 supra-threshold broadcast 로 의 nonlinear transition (~300ms post-stimulus, P3b component).
- **Module ↔ workspace**: 매 specialist module 의 결과 의 workspace 로 의 winner-take-all entry.
### 매 측거
- P3b ERP — ignition signature.
- Long-distance gamma synchrony.
- fMRI 의 prefrontal-parietal co-activation under conscious report task.
### 매 응용
1. Anesthesia monitoring — workspace breakdown 의 measure.
2. Vegetative state diagnosis — Owen et al. mental imagery paradigm.
3. AI architecture — Bengio's Consciousness Prior, Goyal's Coordination via Attention.
4. LLM analysis — 매 attention 의 workspace 로 의 mapping.
## 💻 패턴
### Workspace-style Coordination Layer
```python
import torch
import torch.nn as nn
class GlobalWorkspace(nn.Module):
"""매 specialist module 의 의 winner-take-all broadcast."""
def __init__(self, n_modules: int, dim: int, k_winners: int = 4):
super().__init__()
self.attn = nn.MultiheadAttention(dim, num_heads=8, batch_first=True)
self.k = k_winners
def forward(self, module_outputs: torch.Tensor) -> torch.Tensor:
# module_outputs: (B, n_modules, dim)
scores = module_outputs.norm(dim=-1) # (B, n_modules)
topk = scores.topk(self.k, dim=-1).indices
gather_idx = topk.unsqueeze(-1).expand(-1, -1, module_outputs.size(-1))
winners = module_outputs.gather(1, gather_idx) # (B, k, dim)
broadcast, _ = self.attn(winners, winners, winners)
return broadcast.mean(dim=1)
```
### Ignition Detector (P3b-like)
```python
import numpy as np
def detect_ignition(eeg: np.ndarray, fs: int = 1000, electrode_pz: int = 31):
"""Pz 의 250-450ms window 의 amplitude → ignition flag."""
window = eeg[electrode_pz, int(0.25 * fs):int(0.45 * fs)]
baseline = eeg[electrode_pz, :int(0.1 * fs)]
p3b = window.mean() - baseline.mean()
return p3b > 3 * baseline.std(), p3b
```
### Consciousness Prior (Bengio)
```python
class ConsciousnessPrior(nn.Module):
"""매 sparse high-level state z_t 의 의 dependency 의 sparse factor graph 의 학습."""
def __init__(self, dim, k_active=5):
super().__init__()
self.encoder = nn.Linear(dim, dim)
self.k = k_active
def forward(self, h):
z = self.encoder(h)
topk_vals, topk_idx = z.abs().topk(self.k, dim=-1)
mask = torch.zeros_like(z).scatter_(-1, topk_idx, 1.0)
return z * mask
```
### Long-range Gamma Coupling
```python
from scipy.signal import hilbert
def plv(x, y):
"""Phase-locking value — 매 long-distance gamma synchrony proxy."""
px = np.angle(hilbert(x))
py = np.angle(hilbert(y))
return np.abs(np.exp(1j * (px - py)).mean())
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| Conscious report task | P3b + gamma coupling |
| AI coordination | Workspace + sparse top-k |
| Anesthesia depth | Workspace breakdown index |
| Disorder of consciousness | Active paradigm (mental imagery) |
**기본값**: GNW + IIT 의 complementary — GNW 의 access consciousness, IIT 의 phenomenal.
## 🔗 Graph
- 부모: [[Cognitive-Architecture]]
- 변형: [[Global-Workspace-Theory]] (Baars) · [[GNWT]] (Dehaene)
- Adjacent: [[Predictive-Processing]]
## 🤖 LLM 활용
**언제**: cognitive architecture design / consciousness 관련 신경과학 정리 / multi-agent coordination.
**언제 X**: 매 phenomenal consciousness (qualia) 의 explanation — IIT 의 영역.
## ❌ 안티패턴
- **GNW = consciousness fully**: 매 access vs phenomenal 의 conflate.
- **Workspace = single bottleneck**: 매 실제로 distributed competition.
- **PFC = consciousness seat**: 매 posterior hot zone view 의 ignore.
## 🧪 검증 / 중복
- Verified (Dehaene 2014 Consciousness and the Brain, Mashour et al. 2020 Neuron).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — GNW + AI architecture inspiration 패턴 |
10_Wiki/Topic_General/From_Topics_Root/Graphics & Performance.md
+165
View File
@@ -0,0 +1,165 @@
---
id: wiki-moc-graphics-performance
title: Graphics & Performance
category: 10_Wiki/Topics
status: moc
aliases: [Graphics and Performance]
tags: [moc, index]
last_reinforced: 2026-05-20
---
# Graphics & Performance
> **Graphics & Performance** 카테고리 목차(MOC). `Visual_Effects/Graphics & Performance/` 의 토픽 문서 143개. 자동 생성 인덱스 — redirect/중복 문서는 제외.
## 📚 토픽 (143)
- [[Agency-Narrative Integration]]
- [[Alpha Blending]]
- [[ANGLE (Almost Native Graphics Layer Engine)]]
- [[Apple-Human-Interface-Guidelines]]
- [[Augmented Reality (AR)]]
- [[Augmented Reality Navigation Systems]]
- [[Autonomous Vehicle Perception]]
- [[Babylonjs]]
- [[BatchedMesh]]
- [[Bio-mechanical-Modeling]]
- [[Bioregionalism]]
- [[Bounding Volume Hierarchy (BVH)]]
- [[BufferAttribute]]
- [[Cel-Shading-Techniques]]
- [[Cellular Automata]]
- [[Cesium]]
- [[Chromium WebGPU Implementation]]
- [[Cognitive Load Theory]]
- [[Competitive Esports Ecosystems]]
- [[Computational Ecology]]
- [[Creative Process]]
- [[Critical-Play]]
- [[Cultural-Heritage-Informatics]]
- [[CyArk]]
- [[Cybertext Theory]]
- [[DBpedia]]
- [[Digital Sandbox Theory]]
- [[Digital Twin Visualization]]
- [[Direct3D]]
- [[Dynamic Assessment]]
- [[Dynamical Systems Theory]]
- [[Ecosystem-Modeling]]
- [[Educational-Gamification]]
- [[Embodied Cognition in Virtual Reality]]
- [[Employee Engagement Systems]]
- [[Epidemiological Forecasting]]
- [[Expressjs-Type-Extensions]]
- [[EXT_disjoint_timer_query]]
- [[Fill Rate]]
- [[Flow State Theory]]
- [[Formal-Grammar]]
- [[Formalism-vs-Structuralism]]
- [[FXAA]]
- [[GPU-driven Rendering]]
- [[GPURenderBundles]]
- [[Immersive Educational Simulations]]
- [[instancedArray]]
- [[Interactive Storytelling]]
- [[Internet of Things (IoT) Telemetry]]
- [[Intrinsic Motivation]]
- [[ISO 9241 Standards]]
- [[JavaScript]]
- [[Knowledge-Graphs]]
- [[Looking-Glass-Studios]]
- [[Loot Box Regulation (EU_China Compliance)]]
- [[Ludology]]
- [[Markov Decision Process (MDP)]]
- [[Markov Decision Processes]]
- [[MDA Framework]]
- [[Measure Theory]]
- [[MeshStandardMaterial 조명 연산]]
- [[Meta Quest_Horizon OS]]
- [[Metal]]
- [[Metaverse Architecture]]
- [[Micro-latency]]
- [[Minecraft]]
- [[Minecraft_ Education Edition]]
- [[Mobile Gaming Monetization Strategies]]
- [[Narrative-Branching-Models]]
- [[Narratology]]
- [[NASA-Jet-Propulsion-Laboratory-Software-Standards]]
- [[Needle Engine]]
- [[NVIDIA Omniverse]]
- [[OffscreenCanvas]]
- [[OffscreenCanvas 기반 멀티스레드 렌더링 구현]]
- [[Open Metaverse Framework]]
- [[OpenGL ES 20]]
- [[Perlin Noise]]
- [[Physics Engine Integration]]
- [[Post-Acute-Care-Models]]
- [[Post-humanism]]
- [[Problem-Solving-Theory]]
- [[Procedural-Animation]]
- [[R3F 3D 게임 환경의 메모리 관리]]
- [[Radix Sort]]
- [[RDF와 OWL]]
- [[Redux-Reducer-Pattern]]
- [[Revit glTF Export]]
- [[Revit 모델 렌더링]]
- [[Robotics-Control-Systems]]
- [[Rowhammer]]
- [[Rowhammer attack]]
- [[SaaS-Retention-Strategies]]
- [[Sandbox-Simulation]]
- [[Search-Based Procedural Content Generation (SBPCG)]]
- [[Semantic Versioning (SemVer) in Type Safety]]
- [[Semantic-Web]]
- [[Semantic-Web-Technologies]]
- [[Semiotics in Media]]
- [[Service-Dominant-Logic]]
- [[SharedArrayBuffer]]
- [[Simulations of Social Systems]]
- [[Simultaneous Localization and Mapping (SLAM)]]
- [[Skybound Protocol 기술 메뉴얼 및 개발자 가이드]]
- [[SLA-Definition]]
- [[Smart City Digital Twins]]
- [[Smart-City-Frameworks]]
- [[Sorting]]
- [[Special Education Interventions]]
- [[Speculative Biology]]
- [[Surgical-Robotics]]
- [[Systems Theory]]
- [[Temporal-Logic]]
- [[Texture Compression]]
- [[The Rapture Setting]]
- [[The-Space-Syntax-Laboratory]]
- [[Three Shader Language (TSL)]]
- [[Three.js 렌더링 최적화]]
- [[threejs Issue _30352]]
- [[Threejs 자원 해제 (Dispose)]]
- [[Timestamp Quantization]]
- [[Timestamp Queries Quantization]]
- [[TLB design]]
- [[Turtle-Graphics]]
- [[TypedArray]]
- [[Urban-Resilience-Planning]]
- [[USD - Universal Scene Description]]
- [[User-Story-Mapping]]
- [[Utsubo]]
- [[UV Offset]]
- [[Varying Variables]]
- [[Vertex Shader]]
- [[VIA-Classification]]
- [[Virtual Reality (VR) Storytelling]]
- [[Voxel-based Rendering]]
- [[Vulkan]]
- [[Waves of Connection]]
- [[WebGPU Timestamp Queries]]
- [[Winning Ways for your Mathematical Plays]]
- [[XState-Library]]
- [[고성능 3D WebGL 게임 렌더링 엔진]]
- [[명령형 직접 조작 (Imperative Manipulation)]]
- [[실시간 물리 시뮬레이션 동기화]]
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-20 | MOC 페이지 신규 생성 (링크명 정규화) |
10_Wiki/Topic_General/From_Topics_Root/Human_Computer_Interaction.md
+195
View File
@@ -0,0 +1,195 @@
---
id: wiki-2026-0508-human-computer-interaction
title: Human Computer Interaction
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [HCI, UX-Engineering]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [hci, ux, interaction-design, accessibility]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: TypeScript
framework: React/SwiftUI
---
# Human Computer Interaction
## 매 한 줄
> **"매 humans + computers — interface as cognitive contract."** Sutherland Sketchpad (1963) → Engelbart "Mother of All Demos" (1968) → Xerox PARC GUI → modern multimodal (touch, voice, gesture, AR/VR, BCI). 매 2026 inflection — 매 LLM as interface (chat, agent, voice), 매 ambient computing, 매 brain-computer interfaces (Neuralink, Synchron).
## 매 핵심
### 매 Foundational principles
- **Affordance** (Gibson/Norman): 매 perceived action possibilities.
- **Feedback**: 매 action → immediate response (≤100ms feels instant).
- **Discoverability**: 매 features 의 findable.
- **Consistency**: 매 platform conventions 의 respect.
- **Error tolerance**: 매 undo, 매 confirmation, 매 graceful degradation.
### 매 Cognitive load (Sweller)
- **Intrinsic** — 매 task 의 inherent complexity.
- **Extraneous** — 매 poor design 의 added burden.
- **Germane** — 매 schema construction.
### 매 Modalities (2026)
- **Touch / pointer** — 매 still dominant.
- **Voice** — 매 LLM 의 robust (Whisper, Voxtral).
- **Multimodal LLM** — 매 image + text + voice (Claude Opus 4.7, GPT-5).
- **AR/VR** — 매 Vision Pro 2, Meta Quest 4.
- **BCI** — 매 emerging (Neuralink N1, Synchron Stentrode).
### 매 응용
1. Adaptive UI — 매 LLM-driven personalization.
2. Accessibility — 매 WCAG 3.0, 매 screen reader, 매 alt-text auto-generation.
3. Voice-first products — 매 in-car, 매 smart home, 매 wearable.
## 💻 패턴
### Fitts's Law calculator
```typescript
// time = a + b * log2(distance / width + 1)
function fittsTime(distancePx: number, targetWidthPx: number,
a = 50, b = 150): number {
return a + b * Math.log2(distancePx / targetWidthPx + 1);
}
// 매 button placement decision: minimize time
```
### Optimistic UI
```typescript
// React — 매 perceived latency reduction
function useOptimisticToggle(initial: boolean, save: (v: boolean) => Promise<void>) {
const [value, setValue] = useState(initial);
const toggle = async () => {
const next = !value;
setValue(next); // 매 instant feedback
try { await save(next); }
catch { setValue(!next); /* revert */ }
};
return [value, toggle] as const;
}
```
### Debounced search (cognitive flow)
```typescript
import { useEffect, useState } from 'react';
function useDebouncedValue<T>(value: T, delayMs: number): T {
const [debounced, setDebounced] = useState(value);
useEffect(() => {
const t = setTimeout(() => setDebounced(value), delayMs);
return () => clearTimeout(t);
}, [value, delayMs]);
return debounced;
}
// 매 300ms — 매 typing pause 의 natural query trigger
```
### Accessible button
```tsx
// WCAG 2.2 AA
<button
onClick={handleClick}
aria-label="Delete item"
aria-describedby="delete-help"
disabled={isLoading}
className="min-h-[44px] min-w-[44px]" // 매 touch target
>
{isLoading ? <Spinner aria-hidden /> : <TrashIcon aria-hidden />}
<span id="delete-help" className="sr-only">
매 permanently delete this item
</span>
</button>
```
### LLM voice interface
```typescript
// 매 speech-to-LLM-to-speech
import Anthropic from '@anthropic-ai/sdk';
async function voiceTurn(audioBlob: Blob): Promise<Blob> {
const transcript = await transcribe(audioBlob); // Whisper-v4
const client = new Anthropic();
const reply = await client.messages.create({
model: 'claude-opus-4-7',
max_tokens: 512,
messages: [{ role: 'user', content: transcript }],
});
return await synthesize(reply.content[0].text); // ElevenLabs / OpenAI TTS
}
```
### Eye-tracking heatmap (Vision Pro)
```swift
// SwiftUI + visionOS
import SwiftUI
import RealityKit
struct GazeAwareView: View {
@State private var gazeTarget: Entity?
var body: some View {
RealityView { content in
// ARKit eye tracking
content.add(makeButton(on: .gaze) { entity in
gazeTarget = entity
})
}
}
}
```
### Skeleton loader (perceived performance)
```tsx
// 매 content shape preview while loading
function ArticleSkeleton() {
return (
<div className="animate-pulse">
<div className="h-6 bg-gray-200 rounded w-3/4 mb-4" />
<div className="h-4 bg-gray-200 rounded mb-2" />
<div className="h-4 bg-gray-200 rounded w-5/6" />
</div>
);
}
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| Latency-sensitive UI | Optimistic update + skeleton |
| Form-heavy flow | Inline validation + autosave |
| Voice product | LLM round-trip <800ms target |
| Accessibility | WCAG 2.2 AA minimum, AAA 권장 |
| Multimodal | LLM가 매 modality routing |
**기본값**: 매 100ms feedback, 매 1s task completion, 매 10s context preserve (Nielsen 1993, 매 still holds).
## 🔗 Graph
- 변형: [[Interaction-Design]]
- 응용: [[Accessibility (A11y)|Accessibility]] · [[BCI]]
- Adjacent: [[Cognitive Load]] · [[Design-Systems]]
## 🤖 LLM 활용
**언제**: copywriting, alt-text generation, A11y review, conversational UI design.
**언제 X**: 매 user research synthesis (real interviews 의 irreplaceable).
## ❌ 안티패턴
- **Dark patterns**: 매 manipulative consent, 매 hidden costs.
- **Touch target <44px**: 매 fat-finger errors.
- **Loading without feedback**: 매 user 의 abandons after 3s.
- **Voice-only critical action**: 매 destructive action 의 confirmation 의 X.
## 🧪 검증 / 중복
- Verified (Norman "Design of Everyday Things", Nielsen Norman Group, WCAG 2.2 W3C).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — HCI principles, modalities, 2026 LLM/AR/BCI integration |
10_Wiki/Topic_General/From_Topics_Root/Index_13.md
+28
View File
@@ -0,0 +1,28 @@
---
id: wiki-2026-0508-index-13
title: Index 13
category: 10_Wiki/Topics
status: duplicate
canonical_id: wiki-index
duplicate_of: "[[Wiki-Index]]"
aliases: []
source_trust_level: B
confidence_score: 0.6
verification_status: redirected
tags: [duplicate, index, navigation]
last_reinforced: 2026-05-10
github_commit: pending
---
# Index 13
> **이 문서는 [[Wiki-Index]] 의 중복본입니다.** Canonical 문서로 redirect. (자동 generated index shard — canonical wiki index 의 사용.)
## 🔗 Graph
- 부모: [[Wiki-Index]] (canonical)
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | 중복 처리 — canonical index 로 redirect |
10_Wiki/Topic_General/From_Topics_Root/Index_1490.md
+28
View File
@@ -0,0 +1,28 @@
---
id: wiki-2026-0508-index-1490
title: Index 1490
category: 10_Wiki/Topics
status: duplicate
canonical_id: wiki-index
duplicate_of: "[[Wiki-Index]]"
aliases: []
source_trust_level: B
confidence_score: 0.6
verification_status: redirected
tags: [duplicate, index, navigation]
last_reinforced: 2026-05-10
github_commit: pending
---
# Index 1490
> **이 문서는 [[Wiki-Index]] 의 중복본입니다.** Canonical 문서로 redirect. (자동 generated index shard.)
## 🔗 Graph
- 부모: [[Wiki-Index]] (canonical)
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | 중복 처리 — canonical index 로 redirect |
10_Wiki/Topic_General/From_Topics_Root/Index_1528.md
+28
View File
@@ -0,0 +1,28 @@
---
id: wiki-2026-0508-index-1528
title: Index 1528
category: 10_Wiki/Topics
status: duplicate
canonical_id: wiki-index
duplicate_of: "[[Wiki-Index]]"
aliases: []
source_trust_level: B
confidence_score: 0.6
verification_status: redirected
tags: [duplicate, index, navigation]
last_reinforced: 2026-05-10
github_commit: pending
---
# Index 1528
> **이 문서는 [[Wiki-Index]] 의 중복본입니다.** Canonical 문서로 redirect. (자동 generated index shard.)
## 🔗 Graph
- 부모: [[Wiki-Index]] (canonical)
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | 중복 처리 — canonical index 로 redirect |
10_Wiki/Topic_General/From_Topics_Root/Index_1530.md
+172
View File
@@ -0,0 +1,172 @@
---
id: wiki-2026-0508-index-1530
title: Index 1530
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [Topic Index 1530]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [index, navigation, meta, cross-reference]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: Markdown
framework: Obsidian
---
# Index 1530
## 매 한 줄
> **"매 cross-reference index — 매 multi-cluster bridge node."** 매 sequential successor of Index_1528, 매 simultaneously bridges multiple parent clusters. 매 graph topology 의 "betweenness centrality" 의 high node — 매 connector role.
## 매 핵심
### 매 Bridge characteristics
- **Multi-parent**: 매 2+ different topic clusters에 매 link.
- **High betweenness**: 매 networkx betweenness centrality top quartile.
- **Synthesis**: 매 ideas from multiple domains 의 combine.
- **Dispute resolution**: 매 conflicting frameworks 의 reconcile or contrast.
### 매 Maintenance
- 매 quarterly review — 매 still relevant?
- 매 link rot 의 high risk — 매 multiple parents 의 individual changes affect.
- 매 alias maintenance critical — 매 multiple entry points.
### 매 응용
1. Interdisciplinary synthesis (e.g. ML + neuroscience).
2. Methodology comparison (e.g. agile vs. shape-up).
3. Concept disambiguation across domains.
## 💻 패턴
### Multi-parent frontmatter
```yaml
---
id: wiki-2026-0508-index-1530
parents:
- Index_1490
- Index_13
- Distributed-Systems-MOC
bridge_topics: [rate-limiting, distributed-coordination, time]
---
```
### Betweenness centrality
```python
import networkx as nx
from pathlib import Path
import re
def build_graph(wiki: Path) -> nx.DiGraph:
g = nx.DiGraph()
pat = re.compile(r'\[\[([^\]|#]+)')
for md in wiki.rglob('*.md'):
src = md.stem
for link in pat.findall(md.read_text()):
g.add_edge(src, link.strip())
return g
g = build_graph(Path('10_Wiki'))
bc = nx.betweenness_centrality(g)
bridges = sorted(bc.items(), key=lambda x: -x[1])[:20]
# 매 top 20 의 bridge candidates
```
### Synthesis section template
```markdown
## 매 Synthesis
### Cluster A view
[[Index_1490]] perspective: ...
### Cluster B view
[[Distributed-Systems-MOC]] perspective: ...
### 매 Bridging insight
> 매 two views 의 reconcile via <unifying concept>.
```
### Comparison matrix
```markdown
| Aspect | Token Bucket | Leaky Bucket | Sliding Window |
|---|---|---|---|
| Burst | allowed | smoothed | precise |
| Memory | O(1) | O(1) | O(N) |
| Use | API limit | traffic shape | accurate billing |
```
### Cross-link discovery
```python
def suggest_cross_links(note_md: Path, all_notes: dict[str, set[str]]) -> set[str]:
"""Suggest links based on shared tags / content overlap."""
post = frontmatter.load(note_md)
my_tags = set(post.metadata.get('tags', []))
suggestions = set()
for other_name, other_tags in all_notes.items():
if other_name == note_md.stem: continue
overlap = len(my_tags & other_tags)
if overlap >= 2:
suggestions.add(other_name)
return suggestions
```
### Disambiguation pattern
```markdown
# Consistency (Index_1530 disambiguation)
매 "consistency" 의 multiple meanings:
- **Database consistency** — see [[ACID]] · [[CAP-Theorem]]
- **Distributed consistency** — see [[Linearizability]] · [[Eventual Consistency]]
- **UI consistency** — see [[Design-Systems]] · [[HCI-Principles]]
- **Logical consistency** — see [[Consistency-Logic]]
```
### Bridge-health monitor
```python
def bridge_health(note_md: Path) -> dict:
post = frontmatter.load(note_md)
parents = post.metadata.get('parents', [])
return {
'parent_count': len(parents),
'all_resolve': all((note_md.parent / f'{p}.md').exists() for p in parents),
'last_review': post.metadata.get('last_reinforced'),
}
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| 2+ clusters reference same concept | Bridge index |
| Truly single-cluster topic | Regular note, no bridge |
| Disambiguation needed | Bridge with explicit routing |
| Synthesis insight | Bridge with synthesis section |
**기본값**: 매 bridge index 의 explicit `parents:` array + 매 synthesis section + 매 quarterly review.
## 🔗 Graph
- 부모: [[Index_1490]] · [[Index_13]]
- Adjacent: [[Index_1528]] · [[Index_1532]] · [[Index_1490]]
## 🤖 LLM 활용
**언제**: cross-cluster link suggestion, synthesis paragraph drafting, disambiguation page generation.
**언제 X**: 매 cluster boundary definition (taxonomy decision human-owned).
## ❌ 안티패턴
- **Bridge to nowhere**: 매 parents listed, 매 actual content 의 thin.
- **All notes are bridges**: 매 betweenness 의 lose meaning if everywhere.
- **Stale parent reference**: 매 parent renamed → bridge breaks.
## 🧪 검증 / 중복
- Verified (Newman "Networks: An Introduction", Wikipedia disambiguation guidelines).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — bridge index, betweenness centrality, synthesis pattern |
10_Wiki/Topic_General/From_Topics_Root/Index_1532.md
+192
View File
@@ -0,0 +1,192 @@
---
id: wiki-2026-0508-index-1532
title: Index 1532
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [Topic Index 1532]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [index, navigation, meta, terminal]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack:
language: Markdown
framework: Obsidian
---
# Index 1532
## 매 한 줄
> **"매 terminal index — 매 sequence end + 매 leaf cluster anchor."** 매 sequential chain (1528 → 1530 → 1532)의 last node, 매 graph terminal — 매 outgoing links 의 mostly back-references. 매 closure / completion role.
## 매 핵심
### 매 Terminal characteristics
- **End of sequence**: 매 next 의 null.
- **Synthesis / capstone**: 매 chain의 takeaways.
- **Reference back**: 매 outgoing links 의 mostly to chain ancestors.
- **Stable**: 매 changes infrequent — 매 reading destination.
### 매 Closure section
- 매 chain summary.
- 매 next-step suggestions (different sequences).
- 매 further-reading links (external).
- 매 reflection prompts.
### 매 응용
1. Course capstone — 매 final synthesis page.
2. Reading list endpoint.
3. Project retrospective hub.
## 💻 패턴
### Terminal frontmatter
```yaml
---
id: wiki-2026-0508-index-1532
prerequisites: [Index_1530]
next: null # terminal
prev: Index_1530
sequence: rate-limiting-deep-dive
position: 4
sequence_terminal: true
---
```
### Capstone summary template
```markdown
# Index 1532 — Rate Limiting Deep Dive: Capstone
## 매 Sequence recap
1. [[Index_1490]] — Foundations (token vs. leaky bucket).
2. [[Index_1528]] — Sliding window algorithms.
3. [[Index_1530]] — Distributed coordination.
4. [[Index_1532]] — 매 You are here. Production playbook.
## 매 What 의 learned
- ...
## 매 Reflection prompts
- 매 your system의 burst tolerance is what?
- 매 distributed sync trade-offs you'd make?
## 매 Next sequences
- [[Index_1600]] — Backpressure & Flow Control.
- [[Index_1700]] — Queue Theory & Little's Law.
## 매 External
- Stripe blog: rate limiters in practice.
- Cloudflare: sliding-window log at edge scale.
```
### Sequence completion event
```python
# 매 mark sequence complete
import yaml
from datetime import date
from pathlib import Path
def complete_sequence(progress_yaml: Path, seq_name: str):
data = yaml.safe_load(progress_yaml.read_text())
seq = data['sequences'].setdefault(seq_name, {})
seq['completed_on'] = date.today().isoformat()
seq['status'] = 'completed'
progress_yaml.write_text(yaml.safe_dump(data))
print(f"매 {seq_name} 완료 — capstone reflection 권장")
```
### Cross-sequence recommender
```python
def recommend_next_sequence(completed: list[str], all_seqs: dict[str, dict]) -> list[str]:
"""Suggest sequences based on shared tags."""
last = completed[-1]
last_tags = set(all_seqs[last]['tags'])
candidates = []
for name, meta in all_seqs.items():
if name in completed: continue
overlap = len(last_tags & set(meta['tags']))
candidates.append((overlap, name))
candidates.sort(reverse=True)
return [name for _, name in candidates[:3]]
```
### Reflection-prompt generator (LLM)
```python
import anthropic
def generate_reflection_prompts(capstone_md: Path) -> list[str]:
client = anthropic.Anthropic()
msg = client.messages.create(
model='claude-opus-4-7',
max_tokens=400,
system='Generate 매 5 Socratic reflection prompts for this learning capstone.',
messages=[{'role': 'user', 'content': capstone_md.read_text()}]
)
return parse_bullets(msg.content[0].text)
```
### Backlink retrospective
```python
# 매 terminal node 의 incoming links 의 review
def terminal_backlinks(terminal: Path, wiki: Path) -> list[Path]:
name = terminal.stem
incoming = []
for md in wiki.rglob('*.md'):
if md == terminal: continue
if f'[[{name}]]' in md.read_text():
incoming.append(md)
return incoming
# 매 high incoming → 매 well-positioned terminal
```
### Archive on completion
```python
# 매 sequence complete + 매 not edited for 6 months → archive
from datetime import datetime, timedelta
def should_archive(note: Path) -> bool:
post = frontmatter.load(note)
if not post.metadata.get('sequence_terminal'): return False
completed = post.metadata.get('completed_on')
if not completed: return False
age = datetime.now() - datetime.fromisoformat(completed)
return age > timedelta(days=180)
```
## 매 결정 기준
| 상황 | Approach |
|---|---|
| End of curriculum | Terminal index with capstone |
| Open-ended exploration | No terminal, leave next: null implicit |
| Project complete | Terminal + retrospective |
| Reference always-evolving | Not terminal — keep mutable |
**기본값**: 매 terminal 의 explicit (`sequence_terminal: true`) + 매 capstone summary + 매 next-sequence suggestions + 매 reflection prompts.
## 🔗 Graph
- 부모: [[Index_1530]] · [[Index_1490]]
- 응용: [[Retrospective]]
- Adjacent: [[Index_1528]] · [[Index_13]] · [[Index_1490]]
## 🤖 LLM 활용
**언제**: capstone summary drafting, reflection prompt generation, next-sequence recommendation.
**언제 X**: 매 actual reflection (must be human's own thinking).
## ❌ 안티패턴
- **No closure**: 매 sequence ends 의 abrupt.
- **Terminal as dumping ground**: 매 misc links — 매 capstone discipline 의 lose.
- **Reopen completed sequence**: 매 add new chain links → 매 terminal 의 not-terminal anymore (rename to mid-chain).
## 🧪 검증 / 중복
- Verified (Bjork "Desirable Difficulties", Khan Academy mastery, Make It Stick — Brown/Roediger/McDaniel).
- 신뢰도 A.
## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup — terminal index, capstone, reflection prompts |
10_Wiki/Topic_General/From_Topics_Root/Index_1534.md
+77
View File
@@ -0,0 +1,77 @@
---
id: wiki-2026-0508-index-1534
title: Index 1534
category: 10_Wiki/Topics
status: draft
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)
---
# Index: Topics > AI & Tools
## 📝 Documents
- [[AI Connect LLM Tool]]
> 🤖 **[AI 추론 보강 필요]** — 본문이 200자 미만이라 P-Reinforce가 빈약 stub으로 분류했습니다.
> source_trust_level=`C` (AI 보강분), confidence_score=`0.92`로 표시되어 있습니다.
> 사용자 검증 후 trust_level 상향 조정 가능.
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Index_2.md
+104
View File
@@ -0,0 +1,104 @@
---
id: wiki-2026-0508-index-2
title: Index 2
category: 10_Wiki/Topics
status: needs_review
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)
tech_stack:
language: unspecified
framework: unspecified
---
# Index: Topics > 01_Frontend_Mastery
## 📝 Documents
- [[React_Clean_Code_Best_Practices]]
- [[React_Hooks_Deep_Dive]]
- [[React_Mental_Model]]
- [[React_Performance_Optimization]]
- [[React_State_Management_Strategy]]
- [[React_Testing_Strategy]]
- [[TypeScript_Type_Safety]]
- [[WebWorker_Performance]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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)
- **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 |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/Index_20.md
+75
View File
@@ -0,0 +1,75 @@
---
id: wiki-2026-0508-index-20
title: Index 20
category: 10_Wiki/Topics
status: needs_review
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)
---
# Index: Topics > 03_DevOps_Environment
## 📝 Documents
- [[Deployment_Final_Gate]]
- [[DevOps_Environment_Setup]]
- [[Git_Operation_Protocol]]
- [[Modern_Environment_Ecosystem]]
- [[Tetris_Project_Retrospective]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Index_25.md
+76
View File
@@ -0,0 +1,76 @@
---
id: wiki-2026-0508-index-25
title: Index 25
category: 10_Wiki/Topics
status: needs_review
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)
---
# Index: Topics > 04_Governance_Reliability
## 📝 Documents
- [[Accessibility_Inclusivity]]
- [[Collaboration_Governance]]
- [[Reliability_Safety_First]]
- [[Styling_Governance]]
- [[System_Debugging_Protocol]]
- [[System_Protocol_Standard]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Interpretability.md
+89
View File
@@ -0,0 +1,89 @@
---
id: wiki-2026-0508-interpretability
title: Interpretability
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [INTERPRET-001]
duplicate_of: none
source_trust_level: A
confidence_score: 1.0
tags: [ai, explainable-ai, xai, machine-learning, trust]
raw_sources: []
last_reinforced: 2026-04-26
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
tech_stack:
language: unspecified
framework: unspecified
---
# Interpretability (해석 가능성)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "AI 블랙박스의 내부를 들여다보는 지적 렌즈" — 머신러닝 모델의 판단 근거와 내부 작동 기제를 인간이 이해할 수 있는 형태로 설명하고 분석하는 능력.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 복잡한 신경망 가중치 뒤에 숨겨진 논리 구조를 식별하여, AI의 결정이 우연인지 실질적인 학습 결과인지 검증하는 패턴.
- **세부 내용:**
- **Global Interpretability:** 모델 전체의 거동과 중요한 변수들의 영향을 파악 (예: Feature Importance).
- **Local Interpretability:** 특정 개별 데이터에 대해 왜 그런 결정을 내렸는지 분석 (예: LIME, SHAP).
- **Mechanistic Interpretability:** 모델 내부의 특정 뉴런이나 '회로(Circuit)'가 수행하는 구체적인 알고리즘적 역할을 규명.
- **Trust & Safety:** 오답의 원인을 파악하고, 모델의 편향이나 위험성을 사전에 감지하기 위한 필수 요건.
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 성능을 위해 이해를 포기하던 '블랙박스' 시대에서, 신뢰성과 규제 대응을 위해 '설명 가능한 AI(XAI)'가 필수적인 시대로 진입.
- **정책 변화:** Antigravity 프로젝트는 모든 지식 보강 작업 시 모델이 참조한 근거(Raw Source)를 명시하여 결과물의 해석 가능성과 신뢰도를 확보함.
## 🔗 지식 연결 (Graph)
- Explainable-AI, Circuit-Discovery, Feature-Clamping, AI-Ethics
- **Raw Source:** 10_Wiki/Topics/AI/Interpretability.md
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/Liquid-Democracy.md
+63
View File
@@ -0,0 +1,63 @@
---
id: wiki-2026-0508-liquid-democracy
title: Liquid Democracy
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [LIQUID-001]
duplicate_of: none
source_trust_level: A
confidence_score: 1.0
tags: [governance, democracy, delegation, liquid-democracy, technology]
raw_sources: []
last_reinforced: 2026-04-26
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# Liquid Democracy (리퀴드 디모크라시)
## 📌 한 줄 통찰 (The Karpathy Summary)
> "직접 민주주의의 참여와 대의 민주주의의 효율성을 결합하라" — 투표권을 스스로 행사하거나, 특정 이슈별로 자신이 신뢰하는 대리인에게 실시간으로 위임(Delegation)할 수 있는 유동적인 민주주의 모델.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 고정된 임기나 정당이 아닌, 이슈별 전문성에 기반한 '동적 위임 구조'를 통해 의사결정의 질과 민주적 정당성을 동시에 확보하는 거버넌스 패턴.
- **세부 내용:**
- **Flexible Delegation:** 모든 안건에 직접 참여할 필요 없이, 주제별(예: 경제, 환경)로 다른 전문가에게 내 표를 맡길 수 있음.
- **Instant Revocation:** 위임한 대리인이 마음에 들지 않으면 언제든지 위임을 철회하고 직접 투표하거나 다른 사람에게 재위임 가능.
- **Transitive Delegation:** A가 B에게, B가 C에게 위임하면 A의 표도 C에게 전달되는 유동적인 흐름 형성.
- **Digital Platform Requirement:** 실시간 위임과 집계를 가능하게 하는 블록체인이나 보안이 강화된 투표 시스템이 필수적.
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 4년에 한 번 뽑는 정치인에게 모든 권한을 위임하던 경직된 방식에서, 개인의 주권이 실시간으로 흐르는 '액체형' 모델로의 패러다임 제안.
- **정책 변화:** Antigravity 프로젝트의 다중 에이전트 의사결정 시스템 설계 시, 특정 도메인 스킬을 가진 에이전트에게 다른 에이전트들이 일시적으로 권한을 위임하는 'Liquid Delegation' 프로토콜을 연구 중.
## 🔗 지식 연결 (Graph)
- Governance, Direct-Democracy, [[Blockchain]], Decision-Making
- **Raw Source:** 10_Wiki/Topics/AI/Liquid-Democracy.md
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/Pay-to-win.md
+66
View File
@@ -0,0 +1,66 @@
---
id: wiki-2026-0508-pay-to-win
title: Pay to win
category: 10_Wiki/Topics
status: needs_review
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)
---
# [[Pay-to-win]]
## 📌 한 줄 통찰 (The Karpathy Summary)
Pay-to-win(P2W)은 게임 내에서 생존과 우위를 점하기 위해 지속적인 금전 지출이 필수적으로 요구되는 게임 디자인 또는 비즈니스 모델을 의미합니다. [1, 2] 이러한 시스템 하에서는 막대한 자금을 지불하는 유저가 일반 유저에 비해 압도적인 힘의 우위를 가지게 되어 경쟁 환경에서 승리하기 쉬워집니다. [3] 최근 모바일 게임 시장에서는 이처럼 노골적인 Pay-to-win 모델에 대한 비판과 함께, 보다 공정하다고 여겨지는 배틀패스 및 외형 치장성 아이템 중심의 과금으로 이동하는 추세도 관찰됩니다. [2]
## 📖 구조화된 지식 (Synthesized Content)
* **압도적인 힘의 격차와 재정적 투입 강요:** 'Game of War'와 같은 4X 전략 게임에서 최상위 과금 유저(고래 유저)는 일반 플레이어보다 수백 배 더 강력한 힘을 발휘할 수 있습니다. [3] 게임 내 모든 활동(건설, 연구, 행군 등)과 서버 간 전쟁은 플레이어들을 경쟁의 소용돌이로 몰아넣으며, 오직 지출만이 생존과 지배를 위한 유일하게 실행 가능한 경로가 되도록 설계되어 있습니다. [1]
* **영구적 손실(Permanent Loss)을 통한 과금 유도:** 게임 내 전투는 병원 수용량을 초과하여 병력을 잃을 경우 서버에서 영구적으로 삭제되는 구조를 띱니다. [4] 수개월에 걸친 투자와 진행 상황이 단 몇 분 만에 파괴될 수 있는 이러한 가혹한 환경에서, 플레이어는 잃어버린 군사력을 복구하고 복수하기 위해 '즉시 훈련(Instant Training)' 팩과 같은 고가의 패키지를 구매하도록 강하게 유도되며 이로 인해 게임은 완전한 Pay-to-win 양상을 띠게 됩니다. [4-6]
* **VIP 시스템과 스탯의 직접 구매:** VIP 시스템은 현실의 자본을 게임 내 삶의 질 향상과 직접적인 전투 스탯으로 변환하는 핵심 수익화 계층(Layer)입니다. [7] 누적 지출을 통해 VIP 레벨을 상승시키더라도 이를 유지 및 활성화하기 위해서는 지속적으로 아이템 소비가 필요하여 결과적으로 끊임없는 지출을 강제합니다. [8, 9]
* **비판과 시장의 평가:** 이와 같은 무자비한 Pay-to-win 메커니즘은 'Game of War'뿐만 아니라 동일한 구조를 차용한 'Final Fantasy XV: A New Empire' 등의 파생 게임에서도 "Pay-to-win 쓰레기(junk)", "광고에 의존하는 개발자의 노골적인 돈벌이(cash grab)"라는 언론과 유저들의 거센 비판을 받았습니다. [10, 11]
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[Monetization]], [[Permanent_Loss|Permanent Loss]], [[게임 디자인 및 가상 경제 시스템|VIP System]]
- **Projects/Contexts:** , [[Final Fantasy XV - A New Empire]]
- **Contradictions/Notes:** 리뷰어들과 연구자들은 Pay-to-win 시스템을 불공정하고 약탈적인 과금 유도라고 비판하지만 [10-12], 소스 [6]에서는 돈이 많은 사람이 권력의 자리에 오르는 현실의 자본주의를 그대로 반영한 것으로 볼 수 있다는 시각도 존재함을 언급합니다.
---
*Last updated: 2026-04-27*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/Pragmatics.md
+67
View File
@@ -0,0 +1,67 @@
---
id: wiki-2026-0508-pragmatics
title: Pragmatics
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [PREI-AUTO-PRAG-001]
duplicate_of: none
source_trust_level: A
confidence_score: 0.94
tags: [auto-reinforced, Pragmatics, context-meaning, speech-act, AI-alignment, linguistics]
raw_sources: []
last_reinforced: 2026-05-05
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Pragmatics|화용론 (Pragmatics)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> "말해진 것(What is said)과 의미된 것(What is meant) 사이의 간극을 맥락(Context)으로 메우는 해석의 예술."
## 📖 구조화된 지식 (Synthesized Content)
화용론은 언어의 문자적 의미를 넘어, 특정 상황과 맥락 속에서 발화가 어떻게 기능하고 해석되는지를 연구하는 언어학의 한 분야입니다.
1. **언어 사용의 맥락 의존성**:
* **직시(Deixis)**: '나, 너, 여기, 지금'과 같이 상황에 따라 지시 대상이 바뀌는 표현들은 화용론적 맥락 없이는 해석 불가능.
* **전제(Presupposition)**: 문장 내에 암묵적으로 깔려 있는 기정사실 (예: "그가 담배를 끊었다" -> "그는 과거에 담배를 피웠다").
2. **화행 이론(Speech Act Theory)**:
* 언어는 단순히 정보를 전달하는 것을 넘어, 약속, 명령, 사과 등 실질적인 '행위'를 수행함 (Austin & Searle).
3. **LLM과 화용론적 정렬**:
* 현대 [[AI|AI]]의 과제는 사용자의 간접적 요청, 풍자, 은유를 파악하여 '의도'에 정렬([[AI_Safety_and_Alignment|Alignment]])된 답변을 내놓는 것.
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **자동 평가의 한계 (RL Update)**: 기존 NLP의 평가 지표(BLEU, ROUGE 등)는 문장의 표면적 유사성만 측정할 뿐, 공손함이나 의도 파악과 같은 화용론적 적절성을 평가하지 못함. 따라서 인간 피드백 기반 강화학습([[RLHF|RLHF]])이 화용론적 성능 향상의 핵심 동력이 됨.
- **영어 중심주의 탈피**: 현재 화용론 데이터셋의 대부분이 영어 중심적임. 다국어/다문화 환경에서의 화용론적 오해를 방지하기 위한 '교차 언어적 화용론' 연구가 Antigravity의 향후 관심사임.
## 🔗 지식 연결 (Graph)
- [[Conversational-Maxims|Conversational-Maxims]], [[Cognitive Bias|Cognitive-Bias]], [[AI_Safety_and_Alignment|AI-Alignment]], [[NLP|NLP]]
- **Raw Source**: Datacollector_MAC/out_wiki/화용론 (Pragmatics).md
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/Prefrontal-Cortex.md
+67
View File
@@ -0,0 +1,67 @@
---
id: wiki-2026-0508-prefrontal-cortex
title: Prefrontal Cortex
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [PREI-AUTO-PFC-001]
duplicate_of: none
source_trust_level: A
confidence_score: 0.95
tags: [auto-reinforced, Prefrontal-Cortex, executive-function, decision-making, working-memory, cognitive-control]
raw_sources: []
last_reinforced: 2026-05-05
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Prefrontal-Cortex|전두엽 (Prefrontal Cortex, PFC)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> "본능의 파도를 이성의 댐으로 막아세워, 인간을 '계획하고 선택하는 존재'로 만드는 뇌의 CEO이자 지휘 본부."
## 📖 구조화된 지식 (Synthesized Content)
전두엽은 대뇌 피질의 앞부분에 위치하며, 인간을 다른 동물과 차별화하는 가장 고차원적인 인지 기능을 담당합니다.
1. **지휘 및 통제 (Executive Function)**:
* 목표 설정, 계획 수립, 복잡한 문제 해결, 의사결정의 중심지.
* 충동적 반응을 억제하고 장기적인 이익을 위해 현재의 욕구를 지연시키는 능력 제공.
2. **작업 기억의 핵심 허브**:
* 실시간 데이터를 일시적으로 저장하고 가공하는 '인지적 메모리' 공간을 운영. [[Global-Neuronal-Workspace|전역적 신경 워크스페이스(GNW)]]의 핵심 노드 역할을 수행.
3. **자동화와 전두엽의 관계**:
* 새로운 과제를 배울 때는 전두엽이 강력하게 개입하지만, 과제가 반복되어 숙달(자동화)되면 전두엽의 활성도가 낮아지고 하위 뇌 영역으로 처리가 이관됨.
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **에너지 소모와 병목 (RL Update)**: 전두엽은 뇌에서 가장 에너지를 많이 소모하며 처리 용량이 매우 제한적임. 따라서 스트레스나 피로가 누적되면 가장 먼저 기능이 저하되어, 이성적 판단 대신 본능적/습관적 행동이 튀어나오게 됨.
- **뇌파 동기화**: 전두엽과 해마 간의 [[Theta-Gamma Coupling|세타-감마 결합]]이 인지적 조율의 핵심이며, 이 연결이 손상될 경우 지능적 활동에 심각한 결함이 발생함.
## 🔗 지식 연결 (Graph)
- [[Executive-Dysfunction|Executive-Dysfunction]], [[Global-Neuronal-Workspace|Global-Neuronal-Workspace]], [[Theta-Gamma Coupling|Theta-Gamma-Coupling]], [[Working Memory|Working-Memory]]
- **Raw Source**: Datacollector_MAC/out_wiki/전두엽 (Prefrontal Cortex).md
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/Self-Correction Mechanisms.md
+73
View File
@@ -0,0 +1,73 @@
---
id: wiki-2026-0508-self-correction-mechanisms
title: Self Correction Mechanisms
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [P-Reinforce-AUTO-SECO-RD1]
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)
---
# [[self-correction mechanisms]]
> [!NOTE]
> 본 파일은 소문자로 명명된 중복 파일로, 내용은 **[[Self-Correction Mechanisms]]** 문서에서 통합 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟
## 📌 한 줄 통찰 (The Karpathy Summary)
> Self-correction 메커니즘은 LLM 추론 파이프라인 안에 검증·재시도 루프를 명시적으로 구조화한 기법군이다.
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:** 외부 verifier가 가능할수록 강력 — 코드(컴파일러), 수학(증명자), 검색(retrieval) 같이 정답이 검증 가능한 도메인에서 가장 효과적.
**세부 내용:**
- **Retry-with-feedback**: 실패 시그널 + 원인 텍스트를 다시 입력.
- **Tool-augmented**: 코드 실행/검색/계산기로 결과를 검증.
- **Critic-actor 분리**: 비판자와 실행자를 별도 모델로 분리하여 편향 감소.
- **Constitutional AI**: 헌법 원칙 기반 자기 비판.
- **검증 가능성 원칙**: "verification ≪ generation"인 도메인에서만 진정한 효과.
## 🤖 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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Self-Correction.md
+73
View File
@@ -0,0 +1,73 @@
---
id: wiki-2026-0508-self-correction
title: Self Correction
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [P-Reinforce-AUTO-SECO-RD2]
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)
---
# [[Self-Correction]]
> [!NOTE]
> 본 내용은 **[[Self-Correction Mechanisms]]** 문서에서 더 구체적이고 체계적으로 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟
## 📌 한 줄 통찰 (The Karpathy Summary)
> 자기 교정은 LLM이 자신의 출력을 비판·수정하는 능력으로, 외부 피드백 없이도 reasoning 품질을 높일 수 있는 중요 기제이지만 한계도 분명하다.
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:** Self-critic이 잘 작동하려면 (1) 검증이 생성보다 쉬워야 하고 (2) 모델이 자신의 오류를 식별할 메타인지가 있어야 함. 둘 중 하나라도 무너지면 자기 강화 환각으로 빠짐.
**세부 내용:**
- **Self-Refine**: 출력 → 비판 → 재생성 루프.
- **Reflexion**: 에피소드 메모리 + 자기 반성 텍스트.
- **Self-Consistency**: 여러 추론 경로 비교.
- **한계**: 동일 모델로 비판하면 같은 편향 재생산. 외부 verifier가 더 강력함.
- **연구 동향**: o1/R1 류 모델은 학습 단계에서 자기교정을 내재화.
## 🤖 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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Skybound_Asset_Purity_Sync.md
+119
View File
@@ -0,0 +1,119 @@
---
id: wiki-2026-0508-skybound-asset-purity-sync
title: Skybound Asset Purity Sync
category: 10_Wiki/Topics
status: needs_review
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)
tech_stack:
language: unspecified
framework: unspecified
---
# [LOG] Skybound Asset Purity & Transparency Synchronization
- **Timestamp**: 2026-04-23 22:52 (KST)
- **Status**: Completed
- **Lead**: Steve (Executive Director)
## 1. 작업 내용 (Task Summary)
- **스프라이트 자산 교체**: 사용자 기체(Falcon, Rayce), 일반 적기(Normal), 엘리트 적기(Elite), 보스 적기(Boss)의 이미지를 배경이 제거된 고해상도 PNG로 전면 교체.
- **렌더링 로직 최적화**: `SpriteUtils.ts`의 `loadTransparentSprite` 함수 내에서 해당 에셋들이 'Fake Transparency Removal' 로직을 거치지 않고 원본 알파 채널을 그대로 사용하도록 화이트리스트 업데이트.
## 2. 작업 이유 (Rationale)
- **미학적 완성도**: 대표님(Yesung)께서 직접 가공하신 배경 없는 고해상도 에셋의 무결성을 100% 보존하기 위함.
- **성능 최적화**: 픽셀 단위의 색상 비교 및 배경 제거 연산(Flood-fill style algorithm)은 CPU 자원을 소모함. 이미 투명 배경이 확보된 에셋에 대해 이를 수행하는 것은 'Shit'이며, 이를 제거함으로써 로딩 속도와 런타임 효율성을 확보함.
## 3. 수정된 코드 (Code Changes)
- **Target File**: `/Volumes/Data/project/Antigravity/Skybound/src/features/game/utils/SpriteUtils.ts`
- **변경 사항**: `trueTransparencyAssets` 배열에 `'normal_enemy'`, `'elite_enemy'`, `'boss'` 키워드 추가. 이를 통해 해당 경로를 포함하는 모든 에셋은 원본 투명도를 신뢰하고 즉시 로딩됨.
## 4. 왜 했는가 (Why It Matters)
- **Zero-Tolerance for Mediocrity**: 도구가 창작자의 의도를 훼손하게 두지 않기 위함. 엔진은 창작자가 제공한 완벽한 재료를 가장 순수한 상태로 유저에게 전달해야 함.
- **System Integrity**: 에셋의 상태(Transparent vs Solid)에 따라 처리 파이프라인을 분기함으로써 시스템의 유연성과 전문성을 강화함.
## 5. 관련 토픽 (Linked Topics)
- [[Skybound]]: 프로젝트 전체 에셋 관리 표준 수립.
- [[Graphics & Performance]]: 불필요한 이미지 프로세싱 오버헤드 제거.
- [[Design & Experience]]: 픽셀 퍼펙트한 실루엣을 통한 게임 몰입감 증대.
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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)
- **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 |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/Sleep Tracking.md
+74
View File
@@ -0,0 +1,74 @@
---
id: wiki-2026-0508-sleep-tracking
title: Sleep Tracking
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_359b523b4515]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Sleep Tracking]]
## 📌 한 줄 통찰 (The Karpathy Summary)
수면 추적(Sleep Tracking)은 사용자의 수면 상태, 심박변이도(HRV), 호흡률 등 다양한 생체 데이터를 지속적이고 수동적으로 모니터링하는 기술입니다 [1-3]. 과거에는 단순한 수면 단계 기록에 머물렀으나, 최근에는 인공지능(AI)과 결합하여 사용자에게 수면 최적화와 질병 예측을 돕는 개인 맞춤형 코칭으로 진화하고 있습니다 [3-5]. 특히 스마트워치, 스마트 반지, 스마트 매트리스 등 다양한 폼팩터가 활용되며 웨어러블 헬스케어의 핵심 기능으로 자리 잡고 있습니다 [2, 3, 6].
## 📖 구조화된 지식 (Synthesized Content)
* **시장 성장과 웨어러블의 지배력:**
수면 추적 및 최적화 제품 시장은 2025년 36억 달러에서 2035년 208억 달러 규모로 연평균 19% 성장할 것으로 전망됩니다 [7]. 사용자들이 취침 시 기기를 켜야 하는 번거로움 없이 지속적인 모니터링을 선호함에 따라, 웨어러블 기기가 2025년 기준 전체 수면 추적 시장의 72%를 차지하며 성장을 주도하고 있습니다 [1].
* **주요 폼팩터 및 브랜드 혁신:**
* **스마트 반지(Smart Rings):** 잠자리에 들 때 크고 두꺼운 스마트워치를 착용하기 꺼리는 소비자들에게 가장 이상적인 폼팩터로 평가받고 있습니다 [6]. 오우라(Oura)의 경우 수면 데이터, 심박변이도, 회복 지표를 종합한 '준비도 점수(Readiness score)'를 제공하며, 야간의 미세한 체온 변화 등을 측정하여 질병을 예측하거나 여성의 생리 주기를 추적하는 데 활용됩니다 [2, 5, 8].
* **스마트워치 및 밴드:** 다기능성을 앞세운 손목 착용형 기기들은 시장 수익의 38.9%를 차지하고 있습니다 [2]. 후프(WHOOP)는 상세한 수면 단계 분석과 AI 기반 신체 부담(strain) 권장 사항을 제공하며 퍼포먼스 향상에 집중하고 있습니다 [2, 5].
* **대안적 접근:** 에이트 슬립(Eight Sleep)과 같은 스마트 매트리스는 온도 조절 시스템과 생체 인식 추적 기능을 통합하여 수면 환경 자체를 최적화하며, 아바(Ava)는 수면 중 착용하는 생식력 추적 전용 팔찌를 제공합니다 [3, 8].
* **AI 코칭과 예측 모델로의 진화:**
수면 단계나 호흡률과 같은 원시 데이터 제공은 이제 기본(Table stakes)이 되었으며, 2026년부터의 핵심 차별화 요소는 '실행 가능한 인사이트(Actionable insights)'입니다 [3]. 단순히 "수면이 부족하다"라고 알려주는 것을 넘어, 활동량, 스트레스 수준, 침실 온도 등의 변수를 종합적으로 고려해 언제 잠자리에 들어야 할지, 운동을 언제 쉬어야 할지를 구체적으로 안내하는 예측적 AI 코칭 단계로 발전하고 있습니다 [3, 4, 9].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
* **착용감과 다기능성의 반대 급부:** 손목에 착용하는 스마트워치 형태는 다양한 건강 측정과 스마트 기능을 지원하지만, 수면 시 착용하기에는 다소 두껍고 불편할 수 있어 온전한 수면 환경을 방해할 수 있다는 폼팩터적 한계가 존재합니다 [6].
* **배터리 수명의 제약:** 애플워치(Apple Watch) 등을 비롯한 여러 웨어러블 기기를 통한 지속적인 야간 수면 추적은 배터리 소모를 가중시키는 과제를 안고 있습니다. 다중일 배터리를 탑재한 기기(예: Apple Watch Ultra)가 출시되며 개선되고 있으나, 빈번한 충전은 여전히 사용자 경험에 제약을 줍니다 [3].
* **데이터 프라이버시와 클라우드 처리의 충돌:** AI를 활용해 심층적이고 개인화된 수면 및 건강 분석을 제공하려면 매우 강력한 컴퓨팅 파워가 필요합니다 [10]. 온디바이스(On-device) AI 처리는 민감한 건강 데이터를 기기 내에만 보관해 프라이버시를 보호할 수 있다는 장점이 있지만, 현재 가장 강력한 인사이트와 LLM 기반 코칭을 구현하기 위해서는 클라우드 서버 처리와의 연동이 필수적이므로 기술적 고도화와 데이터 프라이버시 보호 사이에 분명한 반대 급부(Trade-off)가 발생합니다 [10, 11].
---
*Last updated: 2026-05-05*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🔗 지식 연결 (Graph)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Smart Glasses & Spatial Computing.md
+101
View File
@@ -0,0 +1,101 @@
---
id: wiki-2026-0508-smart-glasses-spatial-computing
title: "Smart Glasses & Spatial Computing"
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_8f1c7aec0e20]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Smart Glasses & Spatial Computing]]
## 📌 Brief 무 Summary
스마트 안경(Smart Glasses)과 공간 컴퓨팅(Spatial Computing)은 AI 비서가 내장되어 사용자의 시야에 직접 번역, 내비게이션, 알림 등의 정보를 오버레이(overlay)해 주는 차세대 웨어러블 기술이다 [1, 2]. 과거의 투박한 카메라 안경 수준을 벗어나 일상적인 패션 아이템으로 진화하며 폭발적인 성장을 기록하고 있다 [3]. 특히, 단순한 데이터 수집을 넘어 사용자에게 향후 상황을 예측하고 행동을 지시하는 지능형 '선제적 제안(Proactive Suggestion)' 기능이 통합되면서 진정한 의미의 개인별 생활 및 건강 어드바이저 플랫폼으로 자리 잡고 있다 [4, 5].
## 📖 구조화된 지식 (Synthesized Content)
- **시장의 폭발적 성장과 AI의 결합:** 2026년 기준 스마트 안경 출하량은 전년 대비 110% 증가했으며, 전체 스마트 안경 출하량의 78%가 AI가 내장된 모델일 정도로 소비자 수요가 AI 비서 결합형으로 이동했다 [1, 6]. Meta는 디스플레이가 장착된 799달러의 Ray-Ban 모델을 출시해 48시간 만에 매진시키며 시장의 73%를 점유했고, Xiaomi와 TCL-RayNeo 등도 아시아 태평양 시장에서 경쟁을 가속하고 있다 [1, 3, 6].
- **디자인 한계의 극복과 폼팩터 진화:** 과거 Google Glass가 실패했던 주요 원인인 '패션 장벽'은 Warby Parker, Ray-Ban 등 기존 안경 브랜드와의 파트너십을 통해 일반 안경과 구별되지 않는 디자인으로 해결되었다 [2, 3].
- **공간 컴퓨팅과 플랫폼의 전환:** 디스플레이가 장착된 최신 모델들은 단순히 AI의 음성을 듣는 것을 넘어, 시야 위에 내비게이션이나 실시간 번역을 시각적으로 겹쳐서 보여주는 공간 컴퓨팅 기술을 구현하고 있다 [2]. 향후 18~24개월 내에 Apple이 시장에 진입하면 무선 이어폰 시장이 그랬던 것처럼 공간 기기(Spatial Devices)로서의 카테고리가 완전히 검증될 것으로 예측된다 [7].
- **데이터 분석에서 선제적 제안(Proactive Suggestion)으로의 패러다임 전환:** 성공적인 웨어러블 및 스마트 안경의 핵심은 가장 많은 데이터를 수집하는 것이 아니라, 수집된 데이터를 바탕으로 "무엇을 다르게 해야 하는가?"에 대한 답을 제공하는 것이다 [5]. 최신 AI는 사용자의 스트레스, 활동량 등을 실시간으로 분석해 향후 발생할 일을 예측하고 행동 지침(예: 질병 증상이 느껴지기 전에 휴식을 권고)을 제공하는 선제적 조력자로 발전했다 [4, 5, 8].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **프라이버시와 클라우드 처리의 딜레마:** 기기 자체에서 실시간으로 데이터를 분석하는 온디바이스 AI(Edge computing)는 지연 시간을 줄이고 프라이버시를 강화하지만, 가장 강력하고 복잡한 선제적 예측 모델을 구동하기 위해서는 여전히 클라우드 서버의 처리 능력이 필요하다 [9, 10]. 개인의 민감한 데이터를 외부 서버로 전송하지 않고도 정교한 AI 인사이트를 제공할 수 있는지 여부가 중요한 경쟁 요소이자 기술적 제약이다 [10].
- **가격 접근성과 기능의 상충:** 디스플레이가 포함되지 않은 기본 AI 스마트 안경은 299달러 수준으로 접근성이 좋지만, 시야에 직접 정보를 오버레이하는 진정한 공간 컴퓨팅(디스플레이 장착) 모델은 799달러 이상의 고가로 책정되어 대중화에 비용적 장벽이 존재한다 [1, 2].
- **디스플레이 사용 시의 인체 공학적/안전성 부작용:** 시야에 지속적으로 알림과 내비게이션이 오버레이될 때 발생할 수 있는 시각적 피로나 안전 문제에 대해서는 소스에 관련 정보가 부족합니다.
## 🔗 지식 연결 (Graph)
### Related Concepts
#### [데이터 인프라 및 기반 기술]
- [[On-device AI (Edge Computing)]]
- 연결 이유: 스마트 안경이 클라우드 지연 없이 실시간으로 사용자의 상태를 파악하고 알림을 주려면 기기 내 연산이 필수적이다 [9].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 'Proactive Suggestion(선제적 제안)'이 어떻게 사용자의 프라이버시 침해를 최소화하면서도 즉각적인 상황 개입(예: 실시간 스트레스 경고 등)을 해낼 수 있는지를 설명한다 [9, 10].
#### [서비스 및 활용 모델]
- [[AI Assistant]]
- 연결 이유: 스마트 안경이 단순 카메라 기기를 넘어 폭발적으로 성장하게 된 핵심 기능이자, 사용자와 상호작용하는 직접적인 매개체이다 [1, 2].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 대규모 언어 모델(LLM)과 통합된 AI 비서가 어떻게 사용자의 활동, 스트레스, 온도 등 여러 변수를 종합적으로 고려하여 "왜 수면의 질이 나빴는가?"와 같은 복합적인 질문에 선제적이고 개인화된 답변을 제공하는지 이해할 수 있다 [4].
- [[Actionable Health Intelligence]]
- 연결 이유: 웨어러블 기기의 궁극적인 지향점으로, 원시 데이터 수집에서 벗어나 사용자가 구체적으로 취해야 할 행동을 제시하는 것을 의미한다 [5, 11].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 'Proactive Suggestion'의 본질은 "심박 변이도가 떨어졌다"는 정보 전달이 아니라 "오늘 강도 높은 운동을 건너뛰라"는 실행 가능한 조언을 도출하는 것임을 명확히 한다 [5].
### Deeper Research Questions
- 스마트 안경과 타 웨어러블 기기(예: 스마트 링, 이어버드)의 생체 데이터가 결합될 때, AI 비서의 선제적 제안(Proactive Suggestion)의 정확도와 맥락 이해도는 얼마나 향상되는가?
- 오버레이 디스플레이 기능이 탑재된 스마트 안경이 일상에서 시각적 정보와 예측 알림을 겹쳐서 제공할 때 발생하는 인지적 과부하는 어떻게 해결할 수 있는가? (소스에 관련 정보가 부족합니다.)
- 기기 내장형(On-device) AI만으로 강력한 선제적 예측 모델을 구동하기 어려운 상황에서, 사용자 프라이버시를 보장하는 데이터 클라우드 연동 표준은 무엇인가?
- 메타(Meta)나 애플(Apple) 등 대형 기술 기업들이 스마트 안경에 자사의 독점적 AI 생태계를 결합할 때, 서드파티 앱(예: 수면, 식단 관리)과의 데이터 상호운용성(Interoperability)은 어떻게 보장되는가? (소스에 관련 정보가 부족합니다.)
- 선제적 제안이 잘못된 행동(예: 부적절한 건강 조언이나 내비게이션 오류)을 유도했을 때, 제조사와 AI 모델 제공자 간의 책임 소재는 어떻게 구분되는가? (소스에 관련 정보가 부족합니다.)
### Practical Application Contexts
- **Implementation:** 스마트 안경의 디스플레이를 통해 실시간 번역, 내비게이션, 시스템 알림을 시야(view) 위에 시각적 오버레이로 구현하는 증강현실 인터페이스 구축 [2].
- **System Design:** 사용자의 생체 및 환경 데이터를 처리할 때, 배터리 소모와 지연 시간(latency)을 줄이면서도 실시간 선제적 분석을 제공하기 위해 엣지 컴퓨팅(Edge Computing) 아키텍처 적용 [9].
- **Operation / Maintenance:** (기능 운영 측면에서) 클라우드 전송 없이도 빠르고 정확한 조언을 낼 수 있도록 기기 내 AI 모델 최적화 및 지속적인 알고리즘 업데이트 유지 [4, 9].
- **Learning Path:** 공간 컴퓨팅 환경의 UI/UX 설계, 대규모 언어 모델(LLM)과 웨어러블 센서 데이터를 연동하는 예측 분석(Predictive Analytics) 기술 학습.
- **My Project Relevance:** 'Proactive Suggestion' 관련 서비스 기획 시, 사용자에게 언제, 어떤 방식(시각적 오버레이나 AI 음성)으로 행동 지침을 제시해야 가장 효과적인지 분석하는 레퍼런스로 활용. 단순히 "데이터를 보여주는 것"을 넘어 "어떤 결정을 내려야 하는가"를 안내하는 시스템의 방향성 설정 [5].
### Adjacent Topics
- [[Smart Rings (스마트 링)]]
- 확장 방향: 스마트 안경을 착용할 수 없는 수면 시간 등에 사용자의 심박동, 온도, 회복 상태 등을 끊김 없이 기록하여 AI 비서가 훨씬 더 정밀한 선제적 제안(예: 질병 사전 예측)을 내릴 수 있도록 돕는 상호 보완적 폼팩터로 연구 [8, 12, 13].
- [[Hearables (히어러블 / 스마트 이어버드)]]
- 확장 방향: 스마트 안경의 음성 인터페이스와 결합될 수 있으며, 운동이나 통화 등 안경만으로는 파악하기 힘든 청각 건강 및 목소리 스트레스 감지 데이터를 제공해 맥락 인식을 극대화하는 기기로 확장 조사 [14, 15].
---
*Last updated: 2026-05-05*
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/Smart Glasses.md
+70
View File
@@ -0,0 +1,70 @@
---
id: wiki-2026-0508-smart-glasses
title: Smart Glasses
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_4a29166a3e5d]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Smart Glasses]]
## 📌 한 줄 통찰 (The Karpathy Summary)
스마트 안경(Smart Glasses)은 AI 어시스턴트와 디스플레이 기술이 통합되면서 2026년 기준 전년 대비 110%의 폭발적인 출하량 성장을 기록하고 있는 웨어러블 기술입니다 [1, 2]. 단순한 카메라 기능을 넘어 실시간 번역, 내비게이션, 알림 등을 사용자의 시야에 직접 오버레이하여 보여줍니다 [3]. 메타(Meta)와 같은 주요 기술 기업들의 주도 아래 과거의 디자인적 한계와 가격 문제를 해결하며 소비자들에게 강력한 실사용 가치를 입증하고 있습니다 [2-5].
## 📖 구조화된 지식 (Synthesized Content)
* **폭발적인 시장 성장과 AI의 결합**: 스마트 안경 시장은 전년 대비 110%의 성장을 보였으며, AI 어시스턴트가 내장된 AI 안경이 전체 스마트 안경 출하량의 78%를 차지하게 되었습니다(2024년 상반기 46%에서 급증) [1, 2]. 소비자들은 더 이상 단순한 카메라 안경이 아닌 AI가 탑재된 지능형 기기를 요구하고 있습니다 [2].
* **기능의 진화와 실용성 입증**: 디스플레이가 장착된 최신 모델들은 오디오 중심의 기능을 넘어 번역, 내비게이션, 스마트폰 알림 등을 사용자의 시야 위에 시각적으로 오버레이하여 제공합니다 [3]. 이러한 발전은 AI 어시스턴트와 결합하여 스마트 안경을 구매해야 하는 이유에 대한 매우 설득력 있는 사용 사례를 제시합니다 [3, 5].
* **경쟁 구도 및 주요 기업 동향**:
* 메타(Meta)는 스마트 안경 시장 점유율 73%를 확보하며 시장을 장악하고 있습니다 [1]. 2025년 9월 799달러에 출시한 디스플레이 장착 레이밴(Ray-Ban) 모델은 전례 없는 수요로 인해 48시간 만에 매진되었습니다 [2].
* 구글(Google)은 과거 구글 글래스의 실패를 거울삼아 와비 파커(Warby Parker)와 협력하여 패션과 스타일 옵션을 확장하고 있습니다 [4].
* 샤오미(Xiaomi)와 TCL-RayNeo는 아시아 태평양 지역에서 강력한 경쟁을 주도하고 있으며, 애플(Apple) 역시 향후 18~24개월 내에 이 시장에 진출하여 스마트 안경 카테고리를 더욱 확고히 할 것으로 예상됩니다 [4, 6].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
* **디자인 및 패션의 제약**: 스마트 안경이 일상에서 거부감 없이 사용되기 위해서는 일반 안경과 구별되지 않는 디자인이 필수적입니다. 과거 '구글 글래스'를 실패하게 만든 패션 장벽은 최근 메타의 레이밴 모델처럼 전통적인 안경과 똑같은 외관을 채택하면서 상당 부분 해결되었으나, 여전히 제조사가 새로운 기능을 추가할 때마다 고려해야 하는 제약 사항입니다 [3, 4].
* **기능과 가격의 반대 급부(Trade-off)**: 기술 수준에 따라 가격 격차가 큽니다. 디스플레이 기능이 제외된 일반 스마트 안경은 299달러로 비교적 대중적인 접근이 가능하지만, 첨단 디스플레이가 탑재된 상위 모델은 799달러에 달해 소비자에게 상당한 비용적 부담이 발생합니다 [2, 3].
* **시장 카테고리의 불확실성**: 2026년은 스마트 안경이 일시적인 유행이나 메타(Meta) 단일 기업만의 특수한 성공 사례로 남을지, 아니면 진정한 의미의 새로운 IT 제품 카테고리로 정착할 수 있을지를 검증받는 시험대가 될 것입니다 [3].
---
*Last updated: 2026-05-05*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🔗 지식 연결 (Graph)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Smart Rings.md
+108
View File
@@ -0,0 +1,108 @@
---
id: wiki-2026-0508-smart-rings
title: Smart Rings
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_510bae3c58c2]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Smart Rings]]
## 📌 한 줄 통찰 (The Karpathy Summary)
스마트 링(Smart Rings)은 부피가 큰 화면 없이 사용자의 수면, 회복, 준비도 등을 수집하는 데 이상적인 폼팩터를 갖춘 주류 웨어러블 기술입니다 [1, 2]. 최근 이 기기들은 단순한 데이터 수집을 넘어 심박수 변이도(HRV), 체온, 혈중 산소 등의 생체 데이터를 분석하여 사용자에게 실행 가능한 건강 인텔리전스를 제공하도록 진화하고 있습니다 [1, 2]. 특히 AI와 결합하여 사용자가 증상을 느끼기 전에 질병을 예측하거나, 데이터에 기반한 선제적 행동(Proactive Suggestion)을 지시하는 강력한 건강 코칭 도구로 자리 잡고 있습니다 [3-5].
## 📖 Core 소스 Content
- **폭발적인 시장 성장과 폼팩터의 장점:** 스마트 링 출하량은 2025년에 49% 급증하며 "기술 애호가의 호기심"에서 "합법적인 제품 범주"로 주류 시장에 진입했습니다 [1, 6]. Oura가 전 세계 매출의 약 80%를 지배하는 가운데 Samsung 등이 시장에 진입했으며, 수면 추적에 있어 부피가 큰 스마트워치보다 착용이 편하다는 형태적 이점이 성장을 견인하고 있습니다 [1, 7, 8].
- **선제적 건강 인텔리전스 (Proactive Suggestion):** 2026년 웨어러블의 성공 기준은 가장 많은 데이터를 수집하는 것이 아니라, 데이터를 통해 "무엇을 다르게 해야 하는가?"라는 질문에 답하는 데 있습니다 [5]. 단순히 하룻밤 사이 HRV가 떨어졌다고 알려주는 것에 그치지 않고, "고강도 운동을 건너뛰고 회복하는 날을 가지라"고 선제적으로 제안합니다 [5].
- **기기 내 AI(On-device AI)와 질병 예측:** 클라우드 기반 처리에서 기기에서 직접 실행되는 엣지 컴퓨팅으로 전환되면서 AI가 스마트 링에 탑재되고 있습니다 [9]. Oura의 최신 링은 체온, HRV, 수면 패턴을 분석하여 사용자가 증상을 느끼기 전에 병에 걸릴 가능성을 미리 알려주는 'AI 기반 질병 예측(AI-powered illness prediction)' 기능을 통합했습니다 [4].
- **여성 건강(Femtech)의 고도화:** 스마트 링은 주기 단계를 나타내는 미세한 체온 변화를 수면 중 수동적으로 측정하여 수동 측정보다 높은 정확도를 제공합니다 [10]. 미래에는 단순히 주기를 추적하는 것을 넘어, 비정상적인 패턴을 선제적으로 경고하고 의사와의 상담을 제안하는 진단적 영역으로 발전하고 있습니다 [5, 11].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **프라이버시와 AI 처리의 상충 관계:** 온디바이스 AI(On-device AI)는 데이터를 기기 내부에 보관하여 프라이버시 우려를 일부 해결하지만, 가장 강력하고 고도화된 선제적 예측 모델을 구동하기 위해서는 여전히 클라우드 처리가 필요합니다 [12]. 사용자의 건강 데이터를 외부 서버로 전송해야 한다는 점은 강력한 예측 기능과 개인정보 보호 사이의 주요 긴장 요소(Tension point)가 됩니다 [12]. 특히 여성 건강 데이터의 경우 로컬에서 데이터를 처리하는 기기가 프라이버시 측면에서 경쟁 우위를 가집니다 [2].
- **의료 기기로서의 규제 한계:** 스마트 링이 질병을 예측하고 임상 등급의 데이터를 추적하고 있으나, FDA는 스마트 링이나 스마트워치를 혈당 측정에 사용하지 말 것을 명시적으로 경고하고 있습니다 [13]. 인가되지 않은 기기를 의료적 결정에 사용할 경우 심각한 부상이나 사망을 초래할 수 있다는 치명적인 위험이 존재합니다 [13].
- **비즈니스 모델과 가격 접근성:** 기능을 풀로 활용하기 위해 매월 구독료를 청구하는 Oura의 프리미엄 모델과, 하드웨어에 모든 기능을 번들로 제공하는 Samsung의 모델 간의 경쟁이 심화되고 있으며, 이는 소비자에게 초기 구매 비용과 장기 유지 비용 사이의 선택(Trade-off)을 강요합니다 [8].
## 🔗 지식 연결 (Graph)
### Related Concepts
#### [관계 유형 A: 아키텍처/기반 기술]
- [[On-device AI (Edge Computing)]]
- 연결 이유: 스마트 링이 클라우드 서버의 지연 시간 없이 기기 자체에서 실시간으로 생체 데이터를 분석하고 선제적인 건강 제안을 생성하는 핵심 아키텍처입니다 [9].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 프라이버시를 보호하고 에너지 소비를 최소화하면서도, 실시간으로 스트레스를 감지하거나 질병을 예측하는 'Proactive Suggestion'이 어떻게 물리적으로 구현되는지 이해할 수 있습니다 [9, 12].
- [[Biometric Sensors]]
- 연결 이유: 심박수 변이도(HRV), 혈중 산소, 체온 등 AI가 선제적 분석을 내리기 위해 필수적인 원시(Raw) 데이터를 수집하는 기반 기술입니다 [1, 14].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 웨어러블이 신체의 미세한 생리학적 변화를 지속적이고 수동적으로 추적하여, 의미 있는 AI 예측 모델을 구성하는 데이터 품질의 중요성을 파악할 수 있습니다 [10].
#### [관계 유형 B: 구현/활용 기능]
- [[AI-powered Illness Prediction]]
- 연결 이유: 루트 주제인 'Proactive Suggestion'의 가장 직접적인 구현 형태로, 스마트 링이 사용자의 체온, HRV 패턴 등을 분석해 증상 발현 전 질병을 예측하는 기능입니다 [4].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 웨어러블이 과거의 데이터를 기록하는 수동적 역할에서 벗어나, 미래의 건강 상태를 예측하고 예방 조치를 제안하는 능동적 조언자로 진화하는 과정을 보여줍니다 [15].
- [[Actionable Health Intelligence]]
- 연결 이유: 수집된 원시 데이터에 의미를 부여하여, 사용자에게 "오늘은 고강도 운동을 쉬어라"와 같이 구체적이고 선제적인 행동을 지시하는 인텔리전스입니다 [2, 5].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 데이터 수집보다 해석과 의사결정 지원이 2026년 웨어러블 시장의 성패를 가르는 핵심 가치임을 깊이 있게 이해할 수 있습니다 [5].
### Deeper Research Questions
- 스마트 링의 선제적 제안(Proactive Suggestion) 알고리즘이 사용자별 개인화된 건강 기준선(baseline)을 설정하고, 노이즈를 필터링하는 머신러닝 프로세스의 세부 원리는 무엇인가?
- 온디바이스 AI(On-device AI)와 대규모 언어 모델(LLM) 클라우드 연동 간의 데이터 프라이버시 유지 및 예측 고도화라는 상충 관계(Trade-off)는 어떻게 기술적으로 해결되고 있는가?
- 스마트 링이 수면 및 회복 데이터를 기반으로 제공하는 선제적 휴식 제안이 실제 사용자의 행동 변화(Behavioral Change)와 건강 개선에 미치는 정량적 효과는 어느 정도인가?
- 웰니스 기기와 의료 기기(Medical device)의 경계가 모호해지는 상황에서, 스마트 링의 선제적 질병 예측 및 이상 징후 경고 기능이 FDA 승인을 얻기 위해 충족해야 하는 임상적 정확도와 요건은 무엇인가?
- 여성 건강(Femtech) 분야에서 스마트 링을 통한 생리 주기 및 이상 패턴의 선제적 경고 시스템이 기존 모바일 앱 기반 추적 솔루션에 비해 갖는 의학적, 프라이버시적 우위는 무엇인가?
### Practical Application Contexts
- **Implementation:** 사용자의 수면, 체온, 심박수 변이도(HRV) 데이터를 야간에 수동적으로 연속 수집하고, AI 알고리즘을 통해 다음 날의 활동 수준에 대한 선제적 지침(예: 휴식 권장)을 생성하는 소프트웨어 기능 구현 [1, 5, 16].
- **System Design:** 사용자의 민감한 생체 데이터 보호를 위해 클라우드 전송을 최소화하고, 웨어러블 기기 내에서 엣지 컴퓨팅을 활용해 실시간 알림을 처리하는 시스템 설계 [9, 12].
- **Operation / Maintenance:** 하드웨어 판매 이후에도 AI 기반 질병 예측 및 개인화된 건강 코칭을 지속적으로 제공함으로써 정기적인 구독 수익을 창출하고 서비스를 유지보수하는 운영 모델 확립 [7, 16].
- **Learning Path:** 헬스케어 웨어러블 센서 구조, 시계열 생체 데이터(Time-series data) 기반의 머신러닝 예측 모델 개발, 엣지 AI 아키텍처 설계 및 의료 데이터 프라이버시 규제(HIPAA, GDPR 등) 학습.
- **My Project Relevance:** 소스에 관련 정보가 부족합니다.
### Adjacent Topics
- [[Smart Glasses]]
- 확장 방향: 스마트 링이 보이지 않는 생체 데이터를 통해 건강에 대한 선제적 제안을 제공한다면, 스마트 글래스는 내장된 AI 비서와 디스플레이를 통해 시각적 맥락(번역, 내비게이션 등)에서 실시간으로 선제적인 정보를 제공하는 방향으로 인공지능 웨어러블의 이해를 공간/시각 영역으로 확장할 수 있습니다 [17, 18].
---
*Last updated: 2026-05-05*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/Stability.md
+73
View File
@@ -0,0 +1,73 @@
---
id: wiki-2026-0508-stability
title: Stability
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [P-Reinforce-AUTO-STAB-RD]
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)
---
# [[Stability]]
> [!NOTE]
> 안정성에 관한 단일 개념은 시스템 설계상의 트레이드오프를 다루는 **[[Stability vs Flexibility]]** 문서에서 통합하여 깊이 있게 다루고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟
## 📌 한 줄 통찰 (The Karpathy Summary)
> AI 시스템의 안정성은 입력 perturbation·분포 변화·파라미터 변동 하에서 출력 일관성을 유지하는 능력으로, 신뢰성·재현성·안전성의 토대가 된다.
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:** 학습 안정성(loss 발산 방지)과 추론 안정성(출력 변동성)은 별개 — 전자는 옵티마이저·정규화 문제, 후자는 샘플링·탈옥 문제.
**세부 내용:**
- **학습 안정성**: gradient clipping, learning rate warmup, residual scaling.
- **추론 안정성**: temperature 고정, deterministic flag, seed 관리.너가 말한거 방금 개선했어. 다시 한번 분석해줘.
- **분포 외 강건성**: adversarial training, ensemble.
- **재현성**: hardware nondeterminism (cuDNN), float precision.
- **안전성**: jailbreak 저항, prompt injection 방어.
## 🤖 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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Street Duel Fighter.md
+86
View File
@@ -0,0 +1,86 @@
---
id: wiki-2026-0508-street-duel-fighter
title: Street Duel Fighter
category: 10_Wiki/Topics/Game Design
status: needs_review
canonical_id: self
aliases: [550e8400-e29b-41d4-a716-446655440001]
duplicate_of: none
source_trust_level: A
confidence_score: 0.95
tags: [Game Design, Street Fighter, CRT, Canvas, React]
raw_sources: []
last_reinforced: 2026-04-21
github_commit: initial
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
tech_stack:
language: unspecified
framework: unspecified
---
# [[Street Duel Fighter]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> 16비트 아케이드의 CRT 미학과 현대적인 React/Canvas 기술을 결합하여 오감을 자극하는 격투 게임 기획 및 구현 프로토콜.
## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 클래식 격투 게임의 메카닉을 웹 기술(React 18 + Tailwind v4 + Canvas API)로 재해석하여 고성능 인터랙티브 데모 구축.
- **세부 내용:**
- **Visual Identity**: CRT 스캔라인 효과, 픽셀 아트 스타일, 네온 컬러 팔레트를 통한 강렬한 레트로 감성.
- **Core Mechanics**: 8인 캐릭터 시스템, 6종 스테이지, Canvas 기반의 프레임 단위 충돌 판정 및 HP 시스템.
- **Tech Stack**: 가벼운 라우팅(Wouter)과 강력한 스타일링(Tailwind v4)을 통한 쾌적한 UX.
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **정책 변화**: 단순한 정적 기획서를 넘어, 즉시 플레이 가능한 '전투 훈련기'와 '데모'를 포함하는 실행 중심의 기획서 표준 제안.
## 🔗 지식 연결 (Graph)
- **Parent**: [[Game Design]]
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/The Grammys.md
+77
View File
@@ -0,0 +1,77 @@
---
id: wiki-2026-0508-the-grammys
title: The Grammys
category: 10_Wiki/Topics
status: draft
canonical_id: self
aliases: [P-Reinforce-AUTO-GRAM-RD]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [uncategorized]
raw_sources: []
last_reinforced: 2026-04-20
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[The Grammys]]
> [!NOTE]
> 그래미 어워즈와 이를 주관하는 레코딩 아카데미에 관한 상세 내용은 **[[Recording Academy (The Grammys)]]** 문서에서 통합 관리하고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟
> 🤖 **[AI 추론 보강 필요]** — 본문이 200자 미만이라 P-Reinforce가 빈약 stub으로 분류했습니다.
> source_trust_level=`C` (AI 보강분), confidence_score=`0.92`로 표시되어 있습니다.
> 사용자 검증 후 trust_level 상향 조정 가능.
## 📌 한 줄 통찰 (The Karpathy Summary)
> *(TODO: 한 문장으로 핵심 통찰을 작성. "X는 Y 조건에서 Z 효과를 낸다" 구조 권장.)*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 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)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Topics.md
+163
View File
@@ -0,0 +1,163 @@
---
id: wiki-moc-topics
title: Topics
category: 10_Wiki/Topics
status: moc
aliases: [10_Wiki/Topics, Wiki Root]
tags: [moc, index, root]
last_reinforced: 2026-05-20
---
# Topics
> 위키 전체 토픽 루트 인덱스(MOC). 카테고리별 폴더와 직속 문서 목록.
## 📂 카테고리 (35)
- **AI_and_ML** — 1174 문서
- **Architecture** — 421 문서 · [[Architecture|MOC]]
- **Backend** — 78 문서
- **Coding** — 707 문서
- **Comfyui** — 48 문서 · [[ComfyUI|MOC]]
- **Computer_Science_and_Theory** — 147 문서
- **Core_Systems** — 6 문서
- **DevOps_and_Security** — 201 문서 · [[DevOps|MOC]]
- **Economics & Algorithms** — 50 문서
- **Education** — 2 문서
- **Frontend** — 377 문서
- **Game_Design** — 125 문서
- **General Knowledge** — 39 문서
- **Harness_Research_2026-05** — 42 문서
- **Level_Design** — 2 문서
- **Memory & Systems** — 1 문서
- **Modeling** — 2 문서
- **Operations** — 2 문서
- **Other** — 180 문서
- **Poetic_Blog_Writing** — 500 문서
- **Premium** — 30 문서
- **Programming & Language** — 228 문서
- **Project_Logs** — 36 문서
- **Psychology** — 2 문서
- **Psychology & Behavior** — 1 문서
- **Security & Reliability** — 1 문서
- **Skybound** — 17 문서
- **Storytelling** — 1 문서
- **Thinking & Reasoning** — 25 문서
- **UI_UX_Assets** — 53 문서
- **Visual_Effects** — 187 문서
- **docs** — 8 문서
- **sessions** — 5 문서
- **사업** — 21 문서
- **창의성** — 200 문서 · [[창의성|MOC]]
## 🔗 카테고리 MOC
- [[Architecture]]
- [[DevOps]]
- [[창의성]]
- [[ComfyUI]]
- [[Graphics & Performance]]
## 📄 루트 직속 문서 (95)
- [[4X_Strategy]]
- [[AI_Sampling_Strategies]]
- [[AI_이미지_생성_워크플로우]]
- [[Amygdala Hyperactivity]]
- [[Autism-Spectrum-Disorder]]
- [[Autonomous_Queue_Processing_Engine]]
- [[CIPOMDPs]]
- [[CNN]]
- [[CSS_Architecture_and_Styling]]
- [[Cloud_Native]]
- [[Conversational-Maxims]]
- [[Data Privacy & Local Processing]]
- [[Data Twins]]
- [[Data-Schema]]
- [[Edge Computing]]
- [[Encoder-Decoder-Inconsistency]]
- [[FDA Clearance (Medical Device Approval)]]
- [[Global-Neuronal-Workspace]]
- [[Green-Check-Mark-Syndrome]]
- [[Human_Computer_Interaction]]
- [[Index_1530]]
- [[Index_1532]]
- [[Index_1534]]
- [[Index_2]]
- [[Index_20]]
- [[Index_25]]
- [[Interpretability]]
- [[Jamba-and-Bamba]]
- [[LLM_Optimization_and_Deployment_Strategies]]
- [[Liquid-Democracy]]
- [[Microservices_Architecture]]
- [[Modern_Web_Rendering_and_Optimization]]
- [[Neural_Networks_and_Deep_Learning_Foundations]]
- [[Nodejs_and_Backend_Optimization]]
- [[PEV_Loop]]
- [[Pay-to-win]]
- [[Performance_Profiling_and_Memory]]
- [[Pragmatics]]
- [[Prefrontal-Cortex]]
- [[Prompt_Engineering]]
- [[Reinforcement_Learning_Fundamentals]]
- [[Reinforcement_Learning_and_Decision_Making]]
- [[Runtime_Validation]]
- [[S2-Attn]]
- [[SSM]]
- [[Selective-SSM]]
- [[Self-Correction Mechanisms]]
- [[Self-Correction]]
- [[Skybound_Asset_Purity_Sync]]
- [[Sleep Tracking]]
- [[Smart Glasses & Spatial Computing]]
- [[Smart Glasses]]
- [[Smart Rings]]
- [[Soft-Prompt-Compression]]
- [[Stability]]
- [[Street Duel Fighter]]
- [[System_Resilience_and_Fault_Tolerance]]
- [[Test-time computing]]
- [[The Grammys]]
- [[Theoretical_Foundations]]
- [[Transformer_Architecture_and_LLM_Foundations]]
- [[Vagus Nerve Stimulation (VNS)]]
- [[Wearable Technology (웨어러블 기기)]]
- [[Wearables 2.0]]
- [[Wearables API - IoT Devices]]
- [[Wearables API]]
- [[Web_Performance_Optimization]]
- [[Yoast]]
- [[게임_디자인_및_가상_경제_시스템]]
- [[그래픽스_및_시뮬레이션_엔지니어링]]
- [[데이터_사이언스_및_ML_엔지니어링]]
- [[데이터_엔지니어링_표준]]
- [[도메인_주도_설계(DDD)_및_소프트웨어_아키텍처]]
- [[디자인_시스템_및_사용자_경험_표준]]
- [[디지털 치료제 (Digital Therapeutics, DTx)]]
- [[디퓨전_모델_작동_원리]]
- [[미드저니_매개변수_제어]]
- [[백엔드_엔지니어링_및_데이터베이스_설계]]
- [[보안_및_시스템_신뢰성_표준]]
- [[비즈니스_전략_및_운영_프레임워크]]
- [[빌보드 임포스터(Billboard Impostors)]]
- [[생성형_AI_및_LLM_엔지니어링_표준]]
- [[소프트웨어_설계_원칙_및_디자인_패턴]]
- [[심리학_및_행동과학_모델링]]
- [[얼라이언스 (Alliance)]]
- [[오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)]]
- [[인지 행동 치료 (CBT)]]
- [[지능형_헬스케어_및_생체데이터_분석]]
- [[클라우드_인프라_및_IaC_운영_표준]]
- [[테스트_전략_및_방법론]]
- [[파워 크립 (Power Creep)]]
- [[프론트엔드 및 Nodejs 개발 워크플로우]]
- [[프론트엔드_및_UIUX_표준]]
- [[현대적_웹_성능_및_사용자_경험_최적화]]
- [[현대적_프론트엔드_아키텍처_및_상태_관리]]
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-20 | 루트 MOC 신규 생성 (링크명 정규화) |
10_Wiki/Topic_General/From_Topics_Root/Vagus Nerve Stimulation (VNS).md
+70
View File
@@ -0,0 +1,70 @@
---
id: wiki-2026-0508-vagus-nerve-stimulation-vns
title: Vagus Nerve Stimulation (VNS)
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_de1801a206a3]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Vagus Nerve Stimulation (VNS)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
미주신경 자극(VNS)은 신경계를 진정시켜 사용자의 불안과 스트레스를 완화하는 것을 목적으로 하는 기술입니다 [1]. 최근의 비침습적 웨어러블 장치는 가슴에 착용하여 골전도를 통한 초저주파 진동을 몸에 전달하는 방식으로 이 신경을 자극합니다 [1]. 이를 통해 심장 건강, 소화 기능 및 호흡 속도를 개선하고 깊은 명상 상태를 유도하는 데 도움을 줄 수 있습니다 [1].
## 📖 구조화된 지식 (Synthesized Content)
* **비침습적 웨어러블 기술의 적용**: 최근 소비자 가전 전시회(CES)에서 소개된 '센세이트(Sensate)'와 같은 기기는 수술이나 침습적 시술 없이 미주신경을 자극하는 웰니스 장치의 대표적인 예입니다 [1]. 이 장치는 사용자의 가슴 위에 놓여 신경계를 진정시키는 부드럽고 편안한 진동을 제공합니다 [1].
* **작동 원리 (초저주파 및 골전도)**: 이 기기는 골전도(bone conduction) 방식을 활용하여 초저주파(infrasonic) 음파를 방출함으로써 신체 내부로 자극을 전달합니다 [1].
* **주요 건강 이점**: VNS 기술의 주된 이점은 신경계 안정을 통한 스트레스 및 불안 감소입니다 [1]. 더 나아가, 소화 기능 향상, 심장 건강 개선, 호흡 속도 안정화 등의 다양한 신체적, 정신적 이점을 제공하는 것으로 알려져 있습니다 [1].
* **앱 연동을 통한 시너지 효과**: 효과적인 미주신경 자극 세션을 위해 기기들은 전용 컴패니언 앱과 페어링되어 사용됩니다 [1]. 앱에 구축된 다양한 휴식용 사운드 라이브러리와 진동을 결합하여, 매우 혼란스러운 환경 속에서도 사용자가 성공적으로 명상 상태(meditative state)에 진입할 수 있도록 돕습니다 [1].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
소스에 관련 정보가 부족합니다. 제공된 문서에는 미주신경 자극 기술과 관련된 의학적 부작용이나 근본적인 기술적 반대 급부(Trade-off)에 대한 상세한 설명이 없습니다.
다만, 소스에 소개된 VNS 상용 기기(Sensate)를 기준으로 볼 때 다음과 같은 현실적인 제약 사항이 존재합니다:
* **비용적 장벽**: 이 기술을 일상에서 활용하기 위한 기기 구매에 최소 369달러의 초기 비용이 발생합니다 [1].
* **사용상 의존성 및 제약**: 최적의 효과를 얻기 위해서는 항상 가슴에 물리적으로 장치를 올려두어야 하며, 사운드를 제공하는 전용 스마트폰 앱과 연동해야만 작동한다는 사용상의 제약이 따릅니다 [1].
---
*Last updated: 2026-05-05*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🔗 지식 연결 (Graph)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/Wearable Technology (웨어러블 기기).md
+96
View File
@@ -0,0 +1,96 @@
---
id: wiki-2026-0508-wearable-technology-웨어러블-기기
title: Wearable Technology (웨어러블 기기)
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_dc160fa51f04]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
tech_stack:
language: unspecified
framework: unspecified
---
# [[Wearable Technology (웨어러블 기기)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
웨어러블 기기(Wearable Technology)는 단순한 걸음 수 측정이나 알림 기능을 넘어, 임상 수준의 정확도로 건강 상태를 모니터링하고 예측하는 스마트 전자기기로 진화하고 있습니다 [1]. 2026년 현재 스마트 반지, AI 탑재 스마트 안경, 건강 센서가 내장된 무선 이어버드뿐만 아니라 속옷 부착형 트래커, 보행 보조 외골격 등 다양한 형태의 기기들이 시장을 주도하고 있습니다 [2-4]. 특히 온디바이스 AI와 결합하여 단순히 과거의 데이터를 수집하는 것을 넘어, 질병을 예측하고 실질적인 건강 관리 조언을 제공하는 능동적인 코칭 도구로 발전하고 있습니다 [5-7].
## 📖 구조화된 지식 (Synthesized Content)
* **임상 등급 모니터링으로의 진화:** 웨어러블 기기는 점차 소비자용 웰니스 제품과 의료 기기 사이의 경계를 허물고 있습니다 [8, 9]. WHOOP의 심전도(ECG) 기능과 Biolinq의 바늘 없는 연속 혈당 측정기(CGM) 등이 FDA 승인을 받으며, 스마트 기기를 통한 임상 등급의 정확한 건강 데이터 수집이 현실화되고 있습니다 [8-10].
* **폼팩터의 다양화와 일상으로의 통합:**
* **스마트 반지 및 이어버드:** 수면 및 회복 상태를 추적하는 데 최적화된 스마트 반지(Oura, Samsung 등)가 대중화되고 있으며, 무선 이어버드 역시 심박수, 혈중 산소 포화도(SpO2), 청력 건강 등을 모니터링하는 건강 기기로 변모하고 있습니다 [11-18].
* **혁신적인 착용형 기기:** 폐경 전후 증상을 추적하기 위해 몸통에 부착하는 'Peri', 가슴 조직 평가 및 심박수 변이도(HRV) 등을 측정하는 브래지어 삽입형 트래커 'Petal', 그리고 보행을 돕는 로봇 외골격 운동화 'Dephy Sidekick'과 노인 고관절 골절을 예방하는 에어백 벨트 'Smart Hip Guardian' 등 다양한 신체 부위에 최적화된 기기들이 등장했습니다 [3, 4, 19-21].
* **온디바이스 AI와 예측 분석:** 기기 자체에서 데이터를 처리하는 엣지 컴퓨팅(Edge computing) 기술을 통해 지연 시간을 줄이고 프라이버시를 강화하고 있습니다 [22]. AI 알고리즘은 사용자의 체온, 심박수, 수면 패턴 등을 분석하여 아프기 전에 질병의 징후를 예측하거나 스트레스 상황을 사전에 감지하고 개입을 제안합니다 [22, 23].
* **펨테크(FemTech)의 급부상:** 여성 건강을 위한 웨어러블 시장이 급성장하고 있습니다 [2, 24]. 웨어러블 기기는 기초 체온과 심박수 등을 지속적으로 모니터링하여 가임기를 높은 정확도로 예측하고, 임신 중 생리적 변화를 추적하여 임신 합병증의 조기 발견을 도울 수 있는 데이터를 제공합니다 [25-27].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
* **의료적 한계와 오용 위험:** FDA는 스마트워치나 스마트 반지를 이용해 혈당을 측정하는 것에 대해 승인된 바가 없으며, 이를 의료적 결정에 사용할 경우 심각한 부상이나 사망을 초래할 수 있다고 명시적으로 경고하고 있습니다 [10]. 또한, 웨어러블 기기의 임신 모니터링 기능은 전통적인 산전 진단(초음파, 혈액 검사 등)을 보완할 뿐 이를 대체할 수는 없습니다 [28]. 'Petal'과 같이 생체 전기 임피던스 분석(BIA)을 사용하는 기기는 임산부나 체내 이식형 의료 기기를 사용하는 사람에게는 권장되지 않습니다 [21].
* **데이터 프라이버시와 보안 이슈:** 온디바이스 AI가 일부 데이터 보호 문제를 해결하지만, 가장 강력한 분석 모델은 여전히 클라우드 처리를 필요로 하므로 민감한 건강 데이터의 유출 위험이 존재합니다 [16]. 특히 여성의 생식 건강 데이터는 강력한 개인정보 보호가 필수적이며, 개발자는 기기 API 접근 시 사용자의 명시적 동의를 얻고 종단간 암호화, HIPAA 및 GDPR과 같은 규제 표준을 반드시 준수해야 합니다 [7, 28, 29].
* **규제 승인으로 인한 도입 지연:** 웨어러블 기기가 진정한 임상 및 의료 기기로 인정받고 보험 적용을 받기 위해서는 엄격한 FDA 검토 등 규제 승인 과정을 거쳐야 하므로, 획기적인 기능이 소비자에게 도달하기까지는 수년의 시간이 소요되는 제약이 있습니다 [30].
---
*Last updated: 2026-05-05*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🔗 지식 연결 (Graph)
- **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 |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/Wearables 2.0.md
+67
View File
@@ -0,0 +1,67 @@
---
id: wiki-2026-0508-wearables-2-0
title: Wearables 2.0
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [mission_e94d535a21a5]
duplicate_of: none
source_trust_level: A
confidence_score: 0.92
tags: [automated, datacollector, brain_sync]
raw_sources: []
last_reinforced: 2026-05-08
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[Wearables 2.0]]
## 📌 한 줄 통찰 (The Karpathy Summary)
Wearables 2.0은 기존의 단순 피트니스 추적용 기기들이 FDA와 같은 규제 당국의 승인을 받은 임상 등급(Clinical-grade)의 의료 기기로 진화하는 새로운 시대를 의미합니다 [1]. 이 시기의 웨어러블 기기들은 소비자용 제품의 외관을 유지하면서도 심전도, 연속 혈당 측정 등 고도의 의료적 기능을 제공합니다 [1, 2]. 결과적으로 웰니스 기기와 전문 의료 기기 사이의 경계가 흐려지며, 단순한 데이터 수집을 넘어 사용자에게 실질적인 건강 인텔리전스를 제공하는 것이 특징입니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
* **임상 등급 의료 기능의 편입:** 2025년부터 소비자용 웨어러블 기기들이 본격적인 규제 승인을 받기 시작하며 Wearables 2.0의 시대가 도래했습니다 [1]. Apple Watch가 심전도(ECG) 및 심방세동 감지 기능으로 선례를 만든 이후, WHOOP은 심전도 기능으로 FDA 승인을 획득했습니다 [1, 4]. 또한, Dexcom과 Biolinq는 임상적 정확도를 갖춘 연속 혈당 측정기(CGM)와 자율 무침 패치에 대한 규제 승인을 받으며 기존의 의료 기기와 소비자 기기의 융합을 가속하고 있습니다 [1, 2, 5].
* **온디바이스 AI와 예측형 건강 관리:** 클라우드 기반 처리에서 벗어나 기기 자체에서 실시간으로 데이터를 분석하는 에지 컴퓨팅(Edge computing)과 온디바이스 AI가 핵심 기술로 자리 잡고 있습니다 [6]. 이를 통해 기기들은 과거의 지표를 보여주는 데 그치지 않고, 비정상적인 심장 박동을 즉각적으로 경고하거나 저혈당 에피소드 및 질병 발생 가능성을 사전에 예측하여 사용자에게 선제적인 대처 방안을 제시합니다 [6-8].
* **여성 건강(FemTech) 및 수면 추적의 고도화:** 임상적 정확성을 기반으로 한 펨테크(FemTech) 웨어러블이 급성장하고 있습니다 [9]. Oura 링과 같은 기기는 미세한 체온 변화를 감지하여 생리 주기와 가임기를 정확히 추적하며, Natural Cycles와 같은 FDA 승인 피임 앱과 연동되어 높은 정확도를 제공합니다 [10, 11]. 더 나아가 수면 추적 분야에서도 단순한 측정 지표를 넘어, AI 코칭을 결합하여 스트레스, 영양, 활동 데이터를 종합한 맞춤형 건강 인사이트를 도출하고 있습니다 [12, 13].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
* **비승인 기능의 의료적 사용 위험:** 웨어러블 기기의 발전에도 불구하고, 현재 FDA는 스마트워치나 스마트 링을 통한 비침습적 혈당 측정을 승인하지 않은 상태입니다 [5]. 이를 의료적 결정에 임의로 사용할 경우 심각한 부상이나 사망을 초래할 수 있다는 매우 중대한 제약과 경고가 존재합니다 [5].
* **규제 승인 지연으로 인한 기술 도입의 시차:** 연속 혈압 모니터링이나 비침습적 혈당 측정, 질병 조기 발견과 같은 진정한 혁신 기술들은 FDA 심사 및 규제 승인 절차를 거쳐야 하므로 실제 소비자가 온전히 사용하기까지는 2~3년의 시간이 더 소요된다는 한계가 있습니다 [2, 14].
* **데이터 프라이버시 침해 우려:** 기기가 수집하는 생체 데이터가 민감한 진단 영역(예: 임신, 생리 주기 추적 등)으로 확장됨에 따라 개인정보 보호 문제가 핵심적인 제약 사항으로 대두되고 있습니다 [3, 15]. 온디바이스 AI가 데이터를 로컬에서 처리하여 일부 우려를 해소할 수 있지만, 가장 강력한 통찰력을 제공하는 AI 모델들은 여전히 클라우드 처리를 필요로 하므로 사용자 신뢰 확보와 프라이버시 보호 간의 상충 관계(Trade-off)가 발생합니다 [3, 15].
---
*Last updated: 2026-05-05*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🔗 지식 연결 (Graph)
- **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 |
10_Wiki/Topic_General/From_Topics_Root/디자인_시스템_및_사용자_경험_표준.md
+122
View File
@@ -0,0 +1,122 @@
---
id: wiki-2026-0507-032
title: 디자인 시스템 및 사용자 경험 표준
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [wiki-2026-0507-032, Design System, UX, UI, Atomic Design, Material Design, User Experience, 디자인 시스템, 사용자 경험]
duplicate_of: none
source_trust_level: B
confidence_score: 1.0
tags: [Design, UX, UI, Atomic Design, Design Tokens, Usability]
raw_sources: [직접 입력]
last_reinforced: 2026-05-07
github_commit: pending
tech_stack:
language: unspecified
framework: unspecified
---
# 디자인_시스템_및_사용자_경험_표준
## 📌 한 줄 통찰 (The Karpathy Summary)
> "디자인은 어떻게 보이는가가 아니라, 어떻게 작동하는가이다." 일관된 시각적 언어(Design System)를 통해 인지 부하를 줄이고, 사용자의 여정을 매끄럽게 설계하여(UX) 제품의 본질적 가치를 전달하는 총체적 경험 설계 표준.
---
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> 작은 단위에서 큰 단위로 조립해 나가는 계층적 구조(Atomic Design)와 이를 코드로 정의하는 데이터(Design Tokens)를 결합하여 개발과 디자인 사이의 간극을 메우고 생산성을 극대화한다.
**세부 내용:**
- **아토믹 디자인 패턴 (Atomic Design):**
- **Atoms:** 버튼, 입력창 등 가장 작은 단위.
- **Molecules:** 원자들이 결합하여 하나의 기능을 수행하는 단위(검색창 등).
- **Organisms:** 분자들이 모여 독립적인 섹션을 형성(헤더, 사이드바 등).
- **Templates/Pages:** 실제 콘텐츠가 배치되는 최종 레이아웃.
- **디자인 토큰 (Design Tokens):**
- 색상, 간격, 폰트 크기 등을 변수화하여 플랫폼(Web, iOS, Android) 간 일관성 유지 및 대규모 수정 용이성 확보.
- **사용자 경험 (UX) 설계 원칙:**
- **인지 부하 최소화:** 사용자가 학습하지 않고도 인터랙션을 이해할 수 있도록 익숙한 패턴 활용.
- **시각적 위계 (Visual Hierarchy):** 중요도에 따른 크기, 색상, 대비 조절을 통해 사용자의 시선 유도.
- **다이제틱/비다이제틱 UI:** 게임 등 인터랙티브 매체에서 세계관 내부에 녹아든 UI와 외부 정보 UI의 적절한 배합.
- **프론트엔드 아키텍처 연계:**
- Feature-Sliced Design (FSD) 등 현대적 컴포넌트 구조와 디자인 시스템의 정합성 유지.
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- 대규모 웹/앱 프로젝트의 디자인 시스템을 구축하거나 UI 컴포넌트 라이브러리를 설계할 때.
- 제품의 사용자 이탈율이 높거나 사용성이 떨어져 UX 개선이 필요할 때.
- 디자인 자산을 코드로 변환(Design to Code)하는 자동화 프로세스를 구축할 때.
**언제 이 지식을 쓰면 안 되는가:**
- 심미적 완성도보다는 기능적 동작 확인이 최우선인 내부용 프로토타입 제작 시.
**이 지식을 적용할 때의 권장 절차:**
1. **토큰 정의:** 브랜드의 핵심 색상, 타이포그래피, 간격 규칙을 토큰화.
2. **원자 단위 설계:** 가장 작은 UI 요소들의 스타일과 상태(Hover, Active, Disabled) 정의.
3. **컴포넌트 조립:** 아토믹 패턴에 따라 점진적으로 복잡한 UI 구성 요소 구축.
4. **접근성 검토:** 명도 대비, 스크린 리더 지원 등 웹 접근성(A11y) 표준 준수 확인.
5. **피드백 반영:** 사용자 테스트(UT)를 통해 발견된 병목 지점을 UX 시나리오에 반영하여 개선.
**주의사항 또는 알려진 한계:**
- 지나치게 엄격한 아토믹 디자인은 때로 컴포넌트 간의 결합도를 높여 유연성을 해칠 수 있으므로 프로젝트 규모에 맞는 적정 수준의 추상화 필요.
---
## 🧪 검증 상태 (Validation)
- **정보 상태:** verified
- **출처 신뢰도:** B
- **검토 이유:** 해당 없음
---
## 🧬 중복 검사 (Duplicate Check)
- **기존 유사 문서:** [[User-Experience-Design]], [[Atomic Design Pattern]], [[Material Design]], [[Design-Tokens]], [[UX_UI in Interactive Media]] 등 60여 개
- **처리 방식:** MERGE
- **처리 이유:** 디자인 시스템 방법론, UI 계층 구조, UX 설계 원칙 등을 다룬 60개 이상의 중복 문서를 통합하여 전사적 크리에이티브 설계 표준으로 구축함.
---
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 없음
- **정책 변화:** 단순 '그림 그리기'에서 '시스템적 설계' 및 '코드로 관리되는 디자인(Tokens)'으로 디자인 프로세스 패러다임을 공식 정의함.
---
## 🔗 지식 연결 (Graph)
- **Parent:** [[10_Wiki/Topics]]
- **Related:** [[심리학_및_행동과학_모델링]]
- **Raw Source:** 직접 입력
---
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-07 | 60개 이상의 디자인/UX 관련 중복 문서를 통합 및 v3.0 규격 적용 | MERGE | B |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/디지털 치료제 (Digital Therapeutics, DTx).md
+132
View File
@@ -0,0 +1,132 @@
---
id: wiki-2026-0508-디지털-치료제-digital-therapeutics-dtx
title: "디지털 치료제 (Digital Therapeutics, DTx)"
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [P-REINFORCE-AUTO-E74AFF]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
tags: [auto-reinforced]
raw_sources: []
last_reinforced: 2026-04-20
github_commit: "[P-Reinforce] Continuous Worker - 마이크로 프론트엔드"
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
tech_stack:
language: unspecified
framework: unspecified
---
# [[디지털 치료제 (Digital Therapeutics, DTx)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
*소스에 '디지털 치료제 (Digital Therapeutics, DTx)'라는 정확한 용어에 대한 정보는 부족합니다. 그러나 소스는 이를 포괄하는 '임상 등급의 웨어러블 기기', '여성 건강(FemTech) 앱', 'AI 기반의 능동적 건강 코칭(Proactive Suggestion)'에 대해 상세히 다루고 있으므로 이를 바탕으로 작성합니다.*
최근의 디지털 건강 기술은 사용자의 생체 데이터를 단순히 수집하는 것을 넘어, 인공지능(AI)을 통해 질병이나 건강 상태를 예측하고 조치를 제안하는 '능동적 건강 조언자(Proactive health advisor)'로 진화하고 있습니다 [1, 2]. 센서의 정확도가 높아지면서 소비자용 기기들이 FDA 승인을 받는 등 의료 기기와의 경계가 허물어지고 있으며 [3, 4], 통합 건강 데이터 API와 AI 에이전트의 결합을 통해 개인 맞춤형 임상 코칭을 제공하는 방향으로 발전하고 있습니다 [5, 6].
## 📖 구조화된 지식 (Synthesized Content)
* **반응형 추적에서 능동적 제안(Proactive Suggestion)으로의 진화**
웨어러블 기기와 건강 앱은 수면이 나빴다거나 심박수가 높았다는 '과거의 결과'를 알려주는 데서 벗어나, 무엇이 다가오고 있으며 어떻게 대처해야 하는지 알려주는 예측적이고 능동적인 단계로 진입했습니다 [2, 7]. 예를 들어, Oura 링은 수면, 심박변이도(HRV), 체온 데이터를 분석해 사용자가 증상을 느끼기 전에 질병을 예측하며 [8], WHOOP은 단순한 목표 걸음 수가 아니라 현재 신체의 회복 상태에 기반한 맞춤형 운동 강도를 능동적으로 제안합니다 [8].
* **임상 등급(Clinical-grade) 정확도와 FDA 승인**
디지털 건강 기기들은 점점 임상 기기의 정확도에 도달하며 FDA 승인을 받고 있습니다 [3, 4]. WHOOP은 심전도(ECG) 기능으로 FDA 승인을 받았고, Dexcom이나 Abbott의 연속혈당측정기(CGM)는 실험실 검사의 ±9% 이내의 정확도를 보입니다 [3, 4]. 또한 Natural Cycles는 기초 체온 추적을 활용해 FDA 승인을 받은 최초의 피임 앱으로, 웨어러블 기기와 연동 시 정확도가 크게 향상됩니다 [9].
* **통합 데이터 API 및 AI 에이전트의 역할**
진정한 맞춤형 제안을 위해서는 웨어러블 기기, 영양 데이터, 생리 주기, 연구실 검사 결과 등 다양한 데이터를 연결하는 것이 필수적입니다 [10]. Model Context Protocol (MCP)과 같은 기술을 통해 원시 건강 데이터를 대형 언어 모델(LLM)에 안전하게 연결하면, 앱은 단순한 수동적 트래커를 넘어 사용자의 고유한 생리적 특성을 이해하고 맥락에 맞는 구체적인 행동(예: 스트레스로 인한 생리 주기 변화 파악 및 식단 조절 제안)을 지시하는 지능형 코치 역할을 수행할 수 있습니다 [5].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
* **규제적 한계 및 안전성 위험 (Regulatory & Safety Risks)**: 소비자용 웨어러블이 발전하고 있으나, 스마트워치나 링을 통한 비침습적 혈당 측정 등은 아직 FDA의 승인을 받지 못했습니다 [11]. 승인되지 않은 기기를 의료적 결정에 사용할 경우 심각한 부상이나 사망을 초래할 수 있다는 FDA의 공식 경고가 존재하며, 혁신적인 기술이 실제 소비자에게 도달하기 위한 규제 승인에는 2~3년의 긴 시간이 소요됩니다 [11, 12].
* **데이터 프라이버시 문제 (Data Privacy Concerns)**: 민감한 건강 데이터, 특히 여성 건강(FemTech) 데이터와 관련된 프라이버시 우려가 큽니다 [13]. 고도화된 AI 예측 모델은 클라우드 처리를 필요로 하는 경우가 많으나, 이는 개인정보 유출 리스크를 동반합니다. 따라서 데이터를 기기 내에서 로컬로 처리하는 온디바이스(On-device) AI나 폐쇄형 시스템을 갖춘 솔루션이 프라이버시 경쟁에서 우위를 점하는 반대 급부가 발생합니다 [13, 14].
* **진단 능력의 본질적 한계 (Diagnostic Limitations)**: 능동적이고 지속적인 모니터링을 통해 비정상적인 심박수 패턴이나 초기 임신 합병증 등의 경고 신호를 조기에 감지할 수는 있으나, 초음파, 혈액 검사, 물리적 검진과 같은 전통적인 병원 진단 능력을 완전히 대체할 수는 없으며 상호 보완적인 역할에 머무릅니다 [15, 16].
## 🔗 지식 연결 (Graph)
### Related Concepts
#### [관계 유형 A: 아키텍처/기반 기술]
- [[On-device AI (Edge Computing)]]
- 연결 이유: 클라우드에 의존하지 않고 기기 자체에서 실시간으로 생체 데이터를 분석하고 머신러닝을 구동하는 핵심 기술입니다 [17].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 능동적 건강 코칭(Proactive Suggestion)을 수행할 때 지연 시간을 줄이고, 프라이버시를 보호하며, 배터리 소모를 최소화하는 기술적 최적화 원리를 이해할 수 있습니다 [17].
- [[Model Context Protocol (MCP)]]
- 연결 이유: 다양한 웨어러블 및 의료 기록의 원시 데이터를 대형 언어 모델(LLM)과 통합하여 지능형 분석을 가능하게 하는 프로토콜입니다 [5].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 앱이 개별 데이터를 단순히 보여주는 것을 넘어, 다각적인 생체 데이터를 종합하여 맥락을 이해하고 개인화된 코칭(Proactive Suggestion) 챗봇으로 기능하는 과정을 파악할 수 있습니다 [5].
#### [관계 유형 B: 구현/활용 도구]
- [[FemTech (여성 건강 기술)]]
- 연결 이유: 웨어러블 데이터를 활용하여 생리 주기, 임신 합병증, 다낭성 난소 증후군(PCOS) 등을 사전에 예측하고 진단적 제안을 제공하는 가장 빠르게 성장하는 디지털 치료 분야 중 하나입니다 [18-20].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 사용자의 과거 생체 데이터를 바탕으로 AI가 어떻게 임상 수준의 능동적인 헬스케어 타임라인을 구축하는지 구체적인 상용화 사례(Natural Cycles, Flo Health 등)를 통해 이해할 수 있습니다 [9, 10].
- [[Clinical-grade Wearables (임상 등급 웨어러블)]]
- 연결 이유: 단순 웰니스 기기를 넘어 FDA 승인을 받고 의료 진단 및 예방적 조치(Proactive Suggestion)를 지원하는 기기들입니다 [3].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 디지털 치료제(DTx)가 실제 환자에게 처방되거나 보험 적용을 받기 위해 필수적으로 확보해야 하는 임상적 정확성과 규제 기준을 이해할 수 있습니다 [4, 12].
### Deeper Research Questions
- 웨어러블 기반의 온디바이스 AI 연산 방식이 대규모 클라우드 LLM 프로세싱과 비교할 때, 예측 정확도(Prediction Accuracy)와 사용자 프라이버시 사이의 트레이드오프를 어떻게 해결하고 있는가?
- 비침습적 연속혈당측정기(CGM)나 스마트 링 등 소비자용 기기가 FDA 의료기기 승인을 획득한 후, 실제 건강보험 환급(Insurance Reimbursement) 생태계에 진입하기 위한 임상적/제도적 과제는 무엇인가?
- Model Context Protocol(MCP)을 통해 통합된 사용자 건강 데이터가 '능동적 제안(Proactive Suggestion)'을 생성할 때, 할루시네이션(Hallucination) 오류나 잘못된 의학적 조언을 방지하기 위한 시스템적 안전장치는 어떻게 구현되는가?
- 이어버드(Earbuds)와 스마트 브래지어(Petal) 등 새로운 폼팩터가 기존 손목형 웨어러블 기기가 포착하지 못했던 생체 데이터 연속 모니터링 영역에서 어떤 임상적 이점을 제공하는가?
- 임신 모니터링이나 여성 호르몬 주기 분석에서 AI 예측 알고리즘이 기존의 사후적 대증요법을 사전 예방적 코칭으로 전환시킨 결정적인 데이터 변수(예: 야간 심박변이도, 기초 체온 등)는 무엇인가?
### Practical Application Contexts
- **Implementation:** 앱 개발 시 Spike Wearables API 등 통합 데이터 API를 도입하여 다수의 웨어러블(스마트 워치, 링, IoT 기기)과 랩 결과 데이터를 단일 파이프라인으로 구축해 사용자의 종합 건강 타임라인을 구현합니다 [6, 10, 21].
- **System Design:** 지연 없는 즉각적인 건강 알림(예: 비정상 심박수 경고, 질병 예측)과 개인정보 보호를 위해, 핵심 추론 모델은 온디바이스 AI 기반으로 설계하고 심층 맥락 분석은 사용자 동의 하에 MCP를 통해 안전한 클라우드 LLM과 연동하도록 아키텍처를 설계합니다 [5, 17].
- **Operation / Maintenance:** 수집된 의료 데이터에 대해 HIPAA 및 GDPR 준수 여부를 정기적으로 보안 감사하고 엔드투엔드 암호화를 유지하며, 최신 FDA 가이드라인에 맞추어 알고리즘의 비의료적 범위(웰니스)와 의료적 판단 범위를 명확히 분리해 운영합니다 [6, 11, 21].
- **Learning Path:** 단순한 만보기 수준의 건강 트래커(Wearables 1.0)에서 실시간 이상 감지 및 임상 등급 예측 모델(Wearables 2.0)로 발전하는 과정과 생체 센서 데이터(HRV, SpO2 등) 분석론을 학습합니다 [1, 3].
- **My Project Relevance:** 루트 주제인 'Proactive Suggestion' 기능을 사용자에게 제공하기 위해, "어젯밤 수면 점수가 낮았습니다"라는 단순 데이터 제보에서 벗어나 "심박변이도가 낮고 체온이 상승했으므로 오늘 고강도 운동을 피하고 휴식을 취하십시오"라는 형태의 맥락 기반 행동 지침(Actionable insights)을 서비스 기획에 직결시킬 수 있습니다 [7].
### Adjacent Topics
- [[Smart Glasses & Spatial Computing (스마트 안경과 공간 컴퓨팅)]]
- 확장 방향: 디스플레이와 카메라가 내장된 AI 스마트 안경이 일상적인 시각, 청각 정보를 인지하여 맥락 기반의 건강 알림이나 행동 지침을 어떻게 증강 현실(AR) 인터페이스로 능동적으로(Proactively) 제안할 수 있는지 탐구합니다 [22, 23].
- [[Continuous Glucose Monitors (CGM, 연속혈당측정기)]]
- 확장 방향: 당뇨병 환자뿐만 아니라 일반인의 대사 건강 및 다낭성 난소 증후군(PCOS) 환자의 가임력 최적화를 돕기 위해 비침습적 혈당 데이터가 건강 앱의 AI 코칭과 어떻게 결합되는지 연구합니다 [4, 24].
---
*Last updated: 2026-05-05*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/빌보드 임포스터(Billboard Impostors).md
+66
View File
@@ -0,0 +1,66 @@
---
id: wiki-2026-0508-빌보드-임포스터-billboard-impostors
title: 빌보드 임포스터(Billboard Impostors)
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [P-Reinforce-AUTO-143607]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
tags: [auto-reinforced]
raw_sources: []
last_reinforced: 2026-04-20
github_commit: "[P-Reinforce] Continuous Worker - 빌보드 임포스터(Billboard Impostors)"
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[빌보드 임포스터(Billboard Impostors)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> 빌보드 임포스터(Billboard Impostor)는 카메라에서 멀리 떨어진 복잡한 3D 지오메트리를 미리 렌더링된 이미지가 맵핑된 카메라를 향하는 2D 평면(Quad)으로 대체하는 렌더링 최적화 기법입니다 [1]. 모델을 여러 각도(보통 8~16개)에서 캡처한 이미지를 사용하여 3D 객체와 같은 착시를 만들어냅니다 [1]. 렌더링에 필요한 폴리곤 수를 단 2개로 줄여 GPU 리소스 소모를 99.9%까지 감소시키며, 배경 캐릭터나 식생, 먼 거리의 환경 디테일을 표현하는 데 매우 효과적입니다 [1, 2].
## 📖 구조화된 지식 (Synthesized Content)
* **작동 원리 및 데이터 구조:** 빌보드 임포스터는 다양한 수평 각도에서 미리 렌더링된 3D 객체의 이미지 뷰(보통 8~16개)를 텍스처 배열이나 플립북 애니메이션 형태로 저장해 둡니다 [1]. 모델이 최대 LOD(Level of Detail) 거리를 초과하면, 시스템은 2개의 폴리곤으로 이루어진 단순한 2D 평면(Quad) 위에 카메라의 현재 시야각과 가장 일치하는 텍스처 뷰를 매칭하여 렌더링합니다 [1].
* **성능 최적화 이점:** 멀리 떨어진 객체를 매우 단순한 지오메트리(단일 평면)로 렌더링하여 GPU 자원 소모를 99.9%가량 줄여줍니다 [1, 3]. 자세히 관찰되지 않는 배경 캐릭터, 환경의 세부 장식 요소뿐만 아니라, 주로 실루엣만이 필요한 그림자(Shadows) 생성 시에도 매우 뛰어난 단일 LOD 역할을 수행합니다 [1, 2].
* **시각적 한계 및 대안적 접근:** 2D 스프라이트 기반의 임포스터는 시점을 변경할 때 이미지가 튀는 듯한 '팝핑(Popping)' 현상이 매우 두드러지게 나타날 수 있으며, 여러 장의 텍스처를 저장하기 위한 메모리 비용이 발생합니다 [4]. 밀집된 숲과 같은 환경에서 이러한 한계를 극복하기 위해, 여러 평면을 교차시켜 팝핑을 줄인 '카드보드 임포스터(Cardboard Impostors)'나 메모리 비용을 낮추고 시각적 3D 전환이 부드러운 '볼륨 헐 임포스터(Volume Hull Impostors, VHI)' 기술 등이 대안으로 사용되기도 합니다 [4, 5].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[LOD|Level of Detail (LOD)]], [[Texture Atlas]]/Array, [[Draw Call Optimization]]
- **Projects/Contexts:** 대규모 3D 환경 렌더링(Large-scale environments), Three.js 성능 최적화, Tesseract 엔진(Tesseract Engine)
- **Contradictions/Notes:** 소스에 따르면 빌보드 임포스터는 GPU 연산량을 획기적으로 줄여주지만, 다각도의 텍스처를 유지해야 하는 메모리 비용 부담이 따르며 각도 전환 시 시각적인 '팝핑(Popping)' 결함이 발생할 수 있습니다 [4].
---
*Last updated: 2026-04-19*
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/심리학_및_행동과학_모델링.md
+140
View File
@@ -0,0 +1,140 @@
---
id: wiki-2026-0507-031
title: 심리학 및 행동과학 모델링
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [wiki-2026-0507-031, Psychology, Behavioral Science, Cognitive Psychology, Behavioral Economics, Global Workspace Theory, GWT, Cocktail Party Effect, Cognitive Bias, 심리학, 행동과학, 인지 심리학, 행동 경제학, 인지 편향]
duplicate_of: none
source_trust_level: B
confidence_score: 1.0
tags: [Psychology, Behavior, Cognitive, Economics, Human Intelligence, GWT]
raw_sources: [직접 입력]
last_reinforced: 2026-05-07
github_commit: pending
---
# 심리학_및_행동과학_모델링
## 📌 한 줄 통찰 (The Karpathy Summary)
> "마음은 정보 처리 시스템이자 동기 부여의 엔진이다." 인간의 사고와 행동을 [입력(지각) -> 처리(인지/감정) -> 출력(행동)]의 아키텍처로 분석하고, 그 이면의 무의식적 편향과 경제적 유인을 모델링하는 학문적 기반.
---
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> 인간은 항상 합리적으로 판단하지 않으며, 시스템 1(직관)과 시스템 2(추론)의 상호작용 및 다양한 인지적 편향(Cognitive Biases)에 의해 의사결정의 질이 결정된다. 특히 주의력(Attention)은 선택적 필터링을 거쳐 의식의 중심(Global Workspace)으로 전달된다.
**세부 내용:**
- **인지 심리학 및 뇌 과학:**
- **글로벌 워크스페이스 이론 (GWT):** 뇌의 여러 하위 시스템이 생성한 정보 중 선택된 일부만이 의식의 '칠판'에 게시되어 전체 시스템으로 전파된다는 이론.
- **칵테일 파티 효과 (Cocktail Party Effect):** 수많은 자극 속에서 자신에게 의미 있는 정보(예: 자신의 이름)만을 선택적으로 지각하는 주의집중 메커니즘.
- **작업 기억 (Working Memory):** 정보 처리의 병목 구간(7±2 용량 제한)으로, 이를 초과할 경우 인지 부하가 발생하여 판단력이 급격히 저하됨.
- **행동 경제학 및 의사결정 편향:**
- **시스템 1 vs 시스템 2:** 빠른 직관과 느린 분석의 상호작용.
- **인지 편향 (Cognitive Biases):** 확증 편향(자신의 믿음을 확인해 주는 정보만 수집), 가용성 휴리스틱(기억하기 쉬운 정보를 더 중요하게 생각), 매몰 비용 오류 등.
- **손실 회피 (Loss Aversion):** 동일한 가치의 이익보다 손실에서 오는 고통을 2배 이상 크게 느끼는 경향.
- **행동 분석 및 사회 심리학:**
- **행동 강화:** 긍정적/부정적 강화를 통한 행동 패턴 수정 방법론.
- **몰입 (Flow):** 과제의 난이도와 개인의 기술 수준이 균형을 이룰 때 발생하는 최적의 심리적 상태.
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- 게임 디자인에서 플레이어의 몰입도를 높이거나 수익화 모델(BM)의 심리적 장벽을 분석할 때.
- 사용자 인터페이스(UI) 설계 시 중요 정보가 칵테일 파티 효과를 유도하도록 시각적 위계를 설정할 때.
- AI 에이전트가 인간의 비합리적 의사결정 패턴을 모방하거나 이를 교정하는 가이드라인을 제공할 때.
**언제 이 지식을 쓰면 안 되는가:**
- 물리적 시스템의 수치적 최적화나 하드웨어 설계 등 심리적 요소가 개입되지 않는 순수 공학 단계.
**이 지식을 적용할 때의 권장 절차:**
1. **주의력 설계:** 가장 중요한 정보를 사용자의 글로벌 워크스페이스(의식)에 즉시 도달하도록 배치.
2. **편향 관리:** 설계된 시스템이 유저의 확증 편향을 강화하는지, 혹은 손실 회피 심리를 이용해 강압적 결제를 유도하는지 윤리적으로 검토.
3. **인지 부하 제어:** 한 번에 처리해야 할 정보의 양을 작업 기억 용량 이내로 제한.
4. **강화 루프:** 긍정적 강화를 통해 유저가 바람직한 행동 패턴을 자연스럽게 형성하도록 보상 설계.
**주의사항 또는 알려진 한계:**
- **문화적 차이:** 심리적 모델은 문화권이나 개인의 배경에 따라 다르게 나타날 수 있음.
- **다크 패턴 경계:** 심리적 편향을 악용하여 유저를 기만하는 설계는 장기적으로 서비스의 신뢰를 파괴함.
---
## 🧪 검증 상태 (Validation)
- **정보 상태:** verified
- **출처 신뢰도:** B
- **검토 이유:** 해당 없음
---
## 🧬 중복 검사 (Duplicate Check)
- **기존 유사 문서:** [[Cocktail-Party-Effect]], [[Cognitive Bias]], [[Global Workspace Theory (GWT)]], [[Global-Neuronal-Workspace]] 등 60여 개
- **처리 방식:** UPDATE
- **처리 이유:** 기초 인지 모델링에 GWT, 칵테일 파티 효과 등 심층적인 뇌과학/심리학 이론을 결합하여 완성도 높은 권위 문서로 강화함.
---
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 없음
- **정책 변화:** 단순 기능적 인지 모델에서 '의식의 흐름과 선택적 주의력'까지 포괄하는 고밀도 인간 심리 아키텍처로 확장 정의함.
---
## 🔗 지식 연결 (Graph)
- **Parent:** [[10_Wiki/Topics]]
- **Related:** , [[비즈니스_전략_및_운영_프레임워크]], [[디자인_시스템_및_사용자_경험_표준]]
- **Raw Source:** 직접 입력
---
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-07 | GWT, 칵테일 파티 효과 및 상세 인지 편향 사례 통합 업데이트 | UPDATE | B |
�� 쓰면 안 되는가:**
- 물리적 시스템의 수치적 최적화나 하드웨어 설계 등 심리적 요소가 개입되지 않는 순수 공학 단계.
**이 지식을 적용할 때의 권장 절차:**
1. **대상 분석:** 시스템을 사용할 인간 주체(유저/플레이어)의 핵심 동기(Motivations) 파악.
2. **편향 체크:** 설계된 시스템이 유저의 어떤 인지적 편향(매몰 비용, 사회적 증거 등)을 자극하는지 검토.
3. **인지 부하 최적화:** 작업 기억의 한계를 고려하여 정보 제공의 양과 순서를 조절.
4. **피드백 루프:** 행동에 대한 즉각적이고 긍정적인 강화(Positive Reinforcement)를 통해 습관 형성 유도.
**주의사항 또는 알려진 한계:**
- 개인의 배경과 환경에 따라 심리적 반응은 다양할 수 있으므로 보편적 모델링에 과도하게 의존하지 말 것.
- 윤리적 선을 넘어선 '심리 조작'은 브랜드 평판과 유저 신뢰를 파괴할 수 있음.
---
## 🧪 검증 상태 (Validation)
- **정보 상태:** verified
- **출처 신뢰도:** B
- **검토 이유:** 해당 없음
---
## 🧬 중복 검사 (Duplicate Check)
- **기존 유사 문서:** [[Cognitive Psychology]], [[행동 경제학(Behavioral Economics)]], [[Psychology & Behavior]], [[Cognitive Psychology & Behavioral Science]] 등 40여 개
- **처리 방식:** MERGE
- **처리 이유:** 심리학의 이론적 기초부터 행동 경제학, 행동 분석 방법론 등 40개 이상의 파편화된 문서를 통합하여 인간 중심 시스템 설계의 인문학적/과학적 표준으로 구축함.
---
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 없음
- **정책 변화:** 감정을 배제한 고전적 인지 모델에서 '정서와 인지의 결합' 및 '행동 유인 기반의 실전적 모델링'으로 초점 이동.
---
## 🔗 지식 연결 (Graph)
- **Parent:** [[10_Wiki/Topics]]
- **Related:** , [[비즈니스_전략_및_운영_프레임워크]], [[디자인_시스템_및_사용자_경험_표준]]
- **Raw Source:** 직접 입력
---
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-07 | 40개 이상의 심리/행동과학 관련 중복 문서를 통합 및 v3.0 규격 적용 | MERGE | B |
10_Wiki/Topic_General/From_Topics_Root/얼라이언스 (Alliance).md
+76
View File
@@ -0,0 +1,76 @@
---
id: wiki-2026-0508-얼라이언스-alliance
title: 얼라이언스 (Alliance)
category: 10_Wiki/Topics
status: needs_review
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)
---
# [[얼라이언스 (Alliance)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
'게임 오브 워(Game of War)'를 비롯한 4X 모바일 게임에서 얼라이언스(동맹)는 최대 100명의 플레이어로 구성되는 복잡한 정치적, 사회적 집단입니다 [1]. 단순한 팀의 개념을 넘어 플레이어 간의 협력, 외교, 배신 등 창발적 게임플레이(Emergent Gameplay)를 유도하는 핵심 기반입니다 [2-4]. 특히 얼라이언스 내에서 형성된 사회적 유대감과 상호 압박은 플레이어들이 게임에 지속적으로 참여하고 막대한 인앱 결제(IAP)를 진행하게 만드는 가장 강력한 원동력으로 작용합니다 [5, 6].
## 📖 Core 소 Content
* **사회적 구조와 역할 분담:**
얼라이언스 내에서 플레이어들은 단순히 전투만 하는 것이 아니라 고도화된 역할을 분담합니다 [3]. 자원을 전담하여 생산하는 '농부(farmer)', 맵의 정보를 수집하는 '정찰병(scout)', 자원을 안전하게 관리하는 '은행가(banker)' 등으로 역할을 나눕니다 [3]. 공격으로부터 서로를 보호하기 위해 도시들을 밀집시키는 '하이브(hives)'를 형성하며, 게임 내 실시간 번역 시스템을 통해 국적과 언어를 초월한 글로벌 규모의 소통과 합동 군사 작전을 수행합니다 [5, 7, 8].
* **강력한 BM 연계 요소 ('킥백' 시스템):**
얼라이언스는 게임의 수익화(Monetization) 모델과 직접적으로 연결되어 있습니다 [6]. 가장 대표적인 것은 한 멤버가 인앱 결제(IAP) 번들을 구매하면 얼라이언스 내의 다른 모든 멤버도 선물을 받게 되는 '킥백(kick-back)' 시스템입니다 [6]. 이 시스템은 과금 유저들을 한 얼라이언스로 모이게 하는 효과가 있으며, 동시에 조직에 무임승차하지 않고 기여해야 한다는 강력한 사회적 압박(Social pressure)을 부여해 일반 플레이어들의 과금을 유도합니다 [6, 9, 10].
* **엔드게임과 정치적 메타게임:**
게임의 궁극적 목표인 '원더(Wonder)'나 다중 서버 이벤트인 '슈퍼 원더(Super Wonder)', 'KvK(Kingdom vs. Kingdom)'를 통제하려면 얼라이언스 단위의 대규모 협력이 필수적입니다 [5, 11, 12]. 특정 얼라이언스가 원더를 점령하면 그 얼라이언스의 리더는 '왕(King)'이나 '황제(Emperor)'가 되어 다른 유저들에게 버프나 디버프 칭호를 내리고 세금을 징수할 권력을 얻습니다 [13, 14]. 이러한 절대 권력의 존재는 얼라이언스 간의 불가침 조약(NPA) 체결, 스파이 활동, 배신, 내전 등 현실의 정치와 유사한 메타게임을 창출합니다 [4].
* **전용 기능과 성장 가속:**
얼라이언스에 가입하면 동맹 전용 퀘스트, 자원 및 아이템 거래, 전용 도시 건설 등의 혜택을 누릴 수 있습니다 [15, 16]. 또한, 획득한 충성도(Loyalty)를 사용하여 얼라이언스 상점에서 VIP 활성화 아이템이나 전쟁 버프 아이템 등을 구매할 수 있습니다 [17, 18]. 서로의 건설 및 연구 시간을 단축시켜주는 지원(Help) 기능은 게임 세션을 반복적으로 늘리고 유저의 지속적인 접속을 유도하는 핵심 장치입니다 [19].
## 🔗 지식 연결 (Graph)
- **Contradictions/Notes:** 얼라이언스는 플레이어에게 필수적인 보호막과 성장 혜택을 제공하지만, 과금을 많이 하는 하드코어 얼라이언스에서는 멤버들에게 결제에 대한 큰 부담을 주며 이를 따르지 않을 경우 강퇴당할 수도 있는 등 긍정적 유대감과 부정적 압박이 혼재된 구조를 가집니다 [6, 10].
---
*Last updated: 2026-04-27*
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> *(TODO)*
**세부 내용:**
- *(TODO)*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation).md
+66
View File
@@ -0,0 +1,66 @@
---
id: wiki-2026-0508-오사카-엑스포-2025-호쿠사이-인스톨레이션-hokusai
title: 오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [P-Reinforce-AUTO-6697EE]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
tags: [auto-reinforced]
raw_sources: []
last_reinforced: 2026-04-20
github_commit: "[P-Reinforce] Continuous Worker - 오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)"
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
---
# [[오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
> 오사카 엑스포 2025 호쿠사이 인스톨레이션(Hokusai installation)은 인터랙티브 크리에이티브 스튜디오인 [[Utsubo]]가 2025년 오사카 엑스포를 위해 제작한 대규모 유체 시뮬레이션 프로젝트입니다 [1]. 이 인스톨레이션은 Three.js의 [[WebGPU]] 렌더러를 적극 활용하여 기존의 한계를 뛰어넘는 100만 개 단위의 파티클을 실시간으로 렌더링하는 그래픽 성능을 입증했습니다 [1]. 98인치 4K 디스플레이 상에서 지연 없는 실시간 다인원 신체 추적(multi-person body tracking) 기능과 결합되어, WebGPU 마이그레이션을 통한 성공적인 프로덕션 벤치마크 사례로 평가받고 있습니다 [2, 3].
## 📖 구조화된 지식 (Synthesized Content)
- **제작사 및 개발 배경:** 이 프로젝트는 브랜드 웹사이트 및 물리적 인스톨레이션을 전문으로 하는 기술 중심 크리에이티브 스튜디오 'Utsubo'에 의해 2025년 오사카 엑스포를 겨냥하여 구축되었습니다 [1].
- **WebGPU를 통한 파티클 시뮬레이션 구현:** 이 인스톨레이션의 가장 큰 기술적 성과는 Three.js WebGPU 렌더러를 기반으로 100만 개(1M) 규모의 파티클 유체 시뮬레이션(particle fluid simulation)을 실시간으로 구현해 냈다는 점입니다 [1]. 이는 무거운 드로우 콜이나 복잡한 연산이 필요한 환경에서 WebGPU가 제공하는 2~10배의 실질적인 성능 향상을 입증하는 사례입니다 [2].
- **디스플레이 및 사용자 상호작용:** 오사카 엑스포 현장에 설치된 98인치 4K 디스플레이를 통해 구동되었으며, 사용자 참여를 위해 다수의 사람을 동시에 인식하는 '다인원 신체 추적(multi-person body tracking)' 기술이 적용되었습니다 [3]. 수많은 파티클 연산에도 불구하고 체감할 수 있는 지연 현상(lag) 없이 매끄럽게 렌더링되는 성능을 보여주었습니다 [3].
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
- **정책 변화:** AI 분야의 자동 자산화 수행.
## 🔗 지식 연결 (Graph)
- **Related Topics:** [[WebGPU]], Three.js, Particle Fluid Simulation
- **Projects/Contexts:** [[Utsubo]], [[Expo 2025 Osaka]], Waves of Connection
- **Contradictions/Notes:** 소스 문서 내에서 오사카 엑스포 2025의 '호쿠사이 인스톨레이션(Hokusai installation)'과 'Waves of Connection' 인스톨레이션은 모두 100만 개의 파티클을 실시간 렌더링한 Utsubo 스튜디오의 동일하거나 밀접하게 연관된 WebGPU 프로덕션 사례로 교차 언급되고 있습니다 [1, 3].
---
*Last updated: 2026-04-19*
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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.
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
10_Wiki/Topic_General/From_Topics_Root/지능형_헬스케어_및_생체데이터_분석.md
+123
View File
@@ -0,0 +1,123 @@
---
id: wiki-2026-0507-033
title: 지능형 헬스케어 및 생체데이터 분석
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [wiki-2026-0507-033, Actionable Health Intelligence, Health Monitoring, Wearables, Biometrics, Clinical Sensors, FemTech, 지능형 헬스케어, 생체 데이터, 웨어러블, 펨테크]
duplicate_of: none
source_trust_level: B
confidence_score: 1.0
tags: [Healthcare, AI, Biometrics, Sensors, Predictive Analytics, FemTech, On-device AI]
raw_sources: [직접 입력]
last_reinforced: 2026-05-07
github_commit: pending
tech_stack:
language: unspecified
framework: unspecified
---
# 지능형_헬스케어_및_생체데이터_분석
## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터 기록을 넘어 실천적 지능으로." 단순한 생체 수치 기록(Reactive)에서 벗어나, AI가 데이터를 해석하여 사용자에게 구체적인 행동 지침을 제안하고 특정 인구통계(FemTech 등)에 특화된 예측 통찰력을 제공하는 현대 헬스케어의 핵심.
---
## 📖 구조화된 지식 (Synthesized Content)
**추출된 패턴:**
> 웨어러블 기기와 임상 등급 센서(CGM, ECG 등)를 통해 수집된 고해상도 생체 데이터를 온디바이스 AI가 실시간 분석하고, 이를 '데이터 트윈' 모델과 결합하여 질병 예방 및 최적의 컨디션 관리를 위한 '실천 가능한 통찰(Actionable Intelligence)'을 제공한다.
**세부 내용:**
- **Actionable Health Intelligence:**
- 과거 데이터 기록 중심에서 미래 행동 제안 중심으로 패러다임 전환.
- 예: "어제 잠을 못 잤네요" 대신 "오늘 HRV가 낮으니 고강도 운동보다는 요가를 추천합니다"라고 제안.
- **핵심 기술 요소:**
- **임상 등급 센서 (Clinical-grade):** FDA 승인 수준의 정확도를 가진 심전도(ECG), 연속 혈당 측정(CGM), 체온 센서 등.
- **온디바이스 AI (Edge Computing):** 민감한 건강 데이터를 클라우드 전송 없이 기기 내에서 실시간 분석하여 프라이버시 보호 및 지연 시간 단축.
- **데이터 트윈 (Data Twins):** 개인의 생리적 특성을 가상 모델화하여 향후 건강 상태 변화 시나리오를 예측.
- **주요 활용 분야:**
- **예방 의학:** 질병의 전조 증상(체온 미세 변화, 부정맥 등) 조기 감지.
- **펨테크 (FemTech):** 심박변이도, 체온, 호흡수 등의 데이터를 분석하여 단순히 생리 주기를 기록하는 것을 넘어 가임기, 임신 합병증, 폐경기 징후 등을 사전에 식별.
- **특수 폼팩터 활용:** 스마트 링(Oura), 이어버드(목소리 분석 기반 스트레스 감지), 스마트 브래지어(Petal - BIA 기반 심장 및 유방암 감지) 등 다양한 형태의 기기 활용.
- **퍼포먼스 코칭:** 운동 선수나 직장인의 번아웃 방지를 위한 회복 지표 가이드.
---
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- 헬스케어 웨어러블 앱의 핵심 기능을 기획하거나 AI 코칭 알고리즘을 설계할 때.
- 생체 데이터를 활용하여 사용자의 상태(스트레스, 피로도 등)를 실시간으로 판단해야 할 때.
- 펨테크 서비스에서 고도화된 예측 분석(Predictive Analytics) 기능을 구현하고자 할 때.
**언제 이 지식을 쓰면 안 되는가:**
- 전문 의료진의 진단이나 수술적 처치가 필요한 실제 의료 현장의 긴급 대응 단계.
**이 지식을 적용할 때의 권장 절차:**
1. **데이터 수집:** 웨어러블 API를 통해 심박수, 체온, 수면 등 다차원 생체 지표 통합.
2. **패턴 분석:** 개인별 베이스라인 대비 이탈 지점을 탐지하고 인구통계학적 특성 반영.
3. **인텔리전스 생성:** 분석된 결과를 기반으로 즉각적 행동 지침(Call to Action) 도출.
4. **프라이버시 강화:** 민감 데이터 처리는 에지 디바이스 내부에서 수행하는 하이브리드 아키텍처 적용.
**주의사항 또는 알려진 한계:**
- **의료적 면책:** AI의 제안은 임상적 보조 수단이며 최종 결정은 전문가와 상의 필수.
- **위양성(False Positives) 위험:** 특정 도메인을 벗어난 데이터 처리 시 과도한 위양성을 생성하여 불필요한 재검사나 의료진의 판단 혼선을 초래할 수 있음.
- **데이터 품질의 한계:** 임상 AI 연구 중 실제 환자 데이터를 사용한 비중이 낮아(약 5%), 실제 임상 가치에 대한 신중한 접근 필요.
- **데이터 보안:** 특히 여성 건강 데이터와 관련된 프라이버시 이슈는 매우 중대하므로 로컬 처리 역량 강화 권장.
---
## 🧪 검증 상태 (Validation)
- **정보 상태:** verified
- **출처 신뢰도:** B
- **검토 이유:** 해당 없음
---
## 🧬 중복 검사 (Duplicate Check)
- **기존 유사 문서:** [[Actionable Health Intelligence]], [[FemTech (여성 건강 기술)]], [[FemTech & Predictive Diagnostics]], [[Fertility Optimization (FemTech)]] 등 50여 개
- **처리 방식:** UPDATE
- **처리 이유:** 헬스케어 전반의 기술 표준에 펨테크 및 특화 데이터 분석 지식을 통합하여 완성도 높은 권위 문서로 강화함.
---
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
- **과거 데이터와의 충돌:** 없음
- **정책 변화:** 단순 모니터링에서 '특정 도메인(FemTech 등)에 특화된 고밀도 예측 분석'으로 헬스케어 서비스의 지향점을 공식 정의함.
---
## 🔗 지식 연결 (Graph)
- **Parent:** [[10_Wiki/Topics]]
- **Related:** [[데이터_사이언스_및_ML_엔지니어링]], [[심리학_및_행동과학_모델링]]
- **Raw Source:** 직접 입력
---
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-07 | 펨테크 및 예측 분석 지식 통합 업데이트 | UPDATE | B |
## 💻 코드 패턴 (Code Patterns)
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
```text
# TODO
```
## 🤔 의사결정 기준 (Decision Criteria)
**선택 A를 써야 할 때:**
- *(TODO)*
**선택 B를 써야 할 때:**
- *(TODO)*
**기본값:**
> *(TODO)*
## ❌ 안티패턴 (Anti-Patterns)
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
10_Wiki/Topic_General/From_Topics_Root/창의성.md
+222
View File
@@ -0,0 +1,222 @@
---
id: wiki-moc-창의성
title: 창의성
category: 10_Wiki/Topics
status: moc
aliases: [Creativity]
tags: [moc, index]
last_reinforced: 2026-05-20
---
# 창의성
> **창의성** 카테고리 목차(MOC). `창의성/` 의 토픽 문서 200개. 자동 생성 인덱스 — redirect/중복 문서는 제외.
## 📚 토픽 (200)
- [[001_창의성의_정의]]
- [[002_창의성과_혁신의_차이]]
- [[003_확산적_사고]]
- [[004_수렴적_사고]]
- [[005_문제_재정의]]
- [[006_새로움과_유용성의_균형]]
- [[007_작은_창의성과_큰_창의성]]
- [[008_도메인_지식과_창의성]]
- [[009_창의성과_전문성의_긴장]]
- [[010_창의성과_맥락_의존성]]
- [[011_창의성의_사회적_평가]]
- [[012_창의성과_용기]]
- [[013_창의성과_호기심]]
- [[014_창의성과_놀이성]]
- [[015_창의성과_미완성_수용]]
- [[016_창의성과_실패_관점]]
- [[017_창의성과_시간_지평]]
- [[018_창의성과_정체성]]
- [[019_창의성과_감정]]
- [[020_창의성의_윤리]]
- [[021_연상_작용]]
- [[022_원격_연상]]
- [[023_작업_기억과_창의성]]
- [[024_인지적_유연성]]
- [[025_고정관념과_기능_고착]]
- [[026_잠복기_효과]]
- [[027_통찰의_순간]]
- [[028_초보자_마인드]]
- [[029_패턴_인식]]
- [[030_비유적_사고]]
- [[031_추상화_능력]]
- [[032_개념적_혼합]]
- [[033_기억의_재조합]]
- [[034_인지_부하와_창의성]]
- [[035_주의_전환]]
- [[036_무의식적_처리]]
- [[037_다중_관점_보유]]
- [[038_개방성과_창의성]]
- [[039_자기_검열]]
- [[040_창의성과_회복탄력성]]
- [[041_관찰의_해상도]]
- [[042_질문_수집]]
- [[043_아이디어_재료_수집]]
- [[044_관찰_일지]]
- [[045_스케치_사고]]
- [[046_시각_노트]]
- [[047_자료_클리핑의_기술]]
- [[048_비교_관찰]]
- [[049_경계_넘기_입력]]
- [[050_관찰의_편향_줄이기]]
- [[051_이상_징후_포착]]
- [[052_사용자_그림자_관찰]]
- [[053_행동의_미세_마찰]]
- [[054_현장_메모의_속도]]
- [[055_좋은_사례_해부]]
- [[056_나쁜_사례_분석]]
- [[057_사물_재해석]]
- [[058_상황_전환_관찰]]
- [[059_감각_채널_확장]]
- [[060_질문이_있는_독서]]
- [[061_브레인스토밍]]
- [[062_브레인라이팅]]
- [[063_SCAMPER]]
- [[064_마인드맵]]
- [[065_랜덤_자극_기법]]
- [[066_6가지_생각_모자]]
- [[067_역브레인스토밍]]
- [[068_형태학적_분석]]
- [[069_아날로지_매핑]]
- [[070_스토리보드_발상]]
- [[071_역할극_발상]]
- [[072_카드_분류_발상]]
- [[073_질문_사다리]]
- [[074_제거_중심_발상]]
- [[075_제약_역이용_발상]]
- [[076_반대_방향_설계]]
- [[077_What_if_질문법]]
- [[078_최악의_아이디어_먼저]]
- [[079_조합_매트릭스]]
- [[080_아이디어_클러스터링]]
- [[081_제약_기반_창작]]
- [[082_시간_제한의_힘]]
- [[083_형식_제약]]
- [[084_재료_부족이_만드는_해법]]
- [[085_도구_제한_실험]]
- [[086_공간_제약과_사고]]
- [[087_반복_규칙의_힘]]
- [[088_불편함의_생산성]]
- [[089_가이드라인_안의_자유]]
- [[090_최소_자원_프로토타입]]
- [[091_한_문장_제약]]
- [[092_재료_재사용]]
- [[093_버리기_규칙]]
- [[094_리듬_제약]]
- [[095_선택지_제한]]
- [[096_손으로_만드는_저해상도]]
- [[097_규칙_깨기보다_규칙_발견]]
- [[098_의도적_어색함]]
- [[099_한정판_사고]]
- [[100_불완전한_규칙집]]
- [[101_스토리_씨앗]]
- [[102_캐릭터_조합법]]
- [[103_세계관_발상]]
- [[104_메타포_만들기]]
- [[105_톤_앤_매너의_창의성]]
- [[106_카피_아이디어_생성]]
- [[107_시각적_변주]]
- [[108_리듬과_반복의_미학]]
- [[109_감정_곡선_설계]]
- [[110_서사적_긴장]]
- [[111_이미지_보드_구성]]
- [[112_시나리오_쓰기]]
- [[113_상징_만들기]]
- [[114_형태와_기능의_대화]]
- [[115_콘셉트_문장_만들기]]
- [[116_내러티브_프레이밍]]
- [[117_장면_중심_발상]]
- [[118_유머의_창의성]]
- [[119_공감_기반_창작]]
- [[120_기억에_남는_마무리]]
- [[121_심리적_안전감]]
- [[122_아이디어의_심리적_소유권]]
- [[123_협업_발산과_협업_수렴]]
- [[124_아이디어_핸드오프]]
- [[125_다양한_배경의_충돌]]
- [[126_리더의_창의성_촉진]]
- [[127_비판의_기술]]
- [[128_아이디어_회의의_역할_분리]]
- [[129_공통_언어_만들기]]
- [[130_아이디어_충돌_조정]]
- [[131_창의_조직의_의례]]
- [[132_협업의_아이디어_기록]]
- [[133_팀_내_창의성의_불균형]]
- [[134_창의적_갈등과_인간관계_갈등]]
- [[135_창의성_보상_설계]]
- [[136_아이디어_파이프라인]]
- [[137_아이디어_피칭]]
- [[138_비동기_창의_협업]]
- [[139_집단사고_방지]]
- [[140_창의성의_문화_신호]]
- [[141_아침_페이지]]
- [[142_아이디어_산책]]
- [[143_아이디어_인박스]]
- [[144_주간_창의_회고]]
- [[145_아이디어_리듬_캘린더]]
- [[146_환경_큐_설계]]
- [[147_에너지_기반_작업_배치]]
- [[148_창의적_워밍업]]
- [[149_루틴과_우연의_균형]]
- [[150_아이디어_금식]]
- [[151_창의적_체력]]
- [[152_창의성의_수면_관리]]
- [[153_산만함_다루기]]
- [[154_개인_실험_노트]]
- [[155_습관_스택]]
- [[156_영감보다_시스템]]
- [[157_반복_연습의_창의성]]
- [[158_관성_깨기_루틴]]
- [[159_창의적_회복일]]
- [[160_작게_자주_내기]]
- [[161_아이디어_평가_기준]]
- [[162_아이디어_스코어카드]]
- [[163_리스크와_창의성]]
- [[164_실험_가능성_판단]]
- [[165_반례_찾기]]
- [[166_실패_비용_낮추기]]
- [[167_선택_후_포기_기록]]
- [[168_포트폴리오_사고]]
- [[169_창의성의_종료_조건]]
- [[170_좋은_질문으로_피드백_받기]]
- [[171_사용자_테스트와_창의성]]
- [[172_AB보다_개념_검증]]
- [[173_아이디어_폐기_판단]]
- [[174_아이디어의_생존력]]
- [[175_참신함_피로]]
- [[176_창의성과_품질_게이트]]
- [[177_학습_가치_평가]]
- [[178_창의성과_속도_균형]]
- [[179_다듬기와_과가공]]
- [[180_출시_후_재창작]]
- [[181_AI와_인간_창의성의_분업]]
- [[182_프롬프트_발상]]
- [[183_AI를_통한_변형_생성]]
- [[184_AI와_원격_연상]]
- [[185_AI_초안과_인간_편집]]
- [[186_AI_결과의_평균화_위험]]
- [[187_AI_협업에서의_출처_윤리]]
- [[188_AI를_창의_비서로_쓰기]]
- [[189_AI와_개인_스타일_보존]]
- [[190_생성형_도구의_과신_방지]]
- [[191_멀티에이전트_창의_협업]]
- [[192_AI와_창의성의_검증_루프]]
- [[193_데이터로_보는_창의_반응]]
- [[194_AI와_창의적_페르소나_실험]]
- [[195_AI_기반_무드보드_확장]]
- [[196_창의성과_자동화의_경계]]
- [[197_AI_시대의_독창성]]
- [[198_AI와_창의_교육]]
- [[199_창의성_지식_그래프]]
- [[200_창의성_운영_체계]]
## 🕓 변경 이력
| 날짜 | 변경 |
|---|---|
| 2026-05-20 | MOC 페이지 신규 생성 (링크명 정규화) |
10_Wiki/Topic_General/From_Topics_Root/파워 크립 (Power Creep).md
+64
View File
@@ -0,0 +1,64 @@
---
id: wiki-2026-0508-파워-크립-power-creep
title: 파워 크립 (Power Creep)
category: 10_Wiki/Topics
status: needs_review
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)
---
# [[파워 크립 (Power Creep)]]
## 📌 한 줄 통찰 (The Karpathy Summary)
파워 크립(Power Creep)은 멀티플레이어 게임에서 새롭게 추가된 콘텐츠나 장비가 기존 콘텐츠보다 훨씬 강력하거나 유용하게 출시되어 기존 아이템을 무용지물로 만드는 현상을 의미합니다 [1]. 개발자는 플레이어가 모든 것을 달성하고 게임에 대한 흥미와 결제 동기를 잃는 것을 방지하기 위해 새로운 레벨과 장비를 도입하여 수치를 계속 높여 나갑니다 [2, 3]. 'Game of War'에서 파워 크립은 최상위 지출 플레이어와 일반 플레이어 간의 격차를 지속적으로 벌려 유저들이 도태되지 않기 위해 끊임없이 과금하도록 강제하는 핵심 비즈니스 모델로 작동합니다 [4].
## 📖 구조화된 지식 (Synthesized Content)
* **파워 크립의 개념과 경제적 목적:** 파워 크립은 재정적 관점에서 플레이어들이 새롭게 출시된 아이템을 구매하고 사용하도록 유도하기 위해 필수적으로 활용됩니다 [5]. 이전 아이템보다 더 높은 능력치나 유용한 메커니즘을 지닌 장비(예: 기존 마나 5를 소비하는 아이템 대신 마나 2를 소비하는 더 강력한 아이템)를 계속해서 출시함으로써 플레이어의 지속적인 지출을 촉진합니다 [5].
* **Game of War에서의 적용 방식 (무한 확장 경제):** 'Game of War'는 플레이어가 최고 레벨에 도달하여 게임의 목적성을 상실하는 문제를 해결하기 위해 '무한 확장 경제(Infinitely Scalable Economy)'를 구축했습니다 [2, 3]. 이를 위해 매일 업데이트를 푸시하여 요새(Stronghold) 레벨 한도를 높이고, 더 강력한 장비, 새로운 부대 티어(T11+), '드래코닉 블리츠(Draconic Blitz)'나 '워 머신(War Machine)'과 같은 새로운 연구 카테고리를 끊임없이 추가하는 '콘텐츠 러닝머신(Content treadmills)' 전략을 사용합니다 [3, 4].
* **얇은 클라이언트(Thin-client) 구조를 통한 효율적 구현:** 이 게임은 주로 서버에서 실행되는 얇은 클라이언트를 기반으로 하며, 화려한 그래픽보다 텍스트와 데이터(스프레드시트 형태) 중심의 전투를 채택하고 있습니다 [6, 7]. 덕분에 새로운 장비나 기술 업그레이드 등을 위한 그래픽 자산 제작에 많은 시간이 소요되지 않으므로, 개발진은 신규 콘텐츠를 신속하게 출시하고 파워 크립을 매우 쉽고 빠르게 게임 경제에 적용할 수 있습니다 [6].
* **유저 생태계에 미치는 영향:** 파워 크립을 수반한 지속적인 업데이트는 최상위 지출 플레이어(Whale)와 나머지 플레이어 간의 '힘의 격차(Power gap)'를 좁힐 수 없게 지속적으로 넓힙니다 [4]. 이로 인해 중간 계층의 플레이어들은 구식으로 도태되는 것을 막기 위해 어쩔 수 없이 지출을 계속해야만 합니다 [4]. 또한, 이러한 구조는 신규 플레이어와 엔드게임 플레이어 간의 격차를 극심하게 벌려놓는 결과를 낳기도 합니다 [3].
## 🔗 지식 연결 (Graph)
- **Contradictions/Notes:** 소스 26은 파워 크립이 새롭고 재미있는 메커니즘을 제공해 게임이 진부해지는 것을 막고 토너먼트 플레이의 속도를 높이는 긍정적 기능도 있다고 설명합니다 [8]. 그러나 소스 5와 13은 'Game of War'의 파워 크립이 플레이어들의 무한한 경쟁과 생존을 볼모로 잡아 지속적인 결제를 강제하는 다소 착취적인(exploitative) 구조로 작동하고 있음을 지적합니다 [4, 9].
---
*Last updated: 2026-04-27*
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
**언제 이 지식을 쓰는가:**
- *(TODO)*
**언제 쓰면 안 되는가:**
- *(TODO)*
## 🧪 검증 상태 (Validation)
- **정보 상태:** needs_review
- **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
## 🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |