docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
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
@@ -0,0 +1,159 @@
|
||||
---
|
||||
id: wiki-2026-0508-theory-of-constraints-toc
|
||||
title: Theory of Constraints (TOC)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [TOC, Bottleneck Theory, Goldratt]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [management, optimization, systems-thinking, ops]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: N/A
|
||||
framework: TOC methodology
|
||||
---
|
||||
|
||||
# Theory of Constraints (TOC)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 system throughput 매 single bottleneck 의 결정"**. Goldratt 의 1984 *The Goal* 에서 정립. 매 system 의 weakest link (constraint) 가 전체 throughput 의 제한 → 매 다른 모든 부분의 optimization 매 wasted. 매 manufacturing 에서 시작, 매 software (DevOps, ML pipeline, LLM agent throughput) 까지 broad applicable.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 5-step focusing process
|
||||
1. **Identify** the constraint.
|
||||
2. **Exploit** it (maximize utilization without extra investment).
|
||||
3. **Subordinate** everything else to the constraint.
|
||||
4. **Elevate** the constraint (invest to expand capacity).
|
||||
5. **Repeat** — 매 constraint 매 moves elsewhere.
|
||||
|
||||
### 매 핵심 metrics (Throughput Accounting)
|
||||
- **Throughput (T)** — 매 sales rate of new revenue.
|
||||
- **Inventory / Investment (I)** — 매 money tied in the system.
|
||||
- **Operating Expense (OE)** — 매 money spent to convert I → T.
|
||||
- 매 priority: maximize T, minimize I, control OE.
|
||||
|
||||
### 매 modern applications (2026)
|
||||
- **DevOps** — 매 *The Phoenix Project* (Kim 2013) 매 TOC + Lean 매 IT ops 에 적용.
|
||||
- **ML pipeline** — 매 GPU bottleneck (training), tokenizer (inference batch), vector store (RAG retrieval).
|
||||
- **LLM agent** — 매 sequential tool call 의 dominant latency contributor 의 identify → parallel.
|
||||
- **Org / Team** — 매 single approval bottleneck → workflow change.
|
||||
|
||||
### 매 응용
|
||||
1. Factory floor scheduling (DBR — Drum-Buffer-Rope).
|
||||
2. Software delivery (CI bottleneck, code review queue).
|
||||
3. ML inference cost (which stage 매 dominant?).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 매 inference pipeline profiling
|
||||
```python
|
||||
import time
|
||||
def profile_pipeline(stages, inp):
|
||||
timings = {}
|
||||
out = inp
|
||||
for name, fn in stages:
|
||||
t0 = time.perf_counter()
|
||||
out = fn(out)
|
||||
timings[name] = time.perf_counter() - t0
|
||||
bottleneck = max(timings, key=timings.get)
|
||||
return out, timings, bottleneck
|
||||
|
||||
# 매 result: {"tokenize": 0.001, "embed": 0.04, "vector_search": 0.32, "rerank": 0.18}
|
||||
# 매 bottleneck: vector_search → 매 elevate (HNSW tune, GPU index, shard).
|
||||
```
|
||||
|
||||
### 매 LLM agent: serialize → parallelize
|
||||
```python
|
||||
# 매 BEFORE (serial — bottleneck = sum)
|
||||
ctx = await fetch_user(uid)
|
||||
weather = await get_weather(ctx.city)
|
||||
calendar = await fetch_calendar(uid)
|
||||
|
||||
# 매 AFTER (parallel — bottleneck = max)
|
||||
ctx, weather, calendar = await asyncio.gather(
|
||||
fetch_user(uid), get_weather_for_user(uid), fetch_calendar(uid),
|
||||
)
|
||||
```
|
||||
|
||||
### 매 DBR (Drum-Buffer-Rope) for queue
|
||||
```python
|
||||
# 매 Drum: bottleneck stage paces the system
|
||||
# 매 Buffer: small queue before bottleneck (의 starvation 방지)
|
||||
# 매 Rope: feedback to release new work only when buffer drains
|
||||
|
||||
import asyncio
|
||||
buffer = asyncio.Queue(maxsize=8) # 매 Buffer
|
||||
|
||||
async def producer():
|
||||
while True:
|
||||
item = next_work()
|
||||
await buffer.put(item) # 매 Rope (blocks when full)
|
||||
|
||||
async def bottleneck_consumer(): # 매 Drum
|
||||
while True:
|
||||
item = await buffer.get()
|
||||
await expensive_step(item)
|
||||
```
|
||||
|
||||
### 매 throughput accounting (simple)
|
||||
```python
|
||||
def evaluate_change(before, after):
|
||||
delta_T = after["throughput"] - before["throughput"]
|
||||
delta_I = after["inventory"] - before["inventory"]
|
||||
delta_OE = after["op_expense"] - before["op_expense"]
|
||||
net = delta_T - delta_OE
|
||||
return {"net_value": net, "OK": net > 0 and delta_I <= 0}
|
||||
```
|
||||
|
||||
### 매 5-step driver (pseudocode)
|
||||
```python
|
||||
def toc_loop(system, n_iterations=5):
|
||||
for _ in range(n_iterations):
|
||||
c = identify_constraint(system) # 1
|
||||
exploit(c) # 2
|
||||
subordinate_others_to(c, system) # 3
|
||||
if not enough_capacity(c, target=system.target):
|
||||
elevate(c) # 4
|
||||
# 5: repeat — 매 constraint 매 shift
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Multi-stage pipeline | Profile → identify slowest → optimize that |
|
||||
| LLM agent latency | Parallel tool calls + cache hot path |
|
||||
| Batch ML training | GPU util check (nvidia-smi) — 매 if low, IO bottleneck |
|
||||
| Software delivery | Value stream map → find single bottleneck |
|
||||
| Cost optimization | Throughput accounting (T - OE), not unit cost |
|
||||
|
||||
**기본값**: 매 measure 먼저, 매 single biggest bottleneck 의 fix, 매 repeat — 매 premature optimization 의 X.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Systems_Thinking|Systems-Thinking]]
|
||||
- 변형: [[Lean]] · [[DevOps]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 multi-stage pipeline 의 latency / cost 의 분석, ML / agent system optimization, team workflow bottleneck.
|
||||
**언제 X**: 매 single-step task — 매 TOC framing 매 overhead.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Local optimization**: 매 non-bottleneck 의 optimize 매 system throughput 의 0% 변화.
|
||||
- **Multiple "bottlenecks"**: 매 일반적으로 single dominant — 매 measure 안 하고 guess 매 wrong.
|
||||
- **Ignoring the shift**: 매 bottleneck fix 후 다른 stage 가 새 constraint — 매 repeat 안 하면 stuck.
|
||||
- **Capacity addition without exploit**: 매 step 4 (elevate) 의 step 2 (exploit) 전에 — 매 expensive 하게 hardware buy 후 underutilized.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Goldratt 1984 *The Goal*, Kim *Phoenix Project* 2013, *Beyond the Phoenix Project* 2018).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — TOC + DevOps/ML pipeline modern application |
|
||||
Reference in New Issue
Block a user