docs(10_Wiki): Topic_Business/General/Graphic/Programming을 Topics/ 하위로 이동
최상위 10_Wiki/Topic_*였던 4개 카테고리 폴더를 10_Wiki/Topics/Topic_* 로 재배치. 콘텐츠 변경 없음(순수 폴더 이동) — Topics/ 하위 나머지 폴더는 이미 지난 커밋에서 전부 정리된 상태(잔존 항목은 에이전트 운영 상태 및 사용자가 보존을 요청한 업데이트0615/무제 3.canvas 뿐).
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,155 @@
|
||||
---
|
||||
id: wiki-2026-0508-introspection-자기성찰
|
||||
title: Introspection (자기성찰)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Self-Reflection, 자기성찰, LLM Introspection]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [llm, prompting, self-reflection, philosophy-of-mind, agent]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: langchain
|
||||
---
|
||||
|
||||
# Introspection (자기성찰)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 모델이 자기 출력을 다시 읽고 평가/수정"**. 철학에서는 1인칭 자기 의식 접근을 의미하고, LLM에서는 self-critique → revise loop로 정확도/정합성을 끌어올리는 핵심 prompting pattern.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 두 가지 의미
|
||||
- **철학 (Locke, Kant)**: mind 자체를 관찰하는 1인칭 access. qualia, self-model.
|
||||
- **LLM**: 자기 응답을 input 으로 다시 받아 비판/개선. **Reflexion**, **Self-Refine**, **CoVe** 계열.
|
||||
|
||||
### 매 동작 원리
|
||||
1. **Generate**: 초안 응답 produce.
|
||||
2. **Critique**: 같은 모델이 초안을 평가 (오류, 누락, 가정).
|
||||
3. **Revise**: critique 반영 재생성.
|
||||
4. (선택) 수렴할 때까지 반복.
|
||||
|
||||
### 매 응용
|
||||
1. Reasoning 정확도 향상 (math, code).
|
||||
2. Hallucination 검출 (CoVe — Chain of Verification).
|
||||
3. Agent 환경: tool 호출 결과 self-evaluate 후 재시도.
|
||||
4. RLHF reward modeling 대안 (constitutional AI).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Self-Refine (single-model loop)
|
||||
```python
|
||||
def self_refine(prompt, model, max_iters=3):
|
||||
answer = model.invoke(f"Answer: {prompt}")
|
||||
for _ in range(max_iters):
|
||||
feedback = model.invoke(
|
||||
f"Critique this answer (errors, gaps):\n{answer}"
|
||||
)
|
||||
if "no issues" in feedback.lower():
|
||||
break
|
||||
answer = model.invoke(
|
||||
f"Original: {prompt}\nDraft: {answer}\nFeedback: {feedback}\nRevised:"
|
||||
)
|
||||
return answer
|
||||
```
|
||||
|
||||
### Reflexion (verbal RL)
|
||||
```python
|
||||
class ReflexionAgent:
|
||||
def __init__(self, llm):
|
||||
self.llm = llm
|
||||
self.memory = [] # past reflections
|
||||
|
||||
def act(self, task):
|
||||
ctx = "\n".join(self.memory)
|
||||
result = self.llm(f"{ctx}\nTask: {task}")
|
||||
if not self.evaluate(result):
|
||||
reflection = self.llm(f"Why did this fail?\n{result}")
|
||||
self.memory.append(reflection)
|
||||
return result
|
||||
```
|
||||
|
||||
### Chain of Verification (CoVe)
|
||||
```python
|
||||
def cove(question, llm):
|
||||
draft = llm(f"Q: {question}")
|
||||
plan = llm(f"List verification questions for:\n{draft}")
|
||||
answers = [llm(q) for q in plan.split("\n")]
|
||||
return llm(f"Original:{draft}\nVerifications:{answers}\nFinal:")
|
||||
```
|
||||
|
||||
### Constitutional AI (self-critique with principles)
|
||||
```python
|
||||
PRINCIPLES = ["harmless", "honest", "helpful"]
|
||||
|
||||
def constitutional_revise(response, llm):
|
||||
for p in PRINCIPLES:
|
||||
critique = llm(f"Critique by '{p}':\n{response}")
|
||||
response = llm(f"Revise per critique:\n{critique}")
|
||||
return response
|
||||
```
|
||||
|
||||
### Confidence-gated introspection
|
||||
```python
|
||||
def maybe_introspect(answer, llm, threshold=0.7):
|
||||
score = float(llm(f"Confidence 0-1 in:\n{answer}").strip())
|
||||
if score < threshold:
|
||||
return self_refine(answer, llm)
|
||||
return answer
|
||||
```
|
||||
|
||||
### LangChain self-critique chain
|
||||
```python
|
||||
from langchain.chains import LLMChain, SequentialChain
|
||||
|
||||
draft = LLMChain(llm=llm, prompt=draft_prompt, output_key="draft")
|
||||
critic = LLMChain(llm=llm, prompt=critic_prompt, output_key="critique")
|
||||
final = LLMChain(llm=llm, prompt=final_prompt, output_key="final")
|
||||
chain = SequentialChain(chains=[draft, critic, final],
|
||||
input_variables=["q"],
|
||||
output_variables=["final"])
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 단순 factual Q&A | introspection 불필요 (latency↑) |
|
||||
| Math / code | Self-Refine + verifier |
|
||||
| Long-form 사실 검증 | CoVe |
|
||||
| Agent 실패 학습 | Reflexion (memory 누적) |
|
||||
| Safety alignment | Constitutional AI |
|
||||
|
||||
**기본값**: 1-shot Self-Refine (1회 critique → revise). 반복은 비용 대비 효과 체감 빠름.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Prompt_Engineering|Prompt-Engineering]], [[Transformer_Architecture_and_LLM_Foundations|LLM]]
|
||||
- 변형: [[Reflexion]], [[Self-Refine]], [[Chain-of-Verification]]
|
||||
- 응용: [[AI_Safety_and_Alignment|Constitutional-AI]]
|
||||
- Adjacent: [[Chain-of-Thought]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: multi-step reasoning, 사실 검증 필요한 long-form, agent 실패 분석, alignment.
|
||||
**언제 X**: 단답형 classification, latency 민감, cost-bound batch inference.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Critique 동일 모델만 사용**: confirmation bias — 가능하면 stronger judge 사용.
|
||||
- **무한 loop**: 수렴 조건 없이 반복 → 비용 폭증, 답 표류.
|
||||
- **Critique 무시**: revise 단계에서 critique 미반영 prompt.
|
||||
- **자기성찰 == 자의식**: LLM introspection 은 functional pattern. 철학적 self-awareness 와 구분.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Madaan et al. 2023 (Self-Refine), Shinn et al. 2023 (Reflexion), Dhuliawala et al. 2023 (CoVe).
|
||||
- Bai et al. 2022 (Constitutional AI, Anthropic).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 철학/LLM 두 의미 통합, Self-Refine/Reflexion/CoVe/Constitutional 패턴 정리 |
|
||||
Reference in New Issue
Block a user