diff --git a/10_Wiki/Topics_AI/AI_Code_Analysis_Tools.md b/10_Wiki/Topics_AI/AI_Code_Analysis_Tools.md
new file mode 100644
index 00000000..77da6027
--- /dev/null
+++ b/10_Wiki/Topics_AI/AI_Code_Analysis_Tools.md
@@ -0,0 +1,48 @@
+---
+id: P-REINFORCE-WIKI-AI-CODE-ANALYSIS-TOOLS
+title: "AI 코드 분석 도구 (AI Code Analysis Tools)"
+category: "10_Wiki/🤖 Topics_AI"
+status: verified
+canonical_id: ""
+aliases: ["AI 코드 분석", "지능형 코드 스캔", "Automated Code Analysis"]
+duplicate_of: ""
+source_trust_level: A
+confidence_score: 0.98
+tags: ["AI_Tools", "Code_Analysis", "SAST", "AST", "Workflow_Automation", "Security"]
+raw_sources: ["Datacollector_Export_2026-05-02"]
+last_reinforced: 2026-05-02
+github_commit: ""
+---
+
+# [[AI 코드 분석 도구 (AI Code Analysis Tools)]]
+
+## 1. 개요
+AI Code Analysis Tools는 소스 코드의 구조, 문법, 보안 취약점 등을 자동으로 스캔하고 이해하여 통찰력을 제공하는 지능형 솔루션이다. LLM(대형 언어 모델), AST(추상 구문 트리), SAST(정적 분석) 기술을 결합하여 코드의 실행 의미뿐만 아니라 아키텍처적 의도까지 파악한다.
+
+## 2. 핵심 기능
+- **다층적 분석**: 단순 문법 검사를 넘어 보안 취약점(SQL 인젝션 등) 및 비즈니스 로직 결함을 런타임 이전에 탐지.
+- **컨텍스트 인식**: 수십만 개의 파일을 교차 분석하여 종속성 및 아키텍처 영향을 매핑 (예: Augment Code의 Context Engine).
+- **워크플로우 통합**: IDE 및 CI/CD 파이프라인에 직접 연결되어 실시간으로 작동하며, 자동 수정(Autofix) 제안.
+- **자연어 쿼리**: 코드베이스에 대해 평문으로 질문하여 구조나 버그 원인을 설명받는 기능 (예: GitLoop, Kodesage).
+
+## 3. 트레이드오프 및 주의사항
+- **환각(Hallucination)**: 컨텍스트 부족 시 존재하지 않는 로직을 사실처럼 설명할 위험이 있어 LaaJ(LLM-as-a-Judge) 등의 검증 필수.
+- **인덱싱 성능**: 거대 코드베이스 초기 스캔 시 수 시간의 인덱싱 시간 소요.
+- **프라이버시**: 클라우드 기반 도구 사용 시 코드 유출 위험이 있어 규제 산업에서는 온프레미스 배포 고려 필요.
+- **이력 의존성**: 행동 분석 도구(CodeScene 등)는 유의미한 결과를 위해 최소 6개월 이상의 Git 히스토리 요구.
+
+## 4. 주요 도구 (Leading Tools)
+- **Cycode**: AI 네이티브 통합 보안 플랫폼.
+- **Qodo**: 보안 우선 테스트 생성 및 심층 리뷰.
+- **CodeRabbit**: PR 리뷰 자동화 특화.
+- **CodeScene**: 코드 변경 패턴 기반 기술 부채 분석.
+
+## 5. 지식 연결 (Related)
+- [[Agentic_Workflows]]: 자율형 에이전트를 통한 분석 자동화.
+- [[Model_Context_Protocol_Guide]]: 외부 도구 연동 표준 프로토콜.
+- [[Clean_Code]]: 분석 도구가 지향하는 품질 표준.
+
+## 🧪 검증 상태 (Validation)
+- **정보 상태**: 검증 완료 (Verified)
+- **출처 신뢰도**: A
+- **검토 이유**: 최신 AI 기반 정적/동적 분석 도구의 기능적/전략적 가치 요약.
diff --git a/10_Wiki/Topics_AI/AI_Code_Review_Tools.md b/10_Wiki/Topics_AI/AI_Code_Review_Tools.md
new file mode 100644
index 00000000..67df4322
--- /dev/null
+++ b/10_Wiki/Topics_AI/AI_Code_Review_Tools.md
@@ -0,0 +1,47 @@
+---
+id: P-REINFORCE-WIKI-AI-CODE-REVIEW-TOOLS
+title: "AI 코드 리뷰 도구 (AI Code Review Tools)"
+category: "10_Wiki/🤖 Topics_AI"
+status: verified
+canonical_id: ""
+aliases: ["AI 코드 리뷰", "Automated Code Review"]
+duplicate_of: ""
+source_trust_level: A
+confidence_score: 0.98
+tags: ["AI_Tools", "Code_Review", "Software_Quality", "Developer_Experience", "MCP"]
+raw_sources: ["Datacollector_Export_2026-05-02"]
+last_reinforced: 2026-05-02
+github_commit: ""
+---
+
+# [[AI 코드 리뷰 도구 (AI Code Review Tools)]]
+
+## 1. 개요
+AI 코드 리뷰 도구는 AI 모델과 구문 분석(AST), 정적 분석(SAST) 기술을 결합하여 코드의 버그, 보안 취약점, 아키텍처 결함 등을 자동으로 식별하는 지능형 솔루션이다. 단순 문법 검사를 넘어 저장소 전체의 맥락과 변경 이력을 이해하며, 개발자의 인지적 부하를 낮추는 데 기여한다.
+
+## 2. 핵심 기능 및 기술
+- **심층 컨텍스트 분석**: 수십만 개의 파일을 처리하는 컨텍스트 엔진을 통해 분산 시스템 전반의 아키텍처 종속성 식별.
+- **MCP 연동**: GitHub 등 플랫폼과 직접 통신하여 PR, 커밋 기록, 연관 이슈를 구조화된 데이터로 분석 (맥락 유지).
+- **자동 수정 (Auto-fix)**: 탐지된 결함에 대해 즉각적인 수정안을 제시하고 적용 가능하게 지원.
+- **행동 기반 분석**: 정적 코드뿐만 아니라 수정 빈도(Churn) 등 개발 행동 데이터를 결합하여 기술 부채 '핫스팟' 식별.
+
+## 3. 주요 도구별 특성
+- **Qodo (CodiumAI)**: 보안 우선 테스트 생성 및 모듈성 검토에 특화.
+- **CodeRabbit**: 다계층 분석 및 직관적인 스캐닝 제공.
+- **Kodesage**: 문서, Jira 티켓, DB 스키마를 통합한 지식 저장소 구축.
+- **Greptile**: 파일/함수 관계 그래프 구축 및 아키텍처 시각화.
+
+## 4. 트레이드오프 및 주의사항
+- **환각(Hallucination)**: 존재하지 않는 정보 생성 위험이 있어 SonarQube 등 정적 분석 도구와 교차 검증 필수.
+- **컨텍스트 한계**: 수백 개 파일이 변경되는 대형 PR에서는 맥락 파악 능력 저하 가능성.
+- **런타임 검증 불가**: 코드 구조 설명은 뛰어나나 실제 구동 상태(Runtime)를 완벽히 보장하지는 못함.
+
+## 5. 지식 연결 (Related)
+- [[AI_Code_Analysis_Tools]]: 포괄적인 코드 분석 체계.
+- [[Model_Context_Protocol_Guide]]: 저장소 데이터 연동 프로토콜.
+- [[Behavioral_Code_Analysis]]: 행동 데이터를 결합한 부채 분석 기법.
+
+## 🧪 검증 상태 (Validation)
+- **정보 상태**: 검증 완료 (Verified)
+- **출처 신뢰도**: A
+- **검토 이유**: AI 기반 코드 리뷰의 실질적 이점과 기술적 기반 정립.
diff --git a/10_Wiki/Topics_AI/Agentic_Workflows.md b/10_Wiki/Topics_AI/Agentic_Workflows.md
new file mode 100644
index 00000000..d476cfcd
--- /dev/null
+++ b/10_Wiki/Topics_AI/Agentic_Workflows.md
@@ -0,0 +1,45 @@
+---
+id: P-REINFORCE-WIKI-AI-AGENTIC-WORKFLOW
+title: "에이전틱 워크플로우 (Agentic Workflows)"
+category: "10_Wiki/🤖 Topics_AI"
+status: verified
+canonical_id: ""
+aliases: ["자율형 에이전트 워크플로우", "Agentic Platform"]
+duplicate_of: ""
+source_trust_level: A
+confidence_score: 0.98
+tags: ["Agentic_AI", "Workflow_Automation", "Autonomous_Agents", "Software_Engineering", "MCP"]
+raw_sources: ["Datacollector_Export_2026-05-02"]
+last_reinforced: 2026-05-02
+github_commit: ""
+---
+
+# [[에이전틱 워크플로우 (Agentic Workflows)]]
+
+## 1. 개요
+Agentic Workflows는 특화된 AI 에이전트들이 자율적으로 코드를 분석, 테스트 생성, 보안 스캔, 아키텍처 추적 등의 작업을 수행하는 자동화된 업무 프로세스를 의미한다. 단순한 챗봇을 넘어 시스템의 진입점 발견, 실행 경로 추적 등 복잡한 소프트웨어 공학 작업을 독립적으로 오케스트레이션하는 것이 특징이다.
+
+## 2. 핵심 메커니즘
+- **역할 분담 (Specialization)**: 단일 모델이 아닌 테스트 생성(Qodo Gen), PR 리뷰(Qodo Merge), 보안 분석(Cycode) 등 전문 에이전트의 조합으로 운영.
+- **코드베이스 온보딩**: 매니페스트/빌드 도구를 통해 시스템 진입점을 발견하고 소스 코드에 근거한 팩트 기반의 아키텍처 맵 제공.
+- **컨텍스트 연동**: MCP(Model Context Protocol)를 활용하여 GitHub 커밋, PR, 이슈 등 외부 데이터와 코드 분석 결과를 실시간으로 결합.
+
+## 3. 트레이드오프 및 주의사항
+- **인덱싱 비용**: 대규모 시스템(예: 40만 개 파일) 초기 분석 시 2~4시간의 고부하 작업 발생.
+- **환각(Hallucination)**: 구체적인 엔지니어링 컨텍스트에 접지(Grounding)되지 않을 경우 잘못된 아키텍처 정보 생성 위험.
+- **검증의 필수성**: 최종적인 기능성 및 보안 정렬 여부는 인간 리뷰어의 개입과 정적 분석(SAST) 교차 검증이 필수적임.
+
+## 4. 지식 연결 (Related)
+- [[Model_Context_Protocol_Guide]]: 에이전트와 외부 도구 간의 표준 인터페이스.
+- [[Context_Engine]]: 대규모 코드베이스 의존성 분석 시스템.
+- [[LLM-as-a-Judge (LaaJ)]]: 에이전트 생성물의 신뢰성을 평가하는 검증 컴포넌트.
+
+## 🧪 검증 상태 (Validation)
+- **정보 상태**: 검증 완료 (Verified)
+- **출처 신뢰도**: A (Datacollector 정밀 추출 데이터)
+- **검토 이유**: 현대적 AI 에이전트 시스템의 핵심 아키텍처 원리 반영.
+
+## 🧬 중복 검사 (Duplicate Check)
+- **기존 유사 문서**: None
+- **처리 방식**: CREATE
+- **처리 이유**: 에이전틱 워크플로우 전용 심층 문서 부재.
diff --git a/10_Wiki/Topics_AI/LLM_Fundamentals.md b/10_Wiki/Topics_AI/LLM_Fundamentals.md
new file mode 100644
index 00000000..595047a4
--- /dev/null
+++ b/10_Wiki/Topics_AI/LLM_Fundamentals.md
@@ -0,0 +1,40 @@
+---
+id: P-REINFORCE-WIKI-AI-LLM-FUNDAMENTALS
+title: "대규모 언어 모델 (LLM) 기반 코드 공학"
+category: "10_Wiki/🤖 Topics_AI"
+status: verified
+canonical_id: ""
+aliases: ["LLM", "AI 엔진", "Large Language Model"]
+duplicate_of: ""
+source_trust_level: A
+confidence_score: 0.98
+tags: ["LLM", "AI_Engineering", "Code_Comprehension", "RAG", "MCP"]
+raw_sources: ["Datacollector_Export_2026-05-02"]
+last_reinforced: 2026-05-02
+github_commit: ""
+---
+
+# [[대규모 언어 모델 (LLM) 기반 코드 공학]]
+
+## 1. 개요
+LLM(대규모 언어 모델)은 방대한 소스 코드와 문서를 학습하여 자연어 질의응답, 코드 리뷰, 버그 탐지 및 문서화를 수행하는 AI 시스템의 핵심 엔진이다. 단순한 텍스트 생성을 넘어 복잡한 코드베이스의 구조적 맥락을 분석하고 설계 의도를 추론하는 능력을 갖추고 있다.
+
+## 2. 주요 활용 분야
+- **통합 지식 베이스**: 코드, Jira 티켓, DB 스키마, 기술 문서를 모두 인덱싱하여 '살아있는 지식 저장소' 구축.
+- **아키텍처 평가**: 단순 문법 검사를 넘어 보안 취약점, 모듈 간 결합도, API 계약 준수 여부 등 심층 평가 제공.
+- **의도 파악 (Intent Detection)**: PR 설명, 커밋 메시지 등 자연어 아티팩트를 분석하여 코드가 작성된 '이유'와 '목적'을 설명.
+
+## 3. 트레이드오프 및 주의사항
+- **환각 (Hallucination)**: 존재하지 않는 로직을 사실처럼 주장할 위험이 있어 LaaJ(LLM-as-a-Judge) 및 정적 분석 도구(SonarQube 등)와의 교차 검증 필수.
+- **컨텍스트 윈도우 제약**: 대규모 PR(50개 이상 파일 변경)에서는 세부 맥락을 놓칠 수 있는 한계 존재.
+- **실행 능력 부재**: 코드를 실행하거나 디버깅하는 것은 불가능하므로 실제 환경 테스트를 대체할 수 없음.
+
+## 4. 지식 연결 (Related)
+- [[Model_Context_Protocol_Guide]]: LLM이 외부 저장소 데이터에 접근하기 위한 표준 인터페이스.
+- [[LLM-as-a-Judge (LaaJ)]]: 생성된 결과물의 신뢰성을 검증하는 아키텍처 패턴.
+- [[RAG (Retrieval-Augmented Generation)]]: 방대한 코드베이스 검색 증강 생성 기술.
+
+## 🧪 검증 상태 (Validation)
+- **정보 상태**: 검증 완료 (Verified)
+- **출처 신뢰도**: A
+- **검토 이유**: 소프트웨어 엔지니어링 도메인에서의 LLM 역할과 한계를 명확히 규정.
diff --git a/10_Wiki/Topics_AI/Model_Context_Protocol_Guide.md b/10_Wiki/Topics_AI/Model_Context_Protocol_Guide.md
new file mode 100644
index 00000000..6e1cc3e4
--- /dev/null
+++ b/10_Wiki/Topics_AI/Model_Context_Protocol_Guide.md
@@ -0,0 +1,40 @@
+---
+id: P-REINFORCE-WIKI-AI-MCP-GUIDE
+title: "모델 컨텍스트 프로토콜 (Model Context Protocol, MCP) 가이드"
+category: "10_Wiki/🤖 Topics_AI"
+status: verified
+canonical_id: ""
+aliases: ["MCP", "Anthropic MCP", "AI 외부 도구 연동"]
+duplicate_of: ""
+source_trust_level: A
+confidence_score: 1.0
+tags: ["MCP", "Anthropic", "AI_Architecture", "Context_Injection", "API_Integration"]
+raw_sources: ["Datacollector_Export_2026-05-02"]
+last_reinforced: 2026-05-02
+github_commit: ""
+---
+
+# [[모델 컨텍스트 프로토콜 (Model Context Protocol, MCP) 가이드]]
+
+## 1. 개요
+Model Context Protocol (MCP)은 AI 어시스턴트(예: Claude)가 외부 도구 및 데이터 소스에 직접 연결할 수 있도록 해주는 Anthropic의 개방형 표준이다. 개발자가 수동으로 코드를 복사해 붙여넣는 대신, 로컬 서버를 통해 노출된 '도구(tools)'를 AI가 구조화된 API로 호출하여 JSON 형태의 응답을 받고 추론하는 방식으로 작동한다.
+
+## 2. 핵심 기능
+- **자동화된 컨텍스트 접근**: 리포지토리, 커밋, PR 등의 코드베이스 데이터를 AI가 직접 읽고 이해.
+- **맥락 유지 (Single Pane of Glass)**: 여러 브라우저 탭을 오갈 필요 없이 단일 대화창 안에서 코드 리뷰, 브랜치 조회, 커밋 내역 확인 등 수행.
+- **모듈성과 상호운용성**: 컨텍스트 추출 및 설명 생성 도구를 모듈형 서비스로 설계하여 다른 AI 파이프라인과 유연하게 연동 가능.
+
+## 3. 트레이드오프 및 주의사항
+- **컨텍스트 윈도우 한계**: 대규모 변경 사항(50개 이상 파일) 처리 시 추론 능력 저하 가능성 (질문 세분화 필요).
+- **실행 능력 부재 (Read-only)**: 코드의 의미는 읽고 설명할 수 있으나, 실제 실행이나 런타임 테스트는 불가능.
+- **API 속도 제한 (Rate Limit)**: GitHub 등 외부 API 호출 집중 시 요율 제한에 걸릴 수 있으며, OAuth 권한 설정이 중요함.
+
+## 4. 지식 연결 (Related)
+- [[LLM_Fundamentals]]: MCP가 데이터를 공급하는 핵심 지능 엔진.
+- [[GitHub_Artifacts_Analysis]]: MCP 도구가 조회하는 핵심 자연어 컨텍스트.
+- [[AI_Code_Review_Tools]]: MCP를 활용하여 고도화된 리뷰 기능을 제공하는 전용 도구들.
+
+## 🧪 검증 상태 (Validation)
+- **정보 상태**: 검증 완료 (Verified)
+- **출처 신뢰도**: A
+- **검토 이유**: AI 에이전트 아키텍처의 핵심 인터페이스 표준으로서의 가치 정립.