refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조

에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게
[공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류.
문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인).

- Topic_Programming → Domain_Programming (내부 구조 보존)
- Topic_Graphic → Domain_Design
- Topic_Business → Domain_Product
- Topic_General → Domain_General
- _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning),
  Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing)
- 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서)
- 빈 폴더 정리 (memory/procedures)
- 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트)

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

10_Wiki/Topics/Domain_Programming/AI_and_ML/Manhattan-Distance.md

@@ -0,0 +1,125 @@
+---
+id: wiki-2026-0508-manhattan-distance
+title: Manhattan Distance
+category: 10_Wiki/Topics
+status: verified
+canonical_id: self
+aliases: [L1 Distance, Taxicab Distance, City Block Distance]
+duplicate_of: none
+source_trust_level: A
+confidence_score: 0.95
+verification_status: applied
+tags: [math, ml, distance-metric, knn, clustering]
+raw_sources: []
+last_reinforced: 2026-05-10
+github_commit: pending
+tech_stack: { language: python, framework: numpy-sklearn }
+---
+
+# Manhattan Distance
+
+## 매 한 줄
+> **"매 격자에서의 걸음 수"**. L1 = Σ|xᵢ - yᵢ|. Outlier에 robust하고 sparse·high-dim에서 Euclidean보다 잘 작동하며, L1 정규화/Lasso의 기반.
+
+## 매 핵심
+### 매 정의
+- **Manhattan / L1**: $d(x,y) = \sum_i |x_i - y_i|$
+- **Euclidean / L2**: $\sqrt{\sum_i (x_i - y_i)^2}$
+- **Minkowski p**: $\left(\sum |x_i-y_i|^p\right)^{1/p}$ — p=1: Manhattan, p=2: Euclidean.
+- **Chebyshev / L∞**: max차원.
+
+### 매 특성
+1. 삼각 부등식 만족 → 진짜 metric.
+2. 좌표 회전에 비불변 (Euclidean과 다름).
+3. 차원의 저주에 덜 취약 (high-dim 검색에서 유리).
+4. Outlier에 quadratic 아닌 linear 영향.
+5. 미분 불가 at 0 → subgradient (Lasso 최적화).
+
+## 💻 패턴
+
+### Pattern 1 — NumPy
+```python
+import numpy as np
+d = np.sum(np.abs(x - y))
+# 행렬: cdist
+from scipy.spatial.distance import cdist
+D = cdist(X, Y, metric='cityblock')
+```
+
+### Pattern 2 — sklearn kNN
+```python
+from sklearn.neighbors import KNeighborsClassifier
+clf = KNeighborsClassifier(n_neighbors=5, metric='manhattan')
+clf.fit(X_train, y_train)
+```
+
+### Pattern 3 — DBSCAN with L1
+```python
+from sklearn.cluster import DBSCAN
+db = DBSCAN(eps=1.5, metric='manhattan').fit(X)
+```
+
+### Pattern 4 — PyTorch
+```python
+d = torch.cdist(X, Y, p=1)  # L1
+# Lasso loss
+loss = mse + alpha * w.abs().sum()
+```
+
+### Pattern 5 — High-dim 비교 (Aggarwal 2001)
+```python
+# 차원 d↑ 시 Euclidean의 contrast 무너짐
+# fractional Lp (p<1)도 옵션
+def fractional_dist(x, y, p=0.5):
+    return (np.abs(x-y)**p).sum() ** (1/p)
+```
+
+### Pattern 6 — 스케일 정규화 필수
+```python
+from sklearn.preprocessing import StandardScaler
+X_scaled = StandardScaler().fit_transform(X)
+# L1은 단위에 매우 민감
+```
+
+## 매 결정 기준
+| 상황 | Metric |
+|---|---|
+| 일반 / continuous | **Euclidean (L2)** |
+| Outlier 많음 | **Manhattan (L1)** |
+| Sparse high-dim | **Manhattan** 또는 cosine |
+| 텍스트 임베딩 | cosine |
+| 범주형 우세 | Hamming / Gower |
+| Grid / Lattice 문제 | Manhattan (자연스러움) |
+| 시계열 | DTW |
+
+**기본값**: 정규화된 numeric은 L2, sparse/outlier-heavy는 L1.
+
+## 🔗 Graph
+- 응용: [[KNN]], [[K-Means]]
+- Adjacent: [[Curse-of-Dimensionality]]
+
+## 🤖 LLM 활용
+**언제**:
+- Metric 선택 가이드 (데이터 특성 → 추천).
+- sklearn/numpy 코드 스니펫.
+- Lp norm 차이 설명.
+
+**언제 X**:
+- 도메인 특화 metric 설계 (실험 필수).
+- 매우 큰 데이터 ANN 라이브러리 선택 (벤치마크 필요).
+
+## ❌ 안티패턴
+- 스케일 정규화 없이 L1 (큰 단위 feature 지배).
+- Categorical 변수에 Manhattan (Hamming 적합).
+- 회전이 의미 있는 데이터에 L1 (좌표축 의존).
+- 모든 모델에 같은 metric 가정.
+- 차원의 저주 무시 (>50 dim에서 어떤 distance든 약함).
+
+## 🧪 검증 / 중복
+- Verified. 신뢰도 A.
+
+## 🕓 Changelog
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | Manual cleanup |