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>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,179 @@
|
||||
---
|
||||
id: wiki-2026-0508-refinement
|
||||
title: Refinement
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Iterative-Refinement, Self-Refine, Type-Refinement]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [llm, iteration, types, design]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: anthropic-sdk
|
||||
---
|
||||
|
||||
# Refinement
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 첫 시도는 draft, 매 refinement는 product"**. Refinement는 초안을 critique → revise loop로 다듬어 quality를 끌어올리는 patterns의 family — LLM self-refine, type narrowing, design iteration 모두 매 같은 핵심 idea를 공유.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 LLM Self-Refine (2024 Madaan et al. → 2026 mainstream)
|
||||
- **Generate → Critique → Refine** loop. Single model이 매 세 role을 모두 수행.
|
||||
- 매 효과: math, code, dialog 매 +5–20% accuracy without extra training.
|
||||
- **Reflexion** (Shinn 2023)은 verbal RL — 매 episode 끝에 매 self-critique를 episodic memory로 저장.
|
||||
- 2026 standard: Claude Opus 4.7 / GPT-5 매 native "extended thinking" mode가 매 refine을 internal로 흡수 → external loop는 매 high-stakes (legal, medical) 에서만.
|
||||
|
||||
### 매 Type Refinement (TypeScript / Flow / Python typing)
|
||||
- **Narrowing**: union type 의 매 instance를 specific subtype 으로 좁힘 (`typeof`, `instanceof`, discriminated union).
|
||||
- **Refinement type**: predicate-attached type — `{x: number | x > 0}`. Liquid Haskell, F* 매 사용.
|
||||
- 2026 TS 5.x: `satisfies` operator + control-flow analysis 매 강력 — 매 manual cast 의 거의 elimination.
|
||||
|
||||
### 매 Design / Spec Refinement
|
||||
- **Stepwise refinement** (Wirth 1971) — abstract spec → concrete implementation을 매 단계적으로.
|
||||
- **BDD** (Given-When-Then) 매 modern incarnation.
|
||||
- AI-aided: spec → Claude → multiple impl candidates → human picks → refine.
|
||||
|
||||
### 매 응용
|
||||
1. RAG answer 의 self-refine으로 hallucination ↓.
|
||||
2. Code generation 매 compile error → refine loop.
|
||||
3. TS API 의 progressive type narrowing.
|
||||
4. Product spec 의 PM ↔ AI iterative tightening.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Self-Refine loop (Anthropic SDK)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
|
||||
client = Anthropic()
|
||||
MODEL = "claude-opus-4-7"
|
||||
|
||||
def self_refine(task: str, max_iter: int = 3) -> str:
|
||||
answer = client.messages.create(
|
||||
model=MODEL, max_tokens=2048,
|
||||
messages=[{"role": "user", "content": task}],
|
||||
).content[0].text
|
||||
|
||||
for i in range(max_iter):
|
||||
critique = client.messages.create(
|
||||
model=MODEL, max_tokens=1024,
|
||||
system="You are a strict critic. List concrete flaws or reply 'NO_ISSUES'.",
|
||||
messages=[{"role": "user", "content": f"Task: {task}\n\nDraft:\n{answer}"}],
|
||||
).content[0].text
|
||||
|
||||
if "NO_ISSUES" in critique:
|
||||
return answer
|
||||
|
||||
answer = client.messages.create(
|
||||
model=MODEL, max_tokens=2048,
|
||||
messages=[{"role": "user",
|
||||
"content": f"Task: {task}\nDraft: {answer}\nCritique: {critique}\nRevise."}],
|
||||
).content[0].text
|
||||
return answer
|
||||
```
|
||||
|
||||
### Reflexion-style episodic memory
|
||||
```python
|
||||
class Reflexion:
|
||||
def __init__(self):
|
||||
self.memory: list[str] = [] # accumulated lessons
|
||||
|
||||
def step(self, task: str) -> str:
|
||||
ctx = "\n".join(f"- {m}" for m in self.memory[-5:])
|
||||
attempt = llm(f"Task: {task}\nPast lessons:\n{ctx}\nAct.")
|
||||
feedback = environment(attempt)
|
||||
if not feedback.success:
|
||||
lesson = llm(f"Why did this fail? Task: {task}\nAttempt: {attempt}\nFeedback: {feedback}")
|
||||
self.memory.append(lesson)
|
||||
return attempt
|
||||
```
|
||||
|
||||
### TypeScript discriminated union narrowing
|
||||
```typescript
|
||||
type Result<T> =
|
||||
| { kind: 'ok'; value: T }
|
||||
| { kind: 'err'; error: Error };
|
||||
|
||||
function unwrap<T>(r: Result<T>): T {
|
||||
if (r.kind === 'err') throw r.error; // narrow → 'ok' branch
|
||||
return r.value; // typed as T, no cast
|
||||
}
|
||||
```
|
||||
|
||||
### Python TypeGuard refinement
|
||||
```python
|
||||
from typing import TypeGuard
|
||||
|
||||
def is_str_list(x: list[object]) -> TypeGuard[list[str]]:
|
||||
return all(isinstance(i, str) for i in x)
|
||||
|
||||
def join(items: list[object]) -> str:
|
||||
if is_str_list(items):
|
||||
return ", ".join(items) # narrowed
|
||||
raise TypeError("not str list")
|
||||
```
|
||||
|
||||
### Compile-error refine loop (code generation)
|
||||
```python
|
||||
def codegen_refine(spec: str, max_iter=5):
|
||||
code = llm(f"Write Python for: {spec}")
|
||||
for _ in range(max_iter):
|
||||
ok, err = run_pytest(code)
|
||||
if ok: return code
|
||||
code = llm(f"Spec: {spec}\nCode: {code}\nFailing: {err}\nFix.")
|
||||
raise RuntimeError("refinement budget exhausted")
|
||||
```
|
||||
|
||||
### Best-of-N + judge (ensemble refinement)
|
||||
```python
|
||||
def best_of_n(prompt: str, n: int = 5) -> str:
|
||||
candidates = [llm(prompt, temperature=1.0) for _ in range(n)]
|
||||
ranking = llm(f"Pick best of these:\n{candidates}\nReturn index 0..{n-1}")
|
||||
return candidates[int(ranking.strip())]
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Single-shot good enough (chat) | No refine — extra cost |
|
||||
| High-stakes (legal/medical) | External self-refine + human review |
|
||||
| Code with tests | Compile/test-driven refine |
|
||||
| Long agentic task | Reflexion (episodic memory) |
|
||||
| Reasoning math | extended thinking (native) — already refine internally |
|
||||
| TS API design | Narrowing + `satisfies` |
|
||||
|
||||
**기본값**: native extended thinking 우선 → 부족하면 external self-refine 1–2 iter.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Iteration]]
|
||||
- 변형: [[Reflexion]] · [[Self-Consistency]] · [[Best-of-N]]
|
||||
- 응용: [[RAG]] · [[Code-Generation]]
|
||||
- Adjacent: [[TypeScript 타입 시스템 (TypeScript Type System)|Type-System]] · [[Stepwise-Refinement]] · [[BDD]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: high-stakes output, agentic loops, code with verifiable feedback.
|
||||
**언제 X**: 매 latency-sensitive UX, 매 simple chat — extra latency × cost는 매 안 맞음.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Infinite refine loop**: max_iter 의 hard cap 의 X → cost explosion.
|
||||
- **Same-model critique only**: 매 critic = generator인 경우 같은 blind spot. Mix models (Opus critic, Sonnet generator).
|
||||
- **Refine without termination signal**: "NO_ISSUES" 같은 매 explicit stop 의 부재 → 매 endless tweaking.
|
||||
- **Type assertion 으로 narrow**: TS 매 `as` 사용은 매 refinement 의 X — 매 unsafe cast.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Madaan 2024 Self-Refine, Shinn 2023 Reflexion, TS handbook narrowing).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full rewrite covering LLM self-refine, type narrowing, design iteration |
|
||||
Reference in New Issue
Block a user