Wikify: Categorize all topics into folders and generate index pages
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: Unified
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# 10v10 대규모 멀티플레이어
|
||||
|
||||
## 📌 Brief Summary
|
||||
10v10 대규모 멀티플레이어는 WARNO에서 최대 20명의 플레이어가 동시에 참여하여 거대한 스펙터클과 혼란을 만들어내는 대규모 전술 게임 모드입니다 [1]. 이 모드에서는 유닛과 플레이어의 밀도가 매우 높아 강력한 포격과 촘촘한 방공망이 형성되며, 플레이어는 전장 전체가 아닌 특정 구역에 집중하여 전투를 수행할 수 있습니다 [1]. WARNO의 기반인 Iriszoom 엔진은 수백 개의 유닛이 기동하고 파괴되는 이러한 극단적인 환경 속에서도 4K 해상도와 풀 옵션을 안정적으로 유지할 수 있는 고도의 데이터 최적화 성능을 자랑합니다 [2, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **엔진 최적화 및 시각 데이터 처리:** 10v10 멀티플레이어 매치는 시스템에 엄청난 부하를 주지만, Iriszoom 엔진은 이를 원활하게 처리하도록 설계되었습니다 [2]. 수백 개의 개별 유닛이 동시에 전장에서 충돌하고 파괴되는 10 대 10 환경에서도 게임은 4K 해상도와 풀 옵션 설정에서 안정적인 성능을 보여줍니다 [3]. 또한 네이팜, 연막, 폭발 등의 시각적 효과 데이터가 10v10 모드에서도 효과가 종료되기 전에 사라지지 않고 명확하게 렌더링되도록 최적화되었습니다 [4].
|
||||
* **전술적 환경의 변화:** 플레이어 밀도가 높은 10v10 게임에서는 맵의 좁은 부분에 역량을 집중할 수 있어, 치열한 협력과 혼전이 발생합니다 [1]. 대공 방어망이 빽촘하게 배치되어 항공기 운용이 매우 까다로워지며, 집중된 대규모 포격 데이터로 인해 노출된 고정 위치에서 보병을 생존시키는 것이 훨씬 더 어렵습니다 [1]. 일부 플레이어들은 10v10 모드에서 가장 유효한 전략을 '전면 돌격(full frontal assault)'으로 체감하기도 하며, NATO 진영은 무거운 기갑 사단을 스팸(spam)할 때 특히 강한 모습을 보입니다 [5, 6].
|
||||
* **사단(Division) 단위 데이터 밸런싱:** 소규모 전투에서는 방어나 기동의 약점 때문에 다루기 까다로운 예비군 사단(예: K.d.A. Bezirk Erfurt)이나 특정 보병 사단들도 10v10과 같은 대규모 팀 게임에서는 훨씬 플레이하기 쉬워집니다 [7]. 팀원들이 부족한 보병이나 전차 전력을 채워주고, 본인은 포병과 대공망을 극대화하여 팀을 지원하는 방식의 상호 보완적 덱 빌딩이 가능해지기 때문입니다 [7, 8].
|
||||
* **통계적 밸런스와 숙련도 데이터:** 많은 플레이어가 특정 진영(NATO 또는 PACT)이 10v10에서 불균형적으로 강하다고 인식하지만, 실제 10v10 퍼블릭 로비의 플레이어 승률과 텔레메트리 데이터를 분석해 보면 진영 간 눈에 띄는 편향은 발견되지 않습니다 [9]. 10v10 대규모 멀티플레이어 데이터 분석 결과, NATO와 PACT 간의 플레이 비중 및 승률은 플레이어의 숙련도가 높아질수록 균형을 이루는 경향을 보입니다 [10].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Iriszoom 엔진|Iriszoom 엔진]], [[사단(Division) 시스템|사단(Division) 시스템]], [[텔레메트리(Telemetry) 데이터 분석|텔레메트리(Telemetry) 데이터 분석]]
|
||||
- **Projects/Contexts:** [[WARNO 데이터 기반 밸런싱|WARNO 데이터 기반 밸런싱]]
|
||||
- **Contradictions/Notes:** 소스 [5]을 비롯해 10v10 커뮤니티 내에서는 게임 경험상 특정 진영(예: NATO)이 더 강하거나 유리하게 느껴진다는 체감상 주장들이 종종 제기되지만, 소스 [11], [9], [10]에서 진행된 실제 10v10 플레이어 데이터 및 승률 통계 분석에 따르면 두 진영 간의 통계적으로 유의미한 불균형이나 편향은 존재하지 않으며, 승패는 주로 플레이어 본인과 팀원들의 숙련도 차이에 기인하는 것으로 나타납니다 [12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,19 @@
|
||||
# [[5R Structure|5R Structure]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
컨설팅 케이스 인터뷰의 최종 단계에서 지원자가 분석한 결과와 권고사항을 논리적이고 효과적으로 종합하여 발표하기 위해 사용하는 5단계 커뮤니케이션 프레임워크입니다. 피라미드 원칙을 응용하여 결론과 근거를 앞세우고, 이에 더해 리스크 및 비즈니스 유지 방안까지 포괄하여 단순한 답변을 넘어선 전략적 통찰력을 보여줍니다. 이를 통해 면접관에게 지원자의 체계적인 사고력과 비즈니스 감각을 각인시킬 수 있습니다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **Recap (요약):** 클라이언트가 직면했던 **초기 문제와 목표를 다시 한번 상기**시켜 인터뷰어와 인터뷰이 간의 상황적 맥락을 일치시킵니다 [51].
|
||||
* **Recommend (권고):** 문제에 대한 핵심 해결책을 1~2문장으로 요약하여 **결론부터 명확하게 제시**합니다. 이는 피라미드 원칙의 최상단에 해당합니다 [51].
|
||||
* **Reasons (근거):** 제시한 권고사항을 뒷받침하는 **3가지 세부적인 데이터나 분석적 주장**을 논리적으로 제시합니다 [51].
|
||||
* **Risk (위험 요소):** 권고안을 실행할 때 클라이언트가 직면할 수 있는 잠재적 리스크를 식별하고, 이를 최소화할 수 있는 현실적인 완화(Mitigation) 방안을 함께 제안합니다 [52].
|
||||
* **Retention (비즈니스 유지/다음 단계):** 이번 프로젝트의 다음 단계에서 컨설팅 팀이 어떻게 추가적인 가치를 창출하고 클라이언트의 후속 비즈니스를 유치할 수 있을지 전략적으로 제안합니다 [52].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** Case Interview Synthesis, [[Pyramid Principle|Pyramid Principle]]
|
||||
- **Projects/Contexts:** 전략 컨설팅 케이스 인터뷰 최종 결론 발표, 클라이언트 대상 제안서 및 최종 보고
|
||||
- **Contradictions/Notes:** 앞의 3가지 R(Recap, Recommend, Reasons)은 피라미드 원칙에 따른 필수적인 구조화 작업인 반면, 뒤의 2가지 R(Risk, Retention)은 질문의 직접적인 요구 범위를 넘어서는 내용입니다. 하지만 이 두 가지를 추가함으로써 지원자는 일반적인 합격 수준을 넘어 '돋보이는(distinctive)' 우수한 평가를 받을 수 있습니다 [51, 52].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,46 @@
|
||||
# [[ACP (Agent Communication Protocol)|ACP (Agent Communication Protocol)]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
ACP(Agent Communication Protocol)는 에이전트 간의 고수준 의도(High-level intent), 목표(Goals), 그리고 복잡한 협업 시퀀스를 정의하기 위해 설계된 통신 규약이다. 2025년 Google의 A2A(Agent-to-Agent Protocol)와 IBM의 기존 에이전트 프레임워크가 통합되면서 다중 에이전트 시스템의 상호운용성을 보장하는 핵심 표준으로 자리 잡았다. 단순한 데이터 전달을 넘어 에이전트 간의 '의도 파악'과 '동적 협상'을 가능하게 한다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **의도 기반 통신 추상화**: ACP는 메시지를 'Intent(의도)'와 'Action(행동)'으로 구조화한다. 이를 통해 에이전트는 상대방의 내부 로직을 알 필요 없이 "데이터 분석 보고서 작성 의도"와 같은 고수준의 목표를 공유하고 협업을 시작할 수 있다.
|
||||
* **A2A와의 통합 표준**: 초기에는 독립적인 프로토콜로 개발되었으나, 현재는 A2A의 작업 위임(Task Delegation) 메커니즘 위에서 작동하는 상위 계층 프레임워크 역할을 한다. "의도(ACP) -> 위임(A2A) -> 도구 실행(MCP)"으로 이어지는 3계층 통신 스택을 완성한다.
|
||||
* **동적 협상 및 재구성**: 에이전트가 제안된 작업에 대해 비용, 시간, 리소스 가용성을 바탕으로 역제안(Counter-proposal)을 하거나 거절할 수 있는 협상 인터페이스를 제공한다. 이는 동적인 멀티 에이전트 오케스트레이션을 가능하게 하는 핵심 요소이다.
|
||||
* **보안 및 신뢰 모델**: 에이전트 간의 신뢰 등급(Trust Level)을 정의하고, 높은 보안 등급의 작업 요청 시 추가적인 증명(Proof-of-capability)을 요구하는 거버넌스 기능을 포함한다.
|
||||
* **상태 추적 및 컨텍스트 공유**: 다중 에이전트 간의 대화 이력과 작업 상태를 공유 컨텍스트 윈도우(Shared Context Window) 형태로 관리하여, 협업 과정에서 발생하는 정보의 파편화를 방지한다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **추상화 오버헤드**: 고수준의 의도를 정의하고 해석하는 과정에서 단순 API 호출보다 더 많은 토큰과 추론 시간이 소모될 수 있다. 매우 단순한 작업에는 과도한 프로토콜 설계가 될 수 있다.
|
||||
* **의도 해석의 모호성**: LLM 기반 에이전트들이 서로의 의도를 해석할 때 미묘한 의미 차이(Semantic gap)로 인해 오해가 발생할 수 있으며, 이는 복잡한 협업 체인에서 예기치 않은 오류로 이어질 수 있다.
|
||||
* **구현 복잡성**: ACP를 완벽히 지원하기 위해서는 하네스 수준에서 복잡한 상태 머신과 협상 로직을 갖추어야 하므로, 초기 시스템 구축 비용이 높다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
|
||||
#### [통신 및 상호운용성]
|
||||
* [[A2A (Agent-to-Agent Protocol)|A2A (Agent-to-Agent Protocol)]]
|
||||
* 연결 이유: ACP가 고수준의 협업 의도를 다룬다면, A2A는 실제 작업의 실행 위임과 데이터 스트리밍을 담당하는 하위 전송/실행 계층이다.
|
||||
* [[MCP (Model Context Protocol)|MCP (Model Context Protocol)]]
|
||||
* 연결 이유: 에이전트가 ACP를 통해 협업을 결정하고 A2A로 작업을 위임받은 후, 실제 시스템 도구를 호출할 때 사용하는 가장 하위의 도구 접근 표준이다.
|
||||
|
||||
#### [실행 및 거버넌스]
|
||||
* Multi-Agent Orchestration
|
||||
* 연결 이유: ACP는 다중 에이전트 환경에서 에이전트들이 스스로 역할을 분담하고 목표를 달성하기 위해 소통하는 '언어' 역할을 한다.
|
||||
* [[Agent Identity Management|Agent Identity Management]]
|
||||
* 연결 이유: 안전한 ACP 통신을 위해서는 메시지를 보내는 에이전트의 신원과 권한을 명확히 검증할 수 있는 신뢰 기반의 인증 시스템이 선행되어야 한다.
|
||||
|
||||
### Deeper Research Questions
|
||||
* 서로 다른 모델(예: Claude vs GPT)을 사용하는 에이전트 간에 ACP Intent 명세의 의미적 일관성(Semantic Consistency)을 어떻게 보장할 수 있는가?
|
||||
* ACP의 협상 과정에서 발생할 수 있는 교착 상태(Deadlock)나 무한 루프를 방지하기 위해 하네스는 어떤 타임아웃 및 정책 게이트를 두어야 하는가?
|
||||
* 복잡한 의도를 전달할 때 발생하는 토큰 소모를 최적화하기 위해 ACP 메시지를 압축하거나 정형화된 스키마로 변환하는 가장 효율적인 방법은 무엇인가?
|
||||
* ACP 기반의 협업 시스템에서 특정 에이전트의 오작동이 전체 에이전트 체인의 목표를 하이재킹하는 것을 막기 위한 '협업 무결성 검증' 모델은 어떻게 설계되어야 하는가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** 복잡한 소프트웨어 엔지니어링 프로젝트에서 기획 에이전트, 코딩 에이전트, 리뷰 에이전트가 ACP를 통해 작업의 우선순위를 협상하고 피드백을 주고받는 워크플로우를 구축한다.
|
||||
* **System Design:** 엔터프라이즈급 에이전트 플랫폼 설계 시, 외부 파트너사의 에이전트와 우리 시스템의 에이전트가 안전하게 협업할 수 있도록 ACP를 표준 인터페이스로 채택한다.
|
||||
* **Operation:** 에이전트 간의 ACP 메시지 로그를 분석하여 협업 병목 지점을 찾고, 에이전트들의 '협업 지능'을 개선하기 위한 강화 학습 데이터로 활용한다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-01*
|
||||
@@ -0,0 +1,25 @@
|
||||
# [[ARPU-ARPPU|ARPU/ARPPU]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
ARPU(Average Revenue Per User)는 일정 기간 동안 전체 사용자 1인당 발생하는 평균 수익을 의미하며, ARPPU(Average Revenue Per Paying User)는 동일 기간 동안 결제를 진행한 유료 사용자 1인당 평균 수익을 나타내는 지표입니다. 이 두 지표는 게임의 수익성, 가격 책정 구조의 효율성, 그리고 사용자들의 게임 내 가치 인식 수준을 평가하는 핵심 기준이 됩니다. 게임 개발사 및 투자자는 이를 통해 미래 성장을 예측하고 고객 평생 가치(LTV)를 도출하여 지속 가능한 게임 경제를 설계할 수 있습니다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **개념 및 계산 방식:**
|
||||
* **ARPU (평균 사용자 매출):** 특정 기간의 총 수익을 전체 활성 사용자 수로 나눈 값입니다[1-3]. 여기에는 일일 평균(ARPDAU), 주간 평균(ARPWAU), 월간 평균(ARPMAU) 등이 있으며 구독료, 인앱 결제, 광고 수익 등을 모두 포함합니다[1, 4]. 타 프로젝트와의 성과를 비교하거나 트래픽 품질을 평가하여 최적의 고객 획득 비용(CPI/CAC)을 산출할 때 유용하게 쓰입니다[5].
|
||||
* **ARPPU (유료 사용자 평균 매출):** 총 수익을 '최소 한 번 이상 결제한 사용자(Paying User)' 수로 나눈 값입니다[3, 6]. 전체 사용자가 아닌 실제 돈을 지불한 고객만을 대상으로 하므로 항상 ARPU보다 높게 나타납니다[7].
|
||||
|
||||
* **게임 경제 및 비즈니스에서의 역할:**
|
||||
* **수익화 모델 및 가치 평가:** ARPU의 추이를 관찰하면 사용자가 게임에 부여하는 인지적 가치가 상승하는지 하락하는지 파악할 수 있습니다[6]. ARPPU는 유료 사용자가 프로젝트의 가치와 가격 책정에 어떻게 반응하는지, 그리고 가장 가치 있는 고객 세그먼트와 구매자 프로필이 무엇인지 식별하는 데 사용됩니다[3, 6].
|
||||
* **LTV 산출의 핵심 입력값:** ARPU는 유닛 이코노믹스(Unit Economics)의 핵심인 고객 평생 가치(LTV)를 계산하는 데 필수적인 기초 지표입니다(LTV = ARPU / 이탈률)[8-10]. 데이터 분석가는 잔존율(Retention)을 통해 사용자를 유지하고, ARPU를 통해 가치를 추출하여 궁극적으로 LTV가 고객 획득 비용(CAC)을 상회하도록(예: LTV:CAC 비율 3:1 이상) 시스템을 최적화해야 합니다[3, 11].
|
||||
|
||||
* **한계점 및 최적화 전략:**
|
||||
* **한계점:** ARPU는 소수의 고액 결제자(고래 유저)가 평균을 크게 왜곡할 수 있어 지표 해석 시 주의가 필요합니다[12]. 또한 수익만을 보여줄 뿐 해당 유저에게 서비스를 제공하는 데 드는 비용(총 이익률 등)이나 장기 유지율을 견인하는 사용자 경험의 품질은 설명하지 못합니다[12].
|
||||
* **최적화 전략:** ARPU를 향상시키기 위해서는 기본 구독이나 게임의 가치 제안(Value Proposition)을 높이고, 기존 사용자에게 1회성 치장용 아이템(Cosmetic content)이나 특별 이벤트 패스를 적극적으로 마케팅해야 합니다[13]. 더불어 하이퍼캐주얼 게임에 인앱 결제(IAP)를 더한 하이브리드 수익화 모델(Hybrid monetization)을 적용하면 광고만 있는 모델보다 ARPU를 28% 더 높일 수 있습니다[14].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** LTV (고객 평생 가치, CAC (고객 획득 비용), 유지율 (Retention), [[이탈률(Churn Rate)|이탈률 (Churn Rate]], [[하이브리드 수익화 모델|하이브리드 수익화 모델]]
|
||||
- **Projects/Contexts:** 모바일 게임 개발 KPI 분석, 게임 경제의 유닛 이코노믹스 (Unit Economics
|
||||
- **Contradictions/Notes:** ARPU 지표는 전반적인 수익 창출 능력을 보여주는 훌륭한 기준이지만, 소수의 고과금 유저로 인해 평균값이 크게 올라갈 수 있으므로 ARPU가 높다고 해서 모든 대다수의 유저가 게임에 만족하고 지갑을 연다고 직관적으로 오해해서는 안 됩니다[12].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: AWS Lambda
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# AWS Lambda
|
||||
{"status":"success","answer":"","conversation_id":"d82f8a75-b92a-4917-9941-71e11e3ee6b9"}
|
||||
@@ -0,0 +1,42 @@
|
||||
# Agent Memory System (에이전트 메모리 시스템)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agent Memory System은 에이전트가 런타임 중에 획득한 정보, 사용자의 선호도, 현재 작업의 상태, 그리고 과거의 성공/실패 경험을 체계적으로 저장하고 관리하는 다층 메모리 아키텍처이다. 메모리 시스템은 에이전트가 단기적인 문맥 유지(Context)를 넘어, 장기적인 학습과 성장을 가능하게 하는 핵심 지식 기반(Knowledge Base) 역할을 한다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **다층 메모리 구조 (Layered Memory)**:
|
||||
* **Short-Term Memory (STM)**: 현재 턴과 직전 요청의 핵심 제약사항을 유지. (RAM 역할)
|
||||
* **Working Task Memory (WTM)**: 활성화된 미션의 목표, 진행 단계, 추출된 증거를 관리.
|
||||
* **Long-Term Memory (LTM)**: 사용자 선호, 프로젝트 규칙, 반복되는 설계 철학을 영구 보존. (Disk 역할)
|
||||
* **Evidence Memory (EM)**: 실제 읽은 파일, 실행 로그 등 검증된 사실만을 격리 저장.
|
||||
* **워크플로우 메모리 (AWM)**: 개별 에이전트의 기억을 넘어, 여러 에이전트가 협업하는 워크플로우 전체의 상태와 결과물을 공유하고 동기화한다.
|
||||
* **추론 결합 지속성 (Inference-Coupled Persistence)**: 모델이 작업을 마친 후 스스로 성공 여부를 분석하고, 향후 재사용 가능한 '스킬'이나 '에피소드'로 요약하여 저장소에 기록한다.
|
||||
* **메모리 인덱싱 및 검색 (RAG)**: 방대한 메모리 중 현재 작업에 가장 관련성 높은 정보를 벡터 검색(Vector Search)이나 키워드 검색을 통해 컨텍스트에 주입한다.
|
||||
* **망각 및 정제 (Compaction)**: 오래되거나 가치가 낮은 정보를 삭제하거나 압축하여 메모리 블로트(Memory Bloat)를 방지하고 검색 효율을 높인다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **메모리 중독 (Memory Poisoning)**: 잘못된 정보나 악의적인 데이터가 메모리에 기록될 경우, 이후 모든 세션의 판단에 악영향을 미칠 수 있다.
|
||||
* **검색 노이즈**: 메모리가 너무 커지면 관련 없는 정보가 검색되어 모델의 컨텍스트를 오염시킬 수 있다.
|
||||
* **동기화 오버헤드**: 여러 에이전트나 세션 간에 메모리를 실시간으로 동기화하는 과정에서 성능 저하와 데이터 충돌이 발생할 수 있다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Inference-Coupled Persistence|Inference-Coupled Persistence]]
|
||||
* 연결 이유: 메모리를 생성하고 영구화하는 핵심 기전이다.
|
||||
* [[S-component (State Store)|S-component (State Store)]]
|
||||
* 연결 이유: 메모리 시스템이 실제로 데이터를 저장하는 하네스의 구성 요소이다.
|
||||
* [[Context Engineering|Context Engineering]]
|
||||
* 연결 이유: 저장된 메모리 중 어떤 정보를 컨텍스트에 넣을지 결정하는 전략이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
* 에이전트가 자신의 실수를 분석하여 '부정적 지식(Negative Knowledge)'을 메모리에 저장하고 이를 회피하는 로직은 어떻게 설계해야 하는가?
|
||||
* 메모리의 신뢰도(Confidence Score)를 실시간으로 업데이트하여, 시간이 지남에 따라 정보의 가중치를 조절하는 알고리즘은 무엇인가?
|
||||
* 메모리에 저장된 지식이 최신 프로젝트 상태와 충돌할 때(Obsolescence), 이를 자동으로 감지하고 폐기하는 메커니즘은 무엇인가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** VS Code 확장 프로그램에서 세션 종료 시 현재 작업의 핵심 결과를 `AgentMemoryState` 객체로 직렬화하여 로컬 파일에 저장하고, 재시작 시 이를 복구한다.
|
||||
* **System Design:** 에이전트 간 메모리 공유를 위해 중앙 집중형 벡터 DB를 구축하고, 각 에이전트가 공유된 지식 베이스 위에서 독립적으로 사고하도록 설계한다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-01*
|
||||
@@ -0,0 +1,51 @@
|
||||
# Agent Memory Harness
|
||||
|
||||
Agent Memory Harness는 에이전트가 사용자 요청, 이전 제약, 작업 상태, 확인된 근거, 장기 선호를 잊지 않도록 관리하는 런타임 메모리 계층이다. 단기 메모리는 현재 대화와 직전 요청을 유지하고, 작업 메모리는 진행 중인 미션 상태를 보존하며, 장기 메모리는 반복적으로 사용되는 사용자 선호와 프로젝트 맥락을 저장한다. 메모리 하네스가 없으면 에이전트는 이미 제공된 정보를 반복 요청하거나, 실행 요청을 일반론으로 바꾸거나, 실제 확인하지 않은 작업을 완료했다고 말하는 실패를 일으킨다.
|
||||
|
||||
## 1. Memory Layers
|
||||
|
||||
### Short-Term Memory (STM)
|
||||
- **목적:** 현재 턴의 즉각적인 요구사항과 제약 조건 유지.
|
||||
- **내용:** 직전 사용자 요청, 기대 결과물, 필수 제약사항.
|
||||
|
||||
### Working Task Memory (WTM)
|
||||
- **목적:** 활성화된 미션의 수명 주기 관리.
|
||||
- **내용:** 미션 목표, 관련 파일/경로, 진행 단계(완료/대기), 장애물, 추출된 증거.
|
||||
|
||||
### Long-Term Memory (LTM)
|
||||
- **목적:** 사용자 및 프로젝트 수준의 영구적 맥락 보존.
|
||||
- **내용:** 선호 언어, 답변 스타일, 프로젝트 명칭, 반복되는 설계 원칙 및 규칙.
|
||||
|
||||
### Evidence Memory (EM)
|
||||
- **목적:** 기술적 근거와 추정치의 분리.
|
||||
- **내용:** 실제 읽은 파일, 실행한 명령어, 검토된 코드, 도달 불가능한 자원.
|
||||
|
||||
## 2. Evidence Priority
|
||||
에이전트는 정보를 활용할 때 아래 우선순위를 엄격히 준수해야 한다.
|
||||
1. 최신 사용자 메시지 (Latest User Message)
|
||||
2. 사용자가 직접 제공한 파일/코드/로그/경로 (User-provided Evidence)
|
||||
3. 단기 메모리 (Short-Term Memory)
|
||||
4. 작업 메모리 (Working Task Memory)
|
||||
5. 장기 메모리 (Long-Term Memory)
|
||||
6. 로컬 브레인 맥락 (Local Brain Context)
|
||||
7. 모델 지식 (Model Knowledge)
|
||||
|
||||
## 3. Response Guard (Verification)
|
||||
최종 답변(Steve)을 작성하기 전, 에이전트는 다음 체크리스트를 검증한다.
|
||||
- 답변이 최신 사용자 요청에 직접적으로 부합하는가?
|
||||
- 이전의 제약 조건과 중요 상세 정보를 유지했는가?
|
||||
- 이미 제공된 정보를 다시 묻고 있지는 않은가?
|
||||
- 확인된 증거와 가정을 명확히 구분했는가?
|
||||
- 증거 없이 작업을 완료했다고 주장하지 않는가?
|
||||
- 사용자의 언어와 톤을 유지했는가?
|
||||
|
||||
## 4. Failure Prevention Rules
|
||||
- 분석을 요청받았을 때 단순 조언만 제공하지 말 것.
|
||||
- 사용자가 제공한 맥락을 무시하지 말 것.
|
||||
- 이미 답변된 질문을 다시 하지 말 것.
|
||||
- 접근 불가능한 자원은 명확히 명시할 것.
|
||||
- 답변이 일반론(Generic)으로 흐를 경우 최신 요청을 다시 확인할 것.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
### Related Concepts (Auto-Linked)
|
||||
* [[memory]]
|
||||
@@ -0,0 +1,39 @@
|
||||
# Agentic Governance (에이전트 거버넌스)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Agentic Governance는 자율 에이전트 시스템이 조직의 목표와 일치하고, 윤리적 기준을 준수하며, 보안 및 규제 요구사항을 충족하도록 관리하고 감독하는 체계이다. 에이전트의 설계부터 개발, 배포, 그리고 실시간 운영 전 과정에 걸쳐 투명성, 책임성, 신뢰성을 보장하기 위한 정책과 기술적 도구 모음을 포괄한다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **거버넌스 3요소**:
|
||||
* **투명성 (Transparency)**: 에이전트가 왜 그런 결정을 내렸는지(Rationale), 어떤 도구를 썼는지, 어떤 데이터를 참고했는지에 대한 명확한 설명과 로깅 제공.
|
||||
* **책임성 (Accountability)**: 에이전트의 행동 결과에 대해 책임질 수 있는 주체(인간 관리자, 소유주)를 명확히 하고 감사가 가능한 불변의 로그를 유지.
|
||||
* **신뢰성 (Reliability)**: 에이전트가 예기치 않은 상황에서도 안전하게 동작하고, 오류 발생 시 즉시 중단되거나 보고되는 안정성 확보.
|
||||
* **거버넌스 프레임워크 (Zoned Governance)**: 에이전트의 역할과 작업의 위험도에 따라 보안 존(Zone)을 나누고, 각 존별로 접근 가능한 데이터와 도구, 요구되는 인간 승인 수준을 차등화한다.
|
||||
* **실시간 정책 강제 (Policy Enforcement)**: 하네스 계층에서 에이전트의 행동을 실시간 모니터링하고, 사전 정의된 규칙(예: 예산 초과, 민감 데이터 접근) 위반 시 즉시 개입한다.
|
||||
* **지속적 평가 및 모니터링**: 에이전트의 성능, 편향성, 보안 취약점을 정기적으로 벤치마킹하고 평가하여 시스템을 지속적으로 개선한다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **규제와 혁신의 균형**: 너무 엄격한 거버넌스는 에이전트의 도입 속도와 창의적 활용을 방해할 수 있고, 너무 느슨하면 심각한 비즈니스 및 보안 리스크를 초래한다.
|
||||
* **복잡한 책임 소재**: 여러 에이전트가 협업하여 내린 결정이 잘못되었을 때, 어떤 에이전트 혹은 어떤 설정이 원인이었는지 밝혀내는 것은 기술적으로 매우 어렵다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agentic AI Security|Agentic AI Security]]
|
||||
* 연결 이유: 거버넌스의 핵심적인 하위 목표 중 하나가 보안이다.
|
||||
* [[Agent Harness|Agent Harness]]
|
||||
* 연결 이유: 거버넌스 정책이 기술적으로 구현되고 집행되는 물리적 런타임이다.
|
||||
* [[Human-in-the-loop (HITL)|Human-in-the-loop (HITL)]]
|
||||
* 연결 이유: 거버넌스를 실현하기 위해 인간이 개입하는 구체적인 운영 방식이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
* 에이전트가 조직의 복잡한 비즈니스 로직과 가이드라인을 이해하고 스스로 준수하게 만드는 '규제 준수 프롬프트(Compliance Prompting)'의 효과는 어떠한가?
|
||||
* 분산된 다중 에이전트 생태계에서 개별 에이전트의 기여도와 책임 범위를 자동으로 산정하는 거버넌스 알고리즘은 무엇인가?
|
||||
* 인공지능의 자율성이 높아짐에 따라 기존의 IT 거버넌스(COBIT, ITIL 등)가 에이전틱 시대에 어떻게 진화해야 하는가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** 하네스에 중앙 집중형 정책 엔진을 연결하여, 모든 에이전트의 행동이 기업의 규범을 준수하는지 런타임에 체크하고 대시보드에 시각화한다.
|
||||
* **System Design:** 에이전트 배포 전 'Governance Audit' 단계를 필수화하여, 권한 설정, 샌드박스 격리 수준, 데이터 접근 범위에 대한 보안 승인을 거치도록 설계한다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-01*
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AMBI-001
|
||||
category: Unified
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, ambition, [[Psychology|Psychology]], motivation, achievement, [[Leadership|Leadership]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ambition|Ambition]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계를 돌파하려는 내면의 불꽃: 현재 상태에 만족하지 않고, 자신의 능력과 영향력을 더 큰 영역으로 확장하기 위해 위험을 감수하고 실행하게 만드는 상향적 인생 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
야망(Ambition)은 특정 분야에서 성취를 이루거나, 권력이나 명예를 얻으려는 강한 의지이자 목표 지향적 태도입니다.
|
||||
|
||||
1. **야망의 구성 요소**:
|
||||
* **Vision**: 현재에 없는 미래의 가치를 상상하는 능력.
|
||||
* **Drive**: 난관에 부딪혀도 멈추지 않고 전진하는 추진력. ([[Grit|Grit]]과 연결)
|
||||
* **Risk-taking**: 목표 달성을 위해 계산된 위험을 감수하는 용기.
|
||||
2. **사회적 역할**:
|
||||
* 세상의 혁신과 변화는 대개 한 개인이나 집단의 거대한 야망에서 시작됨. (예: 인류를 화성에 보내겠다는 야망)
|
||||
3. **그림자 (Shadow side)**:
|
||||
* 과도한 야망은 협업을 저해하고, 비윤리적인 수단을 정당화하거나 개인의 행복을 갉아먹을 위험이 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 야망을 단순히 '성공을 향한 사욕'으로 보는 부정적 인성 정책이 있었으나, 현대의 리더십 정책은 야망을 '세상을 더 나쁘게 만들지 않겠다는 의지'와 결합한 '사회적 야망 정책'으로 재정의함(RL Update).
|
||||
- **정책 변화(RL Update)**: 조직 문화 정책에서, 구성원 개개인의 야망을 조직의 목표와 일치([[Alignment|Alignment]])시키는 '성장 중심 거버넌스 정책'이 인재 확보의 핵심 전략이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Grit|Grit]], [[Strategic-Planning|Strategic-Planning]], [[Leadership|Leadership]], Motivation, [[Ps-Reinforce|Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: [[goal|goal]] tracking[[_system|system]]s (OKR), Personal [[Branding|Branding]] platforms.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ASIS-001
|
||||
category: Unified
|
||||
confidence_score: 0.97
|
||||
tags: [auto-reinforced, analysis, critical-thinking, methodology,[[_system|system]]s-analysis, [[Problem-Solving|Problem-Solving]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Analysis|Analysis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "해부하여 파헤치기: 복잡하게 뒤엉킨 덩어리를 더 이상 쪼개지지 않는 최소 단위로 분해한 뒤, 각 부분의 속성과 그들 사이의 관계를 낱낱이 파악하여 전체의 본질을 꿰뚫는 지적 해체 작업."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
분석(Analysis)은 복잡한 사물, 현상, 혹은 개념을 이해하기 위해 그것을 구성하는 하부 요소로 나누고, 각 요소의 역할과 상호작용을 체계적으로 검토하는 방법론입니다.
|
||||
|
||||
1. **분석의 유형**:
|
||||
* **Quantitative Analysis (정량 분석)**: 수치와 통계 데이터를 기반으로 객관적 지표 산출.
|
||||
* **Qualitative Analysis (정성 분석)**: 의미, 맥락, 속성 등 비수치적 가치를 깊이 있게 탐구.
|
||||
* **Root Cause Analysis (RCA)**: 문제의 표면적 현상이 아닌 근본 원인을 찾아가는 분석 (5 Whys).
|
||||
* **Systems Analysis**: 개별 요소가 아닌 시스템 전체의 구조와 흐름 분석.
|
||||
2. **프로세스**:
|
||||
* 정의(Define) -> 분해(Decompose) -> 검증(Examine) -> 재구성(Synthesize). (Synthesis와 짝꿍)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '쪼개서 분석'만 잘하면 모든 문제를 풀 수 있다는 환원주의(Reductionism) 정책이 지배적이었으나, 현대 복잡계 분석 정책은 분석 결과들을 다시 '생성적 통합(Synthesis)'하지 않으면 전체 의미를 놓친다는 정책적 반성을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 빅데이터 분석 정책에서, 단순히 '무엇(What)'이 일어났는지 보여주는 서술적 분석을 넘어, 인과 관계를 밝히고 미래를 예측하는 '처방적 분석(Prescriptive Analytics) 정책'으로 고도화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Systems Thinking|Systems Thinking]], [[Statistics & Data Analysis|Statistics & Data Analysis]], [[Theory of Constraints (TOC)|Theory of Constraints (TOC)]], [[Structuralism|Structuralism]], [[Scientific Communication|Scientific Communication]]
|
||||
- **Modern Tech/Tools**: Data visualization tools (Tableau), Statistical software (R, Python Pandas).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANTI-002
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, anticipation, predictive-[[Processing|Processing]], futures-thinking, planning]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anticipation|Anticipation]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "미래를 현재로 끌어오기: 다음에 일어날 일을 미리 예측하고, 그 예측된 미래에 맞춰 현재의 행동을 최적화함으로써 충격을 예방하거나 기회를 선점하는 지능형 시간 관리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
예측/기대(Anticipation)는 시스템이 과거의 패턴과 현재의 징후를 결합하여 미래의 상태를 모델링하고, 이를 의사결정에 반영하는 동적인 인지 과정입니다.
|
||||
|
||||
1. **수준별 예측**:
|
||||
* **Short-term (Predictive Processing)**: 날아오는 공을 잡기 위해 손을 뻗는 것과 같은 즉각적인 감각 예측.
|
||||
* **Medium-term (Planning)**: 프로젝트 마감 기한을 고려하여 오늘의 작업을 배분하는 계획.
|
||||
* **Long-term (Strategic Foresight)**: 기술 트렌드를 읽고 신산업에 투자하는 전략적 전망.
|
||||
2. **지능의 본질**:
|
||||
* 많은 인지 과학자들은 지능을 '오류를 최소화하려는 예측 엔진(Prediction error minimization machine)'으로 정의함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '완벽한 예측'이 가능하다는 결정론적 정책이 우세했으나, 현대의 복잡계 정책은 예측 불가능성(Black Swan)을 인정하고 예측 실패 시 즉시 복구하는 '회복력([[Resilience|Resilience]]) 중심의 예측 정책'으로 변화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 비즈니스 운영 정책에서, 수동적 대응(Reactive) 대신 이상 징후를 선제적으로 감지하고 대응하는 '예방적 유지보수([[Predictive_Maintenance|Predictive Maintenance]]) 정책'이 데이터 사이언스의 핵심 목표가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Strategic-Planning|Strategic-Planning]], [[Reward Prediction Error|Reward Prediction Error]], [[Decision Theory|Decision Theory]], Pattern Recognition, [[Anisomorphism|Anisomorphism]]
|
||||
- **Modern Tech/Tools**: Predictive analytics, Scenario planning, Futures wheel.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANOM-001
|
||||
category: Unified
|
||||
confidence_score: 0.81
|
||||
tags: [auto-reinforced, antinomianism, religion, ethics, law-free, [[Philosophy|Philosophy]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Antinomianism|Antinomianism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "율법을 넘어선 자유: 도덕적 법이나 종교적 규칙이 구원을 보장하지 않으며, 오직 믿음이나 내적 영성만으로 충분하므로 기성 규칙에 얽매일 필요가 없다는 반주관주의적 태도."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
도덕 폐기론(Antinomianism)은 율법(Nomos)에 반대(Anti)한다는 뜻으로, 법이나 도덕적 사회 규범이 개인에게 구속력이 없다고 믿는 사상입니다.
|
||||
|
||||
1. **역사적 배경**:
|
||||
* 초기 기독교에서 "은혜 아래 있으므로 율법은 더 이상 필요 없다"고 주장하며 나타남.
|
||||
* 사회적으로는 기존 질서를 무너뜨리는 급진적 자유주의의 씨앗이 되기도 함.
|
||||
2. **현대적 해석**:
|
||||
* **Ethical Antinomianism**: "상황이 법보다 우선한다"는 상황 윤리로 연결.
|
||||
* **Creative Destruction**: 예술이나 혁신 분야에서 "기존의 문법(Law)을 파괴해야 새로운 가치가 나온다"는 창조적 파괴의 논리로도 차용됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 사회 전복을 꾀하는 '이단적 정책'으로 탄압받았으나, 현대의 포스트모더니즘 정책은 고착화된 규정에 저항하고 새로운 질서를 찾는 '비판적 주체성 정책'의 배경으로 탐구함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 거버넌스 정책에서, 법 집행이 불가능한 탈중앙화 공간 등이 '디지털 안티노미안' 지대로 부상하며, 법과 기술적 자유 사이의 새로운 합의점(Smart Contract 등)을 찾는 정책 연구가 활발해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anarchism|Anarchism]], [[Anarcho-Capitalism|Anarcho-Capitalism]], [[Ethics & AI|Ethics & AI]], [[Standardization vs Innovation|Standardization vs Innovation]], [[Sociology of Knowledge|Sociology of Knowledge]]
|
||||
- **Modern Tech/Tools**: Permissionless networks ([[Blockchain|Blockchain]]).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ANXI-001
|
||||
category: Unified
|
||||
confidence_score: 0.89
|
||||
tags: [auto-reinforced, anxiety, [[Psychology|Psychology]], mental-health, future-threat, emotional-intelligence]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Anxiety|Anxiety]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "미래를 향한 잘못된 알람: 다가올 수 있는 불확실한 위협에 대해 뇌가 끊임없이 경고 신호를 보내며, 현재의 평안을 갉아먹고 신체를 긴장 상태로 유지하는 그림자 같은 정서."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
불안(Anxiety)은 막연하고 대상이 모호한 위험에 대해 느끼는 불쾌한 감정 상태입니다.
|
||||
|
||||
1. **공포(Fear)와의 차이**:
|
||||
* 공포는 눈앞의 '확실한 위협'에 대한 반응이지만, 불안은 '미래의 불확실한 가능성'에 대한 반응임.
|
||||
2. **안티프래질적 측면**:
|
||||
* 적당한 불안은 위험에 대비하게 하고 성과를 높임 (Yerkes-Dodson 법칙).
|
||||
3. **지능적 관점**:
|
||||
* 고도의 지능을 가진 존재일수록 더 많은 미래 시나리오를 시뮬레이션하므로, 불안도가 높은 경향이 있음.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 제거해야 할 '부정적 감정' 정책으로 다뤘으나, 현대 심리학 정책은 불안을 '에너지의 신호'로 재해석하고 이를 창의적 동력으로 전환하는 '불안 수용 및 관리 정책(ACT 등)'을 권장함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 중독 및 SNS 환경 정책에서, '끊임없는 비교'가 낳는 불안(FOMO)을 방지하기 위해 플랫폼의 알림 디자인 규제 및 디지털 웰빙 정책이 강화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Anticipation|Anticipation]], [[Psychology & Behavior|Psychology & Behavior]], [[Risk-Management|Risk-Management]], [[Decision Theory|Decision Theory]], [[Antifragility|Antifragility]]
|
||||
- **Modern Tech/Tools**: Mindfulness apps (Headspace), Biofeedback wearables.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ASSE-001
|
||||
category: Unified
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, assertiveness, communication, emotional-intelligence, [[Boundary-Setting|Boundary-Setting]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Assertiveness|Assertiveness]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "존중을 담은 당당함: 타인의 권리를 침해하지 않으면서도 자신의 감정, 욕구, 신념을 솔직하고 정직하며 적절한 방식으로 표현하는 건강한 의사소통의 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자기 주장(Assertiveness)은 공격성(Aggressiveness)과 수동성(Passiveness) 사이의 균형을 잡는 의사소통 스타일입니다.
|
||||
|
||||
1. **3가지 태도 비교**:
|
||||
* **Passiveness**: 타인의 요구에만 맞추며 자신의 욕구 억제 (억울함과 스트레스 유발).
|
||||
* **Aggressiveness**: 타인을 지배하려 하거나 권리를 무시 (관계 단절 및 적대감 유발).
|
||||
* **Assertiveness**: "나는 이렇게 느낀다"를 명확히 전달하며 타인의 의견도 청취 (신뢰와 갈등 해결).
|
||||
2. **핵심 기법**:
|
||||
* **I-Message**: 주어를 '나'로 시작하여 자신의 감정과 상황을 객관적으로 전달.
|
||||
* **Boundary Setting**: 자신이 수용할 수 있는 한계를 명확히 하고 거절이 필요할 때 정중하게 거절함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 위계적 조직 정책은 '순종'을 미덕으로 보았으나, 현대의 애자일 및 혁신 정책은 구성원 모두의 '심리적 안정감' 하에 이루어지는 '건강한 자기 주장 정책'이 팀 성과의 핵심임을 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 리더십 교육 정책에서, 단순히 강력한 카리스마를 강조하던 방식에서 벗어나 구성원들 간의 Assertive한 소통을 이끌어내는 '퍼실리테이션 역량 정책'으로 무게중심이 이동함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Communication, [[Leadership|Leadership]], [[Psychology & Behavior|Psychology & Behavior]], [[Agile-Philosophy|Agile-Philosophy]], [[Articulateness|Articulateness]]
|
||||
- **Modern Tech/Tools**: EQ [[Testing|Testing]] tools, Communication training workshops.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ASVF-001
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, assumptions, facts, critical-thinking, [[Scientific-Method|Scientific-Method]], [[Logic|Logic]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Assumptions-vs-Facts|Assumptions-vs-Facts]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생각의 거품 걷어내기: 내가 당연히 그렇다고 믿는 '가정'과 실제 현실에서 입증된 '발생한 사실'을 철저히 분리하여, 잘못된 믿음 위에 모래성을 쌓지 않도록 경계하는 지적 정직성."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가정과 사실의 구분은 비판적 사고와 과학적 방법론의 가장 기초적인 단계입니다.
|
||||
|
||||
1. **Fact (사실)**:
|
||||
* 객관적으로 증명 가능하며, 누구나 동일한 조건에서 관찰하거나 확인 가능한 데이터.
|
||||
* "이 서버의 응답 속도는 50ms이다."
|
||||
2. **Assumption (가정)**:
|
||||
* 사실이 밝혀지지 않았거나 확인하지 않은 상태에서 '그럴 것이다'라고 믿고 전제하는 것.
|
||||
* "사용자는 빠른 응답 속도를 좋아할 것이다." (비록 타당해 보일지라도 검증 전까지는 가정임)
|
||||
3. **가정의 위험성**:
|
||||
* **Implicit Assumptions**: 스스로 가정하고 있다는 사실조차 깨닫지 못하는 무의식적 전제들이 의사결정의 거대한 오류를 만듦.
|
||||
* **Assumption Stacking**: 검증되지 않은 가정 위에 또 다른 가정을 쌓으면 작은 균열에도 전체 시스템이 붕괴함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 직관적 의사결정 정책은 '전문가의 감(Assumption)'에 의존했으나, 현대의 데이터 기반 정책은 모든 핵심 전제를 '가설 검정(Hypothesis [[Testing|Testing]])'을 통해 사실로 확인하려는 정책적 결벽증을 가짐(RL Update).
|
||||
- **정책 변화(RL Update)**: 프로젝트 관리 정책(예: Agile)에서, 불확실한 가정을 최대한 빨리 사실로 확인하기 위해 '최소 기능 제품(MVP)'을 만들고 피드백을 받는 '가정 검증 속도 최적화 정책'이 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis|Analysis]], [[Arguing-by-Counterexample|Arguing-by-Counterexample]], [[Scientific Communication|Scientific Communication]], Rationality, [[Rapid-Prototyping|Rapid-Prototyping]]
|
||||
- **Modern Tech/Tools**: A/B testing platforms, Root cause [[Analysis|Analysis]] tools (5 Whys).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ATLA-001
|
||||
category: Unified
|
||||
confidence_score: 0.82
|
||||
tags: [auto-reinforced, atlantic, geopolitics, history, trade, environment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Atlantic|Atlantic]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인류 문명을 잇는 거대한 회랑: 유럽, 아메리카, 아프리카 대륙을 연결하며 대항해 시대부터 현대 무역, 정보 통신 잠수함 케이블에 이르기까지 지구적 교류와 갈등의 중심이 되어온 푸른 심장."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
대서양(Atlantic Ocean)은 지구 표면의 약 1/5을 차지하는 세계에서 두 번째로 큰 대양입니다.
|
||||
|
||||
1. **지정학적 및 경제적 가치**:
|
||||
* **Trade Routes**: 과거 삼각 무역부터 현대 컨테이너 운송까지 글로벌 공급망의 핵심.
|
||||
* **Data Highway**: 북미와 유럽을 잇는 수많은 해저 광케이블이 매설되어 있어 글로벌 인터넷 흐름의 주축을 이룸. (Data Sovereignty와 연결)
|
||||
* **Resource [[Repository|Repository]]**: 막대한 수산 자원과 대륙붕에 매설된 석유 및 천연가스.
|
||||
2. **환경적 역할**:
|
||||
* **Atlantic Meridional Overturning Circulation (AMOC)**: 거대 해류 순환을 통해 지구의 열 에너지를 분산시켜 기후 균형 유지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '정복과 착취'를 위한 통로 정책이었으나, 현대의 대서양 정책은 해양 생태계 보존과 기후 변화 대응을 위한 '글로벌 해양 거버넌스 정책'으로 중심축이 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 패권 정책에서, 대서양 횡단 데이터 흐름(Trans-Atlantic Data Flows)에 대한 개인 정보 보호 체계(Privacy Shield 등)를 둘러싼 미국과 EU 간의 정책 협상이 테크 산업의 핵심 규제 이슈가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[AI & Data Sovereignty|AI & Data Sovereignty]], Geopolitics of AI, Environment, [[Scientific Communication|Scientific Communication]], [[Systems Thinking|Systems Thinking]]
|
||||
- **Modern Tech/Tools**: Submarine telecommunication cables, Oceanographic monitoring AI.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-AUPA-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, automation-paradox, safety-critical, human-factors, skill-degradation]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Automation-Paradox|Automation-Paradox]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "더 안전할수록 더 위험해지는 모순: 시스템이 자동화될수록 인간의 숙련도는 떨어지고 주의력은 느슨해져서, 정작 기계가 감당하지 못하는 1%의 비상 상황이 발생했을 때 인간이 대처하지 못해 대형 사고로 이어지는 현상."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
자동화의 역설(Automation-Paradox)은 인간의 개입을 줄이기 위한 기술이 오히려 결정적인 순간에 인간의 더 높은 역량을 요구하게 만드는 아이러니한 현상입니다.
|
||||
|
||||
1. **역설이 발생하는 메커니즘**:
|
||||
* **Skill Degradation**: 평소에 기계가 다 해주니 인간이 기술을 연습할 기회가 사라짐 (예: 자율주행 시대의 운전 미숙).
|
||||
* **Complacency (자만심)**: "기계가 알아서 하겠지"라는 비판적 사고의 정지.
|
||||
* **Ironies of Automation**: 가장 완벽한 자동화일수록, 인간은 가장 단련되지 않은 상태에서 가장 어려운 문제를 해결해야 함.
|
||||
2. **적용 사례**:
|
||||
* 자율주행차의 통제권 전환(Takeover) 지연 사고, 자동 항법 장치에 의존하던 항공기 추락 사고.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 100% 자동화만이 답이라는 낙관적 정책이 지배적이었으나, 현대의 안전 공학 정책은 '인간의 숙련도를 유지하면서 기계가 돕는' 적정 자동화 정책(Human-centric automation)으로 회귀함(RL Update).
|
||||
- **정책 변화(RL Update)**: 자율주행 및 원격 의료 정책 수립 시, 사용자가 기계의 작동 원리를 잊지 않도록 정기적으로 개입을 강제하거나 '주의력 모니터링'을 의무화하는 정책이 설계 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Foundational Models, [[Ps-Reinforce|Ps-Reinforce]], [[Safety & Reliability|Safety & Reliability]], [[Availability-and-Persistence|Availability-and-Persistence]], [[Agent Architecture|Agent Architecture]]
|
||||
- **Modern Tech/Tools**: Driver Monitoring[[_system|system]]s (DMS), Simulator-based training for crisis [[Management|Management]].
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
# [[Base 플랫폼(Chef Universe)|Base 플랫폼(Chef Universe]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
Base 플랫폼 상에 구축된 Chef Universe는 Web3 기반의 게임 생태계로, 기존 Web2 하이브리드 캐주얼 게임이 가진 단일 게임의 수명 주기(LTV) 한계를 극복하기 위해 고안된 상호 연결된 경제 시스템입니다 [1-3]. 이 플랫폼에서는 개별 게임(예: Rolling Burger)에서 획득한 재료나 아이템과 같은 온체인 자산이 유니버스 내 다른 게임들로 전송 및 활용될 수 있도록 설계되었습니다 [2, 4, 5]. 이를 통해 플레이어의 자산과 가치가 파편화되지 않고 유니버스 단위로 축적되며, 재료 토큰 중심의 메타(Meta) 구조를 통해 장기적인 잔존율(Retention)을 이끌어냅니다 [5, 6].
|
||||
|
||||
## 📖 Core Content
|
||||
- **단일 게임 한계를 넘는 '유니버스 LTV(Lifetime Value)' 창출**
|
||||
기존 하이브리드 캐주얼 장르에서는 수익과 잔존율을 유지하기 위해 끊임없는 라이브 옵스(Live ops)와 콘텐츠 업데이트에 의존해야 하는 구조적 한계가 존재했습니다 [2]. Base 플랫폼에 기반한 Chef Universe는 이를 Web3의 상호운용성([[Interoperability|InterOperability]])으로 해결합니다 [4, 5]. 하나의 게임에서 형성된 가치와 진행 상황이 유니버스 내의 다음 게임에서도 의미(가치 및 상태)를 지니도록 설계되어, 단일 타이틀의 수명에 얽매이지 않고 '유니버스 LTV'라는 확장된 경제를 형성합니다 [2, 5].
|
||||
|
||||
- **온체인 자산을 통한 상호 연결 경제(Interconnected Economy)**
|
||||
Chef Universe 내의 게임인 'Rolling Burger'에서 플레이어는 획득한 버거를 재료 토큰으로 분해할 수 있습니다 [4]. 이 재료 토큰들은 개별 타이틀에 종속되지 않으며, 플레이어는 단일 Base 앱 계정을 사용하여 여러 시리즈의 게임에서 다양한 재료 토큰을 보유하고 거래할 수 있습니다 [5]. 이러한 구조는 가상 경제의 가치가 게임 외부의 새로운 참여자와 문화적, 시장적 수요(예: K-food 트렌드에 따른 고추장 토큰의 수요 증가)를 만날 수 있게 하여 경제의 자생력을 높입니다 [4, 5].
|
||||
|
||||
- **메타 레이어(Meta Layer)를 통한 잔존율(Retention) 관리**
|
||||
단기적인 플레이 경험(훅, Hook)은 게임 내 단순한 세션으로 제공되지만, 실제 사용자가 지속적으로 게임으로 돌아오게 만드는 잔존율의 핵심은 단순한 아이템 소유권이 아닌 재료 토큰을 둘러싼 '메타 게임(Meta)'에 있습니다 [6, 7]. 플레이어들이 유니버스 전반에서 어떤 재료가 가치 있는지, 수요가 어떻게 변하는지, 자산을 어떻게 거래하고 활용할지를 이해하는 과정에서 발생하는 장기적인 기대감과 전략이 잔존율의 주된 원동력이 됩니다 [6].
|
||||
|
||||
- **비금전적 진성 유저 획득(User Acquisition) 전략**
|
||||
초기 유저 획득을 위해 에어드랍이나 토큰 같은 금전적 보상에 의존하기보다는, Base 앱 및 Farcaster 생태계의 특성에 맞춘 제품 구조화에 집중합니다 [8, 9]. 시각적 명확성과 피드 내 공유 가능성(Shareability)을 핵심으로 하여 사용자들이 자발적으로 앱을 열고 공유하도록 유도합니다 [8, 10]. 또한 Amps, Surge 같은 도구를 통해 저비용으로 초기 노출을 실험하며 관련성 높은 특정 커뮤니티를 타겟팅합니다 [9].
|
||||
|
||||
- **에이전트 커머스(Agentic Commerce) 및 소액 결제 모델(x402) 실험**
|
||||
Base 플랫폼은 마찰 없는 결제 흐름을 구현하기 위해 x402 프로토콜을 활용한 AI 에이전트 결제를 시도하고 있습니다 [11, 12]. 플레이어가 게임 중 몰입이나 긴장감을 끊지 않고 소규모 혜택(예: 주사위 추가 굴리기 등)을 얻어야 할 때, AI 에이전트가 이를 대신 판단하고 미세 결제(Micro-payment)를 실행하게 함으로써 보다 자연스러운 수익화와 몰입을 유지하도록 돕습니다 [11, 12].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[유니버스 LTV(Universe LTV)|유니버스 LTV (Universe LTV]], 하이브리드 캐주얼 (Hybrid Casual), 상호운용성 (Interoperability), 에이전트 커머스 (Agentic Commerce
|
||||
- **Projects/Contexts:** Rolling Burger, Farcaster, Grampus
|
||||
- **Contradictions/Notes:** 소스 내에 특별한 모순은 없으나, 기존 Web2 하이브리드 캐주얼 게임의 '라이브 옵스 의존성'이라는 문제점을 Web3 온체인 자산의 '상호운용성(Interoperability)'을 통해 해결하려는 접근법이 특징적입니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BATH-001
|
||||
category: Unified
|
||||
confidence_score: 1.00
|
||||
tags: [auto-reinforced, bayes-theorem, probability, [[Statistics|Statistics]], rational-decision-making, [[Logic|Logic]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bayes-Theorem|Bayes-Theorem]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 통한 믿음의 업데이트: 새로운 증거가 나타났을 때, 기존의 지식(사전 확률)을 바탕으로 결론(사후 확률)을 어떻게 수정해야 하는지를 수학적으로 명시한 합리적 추론의 공식."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
베이즈 정리(Bayes-Theorem)는 조건부 확률을 계산하는 정리로, 데이터 기반의 추론과 학급에서 가장 중요한 가동 원리 중 하나입니다.
|
||||
|
||||
1. **공식의 구성**:
|
||||
* **Prior (사전 확률)**: 새로운 데이터를 보기 전의 믿음.
|
||||
* **Likelihood (우도)**: 가설이 참일 때, 현재 데이터가 나타날 확률.
|
||||
* **Posterior (사후 확률)**: 데이터를 확인한 후 업데이트된 지식/믿음.
|
||||
2. **왜 중요한가?**:
|
||||
* 불확실성이 높은 상황에서도 고정관념에 빠지지 않고 새로운 정보에 따라 유연하게 판단을 수정하게 해줌 (Rationality와의 연결).
|
||||
* 머신러닝의 베이지안 분류기, 스팸 필터링, 그리고 뇌의 인지 과정 모델링에 핵심적으로 쓰임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 빈도주의(Frequentist) 통계 정책은 '고정된 확률'에 집착했으나, 현대의 베이지안 정책은 확률을 '개인의 믿음의 정도'로 보고 끊임없이 업데이트하는 유연한 정책으로 승리함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델의 불확실성 관리 정책에서, 모델이 내린 답의 '확신 수준(Confidence)'을 계산하기 위해 베이지안 신경망 기술을 적용하는 것이 안전(Safety) 핵심 가이드라인이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bayesian Statistics|Bayesian Statistics]], [[Bayesian-Updating|Bayesian-Updating]], Rationality, [[Belief-Revision|Belief-Revision]], [[Information-Theory|Information-Theory]]
|
||||
- **Modern Tech/Tools**: Bayesian Networks, PyMC, Naive Bayes Classifiers.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BAUP-001
|
||||
category: Unified
|
||||
confidence_score: 0.99
|
||||
tags: [auto-reinforced, bayesian-updating, learning-mechanisms, adaptive-systems, [[Feedback-Loops|Feedback-Loops]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bayesian-Updating|Bayesian-Updating]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "유연한 사고의 알고리즘: 틀릴 수 있음을 인정하고, 매 순간 들어오는 새로운 증거를 체로 걸러 기존의 세계관을 조금씩, 그러나 과학적으로 정교하게 수정해 나가는 지능의 학습 원리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
베이지안 업데이트(Bayesian-Updating)는 관찰된 데이터를 기반으로 가설에 대한 신뢰도를 지속적으로 갱신하는 과정입니다.
|
||||
|
||||
1. **작동 메커니즘**:
|
||||
* **Initial Belief (Prior)**: "이 에이전트는 신뢰할 수 있다."
|
||||
* **New Evidence**: 에이전트가 예기치 못한 실수를 함.
|
||||
* **Updating (Likelihood calculation)**: 이 실수가 신뢰 가능한 상태에서 나올 확률을 계산.
|
||||
* **Result (Posterior)**: 신뢰도를 하향 조정.
|
||||
2. **지능 시스템에서의 의의**:
|
||||
* **[[Active Learning|Active Learning]]**: 어떤 데이터가 사후 확률을 가장 크게 변화시킬지(즉, 가장 배울 점이 많을지) 판단하여 효율적으로 학습.
|
||||
* **[[Robustness|Robustness]]**: 노이즈 섞인 데이터 하나에 일희일비하지 않고 전체적인 추세에 따라 점진적으로 변화함 (Stability-Flexibility Dilemma 해결).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 AI 학습 정책은 '학습된 데이터'에 고착되는 경향(Catastrophic forgetting)이 강했으나, 현대의 베이지안 업데이트 정책은 기존 지식을 보호하며 새 정보를 통합하는 '점진적 학습 정책'을 지향함(RL Update).
|
||||
- **정책 변화(RL Update)**: 사용자 인터페이스(UI) 정책에서, 사용자의 행동 패턴을 실시간으로 베이지안 업데이트하여 인터페이스의 배치나 추천 항목을 동적으로 바꾸는 '초개인화 환경 정책'이 표준이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bayes-Theorem|Bayes-Theorem]], [[Belief-Revision|Belief-Revision]], [[Active Learning|Active Learning]], Self-Correction Mechanisms, [[Adaptive-Curation|Adaptive-Curation]]
|
||||
- **Modern Tech/Tools**: Reinforcement learning with Bayesian exploration, Online learning algorithms.
|
||||
---
|
||||
@@ -0,0 +1,18 @@
|
||||
# [[Behavioral Interview Questions|Behavioral Interview Questions]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
지원자의 과거 경험과 행동 패턴을 질문하여 조직 적합성, 문제 해결 능력, 리더십 등 소프트 스킬을 평가하는 면접 방식입니다. 이 과정에서 단순히 경험을 두서없이 나열하는 대신, [[MECE|MECE]](상호 배타적이고 전체 포괄적인) 프레임워크와 같은 논리적 기법을 적용하여 구조적으로 답변하면 면접관에게 큰 신뢰를 줄 수 있습니다. 이를 통해 복잡한 상황에서도 명확하게 사고하고 소통하는 컨설턴트로서의 역량을 입증할 수 있습니다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **행동 면접에서의 프레임워크 적용:** "팀을 성공적으로 이끌었던 경험을 말해보라"와 같은 전형적인 행동 면접 질문에 대해, 케이스 인터뷰처럼 **논리적인 '버킷(Bucket)'을 생성하여 답변을 구조화**하는 것이 매우 효과적입니다 [63].
|
||||
* **구조화된 답변 예시:** 프로젝트 리더십 경험을 무작위로 말하는 대신, **1) 역할 배분 및 마감일 설정(조정/Coordination), 2) 스트레스 상황에서의 팀 사기 진작(동기부여/Motivation), 3) 조기 프로젝트 달성(결과/Results)**이라는 상호 배타적인 3가지 항목으로 나누어 논리적으로 전개합니다 [63].
|
||||
* **논리적 사고력 증명:** 이런 방식은 지원자가 방대한 세부 사항에 익사하지 않고, 모호한 상황 속에서도 문제의 핵심을 범주화하고 우선순위를 정할 수 있는 체계적 사고방식을 가졌음을 증명합니다 [64].
|
||||
* **유연한 사고 체계 유지:** 완벽한 대본을 외운 것처럼 기계적으로 들리지 않도록 주의해야 하며, 본질적으로는 면접관의 질문 속에서 뼈대를 세우고 차분히 논리를 전개하는 유연한 마인드셋(Mindset)을 보여주는 것이 중요합니다 [64].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[MECE Framework|MECE Framework]], STAR Method, Consulting Interview Prep
|
||||
- **Projects/Contexts:** 컨설팅 및 일반 기업 채용의 Fit/[[Behavior|Behavior]]al Interview 단계
|
||||
- **Contradictions/Notes:** 구조화(MECE)에 너무 집착한 나머지 자연스러운 스토리텔링의 감성적 요소나 진정성을 잃게 되면 로봇처럼(Robotic) 들릴 위험이 있습니다. 구조는 논리의 틀로 활용하되, 답변 자체는 대화하듯 매끄럽고 설득력 있는 이야기(Narrative)로 풀어내야 합니다 [64].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BERE-001
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, belief-revision, cognitive-science, [[Logic|Logic]], data-consistency, information-[[Processing|Processing]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Belief-Revision|Belief-Revision]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지적 유연성의 정수: 기존의 신념과 정면으로 충돌하는 강력한 사실이 발견되었을 때, 모순을 해결하기 위해 자신의 신념 체계 중 가장 덜 중요한 부분을 포기하고 새로운 정보와 조화를 이루도록 전체를 재구성하는 고등 인지 프로세스."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신념 수정(Belief-Revision) 혹은 믿음 갱신은 새로운 정보가 들어왔을 때 기존의 신념 체계를 합리적으로 조정하여 일관성을 유지하는 과정입니다.
|
||||
|
||||
1. **3대 원칙 (AGM Postulates)**:
|
||||
* **Expansion**: 모순이 없으면 새 정보를 단순히 추가.
|
||||
* **Contraction**: 충돌이 발생하면 기존 지식 중 일부를 제거.
|
||||
* **Revision**: 삭제와 추가를 결합하여 일관된 새로운 체계 구축.
|
||||
2. **최소 변화의 원칙 (Minimal Change)**:
|
||||
* 전체 신념을 통째로 부정하기보다, 정보들 간의 '인식적 우선순위(Epistemic Entrenchment)'를 따져서 가장 가벼운 것부터 수정함. ([[Bayesian-Updating|Bayesian-Updating]]의 논리적 버전)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 데이터베이스 정책은 한 번 입력된 데이터의 무결성을 고수했으나, 현대의 유연한 지식 베이스 정책은 '모순된 정보가 들어오는 것이 상수'임을 인정하고 이를 지능적으로 병합/수정하는 '확률적 신념 수정 정책'을 수용함(RL Update).
|
||||
- **정책 변화(RL Update)**: 가짜 뉴스 및 필터 버블 정책에서, 사람들이 자신의 확증 편향(Confirmation Bias)을 넘어 신념 수정을 원활히 할 수 있도록 '대안적 사실과 그 근거를 입체적으로 제시하는 알고리즘 정책'의 필요성이 제기됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Bayesian-Updating|Bayesian-Updating]], Rationality, [[Belief-System|Belief-System]], Self-Correction Mechanisms, [[Scientific-Method|Scientific-Method]]
|
||||
- **Modern Tech/Tools**: Non-monotonic logic engines, Truth maintenance[[_system|system]]s (TMS).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BIGP-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, big-picture, holistic-view, [[Strategic-Thinking|Strategic-Thinking]], [[Systems-Thinking|Systems-Thinking]], context]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Big-Picture|Big-Picture]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "숲을 보는 눈: 지엽적인 문제나 세부 기술에 함몰되지 않고, 전체 시스템의 흐름, 장기적인 목표, 그리고 구성 요소들 간의 복잡한 상호 관계를 한눈에 파악해내는 거시적 통찰력."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
큰 그림 보기(Big-Picture)는 복잡한 문제나 프로젝트를 다룰 때 전체적인 맥락과 목적을 잃지 않는 전략적 사고 능력입니다.
|
||||
|
||||
1. **실행 방법**:
|
||||
* **Zoo-out**: 현재의 구체적 작업에서 한 걸음 물러나 "이 일이 5년 뒤에 어떤 영향을 미치는가?" 혹은 "전체 사업의 어느 단계인가?"를 질문함.
|
||||
* **First-[[Principles|Principles]] Thinking**: 표면적 현상이 아닌 근본 원리로 돌아가 판의 구조를 재정의함.
|
||||
* **[[Systems Thinking|Systems Thinking]]**: 개별 부품의 최적화가 아닌, 전체 시스템의 최적 균형점을 찾음.
|
||||
2. **왜 중요한가?**:
|
||||
* 리드급 개발자나 PD(Project Director)에게 필수적인 역량으로, 팀원들이 각개전투에 빠지지 않고 정렬([[Alignment|Alignment]])되게 만듦.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정교한 '디테일'이 성공의 핵심 정책이었으나([[Be-Detailed|Be-Detailed]]), 현대의 불확실성이 극심한 정책 환경에서는 방향성 자체가 틀리는 리스크가 더 크므로 '거시적 조망 정책'이 의사결정의 제1원칙 정책이 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 조직 운영 정책에서, 중앙 집권적 통제가 아닌 모든 구성원에게 '큰 그림'을 공유하고 자율적으로 행동하게 만드는 '비전 중심 배양 정책'이 실무 생산성 향상의 핵심 성공 모델이 됨 ([[Ps-Reinforce|Ps-Reinforce]]의 거버넌스 철학).
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Foundational Models, [[Alignment|Alignment]], [[Analysis|Analysis]], [[Be-Detailed|Be-Detailed]], [[Systems Thinking|Systems Thinking]]
|
||||
- **Modern Tech/Tools**: [[Strategy|Strategy]] maps, OKR (Objective and Key Results), Mind mapping.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BOUN-001
|
||||
category: Unified
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, boundaries, self-care, [[Psychology|Psychology]], relationships, ethical-limits]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Boundaries|Boundaries]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "나를 지키는 보이지 않는 선: 자신의 심리적, 물리적 영토를 명확히 함으로써 타인의 침범으로부터 자아를 보호하고, 서로 간의 건강한 상호작용을 가능케 하는 관계의 질서."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
경계(Boundaries)는 각 개인이 타인과 자신을 구분 짓고 안전을 유지하기 위해 설정하는 심리적/물리적 한계선입니다.
|
||||
|
||||
1. **경계의 종류**:
|
||||
* **Physical**: 신체 접촉, 개인적 공간, 소지품에 대한 권리.
|
||||
* **Emotional**: 자신의 감정을 타인의 감정과 분리하고 스스로 책임지는 능력.
|
||||
* **Intellectual**: 자신의 생각, 가치, 의견을 타인의 조종 없이 유지할 권리.
|
||||
2. **왜 중요한가?**:
|
||||
* 경계가 불분명하면 번아웃([[Burnout|Burnout]]), 자아 상실, 타인에 대한 원망이 쌓임. 명확한 경계는 오히려 더 깊고 건강한 친밀감을 형성하게 해줌. ([[Assertiveness|Assertiveness]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 집단주의적 사회 정책은 '경계'를 이기주의로 보았으나, 현대의 개별 자유 정책은 명확한 경계 설정 정책이 개인의 존엄과 지속 가능성의 핵심임을 강조함(RL Update).
|
||||
- **정책 변화(RL Update)**: 디지털 워크 라이프 정책에서, 메신저를 통한 업무 침범을 막기 위해 '접속 시간 외 응답 거부권'이나 '집중 근무 시간 경계 관리 정책'이 기업 문화의 중요한 컴플라이언스가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Assertiveness|Assertiveness]], [[Boundary-Setting|Boundary-Setting]], [[Psychology & Behavior|Psychology & Behavior]], [[Authenticity|Authenticity]], Human-Computer Interaction (HCI)
|
||||
- **Modern Tech/Tools**: "Do Not Disturb" modes, Privacy settings, Time-[[Blocking|Blocking]] apps.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BURE-001
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, bureaucracy, organization, rules, hierarchy, [[Efficiency|Efficiency]]-paradox]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bureaucracy|Bureaucracy]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "질서의 양날의 검: 대규모 조직을 규격화된 규칙과 절차로 일사불란하게 움직이게 하는 합리적 관리 체제이자, 때로는 형식주의에 빠져 혁신의 속도를 늦추는 '느린 공룡'의 원인."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
관료제(Bureaucracy)는 계층적 구조와 명문화된 규칙을 바탕으로 전문성을 가진 관료들이 조직을 운영하는 체제입니다 (막스 베버 체계화).
|
||||
|
||||
1. **핵심 특징**:
|
||||
* **Hierarchy**: 명확한 수직적 명령 체계.
|
||||
* **Standardization**: 개인의 기분에 좌우되지 않는 표준화된 업무 매뉴얼. (Standardization vs [[Innovation|Innovation]]과 연결)
|
||||
* **Division of Labor**: 고도의 전문화된 분업.
|
||||
2. **공과 실**:
|
||||
* **Merit**: 예측 가능성(Predictability)과 안정성 확보. 거대 국가나 대기업 운영의 필수 요소.
|
||||
* **Demerit**: '레드 테이프(번거로운 절차)'로 인한 의사결정 지연, 책임 회피 발생.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 관료제가 가장 '진보된 효율성 정책'이었으나, 현대의 초고속 기술 경쟁 정책 환경에서는 관료제가 오히려 생존의 병목(Bottleneck) 정책이 됨에 따라 '탈관료제/애자일 정책'이 부상함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 거버넌스 정책 수립 시, 과거의 지루한 종이 문서 결재 정책 대신 '데이터/코드 기반의 실시간 자동 승인 정책 (Computational Governance)'으로 관료제를 디지털화하여 효율과 통제를 동시에 잡으려는 시도가 이뤄짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Standardization vs Innovation|Standardization vs Innovation]], [[Bottlenecks|Bottlenecks]], [[Agile-Philosophy|Agile-Philosophy]], Knowledge-Legacy, Workflow-InteGrity
|
||||
- **Modern Tech/Tools**: Robotic Process Automation (RPA), Digital GRC (Governance, Risk, and Compliance) tools.
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-BURN-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, burnout, mental-health, productivity, [[Resilience|Resilience]], [[Psychology|Psychology]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Burnout|Burnout]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "연료가 바닥난 엔진: 장기적으로 과도한 스트레스나 에너지를 쏟아붓다가 겪게 되는 육체적/정신적 탈진 상태로, 단순한 피로를 넘어 열정과 효능감이 모두 재가 되어 사라져버리는 현대 지식 노동자의 가장 큰 리스크."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
번아웃(Burnout)은 업무와 관련된 스트레스가 만성화되어 발생하는 직업적 증후군입니다.
|
||||
|
||||
1. **3대 징후 (WHO 기준)**:
|
||||
* **Exhaustion**: 에너지가 완전히 고갈된 느낌.
|
||||
* **Cynicism**: 업무로부터의 심리적 거리감과 냉소적 태도 증가.
|
||||
* **Reduced Efficacy**: 업무 성과가 급격히 떨어지고 스스로 무능하다고 느낌.
|
||||
2. **원인**:
|
||||
* 지나친 업무량, 보상(보람/금전)의 부재, 자신의 업무를 통제할 수 없다는 무력감.
|
||||
3. **대처법**:
|
||||
* **[[Boundaries|Boundaries]]**: 업무와 일상의 명확한 구분. ([[Boundary-Setting|Boundary-Setting]]과 연결)
|
||||
* **Reframing**: 업무의 의미를 재정의하거나 작은 성공(Small wins)을 통한 회복.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 번아웃을 '개인의 나약함' 정책으로 보았으나, 현대 조직 운영 정책은 이를 '시스템 설계의 결여(자원 배분 실패) 정책'으로 보고 조직 차원의 예방 정책을 강화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 도입 워크스페이스 정책에서, AI가 인간의 단순 보조를 넘어 '무한한 업무'를 쏟아내게 되어 발생하는 '기술 가속에 의한 번아웃 정책'을 식별하고, 인간의 집중력과 휴식 시간을 보호하는 인터페이스 정책을 설계 단계에 포함함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Boundaries|Boundaries]], [[Boundary-Setting|Boundary-Setting]], [[Psychology & Behavior|Psychology & Behavior]], [[Grit|Grit]], [[Anxiety|Anxiety]]
|
||||
- **Modern Tech/Tools**: Mental health monitoring apps, Digital detox tools, Mindfulness training.
|
||||
---
|
||||
@@ -0,0 +1,18 @@
|
||||
# [[Chef Universe|Chef Universe]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
Chef Universe는 Base 플랫폼을 기반으로 Grampus가 구축한 상호 연결된 '유니버스' 게임 경제 생태계이다 [1, 2]. Web2 하이브리드 캐주얼 게임의 전통적인 평생 가치(LTV) 한계를 극복하기 위해 온체인 자산을 활용하여 단일 게임 경제의 제약에서 벗어나는 것을 목표로 한다 [1, 3, 4]. 개별 게임에서 창출된 가치가 단일 타이틀의 수명 주기를 넘어 유니버스 전반으로 확장되고 거래될 수 있는 상호 운용성을 제공하는 것이 특징이다 [2, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
* **단일 게임 LTV의 극복과 유니버스 경제:** 기존 Web2 하이브리드 캐주얼 게임은 지속적인 콘텐츠 업데이트와 라이브 서비스 운영에 의존하여 LTV를 유지해야 하는 구조적 부담이 있었다 [3]. Chef Universe는 온체인 자산을 사용하여 한 게임에서 창출된 가치를 생태계 내 다른 타이틀로 확장함으로써, 게임 경제와 플레이어의 LTV가 단일 타이틀의 수명 주기에 의해 제한되지 않도록 설계되었다 [2-4].
|
||||
* **온체인 자산의 상호 운용성과 재료 토큰:** 생태계 내의 게임인 '롤링 버거(Rolling Burger)'에서 플레이어가 획득한 버거는 129종의 '재료 토큰'으로 분해될 수 있다 [2, 5]. 이 토큰들은 특정 게임에 귀속되지 않고 단일 Base 앱 계정을 통해 유니버스 전체에서 보유 및 거래되며, 특정 재료(예: 고추장)에 대한 문화적 트렌드나 외부 수요 변화 시 다른 테마의 게임에서도 연동되어 가치를 창출할 수 있다 [2, 4, 5].
|
||||
* **리텐션을 견인하는 경제적 메타(Meta) 레이어:** 게임 플레이는 주사위를 기반으로 매번 다른 결과를 내는 등 짧고 감정적으로 완결성 있는 세션(Hook 단계)을 중심으로 설계되었다 [6]. 플레이어의 지속적인 잔존(Retention)을 이끌어내는 핵심 동인은 게임 결과물(버거)에 대한 단순한 소유권이 아니라, 재료 토큰들의 수요 변화와 이를 활용하는 장기적인 전략 등을 통해 형성되는 경제적 '메타(Meta)' 구조에 있다 [4, 7].
|
||||
* **Base 플랫폼을 통한 UX 혁신과 경제 실험:** Base 플랫폼을 활용함으로써 지갑, 계정, 결제 흐름이 앱 내에 통합되어 기존 Web3 게임의 복잡한 UX 장벽이 크게 낮아졌다 [4, 8]. 개발팀은 온보딩 마찰을 줄이는 대신, AI 에이전트를 활용하여 플레이 흐름(Flow)을 방해하지 않는 자동화된 소액 결제(Micro-payment) 등 Web3 환경이 게임의 수익화와 경제 경험을 어떻게 진화시킬 수 있는지 실험하는 데 집중하고 있다 [9-11].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** 평생 가치(LTV, 잔존율(Retention), 하이브리드 캐주얼(Hybrid-casual), 온체인 자산(On-chain Assets
|
||||
- **Projects/Contexts:** Base 플랫폼(Base Platform, 롤링 버거(Rolling Burger
|
||||
- **Contradictions/Notes:** 소스에 따르면 온체인 상의 단순한 아이템(버거) 소유권 자체가 리텐션을 유도하는 것이 아니라, 해당 아이템을 기반으로 파생되는 재료 토큰의 경제적 메타(Meta) 구조가 잔존율을 실질적으로 견인한다고 강조한다 [7].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
@@ -0,0 +1,55 @@
|
||||
# [[Code Review Foundations (코드 리뷰 기초)|Code Review Foundations (코드 리뷰 기초]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
코드 리뷰(Code Review)는 한 명 이상의 개발자가 다른 개발자가 작성한 소스 코드를 검토하여 버그를 찾고, 품질을 높이며, 지식을 공유하는 협업 프로세스입니다 [1]. 이는 소프트웨어 개발 생명주기(SDLC)에서 결함을 조기에 발견하여 수정 비용을 절감하고 시스템의 아키텍처적 일관성을 유지하는 핵심 방어선 역할을 합니다 [2, 3]. 리뷰 방식은 실시간으로 진행되는 '동기식(Synchronous)'과 PR/MR 도구를 활용하는 '비동기식(Asynchronous)'으로 나뉘며, 조직의 규모와 목적에 따라 상호 보완적으로 활용됩니다 [4, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
* **코드 리뷰의 주요 목적:**
|
||||
* **품질 보증 및 버그 발견:** 기능적 오류, 엣지 케이스 누락, 성능 병목, 보안 취약점 등을 배포 전 조기에 식별함 [1, 2].
|
||||
* **지식 공유 및 멘토링:** 코드베이스에 대한 팀의 공동 소유권을 강화하고, 시니어의 사고방식을 주니어에게 전수하며 기술적 부채를 방지함 [2, 4].
|
||||
* **일관성 유지:** 팀의 코딩 컨벤션, 설계 원칙, 아키텍처 가이드라인을 준수하도록 강제함 [3].
|
||||
* **비동기식 코드 리뷰 (Asynchronous Review):**
|
||||
* **정의:** Pull Request(PR) 또는 Merge Request(MR) 도구를 통해 리뷰어가 편한 시간에 서면으로 피드백을 남기는 방식 [4].
|
||||
* **장점:** 개발자의 몰입(Focus Time)을 방해하지 않으며, 전 세계 어디서든 시간대와 관계없이 협업이 가능하고 논의 과정이 자동으로 기록됨 [4, 10].
|
||||
* **단점:** 피드백 루프가 길어질 수 있고(Ping-pong), 텍스트 기반 소통으로 인해 의도가 오해받을 위험이 있음 [8].
|
||||
* **동기식 코드 리뷰 (Synchronous Review):**
|
||||
* **정의:** 페어 프로그래밍(Pair Programming), 몹 프로그래밍(Mob Programming), 대면 워크스루 등을 통해 실시간으로 코드를 검토함 [1, 3].
|
||||
* **장점:** 즉각적인 피드백과 심층적인 논의가 가능하여 복잡한 설계 문제나 긴급한 핫픽스 처리에 탁월함 [4, 6].
|
||||
* **단점:** 참여자 간의 일정 조율 오버헤드가 크고, 기록을 별도로 남기지 않으면 추적성(Traceability)을 잃기 쉬움 [1, 10].
|
||||
* **베스트 프랙티스:**
|
||||
* **시간 제한(Time-boxing):** 인지 부하를 줄이기 위해 리뷰 세션은 60~90분 이내로 제한하고, 작은 단위(예: 400 LOC 이하)로 나누어 리뷰함 [6].
|
||||
* **문서화:** 동기식으로 합의된 내용이라도 미래의 자신과 동료를 위해 결정 사항을 PR 코멘트나 ADR로 기록해야 함 [10].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **속도 vs 철저함:** 빠른 배포를 위해 리뷰를 생략하거나 피상적으로 훑으면 보안 결함과 기술 부채가 쌓이며, 반대로 사소한 스타일 지적(Nit-picking)에 집착하면 배포 병목이 발생함 [6, 8].
|
||||
* **심리적 안전감:** 리뷰 프로세스는 비판이 아닌 개선을 위한 협업이어야 함. 공격적인 어조나 '에고(Ego)'가 개입될 경우 개발자의 동기부여를 저해하고 팀 결속력을 해칠 수 있음 [9].
|
||||
* **분산 팀의 제약:** 시차가 큰 글로벌 팀에서 동기식 리뷰를 강제하면 특정 인원이 소외될 수 있으므로, 비동기 방식을 기본으로 하되 필요 시에만 짧은 동기 세션을 결합하는 하이브리드 전략이 필요함.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* **Pair Programming**: 코드를 작성하면서 실시간으로 리뷰가 완료되는 가장 강력한 동기식 협업 기법입니다.
|
||||
* **Pull Request (PR) Workflow**: 비동기식 리뷰가 이루어지는 현대적인 표준 개발 워크플로우입니다.
|
||||
* **[[DORA-Metrics|DORA Metrics]]**: 리뷰 속도와 효율성이 팀의 소프트웨어 전달 성과에 미치는 영향을 측정하는 지표 체계입니다.
|
||||
* **Shift-Left Security**: 보안 검토를 코드 리뷰 단계로 앞당겨 수정 비용을 절감하려는 전략적 접근입니다.
|
||||
|
||||
### Deeper Research Questions
|
||||
* 비동기 리뷰 중 댓글 대화가 몇 회 이상 지속될 때 동기식 회의로 전환하는 것이 팀의 생산성 ROI 측면에서 가장 유리한가?
|
||||
* 주니어 개발자의 온보딩 속도를 극대화하기 위해 동기식과 비동기식 리뷰를 어떤 비율로 배분하는 것이 가장 효과적인가?
|
||||
* 코드 리뷰에서 결정된 주요 설계 변경 사항을 자동으로 문서화(Architecture Decision Records)로 변환해주는 도구 체계는 어떻게 구축하는가?
|
||||
* 리뷰어의 피로(Review Fatigue)를 정량화하고 이를 완화하기 위한 지능형 리뷰어 할당(Reviewer Assignment) 알고리즘은 무엇인가?
|
||||
* 문화적 차이나 언어 장벽이 있는 글로벌 팀에서 텍스트 기반 비동기 리뷰의 오해를 줄이기 위한 커뮤니케이션 프로토콜은 어떻게 설계해야 하는가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** 일상적인 변경은 PR 기반의 비동기 리뷰로 진행하고, 핵심 아키텍처 변경이나 난해한 버그 수정 시에는 15~30분의 짧은 동기식 워크스루를 병행합니다.
|
||||
* **System Design:** 새로운 서비스 설계안을 확정하기 전, 관계자 전원이 참여하는 몹 리뷰(Mob Review)를 통해 설계의 사각지대를 실시간으로 제거합니다.
|
||||
* **Operation / Maintenance:** 운영 장애 복구 과정에서 작성된 긴급 패치 코드는 반드시 전문가와 실시간 동기 리뷰를 거쳐 2차 장애를 방지합니다.
|
||||
* **Learning Path:** 신입 사원의 첫 커밋부터 일정 기간은 시니어와 페어 프로그래밍을 진행하여 팀의 기술 부채 방지 원칙과 코딩 철학을 전수합니다.
|
||||
* **My Project Relevance:** 스타일 지적 등 기계적인 검증은 자동화 도구(CI/CD)에 맡기고, 리뷰어는 비즈니스 로직과 설계의 적합성 검증이라는 본연의 가치에 집중합니다.
|
||||
|
||||
### Adjacent Topics
|
||||
* **Code Review Communication Etiquette**: 효율적인 피드백 전달을 위한 어조, 기술, 감정 관리 등 소프트 스킬 영역으로 확장됩니다.
|
||||
* **Egoless Programming**: 개인의 자존심을 버리고 팀의 코드를 최우선으로 생각하는 개발 철학입니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
@@ -0,0 +1,44 @@
|
||||
# Code Review Methodology & Cognitive Process (코드 리뷰 방법론 및 인지 과정)
|
||||
|
||||
## 📌 Brief Summary
|
||||
코드 리뷰 방법론 및 인지 과정은 리뷰어가 작성자의 변경 사항을 검토할 때 거치는 심리학적 프로세스와 이를 체계화한 전략적 프레임워크를 다룹니다 [1-3]. 코드 리뷰는 단순히 버그를 찾는 행위가 아니라, 작성자의 멘탈 모델을 이해하고 팀의 표준과 비교하여 최종 수락 여부를 결정하는 고도의 '의사결정 과정(Decision-Making)'입니다 [2]. CRCM(이해 모델)과 CRDM(의사결정 모델) 등의 이론적 프레임워크는 리뷰어의 인지 부하를 줄이고 고품질의 피드백을 생성하는 데 기여합니다 [4, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
### 1. 코드 리뷰의 2단계 프로세스 (CRDM Model)
|
||||
리뷰어는 인식 기반 의사결정(RPD) 모델에 따라 두 가지 주요 단계를 거칩니다 [4, 5]:
|
||||
* **오리엔테이션 단계 (Orientation Phase):** 변경 사항의 맥락(Context), 목적(Why), 범위를 파악하는 단계입니다. 이 단계에서는 코드 자체보다 커밋 메시지, 이슈 트래커, 작성자와의 대화 등을 통해 '기대 모델'의 기초를 형성합니다 [6, 7].
|
||||
* **분석 단계 (Analytical Phase):** 형성된 기대 모델과 실제 구현(How)을 반복적으로 비교하며 평가하는 단계입니다. '구현 이해 $\rightarrow$ 구현 평가 $\rightarrow$ 전체 영향 평가 $\rightarrow$ 행동 선택(수락/수정 요청)'의 순환 과정을 거칩니다 [9, 10].
|
||||
|
||||
### 2. 리뷰 이해의 지식 계층 (CRCM Model)
|
||||
리뷰어는 Letovsky 모델을 확장하여 다음 세 가지 계층을 매핑합니다 [1, 13]:
|
||||
* **명세 계층 (Specification):** 코드가 달성해야 할 비즈니스 목표입니다.
|
||||
* **구현 계층 (Implementation):** 실제 소스 코드의 논리와 구조입니다.
|
||||
* **주석/매핑 계층 (Annotation):** 명세와 구현 사이의 연결 고리입니다. 이 연결이 모호할 때 리뷰어는 가장 큰 인지적 과부하를 겪습니다.
|
||||
|
||||
### 3. 전략적 코드 리뷰 기법 (Strategic Approaches)
|
||||
* **리뷰 청킹 (Review Chunking):** 인지 부하 관리를 위해 PR을 기능적 단위로 나누어 검토하고, 마지막에 전체 일관성을 확인하는 방식입니다 [2].
|
||||
* **이상적 모델과의 비교:** 리뷰어는 자신의 경험을 바탕으로 '이상적인 솔루션'을 머릿속에 시뮬레이션하고, 이를 실제 PR과 대조하여 격차(Gap)를 찾아냅니다 [43-45].
|
||||
|
||||
## ⚠️ Trade-offs & Caveats
|
||||
* **도구의 한계 (Tool Misalignment):** 대부분의 코드 리뷰 도구(diff view)는 '구현 계층' 분석에는 유리하지만, '오리엔테이션(맥락 파악)'에 필요한 외부 정보 연결 기능을 충분히 제공하지 않아 인지적 단절을 유발합니다 [11].
|
||||
* **경험 의존성:** CRDM은 패턴 인식에 크게 의존하므로, 새로운 도메인이나 아키텍처에 합류한 리뷰어가 효과적인 멘탈 인덱스를 구축하는 데는 상당한 시간(최대 1년)이 소요될 수 있습니다 [5].
|
||||
* **알림 피로 vs. 정밀도:** 자동화된 리뷰 도구를 병행할 때 발생하는 과도한 경고는 리뷰어의 집중력을 분산시켜 본질적인 설계 결함을 놓치게 할 수 있습니다 [17].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
- [[Cognitive Load & Mental Models]]: 리뷰 과정에서의 작업 기억 한계와 청킹 전략의 기반이 됩니다.
|
||||
- [[Agentic Secure Code Review (에이전트 기반 보안 코드 리뷰)]]: AI 에이전트를 활용하여 인지 부하를 경감하고 의도 기반 분석을 자동화하는 기술입니다.
|
||||
- Collaboration & Knowledge Sharing: 코드 리뷰를 통한 지식 전파 및 팀 문화 형성에 관한 주제입니다.
|
||||
|
||||
### Deeper Research Questions
|
||||
- AI 기반 리뷰 어시스턴트가 제공하는 자동화된 피드백이 리뷰어의 비판적 사고와 상황 모델 구축 능력을 장기적으로 저하시키는가?
|
||||
- 오리엔테이션 단계를 강화하기 위해 IDE 내에 이슈 트래커와 설계 문서를 어떤 시각적 인터페이스로 통합해야 하는가?
|
||||
|
||||
### Practical Application Contexts
|
||||
- **Implementation:** 리뷰어의 오리엔테이션 비용을 줄이기 위해 PR 설명란에 변경의 근거와 기대 결과(Specification)를 충실히 작성해야 합니다 [7, 21].
|
||||
- **System Design:** 아키텍처 원칙을 팀 내에 명시적으로 공유하여 리뷰어가 '기대하는 모델'과 실제 구현 사이의 정렬(Alignment)을 도와야 합니다 [22, 33].
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
@@ -0,0 +1,89 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Codebase Onboarding
|
||||
description: "코드베이스 온보딩(Codebase Onboarding)은 새로운 개발자가 낯선 소프트웨어 프로젝트나 대규모 코드베이스에 합류하여 시스템의 구조와 동작 방식을 파악하고 실질적인 기여자로서 역할할 수 있도록 학습하는 과정을 의미합니다."
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Codebase Onboarding
|
||||
|
||||
## 📌 Brief Summary
|
||||
코드베이스 온보딩(Codebase Onboarding)은 새로운 개발자가 낯선 소프트웨어 프로젝트나 대규모 코드베이스에 합류하여 시스템의 구조와 동작 방식을 파악하고 실질적인 기여자로서 역할할 수 있도록 학습하는 과정을 의미합니다. 아키텍처에 대한 이해 부족, 조직적 지식 부재, 느린 코드 리뷰 등의 장벽을 극복하기 위해 수행됩니다 [1-3]. 효과적인 온보딩은 전체 코드를 한 번에 파악하려는 시도를 지양하고, 시스템 진입점 발견부터 실행 흐름 추적, 코드베이스 맵(Map) 및 투어(Tour) 활용, 점진적인 버그 수정 등을 통해 멘탈 모델을 체계적으로 구축하는 데 집중합니다 [4-7].
|
||||
|
||||
## 📖 Core Content
|
||||
|
||||
* **주요 온보딩 장벽 (Key Barriers)**
|
||||
대규모 시스템에서 신규 개발자의 생산성을 저하시키는 주요 원인은 세 가지로 요약됩니다. 첫째, 시스템의 아키텍처 및 종속성 이해 부족은 버그 발생 위험을 높입니다. 둘째, 맥락 파악에 소요되는 시간으로 인해 코드 리뷰 프로세스가 지연됩니다. 셋째, 어떻게 협업하고 결정이 내려지는지에 대한 조직적 지식의 결핍이 병목을 유발합니다 [1-3].
|
||||
|
||||
* **체계적인 온보딩 4단계 워크플로우 (Systematic 4-Step Workflow)**
|
||||
복잡한 프로젝트를 효과적으로 해독하기 위한 점진적 프로세스는 다음과 같습니다 [7-9]:
|
||||
1. **재고 조사 (Inventory & Classification):** 매니페스트 파일, 빌드 도구, 최상위 디렉토리를 식별하여 해당 저장소의 성격(애플리케이션, 라이브러리, 모노레포 등)을 규정합니다.
|
||||
2. **진입점 발견 (Entry Point Discovery):** 시작 스크립트, 라우터, CLI 핸들러 등 시스템이 시작되는 최소한의 파일 세트를 찾아냅니다.
|
||||
3. **실행 흐름 추적 (Execution & Data Flow Tracing):** 구체적인 요청이나 이벤트가 입력되어 변환되고 영속화되는 과정을 끝에서 끝까지(End-to-End) 추적합니다.
|
||||
4. **경계 분석 (Boundary & Ownership Analysis):** 모듈 간 접점을 식별하고, 공용 인터페이스를 구현 상세와 분리하여 구조적 책임을 파악합니다.
|
||||
|
||||
* **실천적 탐색 및 학습 전략 (Practical Exploration Strategies)**
|
||||
* **코드베이스 맵 및 투어 활용:** 시스템 구조를 시각화한 '코드베이스 맵(Codebase Map)'과 특정 기능이나 역할에 맞춰 단계별로 안내하는 '대화형 투어(Interactive Tour)'를 제공하여 초기 학습 시간을 획기적으로 단축할 수 있습니다 [5, 6, 10].
|
||||
* **상향식(Bottom-up)과 하향식(Top-down) 혼합:** 비즈니스 가치와 사용자 흐름을 파악하는 하향식 접근과 데이터베이스 스키마 및 물리적 제약을 확인하는 상향식 접근을 병행하여 시스템의 전체상을 구성합니다 [11].
|
||||
* **작은 작업부터 시작:** 전체 코드를 완벽히 이해하려 하기보다, 작은 버그 수정이나 UI 텍스트 변경, 문서화 작업 등을 통해 격리된 컴포넌트부터 점진적으로 지식을 확장합니다 [12-14].
|
||||
* **동적 분석 도구 사용:** 정적 코드 읽기에 의존하기보다 시스템을 로컬에서 실행하고 디버거(중단점), 프로파일러, 로그를 적극적으로 활용하여 객체의 수명 주기와 런타임 동작을 관찰합니다 [15-17].
|
||||
* **지식의 심화:** 온보딩 성과는 코드베이스를 "1줄 요약 -> 5분 설명(핵심 입출력 및 파일) -> 딥 다이브(상세 코드 흐름 및 아키텍처)" 순으로 단계적으로 설명할 수 있는 능력으로 입증됩니다 [7, 18].
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **완벽주의의 함정:** 초기부터 수백만 줄의 전체 코드베이스를 모두 이해하려는 시도는 불가능하며 인지적 과부하를 초래합니다. 완벽하게 파악하기를 기다리지 말고, 즉시 실행 가능한 부분(특정 모듈)을 학습하고 코드를 배포하며 점진적으로 배워나가는 것이 훨씬 효율적입니다 [4, 19].
|
||||
* **문서의 부패와 신뢰성:** 시스템의 주석이나 문서만을 기반으로 온보딩을 진행하면, 실제 구현체와 동기화되지 않은 문서로 인해 잘못된 맥락을 학습할 위험이 있습니다. 반드시 코드를 직접 실행해보고 테스트 코드를 가장 신뢰할 수 있는 문서로 삼아야 합니다 [20-22].
|
||||
* **유지보수 비용:** 대규모 시스템에서 코드베이스 맵이나 다이어그램을 수동으로 유지보수하는 것은 많은 시간 비용을 요구합니다. 코드가 발전함에 따라 발생하는 아키텍처 드리프트(Architectural Drift)를 방지하기 위해 정기적으로 문서를 동기화하거나 자동화된 도구를 적용하지 않으면 초기 온보딩 자료의 가치가 빠르게 상실됩니다 [23, 24].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
|
||||
#### [분석 및 탐색 전략]
|
||||
- [[하향식 및 상향식 접근법 (Top-down & Bottom-up Approaches)]]
|
||||
- 연결 이유: 대규모 코드베이스 온보딩 시, 시스템을 외부 인터페이스부터 파악할 것인지(하향식), 데이터베이스부터 역추적할 것인지(상향식)를 결정하는 핵심 탐색 경로입니다 [11].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 복잡한 시스템에서 비즈니스 로직과 기술적 제약을 교차 검증하여 일관된 멘탈 모델을 구축하는 방법.
|
||||
|
||||
- [[코드베이스 맵과 투어 (Codebase Maps and Tours)]]
|
||||
- 연결 이유: 온보딩 초기 단계에서 아키텍처 구조의 시각화와 단계별 가이드를 통해 개발자의 지식 습득 속도를 높이는 직접적인 수단입니다 [5, 6, 25].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 시스템 내 핵심 모듈의 위치, 의존성 관계, 그리고 주니어/시니어 대상의 맞춤형 코드 학습 가이드라인 설계.
|
||||
|
||||
#### [분석 및 검증 기법]
|
||||
- [[런타임 분석 (Runtime Analysis)]]
|
||||
- 연결 이유: 정적인 텍스트 읽기만으로 파악하기 힘든 동적 상태 변화를 이해하기 위해 온보딩 과정에서 중단점(Breakpoint)이나 프로파일러를 적용하는 기술입니다 [15-17].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 객체의 생성 및 소멸(Life Cycle), 호출 스택, 비동기 작업 및 메시지 큐의 실제 처리 흐름.
|
||||
|
||||
- [[버전 관리 이력 추적 (Version Control History)]]
|
||||
- 연결 이유: 코드가 현재 상태로 작성된 '이유(맥락과 설계 의도)'를 재구축하기 위해 Git 커밋, PR 설명, 이슈 토론을 탐색하는 방법론입니다 [26, 27].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 과거의 기술적 부채, 채택되거나 기각된 대안 설계, 팀 내 암묵적 지식을 명시적으로 파악하는 방법.
|
||||
|
||||
#### [아키텍처 인지]
|
||||
- [[아키텍처 스타일 및 디자인 패턴 (Architecture Styles & Design Patterns)]]
|
||||
- 연결 이유: 클린 아키텍처, DDD 등의 아키텍처 스타일과 디자인 패턴(팩토리, 옵저버 등)을 인지하면 폴더 구조 및 객체의 책임을 즉각적으로 유추할 수 있어 코드를 해독하는 속도가 비약적으로 상승합니다 [28, 29].
|
||||
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 코드베이스 내 모듈 배치의 규칙, 의존성의 방향성, 서브시스템 간 결합도를 낮추는 기법.
|
||||
|
||||
### Deeper Research Questions
|
||||
|
||||
- 신규 프로젝트 합류 시, 전체 코드 구조에서 가장 먼저 파악해야 할 '진입점(Entry Point)'을 정확히 식별하기 위한 체계적 접근법이나 자동화 스크립트 작성법은 무엇인가? [8]
|
||||
- 주니어 개발자와 시니어 개발자의 온보딩 시 제공되어야 하는 코드베이스 투어(Tour)의 상세 수준과 정보의 깊이는 어떻게 맞춤화되어야 하는가? [10]
|
||||
- 대규모 레거시 코드베이스에서 AI 에이전트(예: GitHub Copilot, Kodesage)를 활용한 지식 추출 과정 중 발생할 수 있는 환각(Hallucination) 현상을 효과적으로 검증하고 필터링하는 아키텍처적 방안은 무엇인가? [30-32]
|
||||
- 복잡한 코드에서 아키텍처 드리프트(Architectural Drift)를 방지하고 자동화된 온보딩 문서를 최신 상태로 유지하기 위한 지속적 통합(CI/CD) 파이프라인 연동 전략은 무엇인가? [24, 33, 34]
|
||||
- 동적 행동 분석을 위해 온보딩 초기 단계에서 신규 개발자가 가장 먼저 구축해야 하는 로컬 디버깅 및 실험용 테스트 환경의 모범 사례는 무엇인가? [20, 35]
|
||||
|
||||
### Practical Application Contexts
|
||||
|
||||
- **Implementation:** 새로운 기능 추가 시, 코드베이스 맵을 참조해 영향을 받을 수 있는 모듈 경계를 파악하고 중단점(Breakpoints)을 설정해 런타임 실행 흐름을 우선 추적합니다.
|
||||
- **System Design:** 온보딩 문서를 기반으로 시스템 컨텍스트 다이어그램 및 컨테이너 다이어그램(C4 모델)을 구성하여, 팀 전원이 공유할 수 있는 시스템 멘탈 모델을 수립합니다.
|
||||
- **Operation / Maintenance:** 코드 병합 시, 변경된 파일 수가 일정 기준(예: 10개)을 초과할 경우 리뷰어와 신규 개발자를 위한 '코드베이스 투어 업데이트'를 강제하는 자동화 워크플로우를 구성합니다 [36].
|
||||
- **Learning Path:** 신입 개발자는 재고 조사 -> 진입점 파악 -> 흐름 추적 -> 경계 분석으로 이어지는 4단계 온보딩을 거치며, 학습한 코드를 타인에게 정기적으로 설명함으로써 이해도를 자가 진단합니다 [7, 37].
|
||||
- **My Project Relevance:** 복잡한 레거시를 다루는 프로젝트에 참여할 때, 첫 업무로 기존 코드의 누락된 단위 테스트를 작성하거나 로깅/오류 출력을 다루는 간단한 버그 수정을 진행하여 시스템 지식을 안전하게 확장합니다 [12, 38].
|
||||
|
||||
### Adjacent Topics
|
||||
|
||||
- [[소프트웨어 아키텍처 문서화 (Software Architecture Documentation)]]
|
||||
- 확장 방향: 비기술 직군부터 엔지니어까지 이해할 수 있도록 C4 모델을 기반으로 다이어그램을 구축하고 코드로 다이어그램(Diagrams as Code)을 관리하는 방법론 연구.
|
||||
- [[AI 기반 코드 분석 도구 (AI-powered Code Analysis Tools)]]
|
||||
- 확장 방향: Kodesage, Qodo, DeepSource와 같은 도구들이 어떻게 코드베이스를 인덱싱하고 PR 리뷰 및 온보딩 과정을 단축하며 버그를 탐지하는지에 대한 기술적 메커니즘 분석.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
@@ -0,0 +1,22 @@
|
||||
# [[Command Center|Command Center]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
커맨드 센터(Command Center)는 War Commander에서 플레이어 기지의 핵심이자 발전의 척도가 되는 주요 시설입니다. 커맨드 센터의 레벨을 올리면 새로운 건물을 짓거나 기존 건물의 건설 가능 개수를 늘릴 수 있으며, 더 많은 병력을 저장할 수 있게 됩니다 [1]. 또한 전투 시 방어의 핵심이 되는 인프라로서, 적의 주요 공격 목표가 되기 때문에 기지 중앙에 배치하여 다른 건물들로 둘러싸 보호해야 합니다 [2, 3].
|
||||
|
||||
## 📖 Core Content
|
||||
* **기지 발전과 자원 인프라 통제**
|
||||
커맨드 센터의 레벨은 기지 내에 건설할 수 있는 자원 생산 시설(오일 펌프, 메탈 팩토리 등)의 최대 개수를 직접적으로 제한합니다 [4, 5]. 예를 들어, 가장 희귀한 자원인 토륨을 캐는 토륨 광산(Thorium Mine)은 커맨드 센터가 최소 2레벨 이상이어야 건설 가능하며 [5], 메탈 팩토리를 상위 건물인 메탈 포지(Metal Forge)로 업그레이드하려면 커맨드 센터가 3레벨 이상이어야 합니다 [6]. 더불어 커맨드 센터 자체도 일정량의 자원을 저장하는 역할을 수행합니다 [7].
|
||||
* **기능 확장 및 업그레이드 (Base Upgrades)**
|
||||
커맨드 센터의 좌클릭 메뉴를 통해 '기지 업그레이드(Base Upgrades)' 상점에 접근할 수 있습니다 [8]. 이 메뉴에서는 자원 저장 건물을 추가로 짓지 않고도 저장 한도를 늘려주는 자원 압축(Resource Compression), 기지의 건축 가능 구역을 최대 7번까지 확장해주는 영토 확장(Expand Borders), 그리고 골드를 사용해 메탈과 오일을 즉시 구매하는 기능을 이용할 수 있습니다 [8-11].
|
||||
* **방어 전술과 전투 시의 역할**
|
||||
공격자의 입장에서 적의 커맨드 센터를 파괴하면 상당량의 추가 자원을 약탈할 수 있습니다 [12]. 방어자의 입장에서는 커맨드 센터가 기지에서 가장 높은 건물 중 하나라는 점을 역이용하여 시야를 가리는 전술을 쓸 수 있습니다 [13]. 커맨드 센터 뒤쪽에 헤라클레스(Hercules)나 전차 같은 유닛을 숨겨두면, 경로가 안전하다고 착각하고 접근한 적에게 막대한 기습 피해를 입힐 수 있습니다 [13].
|
||||
* **기타 유틸리티 기능**
|
||||
플레이어는 커맨드 센터를 클릭하여 1회에 한해 무료로 기지의 이름을 변경할 수 있습니다 [14]. 또한 "섹터 변경(Change Sector)" 옵션을 통해 기지가 소속된 월드 맵 섹터를 이동할 수도 있습니다 [15, 16].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** Base Upgrades, Resource Compression, [[기지 방어 설계(Defensive Architecture)|Defensive Architecture]]
|
||||
- **Projects/Contexts:** [[War Commander → 전투 시스템|War Commander → 전투 시스템]]
|
||||
- **Contradictions/Notes:** 소스 내에 특별한 모순점은 존재하지 않습니다. 다만 커맨드 센터 자체는 직접적인 전투 유닛을 생산하거나 발포하는 방어 타워가 아님에도 불구하고, 그 큰 부피와 전략적 중요성으로 인해 은폐 전술의 도구나 기지 방어 레이아웃의 중심축으로 활용된다는 점이 돋보입니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,19 @@
|
||||
# [[Complex Systems|ComplexSystems]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
시스템 사고([[Systems Thinking|Systems Thinking]])의 관점에서, 개별 구성 요소들이 서로 밀접하게 연결되어 피드백 루프와 비선형적 상호작용을 통해 예측 불가능한 결과를 창출하는 생태계를 의미합니다 [90, 91].
|
||||
|
||||
## 📖 Core Content
|
||||
- **복잡계의 4대 특성:** 요소 간의 상호의존성(Interdependence), 작은 변화가 큰 결과를 낳는 비선형성(Non-linearity), 중앙 통제 없이 자발적으로 패턴이 나타나는 창발성([[Emergence|Emergence]]), 피드백을 통해 진화하는 적응성(Adaptation)이 특징입니다 [91].
|
||||
- **피드백 루프(Feedback Loops):** 복잡계 내부의 요소들은 시스템의 출력이 다시 입력에 영향을 미치는 폐쇄 루프(Closed-loop) 형태로 연결되어 있어, 하나의 행동이 시스템 전체에 연쇄적인 영향을 미칩니다 [58, 90, 92].
|
||||
- **단순화의 위험:** 선형적 사고([[Linear Thinking|Linear Thinking]])는 A가 B를 초래한다는 단편적인 원인-결과 모델에 의존하기 때문에, 복잡계 내에서 한 영역을 수정할 때 발생하는 다른 영역의 의도치 않은 부작용을 간과하게 만듭니다 [93-96].
|
||||
- **전체론적 접근(Holistic Approach):** 문제를 해결할 때 개별 요소로 분해하는 환원주의적(Reductionist) 태도에서 벗어나, 시스템 전체의 패턴과 역학을 관찰하는 시스템 사고가 필수적입니다 [58, 90, 97].
|
||||
- **적응적 해결책:** 복잡계에서의 해결책은 한 번에 끝나는 고정된 답이 아니라, 시스템의 동적인 성격과 장기적인 지속 가능성을 고려하여 지속적으로 적응(Adaptive)해야 합니다 [90].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Linear Thinking|Linear Thinking]], [[MECE Framework|MECE Framework]]
|
||||
- **Projects/Contexts:** Organizational Change [[Management|Management]], Environmental Management
|
||||
- **Contradictions/Notes:** 경영 컨설팅에서 문제를 나누고 정복하는 [[MECE|MECE]] 원칙은 유용하지만, 이는 본질적으로 환원주의적이므로 상호 의존성이 핵심인 복잡계의 '사악한 문제(Wicked problems)'를 다룰 때는 지나친 단순화의 오류(False completeness)에 빠질 수 있습니다 [56, 96, 98].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Composables
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Composables
|
||||
{"status":"success","answer":"","conversation_id":"f5c027db-27a9-4c78-b605-431892604343"}
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-COPR-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, concurrent-programming, [[Parallel-Computing|Parallel-Computing]], multi-threading, [[Scalability|Scalability]], software-engineering]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Concurrent Programming|Concurrent Programming]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "멀티태스킹의 기술: 여러 작업을 동시에 수행하는 것처럼 보이게 하거나 실제로 동시에 실행함으로써, CPU 자원을 놀리지 않고 고성능 대규모 시스템을 지탱하는 현대 소프트웨어의 필수 근육."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
병행 프로그래밍(Concurrent Programming)은 여러 개의 연산이 겹치는 기간 동안 실행되도록 설계된 프로그래밍 패러다임입니다.
|
||||
|
||||
1. **핵심 개념**:
|
||||
* **Concurrency vs Parallelism**: 병행성은 작업들이 '겹치는 시간'에 진행되는 논리적 개념이고, 병렬성은 실제로 '동시에' 수행되는 물리적 개념.
|
||||
* **Race Condition**: 여러 프로세스가 공유 자원에 동시에 접근할 때 결과가 예측 불가능해지는 치명적 버그.
|
||||
* **Synchronization**: 데이터 무결성을 위해 임계 구역(Critical Section)을 잠그는(Lock) 등의 조정 기술.
|
||||
2. **왜 중요한가?**:
|
||||
* 멀티코어 CPU 시대에 하드웨어 성능을 온전히 끌어내기 위한 유일한 방법이며, 수백만 명의 동시 접속자를 처리하는 서버 아키텍처의 핵심임. (Scalability와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 프로그래밍 정책은 '스레드(Thread)'를 직접 관리하며 고통받는 정책이었으나, 현대 정책은 '코루틴(Coroutine)'이나 '액터 모델(Actor Model)' 같은 고수준 추상화 정책을 통해 안전하고 쉬운 병행성 정책을 지향함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 추론 정책에서, 수만 개의 연산을 병렬로 처리하는 GPU 아키텍처 환경에 최적화된 '대규모 병렬 연산 프로그래밍 정책'이 지능화의 물리적 토대가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scalability|Scalability]], [[Backend|Backend]], [[Blocking|Blocking]], [[Technical-Architecture|Technical-Architecture]], [[Optimization|Optimization]]
|
||||
- **Modern Tech/Tools**: Go (Goroutines), Rust (Ownership model), Node.js (Event Loop), CUDA (GPU parallelism).
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Configuration-based Routing
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Configuration-based Routing
|
||||
{"status":"success","answer":"","conversation_id":"8cf8eb5d-e933-4a59-aafc-7e8a39105626"}
|
||||
@@ -0,0 +1,18 @@
|
||||
# [[Continuous Obsolescence|Continuous Obsolescence]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
'Continuous Obsolescence(지속적 구식화)'는 게임 내에서 새로운 콘텐츠와 상한선 확장을 지속적으로 업데이트하여 유저가 기존에 보유한 자산의 가치를 끊임없이 하락시키는 운영 구조를 의미합니다 [1]. 이는 단순한 버그 수정이 아니라 건물, 부대, 연구 등의 한계치를 계속해서 높이는 '콘텐츠 러닝머신(Content Treadmills)' 시스템으로 작동합니다 [1]. 결과적으로 최상위 과금 유저와 일반 유저 간의 파워 격차를 벌리며, 유저들이 게임 내에서 도태되는 것을 피하기 위해 지속적으로 과금하도록 강제합니다 [1].
|
||||
|
||||
## 📖 Core Content
|
||||
- **콘텐츠 러닝머신 (Content Treadmills):** 게임의 라이브 운영 단계(Live Phase)에서는 매일같이 새로운 업데이트가 푸시됩니다 [1]. 이 업데이트는 단순히 게임을 고치는 것을 넘어 새로운 레벨의 건물, T11 이상의 새로운 부대 티어, 'Draconic Blitz'나 'War Machine'과 같은 새로운 연구 카테고리를 끊임없이 추가하며 유저를 끝없는 진행 궤도 위에 올려놓습니다 [1].
|
||||
- **도태 방지를 위한 과금 강제:** 새롭고 강력한 콘텐츠의 지속적인 추가는 최상위 과금 유저(Top spenders)와 그 외 유저 사이의 '파워 격차(Power gap)'를 계속해서 넓히는 결과를 낳습니다 [1]. 중간 티어의 유저들은 자신의 제국이 구식화(Obsolete)되어 쓸모없어지는 것을 막고 경쟁력을 유지하기 위해 어쩔 수 없이 지갑을 열어야만 합니다 [1].
|
||||
- **무한한 경제 확장과 파워 인플레 ([[Power Creep|Power Creep]]):** 이 현상은 게임 내 수치를 지속적으로 증가시키는 '파워 인플레(Power Creep)' 메커니즘과 직결됩니다 [2]. 개발사들은 유저가 모든 콘텐츠를 달성하여 게임의 목표를 잃는 것을 방지하기 위해 무한히 확장 가능한 경제(Infinitely Scalable Economy)를 설계했습니다 [3, 4]. 스프레드시트 기반의 게임 구조 덕분에 새로운 장비나 기술 업그레이드를 비용 효율적으로 무한히 추가할 수 있어, 유저들이 계속 뒤처짐을 느끼게 만듭니다 [4, 5].
|
||||
- **끝없는 러닝머신 (Endless treadmill) 다크 패턴:** 이러한 지속적인 콘텐츠 추가와 구식화는 유저로 하여금 게임 내에 항상 더 달성해야 할 일이 남아있다고 느끼게 만드는 '끝없는 러닝머신(Endless treadmill)' 다크 패턴 전략으로도 분석됩니다 [6]. 이 구조는 지속적으로 증가하는 난이도나 반복 작업(Grinding)을 우회하기 위해 '과금으로 건너뛰기(Pay-to-skip)' 옵션을 선택하도록 유저들을 유도합니다 [6-8].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Power Creep|Power Creep]], Content Treadmills, [[LiveOps|LiveOps]], Dark Patterns
|
||||
- **Projects/Contexts:** Game of War: Fire Age
|
||||
- **Contradictions/Notes:** 소스 내용 중 직접적인 모순은 없으나, 이러한 지속적 구식화 시스템은 모바일 4X 게임에서 타의 추종을 불허하는 높은 유저 생애 가치(LTV)와 매출을 발생시키는 핵심 전략임과 동시에, 유저를 심리적으로 착취하는 약탈적 수익 창출 기법(Predatory Monetization)의 대표적 사례로 규제와 윤리적 비판의 대상이 된다는 점을 명시하고 있습니다 [9-13].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-CRES-001
|
||||
category: Unified
|
||||
confidence_score: 0.82
|
||||
tags: [auto-reinforced, creativity-[[Research|Research]], [[Psychology|Psychology]], [[Innovation|Innovation]], divergent-thinking, neurobiology]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Creativity Research|Creativity Research]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "새로움의 기원을 찾아서: 신선하고 가치 있는 무언가를 만들어내는 인간의 능력을 심리적, 뇌과학적, 전산적 관점에서 분석하여 창의성의 프로세스를 이해하고 증명하려는 학문적 탐구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
창의성 연구(Creativity Re[[Search|Search]])는 창의적 사고의 본질과 이를 촉진하는 요인을 탐구합니다.
|
||||
|
||||
1. **4P 모델 (James Rhodes)**:
|
||||
* **Person**: 창의적 개인의 특성 (호기심, 개방성 등).
|
||||
* **Process**: 영감이 떠오르고 구체화되는 과정 (Incubation -> Insight).
|
||||
* **Product**: 산출물의 새로움과 적절성 평가.
|
||||
* **Press**: 창의성을 자극하거나 억압하는 환경적 요인.
|
||||
2. **인지적 메커니즘**:
|
||||
* **Divergent Thinking**: 하나의 문제에서 수많은 대안을 생성하는 확산적 사고.
|
||||
* **Convergent Thinking**: 가장 적합한 하나를 선택하는 수렴적 사고. ([[Combinatorial-Optimization|Combinatorial-Optimization]]과 대비)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 창의성을 '천재의 신비로운 영감' 정책으로 치부했으나, 현대 정책은 정밀한 뇌 영상 분석과 전산 모델링 정책을 통해 창의성 또한 '정보의 재조합과 패턴 발견 정책'임을 과학적으로 규명함(RL Update). ([[Computational Creativity|Computational Creativity]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI 시대의 창의성 교육 정책에서, 단순히 '그림을 그리는 스킬'보다 문제의 본질을 꿰뚫고 AI에게 질문을 던지는 '프롬프트적 창의성 정책'과 '비판적 시각 정책'이 새로운 연구의 흐름이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Computational Creativity|Computational Creativity]], [[Arts|Arts]], [[Psychology & Behavior|Psychology & Behavior]], [[Philosophy|Philosophy]] of Science, [[Concept Mapping|Concept Mapping]]
|
||||
- **Modern Tech/Tools**: Torrance Tests of Creative Thinking (TTCT), fMRI brain mapping.
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Cross-Platform Development
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Cross-Platform Development
|
||||
{"status":"success","answer":"","conversation_id":"ab3aea75-1ec2-48ed-8488-4b814ca2b35a"}
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Custom Hooks
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Custom Hooks
|
||||
{"status":"success","answer":"","conversation_id":"ec760aec-6807-4a7d-afe8-f4d240096af8"}
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-WIKI-COMM-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [communication, code-review, feedback, constructive-feedback, psychological-safety, p-reinforce]
|
||||
last_reinforced: 2026-05-01
|
||||
---
|
||||
|
||||
# [[Effective Code Review Feedback|Effective Code Review Feedback]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "코드를 비판하되 작성자를 존중하며, 감정적 마찰을 줄이고 기술적 합의를 가속화하기 위해 구조화된 메시지(OIR)와 표준화된 라벨(Conventional Comments)을 활용하는 지능적 소통 전략."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
효과적인 피드백은 코드 품질 향상과 팀의 성장을 동시에 이끄는 핵심 동력입니다.
|
||||
|
||||
1. **건설적 피드백의 원칙**:
|
||||
* **코드 중심**: 사람이 아닌 '코드'의 논리와 구조에 집중합니다. "네 코드는 틀렸다" 대신 "이 로직은 엣지 케이스에서 오류를 낼 수 있다"고 표현합니다.
|
||||
* **I-Message & 질문**: "나"를 주어로 삼아 의견을 전달하고, 단정적 지시보다 "이 방법은 어떨까요?"라는 질문으로 작성자의 사고를 자극합니다.
|
||||
* **OIR 룰 (Observation, Impact, Request)**: 객관적 관찰, 그것이 미치는 영향, 그리고 구체적인 개선 요청으로 피드백을 구조화합니다.
|
||||
2. **Development Communication Standards (Conventional Commits & Comments**:
|
||||
* `suggestion:`, `issue:`, `nit:` 등의 라벨과 `(blocking)`, `(non-blocking)` 데코레이터를 사용하여 피드백의 의도와 수정 필수 여부를 투명하게 전달합니다.
|
||||
3. **심리적 안전감 (Psychological Safety)**:
|
||||
* 칭찬(Praise)을 아끼지 않으며, 리뷰 과정을 '게이트키핑'이 아닌 '공동 학습'의 장으로 인식하는 문화를 구축합니다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **친절함 vs 명확성**: 감정 상함을 우려해 완곡하게 표현하다 보면 문제의 심각성이 희석될 수 있습니다. 중대한 결함은 정중하되 타협 없이 명확하게 지적하는 정책이 필요합니다.
|
||||
- **운영 오버헤드**: 모든 코멘트를 정교하게 작성하는 것은 리뷰어의 시간을 많이 소모합니다. 사소한 스타일 지적은 자동화 도구에 맡기고, 인간은 복잡한 맥락이 필요한 피드백에만 정성을 들이는 '선택과 집중'이 중요합니다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Development Communication Standards (Conventional Commits & Comments: 피드백의 물리적 포맷팅.
|
||||
- Non-violent Communication: 커뮤니케이션의 철학적 기반.
|
||||
- [[Knowledge Management in Engineering|Knowledge Management in Engineering]]: 피드백을 통한 지식 전파.
|
||||
- [[심리적 안전감 (Psychological Safety)|Psychological Safety]]: 건강한 리뷰 문화의 토대.
|
||||
- OIR 룰 (Observation, Impact, Request: 피드백 작성 프레임워크.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ESBU-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, esb, enterprise-service-bus, soa, middleware, integration, msa]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Enterprise-Service-Bus|Enterprise-Service-Bus]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기업 시스템의 통역 관제소: 파편화된 수많은 서비스와 데이터베이스 사이에서 메시지를 중계하고, 포맷을 변환하며, 누가 누구에게 정보를 보낼지 관리하는 중앙 집중형 미들웨어 인프라."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
엔터프라이즈 서비스 버스(Enterprise-Service-Bus, ESB)는 서비스 지향 아키텍처(SOA)를 구현하기 위한 핵심 미들웨어로, 이질적인 서비스 간의 통합을 담당합니다.
|
||||
|
||||
1. **주요 기능**:
|
||||
* **Message Routing**: 정해진 규칙에 따라 메시지를 목적지로 전달. ([[Control-Systems-Engineering|Control-Systems-Engineering]]와 연결)
|
||||
* **Transformation**: 서비스 간 서로 다른 데이터 포맷(XML -> JSON 등) 변환.
|
||||
* **Orchestration**: 여러 서비스를 순차적으로 호출하여 하나의 비즈니스 프로세스 완성. (Standard-Operating-Procedure와 연결)
|
||||
* **Protocol Conversion**: HTTP, FTP, AMQP 등 다양한 통신 규약 지원.
|
||||
2. **왜 중요한가?**:
|
||||
* 서비스 간의 직접적인 결합(Loose coupling)을 방지하여 한 시스템의 변경이 전체 시스템에 미치는 영향을 최소화하기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 SOA 시대에는 ESB 가 모든 것의 중심인 무거운 통합 정책(Heavyweight) 정책이었으나, 현대 MSA 정책 하에서는 ESB 대신 가벼운 'API Gateway'와 'Service Mesh' 정책으로 기능이 파편화되어 분산되는 추세임(RL Update). ([[Technical-Architecture|Technical-Architecture]]와 연결)
|
||||
- **정책 변화(RL Update)**: 이제는 단순 메시지 전달 정책을 넘어, 분산 시스템의 트래픽 정책을 AI 가 실시간으로 제어하고 장애를 감지하여 경로를 우회시키는 '지능형 이벤트 메시징 정책'으로 진화 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Technical-Architecture|Technical-Architecture]], [[Standard-Operating-Procedure|Standard-Operating-Procedure]], [[Control-Systems-Engineering|Control-Systems-Engineering]], [[Reliability|Reliability]], [[Scalability|Scalability]]
|
||||
- **Key [[goal|goal]]**: Loose coupling in heterogeneous[[_system|system]]s.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EINK-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, enzyme-inhibition, kinetics, biochemistry, michaelis-menten, competitive-inhibition, drug-design]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Enzyme-Inhibition-Kinetics|Enzyme-Inhibition-Kinetics]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생화학의 브레이크 시스템: 생명 현상을 주관하는 효소의 활동을 특정 물질이 어떻게 방해하고 늦추는지 수학적으로 분석하여, 암세포의 증식을 막거나 통증 수치를 조절하는 정교한 신약 개발의 근거."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
효소 저해 속도론(Enzyme-Inhibition-Kinetics)은 저해제(Inhibitor)가 효소의 반응 속도에 미치는 영향을 정량적으로 연구하는 분야입니다.
|
||||
|
||||
1. **3대 저해 유형 (Michaelis-Menten 모델 기반)**:
|
||||
* **Competitive Inhibition**: 저해제가 기질과 활성 부위를 두고 경쟁. Vmax 불변, Km 증가.
|
||||
* **Non-competitive Inhibition**: 다른 부위에 결합하여 효소 구조 변경. Vmax 감소, Km 불변.
|
||||
* **Uncompetitive Inhibition**: 효소-기질 복합체에만 결합. Vmax와 Km 모두 감소.
|
||||
2. **왜 중요한가?**:
|
||||
* 대부분의 약물 정책(아스피린, 항암제 등)이 특정 효소의 활동 정책을 저해하는 방식이므로, 이 속도론적 지표(Ki)가 신약의 효능 정책을 결정하는 척도가 되기 때문임. ([[Scientific-Method|Scientific-Method]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 실험 데이터 정책을 손으로 그리는 리뉴버-버크 플롯 정책 등에 의존했으나, 현대 정책은 강력한 컴퓨팅 정책(Molecular Dynamics)을 통해 저해제가 단백질과 결합하는 과정을 원자 단위에서 시뮬레이션함(RL Update). (Simulation와 연결)
|
||||
- **정책 변화(RL Update)**: 최근에는 AI 가 수억 개의 화합물 정책 중 핵심 효소 정책을 최적으로 저해할 후보 물질 정책을 수분 만에 찾아내는 'AI 신약 설계'로 패러다임이 완전히 전환됨. (Bio-Informatics와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scientific-Method|Scientific-Method]], Simulation, Bio-Informatics, [[Analysis|Analysis]], [[Statistics|Statistics]], [[Refinement|Refinement]]
|
||||
- **Key Equation**: Michaelis-Menten Equation.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-EDMA-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, ethical-decision-making, ethics, [[Philosophy|Philosophy]], justice, utilitariansim, de[[Ontology|Ontology]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Ethical-Decision-Making|Ethical-Decision-Making]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "가치의 저울질: 기술적 성능이나 경제적 이득이 아닌, '무엇이 옳은가'를 기준으로 갈등 상황을 분석하고, 이해관계자 모두에게 정의로운 최선의 선택지를 도출하는 도덕적 알고리즘."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
윤리적 의사결정(Ethical-Decision-Making)은 개인이나 조직이 윤리적 원칙과 가치를 바탕으로 문제를 인식하고 대안을 평가하여 선택하는 프로세스입니다.
|
||||
|
||||
1. **3대 철학적 접근**:
|
||||
* **Utilitarianism (공리주의)**: 최대 다수의 최대 행복. 결과적 영향 중심.
|
||||
* **Deontology (의무론)**: 보편적 도덕 원칙 준수 (예: 거짓말 금지). 과정의 정당성 중심. ([[Logic|Logic]]와 연결)
|
||||
* **Virtue Ethics (덕 윤리)**: 좋은 인간(또는 조직)이라면 어떻게 행동했을까? 행위자의 품성 중심.
|
||||
2. **적용 단계**:
|
||||
* **Awareness**: 윤리적 쟁점 정책 인식.
|
||||
* **Evaluation**: 각 대안이 이해관계자에게 미칠 영향 분석. (Sensitivity-[[Analysis|Analysis]]와 대비).
|
||||
* **Intention & Action**: 최선의 선택 실행 및 책임 수용.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 개인의 '양심'에만 의존했으나, 현대 정책은 AI 윤리 정책, 데이터 거버넌스 정책 등 고도로 복합적인 기술 윤리 상황을 처리하기 위한 '체계적 프레임워크 정책' 수립을 필수화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 인간의 의사결정 정책을 넘어, 자율주행차나 의료 AI 가 맞닥뜨릴 '트롤리 딜레마' 상황에서 어떤 윤리 정책을 탑재(Embedding)할 것인가에 대한 수학적 정의가 연구의 핵심임. (Ethics와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Logic|Logic]], [[Sensitivity-Analysis|Sensitivity-Analysis]], Ethics, Decision-Making, [[Quality-Control|Quality-Control]], Effective-Altruism-in-AI
|
||||
- **Key Model**: Rest's Four-Component Model.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ETDI-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, etiology, disease, pathology, causality, genetics, environment]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Etiology-of-Disease|Etiology-of-Disease]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "질병의 뿌리 찾기: 단순히 눈에 보이는 증상을 치료하는 것을 넘어, 유전적 결함, 바이러스 침투, 환경 오염 등 질병을 일으킨 '근본 원인(Causality)'을 수학적·생물학적으로 규명하여 완치를 목표로 하는 탐구."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
병인학(Etiology-of-Disease)은 질병의 원인과 그 인자들이 질병 발생에 기여하는 메커니즘을 연구하는 의학 및 생물학 분야입니다.
|
||||
|
||||
1. **원인의 분류**:
|
||||
* **Endogenous (내인성)**: 유전적 이상, 대사 장애, 면역 결함. ([[Enzyme-Inhibition-Kinetics|Enzyme-Inhibition-Kinetics]]와 연결)
|
||||
* **Exogenous (외인성)**: 바이러스/세균(Bio[[Logic|Logic]]al), 화학 물질/독소(Chemical), 외상/방사선(Physical).
|
||||
* **Multifactorial**: 유전과 환경의 복합적 상호작용. ([[Epidemiological-Modeling|Epidemiological-Modeling]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 원인을 정확히 알아야만 '표적 정밀 치료(Precision medicine)'가 가능하며, 반복되는 질병의 확산 경로 정책을 차단할 수 있기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '단일 원인 정책(One cause)' 가설이 지배적이었으나, 현대 정책은 수만 개의 유전자 정책과 환경 변수 정책이 얽힌 복합적인 '네트워크 정책적 원인'을 분석하는 시스템 생물학 정책으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 생물학적 원인 정책을 넘어, 환자의 '디지털 병인(Digital Etiology)' - 즉, 스마트 기기 사용 패턴 정책이나 수면 정책, 식습관 데이터 정책 등을 분석하여 질병 이전의 전조 증상 정책을 포착하는 연구가 활발함. (Bio-Informatics와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Enzyme-Inhibition-Kinetics|Enzyme-Inhibition-Kinetics]], [[Epidemiological-Modeling|Epidemiological-Modeling]], Bio-Informatics, [[Scientific-Method|Scientific-Method]], [[Reliability|Reliability]], [[Sustainability|Sustainability]]
|
||||
- **Key Concepts**: Koch's postulates, Genetic predisposition.
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Expo Router
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Expo Router
|
||||
{"status":"success","answer":"","conversation_id":"fbd62d6c-e87f-4898-87fe-1ed6d37cb0d7"}
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Express
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Express
|
||||
{"status":"success","answer":"","conversation_id":"48a40a51-c14c-4528-a9de-6b2b58e66be6"}
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-FELP-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, feedback-loops, [[Systems-Thinking|Systems-Thinking]], [[Cybernetics|Cybernetics]], Self-Correction, steering]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Feedback-Loops|Feedback-Loops]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 고리: 행위의 결과가 다시 원인의 입력으로 돌아와 시스템을 강화하거나 안정시키는 순환 구조로, 모든 생명체의 항상성과 기계의 자동 제어, 그리고 조직의 학습을 가능케 하는 우주의 운영 원리."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
피드백 루프(Feedback-Loops)는 시스템의 출력이 입력을 조절하는 프로세스입니다.
|
||||
|
||||
1. **두 가지 유형**:
|
||||
* **Negative Feedback (안정화)**: 목표와 멀어지면 반대 방향으로 힘을 가해 현재 상태 유지 (예: 에어컨 온도 조절, 인체 항상성). ([[Homeostasis|Homeostasis]]와 연결)
|
||||
* **Positive Feedback (증폭)**: 특정 방향으로의 변화를 더 가속화 (예: 산울림 현상, 기술의 지수 성장, 시장 독점). ([[Exponential-Growth|Exponential-Growth]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 시스템이 외부 변화에 적응하고 스스로를 보정(Self-Correction)하게 만드는 핵심 동력임. (Cybernetics의 근간)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 피드백을 단순 '결과 보고 정책'으로 보았으나, 현대 정책은 루프의 속도와 정확도가 시스템의 지능 지수 정책을 결정한다고 봄(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 정책에서 '생각-실행-반영'의 피드백 루프인 ReAct 패턴이 도입되며, 한번에 정답을 내는 구조에서 '고쳐나가는 지능 정책'으로 진화함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Cybernetics|Cybernetics]], [[Control-Theory|Control-Theory]], [[Homeostasis (항상성)|Homeostasis (항상성)]], Self-Correction, [[Exponential-Growth|Exponential-Growth]]
|
||||
- **Modern Tech/Tools**: Monitoring dashboards, CI/CD pipelines, Reinforcement Learning agents.
|
||||
---
|
||||
@@ -0,0 +1,18 @@
|
||||
# [[Fortnite|Fortnite]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
포트나이트(Fortnite)는 'V-Bucks'라는 가상 통화를 기반으로 강력한 가상 경제 시스템을 운영하는 대표적인 게임이다 [1]. 최근 사용자 제작 콘텐츠(UGC)를 중심으로 한 크리에이터 경제의 선두주자로 부상하며 생태계 참여자들에게 막대한 수익을 배분하고 있다 [2, 3]. 또한 행동 경제학의 사회적 비교 원리를 활용하여 플레이어의 지출을 유도하는 등 정교한 수익화 전략을 보여주는 거시적 플랫폼으로 진화하고 있다 [4, 5].
|
||||
|
||||
## 📖 Core Content
|
||||
* **UGC 및 크리에이터 경제의 확장**: 포트나이트는 2024년 기준 크리에이터들에게 약 3억 5,200만 달러의 수익을 지급한 UGC 거물(behemoth)이다 [2, 3]. 주 사용자층의 60%가 18~24세로 구성되어 있으며, 대중문화 및 유명 IP와 연계된 큐레이션 콘텐츠를 끊임없이 제공하는 생태계가 특징이다 [3].
|
||||
* **크리에이터 수익화 모델 강화**: 2025년 12월부터 크리에이터들은 자신의 포트나이트 섬(island)에서 내구재와 소모성 아이템을 판매할 수 있게 되었다 [3]. 또한 신규 및 휴면 플레이어를 유입시키는 데 대한 인센티브가 제공되며, 1년 동안 창작물에 대해 100%의 광고 수익을 분배받는 등 유저 발견과 참여를 극대화하는 새로운 도구들이 도입되었다 [3].
|
||||
* **행동 경제학적 수익화 메커니즘**: 포트나이트의 경제 시스템은 'V-Bucks'라는 유료 재화(Hard Currency)를 기반으로 작동한다 [1]. 이와 더불어, 플레이어의 순위와 업적을 공개적으로 전시함으로써 '사회적 비교(Social Comparison)'와 경쟁심을 자극하여 게임 내 지위를 확보하기 위한 지출을 유도하는 심리적 기제를 성공적으로 활용하고 있다 [5].
|
||||
* **플랫폼으로의 진화**: 강력한 UGC 생태계와 크리에이터 지원을 바탕으로, 포트나이트는 단순한 게임 타이틀을 넘어 하드웨어에 구애받지 않는([[Hardware|Hardware]]-agnostic) 독립적인 유통 플랫폼으로 진화할 수 있는 강력한 위치를 선점하고 있다 [4].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** UGC (사용자 제작 콘텐츠, Social Comparison (사회적 비교), 가상 통화 (Virtual Currency
|
||||
- **Projects/Contexts:** 크리에이터 경제 (Creator Economy, 하드웨어 비종속 플랫폼 (Hardware-Agnostic Platforms
|
||||
- **Contradictions/Notes:** 소스에 관련 정보가 부족합니다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Function-as-a-Service (FaaS)
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Function-as-a-Service (FaaS)
|
||||
{"status":"success","answer":"","conversation_id":"883c1c38-65ee-4388-a221-a24f6d7dc3a2"}
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: GSTACK-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [engineering-culture, productivity, gstack, framework]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# G-Stack [[Principles|Principles]] (G-Stack 엔지니어링 원칙)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "한계를 넘어서는 엔지니어링을 위한 행동 지침" — 극강의 생산성과 문제 해결 능력을 위해 정의된, GStack 프레임워크의 핵심 철학이자 실천 강령.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 문제를 만나면 회피하는 대신 '호수를 끓이는(Boil the Lake)' 수준의 압도적인 실행력으로 정면 돌파하고, 결과를 구체화(Concreteness)하는 엔지니어링 패턴.
|
||||
- **핵심 원칙:**
|
||||
- **Boil the Lake (호수 끓이기):** 불가능해 보이는 거대한 작업도 잘게 쪼개어 끝내 집요하게 완수하는 에너지.
|
||||
- **Concreteness (구체성):** 모호한 계획보다 돌아가는 코드와 눈에 보이는 결과물(Artifacts)을 우선시함.
|
||||
- **Product Thinking:** 엔지니어링 작업을 단순 기능 구현이 아닌, 사용자 가치를 창출하는 제품의 관점에서 접근.
|
||||
- **Autonomous Collaboration:** 에이전트 간, 그리고 인간과 에이전트 간의 명확한 계약(R&R) 기반 자율 협업.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 '열심히 하는 것'과 '원칙에 따라 똑똑하게 실행하는 것'의 차이를 명확히 구분.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 의사결정과 코드 작성 시 G-Stack 원칙을 준수하며, 특히 '지식 가드닝' 과정에서 구체성 원칙을 엄격히 적용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- GStack-Core-Principles, Antigravity-Framework, Productivity, Engineering-Excellence
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/G-Stack Principles.md
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: HABIT-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Psychology|[Psychology]], neuroscience, [[Behavior|Behavior]]-change, productivity]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Habit Formation (습관 형성의 심리학)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의지력을 자동화된 루틴으로 대체하라" — 반복적인 행동을 통해 뇌의 신경 회로가 재편되어, 최소한의 인지적 노력만으로 특정 행동을 수행하게 되는 심리적 과정.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 신호(Cue) -> 반복 행동(Routine) -> 보상(Reward)으로 이어지는 '습관 고리(Habit Loop)'를 형성하여 의사결정 에너지를 절약하는 인지 패턴.
|
||||
- **세부 내용:**
|
||||
- **Basal Ganglia:** 습관이 저장되는 뇌 부위. 전전두엽의 개입 없이도 행동을 실행하게 함.
|
||||
- **Implementation Intentions:** "X 상황이 오면 Y를 하겠다"는 구체적 계획이 습관 형성 성공률을 높임.
|
||||
- **Keystone Habits:** 하나의 작은 습관이 연쇄적으로 다른 긍정적 변화를 일으키는 핵심 습관 (예: 운동, 독서).
|
||||
- **[[Neuroplasticity|Neuroplasticity]]:** 반복을 통해 시냅스 연결이 강화되는 뇌의 가소성 원리.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순히 "21일이면 습관이 된다"는 속설과 달리, 행동의 복잡도에 따라 평균 66일에서 길게는 수개월이 걸릴 수 있음이 현대 심리학에서 증명됨.
|
||||
- **정책 변화:** Antigravity 에이전트의 사용자 인터랙션 설계 시, 사용자가 매일 지식 가드닝에 참여할 수 있도록 명확한 '신호'와 '보상' 체계를 제공하여 습관화를 유도함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Dopamine|Dopamine]]rgic-Reward-Systems, [[Behavioral-Economics|Behavioral-Economics]], [[Psychology|Psychology]], Productivity
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Habit-Formation.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-HPCO-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, coaching, high-performance, [[Leadership|Leadership]], development, feedback, psycho[[Logic|Logic]]al-safety]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[High-Performance-Coaching|High-Performance-Coaching]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "잠재력의 해방: 코치가 정답을 가르쳐주는 것이 아니라, 날카로운 질문과 피드백을 통해 대상자 스스로가 자신의 한계를 깨트리고 최상의 수행 능력(Peak Performance)을 발휘하게 돕는 정교한 심리 조력 기법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
고성과 코칭(High-Performance-Coaching)은 개인이나 팀이 자신의 역량을 극대화하여 목표를 달성할 수 있도록 돕는 전문적인 과정입니다.
|
||||
|
||||
1. **3대 프로세스**:
|
||||
* **Self-Awareness**: 자신의 강점과 약점을 객관적인 데이터로 인지. ([[Experience-Sampling-Method|Experience-Sampling-Method]]와 연결)
|
||||
* **[[goal|goal]] Setting (SMART)**: 막연한 희망이 아닌, 측정 가능한 구체적인 목표 설정.
|
||||
* **Accountability**: 약속한 행동을 지키도록 모니터링하고 피드백 루프 지속. (Standard-Operating-Procedure와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 단순 기술 습득 정책을 넘어, '멘탈 모델 정책' 자체를 성장 마인드셋 정책으로 전환하여 지속성 정책([[Grit|Grit]]) 정책을 만들어내기 때문임. ([[Growth-Mindset|Growth-Mindset]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 카리스마 넘치는 리더의 일방적 지시 정책(Directing)이 주였으나, 현대 정책은 대상자의 내적 동기 정책을 끌어내는 '파트너십 정책' 중심의 코칭 정책이 훨씬 더 높은 몰입 정책과 결과 정책을 만들어냄을 증명함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근에는 AI 가 사람의 대화 패턴 정책이나 작업 로그 정책을 분석하여 맞춤형 코칭 팁 정책을 제공하는 'AI-Powered Coaching' 플랫폼 정책들이 등장하며 코칭의 스케일 정책이 비약적으로 확장 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Experience-Sampling-Method|Experience-Sampling-Method]], [[Standard-Operating-Procedure|Standard-Operating-Procedure]], [[Growth-Mindset|Growth-Mindset]], [[Grit|Grit]], [[Human-Computer-Interaction|Human-Computer-Interaction]], [[Leadership|Leadership]]
|
||||
- **Key Model**: GROW Model (Goal, Reality, Options, Will).
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-HFOR-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, hpo, high-performance, organization, culture, [[Leadership|Leadership]], agility, tier-1]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[High-Performance-Organizations|High-Performance-Organizations]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시스템이 곧 팀이다: 특출난 영웅 한 명에 의존하는 것이 아니라, 명확한 정렬([[Alignment|Alignment]])과 투명한 데이터, 그리고 극강의 규율이 결합된 '프로세스'를 통해 지속적으로 시장을 압도하는 성과를 내는 티어-1 엘리트 집단."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
고성과 조직(High-Performance-Organizations, HPO)은 장기적으로 동종 업계의 평균을 훨씬 상회하는 성과를 지속적으로 달성하는 조직을 의미합니다.
|
||||
|
||||
1. **3대 핵심 기둥**:
|
||||
* **Alignment & [[Purpose|Purpose]]**: 모든 팀원이 하나의 북극성 지표(North Star metric)를 향해 정렬됨. ([[Strategic-Planning|Strategic-Planning]]와 연결)
|
||||
* **Psycho[[Logic|Logic]]al Safety**: 실패를 비난하지 않고 학습의 기회로 삼는 문화. ([[Growth-Mindset|Growth-Mindset]]와 연결)
|
||||
* **Radical Transparency**: 정보의 독점이 아닌, 누구나 데이터를 보고 의사결정할 수 있는 환경.
|
||||
2. **왜 중요한가?**:
|
||||
* 변동성(Volatility)이 높은 현대 환경에서 살아남기 위해서는 개인의 역량 정책을 뛰어넘는 조직적 유연성 정책(Agility) 정책이 필수적이기 때문임. ([[Dynamic-Capabilities|Dynamic-Capabilities]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 상명하복식의 효율적 통제 정책(Command & Control)이 성장의 핵심이었으나, 현대 정책은 현장 실무자에게 권한 정책을 위임하고 빠른 피드백 정책을 주고받는 '자율 분산형 조직(Self-organizing teams) 정책'이 하이 퍼포먼스의 상징이 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 성과 정책을 넘어, 팀원들의 웰빙 정책(Eudaimonia)과 번아웃 정책 방지 장치 정책까지 시스템화하여 지속 가능한 고성능([[Sustainability|Sustainability]]) 정책을 유지하는 것이 HPO 의 새로운 표준임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Strategic-Planning|Strategic-Planning]], [[Growth-Mindset|Growth-Mindset]], [[Dynamic-Capabilities|Dynamic-Capabilities]], [[Eudaimonia-and-Well-being|Eudaimonia-and-Well-being]], [[Sustainability|Sustainability]], [[Leadership|Leadership]]
|
||||
- **[[Reference|Reference]]**: High Performance Organization (HPO) Framework by André de Waal.
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Higher-Order Components (HOCs)
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Higher-Order Components (HOCs)
|
||||
{"status":"success","answer":"","conversation_id":"3d409238-88fa-476f-8686-a5483a1bd7d4"}
|
||||
@@ -0,0 +1,21 @@
|
||||
# [[Horizontal Logic|Horizontal Logic]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
피라미드 구조 내에서 같은 계층(Level)에 속한 아이디어들이 서로를 어떻게 논리적으로 연결하고 배열되는지를 결정하는 규칙.
|
||||
|
||||
## 📖 Core Content
|
||||
- 수평적 논리는 독자가 아이디어들이 왜 함께 묶였는지 짐작하지 않도록 명확한 순서를 제공합니다. 아이디어의 배열 순서는 마음이 그룹을 형성한 분석적 활동을 반영해야 합니다 [3, 37].
|
||||
- 수평적으로 아이디어를 배열하는 논리적 방식은 단 4가지입니다:
|
||||
1) 연역적 순서 (대인수, 소인수, 결론)
|
||||
2) 시간적 순서 (원인과 결과의 발생 순, Chrono[[Logic|Logic]]al)
|
||||
3) 구조적 순서 (전체를 부분으로 나누는 순, Structural)
|
||||
4) 비교/중요도 순서 (가장 중요한 것부터 덜 중요한 순, Comparative) [3, 37, 38].
|
||||
- 수평적 관계를 형성하는 서브 포인트들은 반드시 동일한 종류(Same kind)의 아이디어여야 하며(예: 모두 문제점이거나 모두 해결책 등), 상호 배타적이고 전체를 포괄하는 [[MECE|MECE]] 원칙을 엄격하게 지켜야 합니다 [37-39].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** Vertical Logic, [[MECE Principle|MECE Principle]]
|
||||
- **Projects/Contexts:** Structuring Arguments, Report Writing
|
||||
- **Contradictions/Notes:** 수평적 논리 순서가 엉망일 경우, 독자의 뇌는 무의식적으로 아이디어 간의 연관성을 찾기 위해 인지적 에너지를 낭비하게 되어 정작 메시지 본질에 대한 이해도가 떨어집니다 [40].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,27 @@
|
||||
# [[Horizontal and Vertical Logic|Horizontal and Vertical Logic]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
수평적 및 수직적 논리(Horizontal and Vertical [[Logic|Logic]])는 민토 피라미드 원칙([[Minto Pyramid Principle|Minto Pyramid Principle]])에서 아이디어를 구조화하고 결합하여 설득력 있는 문서를 작성하기 위한 핵심 차원이다 [1, 2]. 수직적 논리는 상위 아이디어와 하위 아이디어 간의 '질문과 답변' 대화를 형성하여 독자의 주의를 이끌어낸다 [1, 3, 4]. 반면, 수평적 논리는 동일한 계층에 있는 아이디어들 간의 관계를 규정하며, 연역적 또는 귀납적 추론을 통해 일관된 논리적 순서를 유지한다 [5, 6]. 이 두 가지 논리가 결합하여 주장을 견고하게 뒷받침하는 피라미드 구조를 완성한다 [2, 7].
|
||||
|
||||
## 📖 Core Content
|
||||
* **수직적 논리 (Vertical Logic)**
|
||||
* 수직적 논리는 피라미드의 상하 관계를 나타내며, 글쓴이와 독자 간의 '질문/답변(Question-Answer) 대화'를 구축하는 역할을 한다 [1, 4, 8].
|
||||
* 피라미드에서 주요 아이디어나 주장이 제시되면 독자의 마음속에는 자연스럽게 '왜?(Why?)' 또는 '어떻게?(How?)'와 같은 질문이 떠오르게 되며, 바로 아래 계층의 하위 아이디어들이 이 질문에 직접적으로 답변해야 한다 [1, 3, 4].
|
||||
* 하위 계층의 정보들은 상위 포인트를 보강하고 요약하는 역할을 수행해야 하며 [5, 9, 10], 만약 하위 포인트가 상위 포인트가 제기한 질문에 직접적으로 답하지 못한다면 수직적 논리가 깨지고 주장의 설득력을 잃게 된다 [4].
|
||||
|
||||
* **수평적 논리 ([[Horizontal Logic|Horizontal Logic]])**
|
||||
* 수평적 논리는 피라미드의 동일한 레벨(계층)에 위치한 아이디어들 간의 관계를 지배한다 [5, 6, 10].
|
||||
* 동일한 그룹에 속한 아이디어들은 일관된 논리적 순서에 따라 배열되어야 하며, 무작위로 나열될 경우 독자는 아이디어 간의 관계를 찾기 위해 불필요한 정신적 에너지를 소모하게 된다 [6, 11].
|
||||
* 바바라 민토(Barbara Minto)는 수평적으로 아이디어를 배열하는 네 가지 주요 방법을 제시했다 [6, 9, 12]:
|
||||
1. **연역적 순서 (Deductive Order):** 첫 번째 아이디어가 대전제를 제시하고, 두 번째 아이디어가 소전제를 다루며, 세 번째 아이디어가 결론(Implication)을 도출하는 논리적 흐름이다 [6, 9].
|
||||
2. **시간적/연대기적 순서 (Chronological/Time Order):** 특정 결과를 달성하기 위한 프로세스의 단계나 인과 관계를 시간에 따라 나열한다 [6, 9, 13].
|
||||
3. **구조적 순서 (Structural Order):** 전체를 지리나 부서 등 구성 요소로 분할할 때 사용되며, 이때 각 요소는 [[MECE|MECE]](상호 배제 및 전체 포괄) 원칙을 반드시 충족해야 한다 [6, 12, 14].
|
||||
4. **비교/정도 순서 (Comparative/Degree Order):** 카테고리화된 아이디어들을 중요도나 영향력 등에 따라 순위를 매겨 배열한다 [6, 12, 14].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[Minto Pyramid Principle|Minto Pyramid Principle]], Deductive and Inductive Reasoning, [[MECE Principle|MECE Principle]]
|
||||
- **Projects/Contexts:** [[business|business]] Communication and Presentation, [[Consulting Problem Solving|Consulting Problem Solving]]
|
||||
- **Contradictions/Notes:** 연역적 논리는 그룹 내 아이디어들이 서로 의존적이어서 하나의 전제가 무너지면 전체가 무너지는 반면, 귀납적 논리는 개별 아이디어들이 서로 독립적인 이유들로 구성된다는 차이가 있다 [15, 16]. 경영진이나 바쁜 독자를 대상으로 하는 커뮤니케이션에서는 피라미드의 최상위 핵심 라인(Key Line)에서 연역적 추론보다 귀납적 추론을 사용하는 것이 독자가 더 빠르고 쉽게 이해하도록 돕는 데 유리하다 [16-18].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-HYAB-001
|
||||
category: Unified
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, hypostatic-abstraction, charles-peirce, semiotics, [[Logic|Logic]], [[Ontology|Ontology]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Hypostatic-Abstraction|Hypostatic-Abstraction]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "술어에서 주체로의 도약: '꿀은 달다'라는 성질에서 '단맛(Sweetness)'이라는 독립적 실체를 만들어내듯, 동작이나 상태를 하나의 고정된 개념적 대상(Object)으로 격상시켜 사고의 도구로 삼는 언어와 논리의 연금술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
실체화 추상(Hypostatic-Abstraction, HOS)은 찰스 퍼스(Charles Peirce)가 제안한 기호학적 개념으로, 속성이나 관계를 독립된 객체로 취급하는 인지 과정을 말합니다.
|
||||
|
||||
1. **작동 원리**:
|
||||
* "이 사과는 빨갛다"($Predication$) -> "빨강이 이 사과에 있다"($Abstraction$).
|
||||
* 동사(어떠함)를 명사(무엇)로 바꿈으로써, 그 개념을 더 깊이 탐구하거나 다른 개념과 연결할 수 있게 함.
|
||||
2. **왜 중요한가?**:
|
||||
* 인간 지능이 복잡한 현상을 단순한 '데이터 조각'이 아닌 '다룰 수 있는 개념'으로 변환하여 지식 체계를 구축하는 핵심 메커니즘임. ([[Knowledge synthesis|Knowledge synthesis]]의 근간)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거 철학 정책은 이를 단순한 언어적 습관 정책으로 보았으나, 현대 인지 과학 정책은 이를 고차원적 사고를 가능케 하는 '인지적 압축 정책'으로 재평가함(RL Update).
|
||||
- **정책 변화(RL Update)**: 현대 객체 지향 프로그래밍(OOP)이나 디자인 패턴 정책에서 행위(Action)를 객체(Command Object 등)로 만들어 다루는 설계 철학 정책의 뿌리가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Knowledge synthesis|Knowledge synthesis]], Ontology (온톨로지), [[Analysis|Analysis]], [[Logic|Logic]], [[Concept Mapping|Concept Mapping]]
|
||||
- **Modern Tech/Tools**: Object-oriented programming, Semantic web, Knowledge graphs.
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: PERF-IMG-OPT-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [image-[[Optimization|Optimization]], web-performance, webp, avif, lazy-loading, responsive-images, lcp]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Image Optimization for Web Performance (웹 성능을 위한 이미지 최적화)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시각적 품질은 유지하되 파일 크기는 물리적 최소치로 압축하고, 사용자의 화면에 나타날 때만 리소스를 전송하여 초기 로딩의 거대한 장벽을 제거하라" — LCP 성능을 결정짓는 프런트엔드 리소스 관리의 핵심.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Next-gen Formats and Adaptive Delivery" — WebP/AVIF 같은 차세대 포맷을 사용하고, 기기의 해상도(srcset) 및 뷰포트 위치(Lazy Load)에 따라 최적의 이미지를 선별적으로 전송하는 패턴.
|
||||
- **이미지 최적화 기술:**
|
||||
- **Modern Formats:** JPEG/PNG 대비 30~50% 더 높은 압축률을 가진 WebP 및 AVIF 채택.
|
||||
- **Responsive Images:** `srcset`과 `sizes` 속성을 활용하여 화면 크기에 맞는 이미지 서빙.
|
||||
- **Native Lazy Loading:** `loading="lazy"` 속성을 통해 스크롤 시점에 이미지 다운로드.
|
||||
- **Aspect Ratio Boxes:** 이미지 로드 전 공간을 미리 확보하여 CLS 방지.
|
||||
- **Image CDNs:** 이미지를 동적으로 크롭하고 압축하여 전송하는 외부 서비스 활용.
|
||||
- **의의:** 웹사이트 전송 용량의 60% 이상을 차지하는 이미지를 최적화함으로써 LCP를 단축하고 모바일 데이터 사용량을 절감함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 과거에는 이미지를 무조건 합쳐서(Sprite) 요청 수를 줄였으나, 현대 정책은 개별 이미지의 포맷 최적화와 필요 시점 로딩 정책을 선호함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 모든 신규 이미지 자산에 대해 AVIF 포맷 사용을 기본 정책으로 하며, 고해상도 원본 이미지를 직접 서빙하는 행위를 엄격히 금지함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Core-Web-Vitals-Metrics|Core-Web-Vitals-Metrics]], [[Largest-Contentful-Paint-LCP|Largest-Contentful-Paint-LCP]], Cumulative-Layout-Shift-CLS, [[Frontend-Performance-Optimization-Guide|Frontend-Performance-Optimization-Guide]]
|
||||
- **Raw Source:** 00_Raw/Image Optimization.md
|
||||
@@ -0,0 +1,5 @@
|
||||
# Index: Topics > Governance & Reliability
|
||||
|
||||
## 📝 Documents
|
||||
- [[Autonomous Logging|Autonomous Logging]]
|
||||
- [[Session Lifecycle|Session Lifecycle]]
|
||||
@@ -0,0 +1,38 @@
|
||||
# Inference-Coupled Persistence (추론 결합 지속성)
|
||||
|
||||
## 📌 Brief Summary
|
||||
Inference-Coupled Persistence는 에이전트가 단순히 작업 결과를 저장하는 것을 넘어, 작업이 끝난 후 모델의 추론(Inference) 능력을 활용하여 작업의 성공/실패 요인을 분석하고 향후 재사용 가능한 절차적 지식이나 에피소드 기억으로 요약하여 영구 저장소에 기록하는 기술이다. 이는 에이전트가 경험으로부터 스스로 학습하고 진화하게 만드는 자가 발전(Self-improvement)의 핵심 메커니즘이다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **자가 분석 (Post-hoc Analysis)**: 작업 완료 후 에이전트는 "무엇이 성공했는가?", "어떤 장애물이 있었는가?", "다음에 이 작업을 한다면 무엇을 다르게 할 것인가?"를 스스로 질문하고 답을 생성한다.
|
||||
* **스킬 라이브러리 (Skill Synthesis)**: 특정 문제 해결 과정을 일반화된 '스킬'로 변환하여 저장한다. 예를 들어, 특정 라이브러리의 버그를 해결한 과정을 기록하여 다음에 유사한 상황에서 검색 가능하게 만든다.
|
||||
* **에피소드 기억 (Episodic Memory)**: 작업의 전체 궤적(Trajectory) 중 핵심적인 결정 순간과 그 이유를 추출하여 저장함으로써, 긴 대화 이력을 모두 보관할 필요 없이 핵심 맥락을 보존한다.
|
||||
* **쓰기 트리거 정책 (Write-trigger Policy)**: 모든 정보를 저장하면 노이즈가 발생하므로, 유의미한 발견이 있거나 작업이 완료된 시점에만 추론을 통한 저장을 실행한다.
|
||||
* **품질 게이트 (Quality-gate)**: 저장되기 전에 생성된 지식이 정확한지, 혹은 보안상 위험이 없는지 검증하는 단계를 거친다.
|
||||
|
||||
## ⚖️ Trade-offs & Caveats
|
||||
* **추론 비용**: 저장을 위해 추가적인 모델 호출이 필요하므로 토큰 소모와 시간이 발생한다.
|
||||
* **메모리 중독 (Memory Poisoning)**: 모델이 자신의 실패를 잘못 분석하거나 환각(Hallucination)을 지식으로 저장할 경우, 에이전트의 전체 지능이 오염될 수 있다.
|
||||
* **요약 편향 (Summary Drift)**: 여러 번의 분석과 요약을 거치면서 원본 경험의 중요한 디테일이 사라지고 왜곡될 수 있다.
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
|
||||
### Related Concepts
|
||||
* [[Agent Memory System|Agent Memory System]]
|
||||
* 연결 이유: 추론 결합 지속성이 실질적으로 지식을 공급하는 대상 시스템이다.
|
||||
* [[S-component (State Store)|S-component (State Store)]]
|
||||
* 연결 이유: 분석된 지식이 물리적으로 저장되는 하네스의 구성 요소이다.
|
||||
* Reflexion
|
||||
* 연결 이유: 작업 중 혹은 후에 스스로를 돌아보고 개선하는 유사한 추론 패턴이다.
|
||||
|
||||
### Deeper Research Questions
|
||||
* 모델의 자기 분석 결과가 정확한지 확인하기 위해, 별도의 '평가자 에이전트(Evaluator Agent)'를 통한 교차 검증은 어느 정도의 비용 효율성을 갖는가?
|
||||
* 수백 개의 성공/실패 에피소드 중 현재 작업에 가장 큰 영감을 줄 수 있는 '유사 사례'를 검색하기 위한 고차원 임베딩 전략은 무엇인가?
|
||||
* 학습된 지식이 시간이 지나 프로젝트 사양 변경으로 인해 틀린 정보가 되었을 때(Obsolescence), 이를 자동으로 폐기하거나 수정하는 트리거는 무엇인가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** 코딩 작업 후 "이 프로젝트의 빌드 에러 해결법"이라는 문서를 자동으로 생성하여 `10_Wiki/00_Raw`에 저장하고, 다음에 빌드 에러 발생 시 이를 먼저 검색하도록 한다.
|
||||
* **System Design:** 하네스의 L-component에 `onTaskComplete` 훅을 설정하여, 작업 성공 시 자동으로 'Experience Synthesis' 프롬프트를 실행하도록 설계한다.
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-01*
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: CS-OOP-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [programming, oop, inheritance, polymorphism, software-design]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Inheritance and Polymorphism (상속과 다형성)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "부모의 자산을 물려받아 지식을 확장하고, 하나의 이름으로 수만 가지의 다채로운 행동을 수행하라" — 코드의 재사용성을 극대화하는 상속(Inheritance)과, 동일한 메시지에 대해 객체마다 다르게 반응하도록 설계하는 다형성(Polymorphism)을 통해 유연하고 확장 가능한 시스템을 구축하는 객체 지향의 핵심 원리.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Abstraction and Specialization" — 공통된 특성을 추상 클래스나 인터페이스로 정의하고, 이를 상속받아 구체적인 기능을 구현함으로써 복잡한 시스템의 계층 구조를 체계화하는 설계 패턴.
|
||||
- **핵심 개념:**
|
||||
- **Inheritance:** 기존 클래스(Parent)의 필드와 메서드를 새로운 클래스(Child)가 물려받아 확장. "Is-a" 관계 형성.
|
||||
- **Polymorphism:** 하나의 변수나 메서드가 여러 타입을 가질 수 있는 성질. 오버라이딩(Overriding)과 오버로딩(Overloading)을 통해 실현.
|
||||
- **의의:** 결합도(Coupling)를 낮추고 응집도(Cohesion)를 높여, 코드 한 곳을 수정했을 때 시스템 전체에 미치는 악영향을 최소화함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 깊은 상속 계층이 오히려 유지보수를 어렵게 만든다는 반성 하에, 최근에는 "상속보다 합성(Composition over Inheritance)"을 우선시하는 설계 철학이 대두됨.
|
||||
- **정책 변화:** Antigravity 프로젝트의 에이전트 스킬 설계 시, 기본 기능을 상속받되 구체적인 동작은 다형성을 활용하여 각 에이전트의 특성에 맞춰 구현하는 '플러그인 아키텍처'를 준수함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Software-Architecture-Patterns, [[Functional-Programming|Functional-Programming]], [[Domain-Driven-Design-DDD|Domain-Driven-Design-DDD]],[[_system|system]]-Design-for-AI-Scale
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Inheritance-and-Polymorphism.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-INTE-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, inter[[Opera|Opera]]bility, connectivity, standards, synchronization, [[Systems-Thinking|Systems-Thinking]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Interoperability|Interoperability]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "장벽 없는 소통: 제조사와 언어, 플랫폼이 서로 다르더라도 시스템들이 서로 데이터를 주고받고 정보를 정확히 해석하며 협업할 수 있게 하는 '협동의 기술적 토대'."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
상호운용성(Interoperability)은 이질적인 시스템들이 하나의 유기체처럼 서로 작동할 수 있는 능력입니다.
|
||||
|
||||
1. **계층**:
|
||||
* **Technical**: 하드웨어와 프로토콜의 연결 (케이블이 꽂히고 데이터가 전송됨). ([[Gates|Gates]]와 연결)
|
||||
* **Syntactic**: 데이터 포맷의 일치 (JSON, XML 등).
|
||||
* **Semantic**: 데이터 의미의 일치 (서로가 보낸 수치를 동일한 단위와 개념으로 이해함). ([[Ontology|Ontology]] (온톨로지)와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 상호운용성이 확보되지 않으면 시스템은 고립된 섬(Silo)이 되어 전체 효율을 갉아먹게 됨. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 자국/자사만의 폐쇄적인 규격으로 시장을 장악하려는 'Lock-in 정책'이 주류였으나, 현대 정책은 연결될수록 가치가 커지는 네트워크 효과 기반의 '개방형 상호운용성 정책'으로 선회함(RL Update). ([[Global-Standard|Global-Standard]]와 연결)
|
||||
- **정책 변화(RL Update)**: 다양한 AI 모델과 툴들이 서로의 API를 호출하며 협업하는 '에이전트 생태계 정책'에서, 상호운용성은 지능 시스템의 확장성을 결정하는 결정적 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Global-Standard|Global-Standard]], Ontology (온톨로지), [[Distributed-Systems|Distributed-Systems]], [[Technical-Architecture|Technical-Architecture]], [[Internet of Things (IoT)|Internet of Things (IoT)]]
|
||||
- **Modern Tech/Tools**: API (REST, gRPC), JSON, FHIR (healthcare standard), Matter (smart home standard).
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: REC-ITEM-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [recommender-systems, [[Collaborative-Filtering|Collaborative-Filtering]], item-item, personalization, [[Similarity-Metrics|Similarity-Metrics]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Item-Item Collaborative Filtering (아이템 기반 협업 필터링)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "사용자의 변덕스러운 취향보다, 아이템 간의 견고한 연관 관계를 바탕으로 정교한 추천 지도를 그려라" — 개별 사용자 간의 유사도를 찾는 대신, 아이템들이 함께 소비된 이력을 분석하여 아이템 간의 유사성을 측정하고 이를 기반으로 사용자에게 새로운 것을 제안하는 추천 알고리즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Static Content Relationship" — 사용자의 수는 기하급수적으로 늘어나지만 아이템의 수는 상대적으로 고정되어 있다는 점에 착안하여, 아이템 간 유사도 행렬을 미리 계산(Offline)해두고 실시간(Online) 추천 성능을 극대화하는 패턴.
|
||||
- **작동 원리:**
|
||||
- **Step 1:** 특정 아이템 A와 B를 동시에 선호한 사용자들의 데이터를 수집.
|
||||
- **Step 2:** 코사인 유사도 등을 사용하여 아이템 간의 점수 산정.
|
||||
- **Step 3:** 사용자가 과거에 선호했던 아이템들과 가장 유사한 아이템들을 순위화하여 노출.
|
||||
- **의의:** 사용자 기반(User-based) 방식보다 계산량이 적고 아이템의 특성이 급격히 변하지 않아 추천의 안정성이 높음 (아마존의 성공 비결).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단순한 구매 이력 기반에서, 이제는 딥러닝 임베딩(Matrix Factorization, Graph Embeddings)을 통해 아이템의 의미론적 유사성까지 결합하는 하이브리드 방식으로 진화.
|
||||
- **정책 변화:** Antigravity 프로젝트의 지식 추천 엔진은 사용자가 현재 읽고 있는 문서와 '함께 참조된 빈도'가 높은 다른 지식들을 아이템 기반 필터링으로 분석하여 사이드바에 즉각 제시함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Collaborative-Filtering|Collaborative-Filtering]], [[Matrix-Factorization|Matrix-Factorization]], [[Inner-Product-Spaces|Inner-Product-Spaces]], [[Information-Retrieval-IR|Information-Retrieval-IR]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Item-Item-Collaborative-Filtering.md
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-ITER-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, iteration, loops, recursion, computer-science, repetitive-tasks]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Iteration|Iteration]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "기능의 되풀이, 지능의 축적: 복잡한 작업을 단순한 작은 단계로 나누어 목표를 달성할 때까지 끈질기게 반복 실행함으로써, 단 한 번의 시도로는 불가능한 정교한 결과물을 빚어내는 컴퓨팅적 인내."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
반복(Iteration)은 동일한 절차를 여러 번 되풀이하는 컴퓨터 과학과 사고의 기본 원리입니다.
|
||||
|
||||
1. **구현 방식**:
|
||||
* **Loops**: 정해진 횟수(for)나 조건(while)이 만족될 때까지 코드 블록 실행.
|
||||
* **Recursion**: 함수가 자기 자신을 호출하여 문제를 작게 쪼개어 해결.
|
||||
* **Convergence**: 값을 조금씩 수정하며 정답에 수렴함 ([[Gradient-Descent|Gradient-Descent]]와 연결).
|
||||
2. **왜 중요한가?**:
|
||||
* 인간은 수백만 번의 반복에 지치지만, 컴퓨터는 지치지 않고 반복하여 압도적인 데이터 처리와 수치 해석을 수행하기 때문임. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '횟수 반복 정책'에 그쳤으나, 현대 정책은 반복할 때마다 이전 결과를 학습에 반영하여 더 나아지는 '피드백 기반 반복 정책'으로 지능화됨(RL Update). ([[Feedback-Loops|Feedback-Loops]]와 연결)
|
||||
- **정책 변화(RL Update)**: 거대 모델의 추론 정책에서 한 번에 답을 내기보다, 여러 번의 생각(Iteration)을 거쳐 정답을 다듬는 '가챠(Sampling)와 재시도 정책'이 성능의 핵심 지표가 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Feedback-Loops|Feedback-Loops]], [[Gradient-Descent|Gradient-Descent]], [[Efficiency|Efficiency]], [[Incrementalism|Incrementalism]], [[Control-Theory|Control-Theory]]
|
||||
- **Modern Tech/Tools**: For loops, Multi-pass [[Reasoning|Reasoning]], Iterative [[Refinement|Refinement]], Self-Correction loops.
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: JAMstack
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# JAMstack
|
||||
{"status":"success","answer":"","conversation_id":"923837bc-6a37-4329-92b3-8943e026e400"}
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-JOOP-001
|
||||
category: Unified
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, joint-[[Optimization|Optimization]],[[_system|system]]-design, end-to-end, synergetic-optimization]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Joint-Optimization|Joint-Optimization]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "전체는 부분의 합보다 크다: 개별 부품이나 단계를 제각각 최적화(Local Optima)하기보다, 시스템의 모든 구성 요소가 서로에게 미치는 영향을 고려하여 전체의 목표(Global Optima)를 위해 동시에 조율하는 하모니의 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
공동 최적화(Joint-Optimization)는 여러 변수나 프로세스를 개별적으로 처리하지 않고 통합적으로 최적화하는 접근법입니다.
|
||||
|
||||
1. **주요 개념**:
|
||||
* **End-to-End Learning**: 데이터 입력부터 최종 출력까지 중간 단계 없이 하나의 신경망으로 통째로 최적화. (Deep Learning (DL)의 철학)
|
||||
* **[[Hardware|Hardware]]-Software Co-design**: 소프트웨어 로직과 반도체 설계를 동시에 최적화하여 압도적 성능 달성. (Hardware와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 각 부분은 최선일지라도 그들의 연결점에서 병목(Bottleneck)이 생기는 것을 원천 봉쇄하여 전체 시스템의 효율을 극대화함. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 복잡성을 줄이기 위해 각 단계를 독립적으로 분리하여 관리하는 '모듈화 정책'이 우세했으나, 현대 정책은 최고 성능을 위해 모듈 간의 경계를 허물고 동시에 학습/설계하는 '통합 정책'이 대세가 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 다계층 에이전트 시스템 정책에서, 기획 에이전트와 실행 에이전트를 따로 두지 않고 서로의 피드백을 즉시 반영하여 전체 워크플로우를 공동 최적화하는 정책이 차세대 에이전트 설계의 핵심이 됨. (Agentic-Workflow와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Optimization|Optimization]], [[Efficiency|Efficiency]], Deep Learning (DL), [[Hardware|Hardware]], Agentic-Workflow
|
||||
- **Modern Tech/Tools**: DeepSpeed (Training optimization), End-to-end autonomous driving, ASIC co-design.
|
||||
---
|
||||
@@ -0,0 +1,30 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-JITT-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, jit, just-in-time, compiler, [[Optimization|Optimization]], performance, logistics]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Just-In-Time (JIT)|Just-In-Time (JIT)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "필요할 때 바로: 미리 정해진 계획에 따라 몽땅 해놓는 게 아니라, 실제 상황이 닥쳤을 때(런타임 혹은 주문 발생 시) 그 즉시 최적의 조치를 취함으로써 자원의 낭비를 줄이고 반응 속도를 극대화하는 민첩한 최적화."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
JIT(Just-In-Time)는 컴퓨팅과 물류 분야에서 공통적으로 쓰이는 '적시 처리' 철학입니다.
|
||||
|
||||
1. **분야별 사례**:
|
||||
* **Computing (JIT Compiler)**: 프로그램 전체를 미리 기계어로 바꾸지 않고, 실행되는 순간(Just-in-time) 필요한 부분만 컴파일하여 성능 최적화 (Java, Python 가속기 등). ([[Efficiency|Efficiency]]와 연결)
|
||||
* **Logistics (Toyota 생산 방식)**: 재고를 쌓지 않고 주문이 들어온 만큼만 부품을 조달하여 생산 (Lean과 유사).
|
||||
2. **왜 중요한가?**:
|
||||
* 정적인 미리 준비(Ahead-of-Time)보다 동적인 실제 상황 데이터를 반영할 수 있어 효율성과 유연성이 압도적으로 높음. (Optimization의 정수)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 JIT가 실행 시점에 부하를 준다는 정책적 우려가 있었으나, 현대 정책은 런타임 프로파일링 정책을 통해 '가장 자주 쓰이는 코드 정책'만 집중 가속하여 전체 성능을 사전 컴파일보다 높게 만드는 단계에 도달함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 추론 정책에서도 모든 모델 파라미터를 메모리에 올리기보다, 입력값에 따라 필요한 계층만 로드하거나 활성화하는 '동적 추론(JIT Inference) 정책'이 기기 내(On-device) AI의 핵심 기술로 부상함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency|Efficiency]], [[Optimization|Optimization]], [[Hardware|Hardware]], [[Distributed-Systems|Distributed-Systems]], Moore's Law
|
||||
- **Modern Tech/Tools**: JVM HotSpot, [[V8 Engine|V8 Engine]] ([[JavaScript|JavaScript]]), PyTorch JIT, JAX, Lean manufacturing.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-KNSY-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, knowledge-synthesis, synthesis, information-[[Processing|Processing]], integration, creativity]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Knowledge synthesis|Knowledge synthesis]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 화학 반응: 서로 다른 출처에서 온 파편화된 정보들을 단순히 모으는 게 아니라, 그들 사이의 숨겨진 맥락을 찾아 연결하고 융합하여 원래 없던 '새로운 통찰과 지혜'를 창조해내는 고차원적 인지 연금술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
지식 합성(Knowledge synthesis)은 여러 개별 지식을 통합하여 더 큰 체계를 만드는 과정입니다.
|
||||
|
||||
1. **3대 단계**:
|
||||
* **Deconstruction**: 정보를 최소 단위의 개념으로 분해. ([[Analysis|Analysis]]와 연결)
|
||||
* **Association**: 서로 다른 개념들 사이의 인과성이나 유사성 발견. ([[Concept Mapping|Concept Mapping]]와 연결)
|
||||
* **Integration**: 연결된 개념들을 하나의 논리적 서사나 이론으로 결합.
|
||||
2. **왜 중요한가?**:
|
||||
* 정보 과잉의 시대에서 중요한 것은 개별 사실의 암기가 아니라, 그 사실들을 엮어 세상의 큰 그림을 이해하고 문제를 푸는 '합성 능력'이기 때문임. ([[Interdisciplinary-Research|Interdisciplinary-Research]]의 핵심 능력)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 전문가 개개인의 뇌 속에서만 일어나는 '암묵적 정책'이었으나, 현대 정책은 디지털 도구와 AI를 활용하여 누구나 지식의 연결을 시각화하고 협업하여 합성하는 '공유 지식 합성 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: 거대 언어 모델 자체가 인류의 방대한 지식을 기계적으로 합성(Synthesized)하여 내놓는 '지능 합성 엔진 정책'이 됨에 따라, 인간은 AI가 놓친 미세한 맥락 정책을 보완하는 최종 합성자 역할을 수행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Analysis|Analysis]], [[Concept Mapping|Concept Mapping]], [[Interdisciplinary-Research|Interdisciplinary-Research]], [[Knowledge-Structure|Knowledge-Structure]], [[Flow-State|Flow-State]]
|
||||
- **Modern Tech/Tools**: Obsidian, Roam [[Research|Research]], Mind maps, AI-based literature review tools.
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
**Exploring Composition Techniques**
|
||||
|
||||
I am now delving into diverse compositional techniques like bird's eye and worm's eye views, low and high angles, and Dutch angles, along with over-the-shoulder perspectives. I'm also examining how lens choices (85mm, 50mm, 35mm, macro, tilt-shift, fisheye) influence the final image. I'm noting the impact of shallow depth of field, emphasizing visual focus, along with elements like symmetry, negative space, the rule of thirds, and centered compositions. I am considering these in the Korean report.
|
||||
|
||||
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
### Related Concepts (Auto-Linked)
|
||||
* [[Shift]]
|
||||
* [[_report]]
|
||||
@@ -0,0 +1,18 @@
|
||||
# [[Logical Reasoning (Deductive-Inductive)|Logical Reasoning (Deductive-Inductive]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
피라미드 원리에서 아이디어 간의 수평적 관계를 논리적으로 배열하는 두 가지 핵심 추론 방식인 연역적(Deductive) 추론과 귀납적(Inductive) 추론입니다.
|
||||
|
||||
## 📖 Core Content
|
||||
- **연역적 추론([[Deductive Reasoning|Deductive Reasoning]]):** 일반적인 대전제에서 시작하여 소전제를 거쳐 특정한 결론을 도출하는 선형적인 논리 전개 방식입니다 [10], [11], [12], [13]. 각 포인트는 상호 의존적이며, 하나의 전제가 부정되면 전체 논증이 실패하게 됩니다 [13], [14].
|
||||
- **귀납적 추론([[Inductive Reasoning|Inductive Reasoning]]):** 유사한 특성을 가진 여러 사실이나 아이디어를 하나로 그룹화하여, 그 유사성을 바탕으로 일반적인 결론(추론)을 도출하는 방식입니다 [10], [11], [15], [14]. 각 근거가 독립적이어서 하나가 반박당해도 다른 근거가 결론을 뒷받침할 수 있어 설득력이 높습니다 [14].
|
||||
- **경영진 커뮤니케이션에서의 활용:** 비즈니스 글쓰기의 핵심 수준(Key line)에서는 귀납적 추론을 사용하는 것이 독자의 이해도를 높이고 인지적 부담을 줄여주므로 훨씬 효과적입니다 [10], [16], [14].
|
||||
- **연역적 추론의 적절한 사용처:** 단락 수준에서 세부 사항을 설명하거나, 독자가 강력히 반대할 것으로 예상되어 불가피한 결론으로 논리적으로 유도해야 할 때 적합합니다 [10], [16], [13].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** The [[Pyramid Principle|Pyramid Principle]], [[Horizontal Logic|Horizontal Logic]]
|
||||
- **Projects/Contexts:** [[Business Writing|Business Writing]], Executive Presentations, [[Problem Solving|Problem Solving]]
|
||||
- **Contradictions/Notes:** 연역적 추론은 글을 논리적으로 만들지만, 결론에 도달할 때까지 많은 전제를 읽어야 하는 '미스터리 소설' 같은 구조가 되기 쉬우므로, 결론을 먼저 요구하는 비즈니스 문서의 상위 구조에서는 피하는 것이 좋습니다 [10], [16], [13].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: CV-LUCAS-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [[Computer Vision|[Computer-Vision]], optical-flow, lucas-kanade, image-[[Processing|Processing]], feature-tracking]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Lucas-Kanade Method (루카스-카나데 방법)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "주변 픽셀들은 함께 움직인다는 가정하에, 찰나의 변화 속에서 물체의 흐름(Flow)을 포착하라" — 인접한 픽셀들이 유사한 움직임을 가진다는 국소적 일관성(Local Coherence)을 가정한 후, 최소제곱법을 통해 두 프레임 사이의 픽셀 이동량을 추정하는 옵티컬 플로우(Optical Flow) 알고리즘.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Spatial Consistency and Gradient Descent" — 영상의 밝기가 일정하게 유지된다고 가정(Brightness Constancy)하고, 이미지의 기울기(Gradient) 정보를 활용하여 오차를 최소화하는 방향으로 물체의 이동 궤적을 추적하는 패턴.
|
||||
- **핵심 가정:**
|
||||
- **Brightness Constancy:** 물체의 밝기는 움직여도 변하지 않음.
|
||||
- **Temporal Persistence:** 프레임 간 이동량이 매우 작음.
|
||||
- **Spatial Coherence:** 특정 픽셀의 이웃들은 같은 방향으로 이동함.
|
||||
- **의의:** 영상 내 특징점 추적, 비디오 안정화, 자율주행차의 장애물 감지 등 실시간 컴퓨터 비전 시스템의 움직임 분석을 위한 가장 기초적이고 효율적인 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 이동량이 큰 경우에는 오차가 심하다는 한계가 있으나, 피라미드 구조(Image Pyramid)를 통해 이미지를 축소하며 단계적으로 추적하는 방식으로 현대적 한계를 극복함.
|
||||
- **정책 변화:** Skybound 프로젝트의 적 기체 추적 및 VFX 효과 구현 시, 프레임 간의 자연스러운 움직임 보간을 위해 루카스-카나데 기반의 옵티컬 플로우 원리를 활용함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Least-Squares-Methods|Least-Squares-Methods]], [[Pattern-Recognition|Pattern-Recognition]]-Foundations, Kalman-Filter-and-State-Tracking, [[Robotics-Foundations|Robotics-Foundations]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Lucas-Kanade-Method.md
|
||||
@@ -0,0 +1,19 @@
|
||||
# [[MECE|MECE]] + [[Pyramid Principle|Pyramid Principle]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
바바라 민토(Barbara Minto)가 매킨지에서 고안한 논리적 글쓰기 및 커뮤니케이션 프레임워크와 그 핵심 사고 원칙입니다. 핵심 결론이나 답변을 맨 먼저 제시하는 '피라미드 원칙'과 이를 뒷받침하는 근거들을 중복과 누락 없이 '상호 배타적이고 전체 포괄적(MECE)'으로 구성하는 방법을 결합하여 전달력을 극대화합니다. 복잡한 비즈니스 문제나 데이터를 명확하게 구조화하고, 바쁜 임원진의 시간을 절약하며 설득력을 높이는 데 필수적으로 사용됩니다.
|
||||
|
||||
## 📖 Core Content
|
||||
* **피라미드 원칙 (Pyramid Principle):** 독자나 청중은 하향식(Top-down)으로 정보를 이해하기 원하므로, **핵심 결론(Answer)을 최상단에 두고, 그 아래에 이를 뒷받침하는 핵심 주장(Arguments)을, 가장 아래에 구체적인 데이터(Evidence/Data)를 배치**하는 계층적 구조입니다 [1-13].
|
||||
* **SCQA 스토리텔링 도입부:** 서론은 상황(Situation), 전개/문제(Complication), 질문(Question), 답변(Answer)의 흐름으로 구성하여, 청중이 이미 아는 사실에서 출발해 핵심 주제로 자연스럽게 유도합니다 [14-21].
|
||||
* **MECE 원칙 (Mutually Exclusive, Collectively Exhaustive):** 피라미드를 구성하는 하위 항목들은 서로 겹치지 않아야 하며(상호 배타적), 합쳤을 때 전체를 포괄해야(전체 포괄적) 합니다 [1, 22-29].
|
||||
* **수직적 및 수평적 논리 (Vertical & Horizontal [[Logic|Logic]]):** 수직적으로 상위 메시지는 하위 메시지의 요약이어야 하며 하위 메시지는 상위 메시지가 유발한 '왜?(Why)'나 '어떻게?(How)'에 대한 답변이 되어야 합니다 [30-33]. 수평적으로는 항목들이 귀납적(Inductive) 혹은 연역적(Deductive) 논리나 시간, 구조, 중요도 순으로 일관되게 정렬되어야 합니다 [3, 32, 34-38].
|
||||
* **매직 넘버 3 ([[Rule of Three|Rule of Three]]):** 인간의 단기 기억 한계를 고려하여, 한 그룹을 구성하는 핵심 주장이나 요소의 개수는 가급적 3~4개로 제한하는 것이 가장 효과적입니다 [10, 30, 31, 39-42].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[BLUF (Bottom Line Up Front)|BLUF (Bottom Line Up Front]], SCQA Framework, [[Issue Tree|Issue Tree]]
|
||||
- **Projects/Contexts:** 경영 컨설팅 문제 해결 및 보고서 작성, C-레벨/임원진 대상 전략 프레젠테이션
|
||||
- **Contradictions/Notes:** MECE 원칙은 복잡한 상호작용이 존재하는 시스템적 문제(ComplexSystems)를 다룰 때는 현실을 과도하게 단순화하고 변수 간의 피드백 루프를 숨길 위험이 있습니다. 이러한 경우 시스템 사고([[Systems Thinking|Systems Thinking]]) 등과 병행해야 합니다 [43-47]. 또한 하향식으로 결론을 내리꽂는 방식은 협력적 아이디어 도출이 필요한 디자인 씽킹(Design Thinking) 상황에는 부적합할 수 있습니다 [48-50].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-27*
|
||||
@@ -0,0 +1,26 @@
|
||||
# [[MMORPG 영속적 세계와 자원 관리|MMORPG 영속적 세계와 자원 관리]]
|
||||
|
||||
## 📌 Brief Summary
|
||||
MMORPG의 영속적 세계는 플레이어가 접속을 종료한 오프라인 상태일 때도 지속적으로 존재하고 진화하는 가상 환경을 의미합니다 [1]. 이러한 게임의 주요 경제적 목표는 플레이어 캐릭터의 무한한 성장과 자산 축적이며, 이를 뒷받침하기 위해 수요와 공급에 기반한 '살아있는 경제(Living economy)'가 필수적으로 요구됩니다 [2, 3]. 성공적인 가상 경제를 유지하려면 자원의 생성인 '수도꼭지(Faucets)'와 자원의 소멸인 '배수구(Sinks)'의 속도를 정교하게 조절하여, 인플레이션이나 유동성 위기 없이 경제적 평형을 유지하는 자원 관리가 핵심적입니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
* **영속적 세계와 살아있는 경제 형성**
|
||||
MMORPG는 플레이어의 활동 유무와 무관하게 진화하는 영속적인(Persistent) 세계를 배경으로 합니다 [1]. 이 세계 안에서 플레이어가 획득하는 가상 아이템과 통화는 확실한 가치를 지니며, 때로는 현실 세계의 경제와 교차하기도 하는 '살아있는 경제'를 구성합니다 [2]. MMORPG의 경제적 목표는 본질적으로 캐릭터의 무한한 성장과 자산의 축적에 맞추어져 있습니다 [3].
|
||||
|
||||
* **자원의 생성(수도꼭지)과 소멸(배수구) 관리**
|
||||
성공적인 가상 경제 시스템의 기본 아키텍처는 재화가 무에서 유입되는 '수도꼭지(Faucets)'와 재화가 시스템에서 영구적으로 삭제되는 '하드 싱크(Hard Sinks)' 간의 평형을 맞추는 것입니다 [4, 5]. 이론적으로 무한히 생성될 수 있는 자원의 유입과 소비 속도를 조절하지 못하면 통화의 급격한 인플레이션이 발생하거나 경제 생태계가 붕괴할 수 있습니다 [4, 6].
|
||||
|
||||
* **플레이어 주도 경제와 유동성 관리의 실제 사례**
|
||||
* **알비온 온라인과 EVE 온라인**: 이 게임들은 철저히 플레이어 기반의 경제 시스템을 특징으로 합니다 [3]. 특히 '알비온 온라인'은 몬스터가 드롭하는 전리품을 플레이어가 직접 제작 및 판매한 아이템과 연동되도록 하는 '암시장' 시스템으로 공급량을 조절하며, '글로벌 할인'이라는 거시경제 자동 조절 장치(서모스탯)를 통해 통화 가치를 안정시킵니다 [3].
|
||||
* **뉴 월드(New World)의 유동성 함정**: 게임 초기 고레벨 구간에서 재화의 공급원(수도꼭지)은 줄어든 반면, 주택 세금이나 수리비 같은 싱크가 지나치게 공격적으로 설정된 사례가 있습니다 [3]. 이는 플레이어들이 재화 지출을 극도로 꺼리게 만들어 유동성 함정(Liquidity trap)을 유발했으며, 공급과 소비의 속도 조절이 게임 경제 설계에서 얼마나 치명적인 영향을 미치는지 보여줍니다 [3].
|
||||
|
||||
* **인플레이션 억제와 프리미엄 통화 브릿지 전략**
|
||||
MMORPG에서 무한정 자원이 풀려 인플레이션이 발생하는 것을 막고 경제적 평등을 유도하기 위해 새로운 프리미엄 통화(예: 월드 오브 워크래프트의 WoW 토큰, EVE 온라인의 PLEX) 브릿지를 도입하는 것이 널리 쓰이는 전략입니다 [7-9]. 인게임 재화로 구매 가능한 프리미엄 아이템을 통해 부유한 플레이어의 골드를 대량으로 회수(Sink)할 수 있으며, 불법적인 골드 파밍으로 인해 유발되는 인플레이션을 억제하는 데 강력한 효과를 발휘합니다 [8, 9].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** `게임 경제의 수도꼭지와 배수구 (Faucets and Sinks`, `[[가상 경제 인플레이션(Virtual Economy Inflation)|가상 경제 인플레이션 (Virtual Economy Inflation]]`
|
||||
- **Projects/Contexts:** `[[알비온 온라인(Albion Online)|알비온 온라인 (Albion Online]]`, `EVE 온라인 (EVE Online)`, `뉴 월드 (New World)`, `[[월드 오브 워크래프트(World of Warcraft)|월드 오브 워크래프트 (World of Warcraft]]`
|
||||
- **Contradictions/Notes:** 통화량을 직접적으로 줄여 재화 가치를 방어하기 위해 배수구(Sink)의 도입은 필수적이지만 [5], '뉴 월드'의 사례에서 보듯 너무 공격적인 세금이나 수리비 책정은 오히려 플레이어의 지출을 경색시키는 유동성 함정(Liquidity Trap)을 유발할 수 있으므로 수요와 공급에 대한 섬세한 속도 조절 밸런싱이 요구됩니다 [3].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-MARE-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, mapreduce, [[Distributed-Computing|Distributed-Computing]], [[Big-Data|Big-Data]], [[Parallel-Processing|Parallel-Processing]], cluster-computing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[MapReduce|MapReduce]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "거대한 데이터를 작게 쪼개어 정복하라: 혼자서는 감당 못 할 방대한 데이터를 수천 대의 컴퓨터에 나누어 준 뒤(Map), 각자 계산한 결과들 중에서 필요한 것만 뽑아 다시 하나로 합치는(Reduce) 분산 처리의 표준 문법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
맵리듀스(MapReduce)는 대규모 데이터 세트를 병렬로 처리하기 위한 프로그래밍 모델이자 프레임워크입니다. (구글에 의해 대중화)
|
||||
|
||||
1. **두 단계의 마법**:
|
||||
* **Map Step**: 입력 데이터를 (Key, Value) 쌍으로 변환하여 작은 작업들로 분산.
|
||||
* **Reduce Step**: 같은 Key를 가진 결과를 합산(Aggregating)하여 최종 결과 생성.
|
||||
2. **장점**:
|
||||
* **[[Scalability|Scalability]]**: 컴퓨터를 추가할수록 처리 능력이 선형적으로 증가. (Scalability와 연결)
|
||||
* **[[Fault-Tolerance|Fault-Tolerance]]**: 한 대의 컴퓨터가 고장 나도 다른 컴퓨터가 작업을 대신 수행. (Fault-Tolerance와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 모든 빅데이터 처리를 맵리듀스 정책으로 해결하려 했으나, 현대 정책은 디스크 기반의 느린 맵리듀스보다 메모리 기반의 빠른 'Apache Spark 정책'이나 '실시간 스트리밍 처리 정책'을 선호함(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 데이터를 세는 정책을 넘어, 분산 환경에서 거대 인공지능 모델을 학습시키는 '분산 딥러닝 정책'으로 그 개념적 토대가 확장되어 계승됨. ([[High-Performance Computing (HPC)|High-Performance Computing (HPC)]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scalability|Scalability]], [[Fault-Tolerance|Fault-Tolerance]], [[High-Performance Computing (HPC)|High-Performance Computing (HPC)]], [[Analysis|Analysis]], [[Information-Society|Information-Society]]
|
||||
- **Modern Tech/Tools**: Hadoop (HDFS), Apache Spark, Google File[[_system|system]] (GFS), Hive.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-MEME-001
|
||||
category: Unified
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, memetics, culture, information-replicators, evolutionary-[[Psychology|Psychology]], internet-culture]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Memetics|Memetics]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문화의 유전자: 인간의 뇌에서 뇌로 복제되고 변이하며 살아남는 지식, 믿음, 유행의 기본 단위(Meme)이자, 생물학적 진화를 넘어 정보 지배의 원리를 통해 인류의 문명을 설명하는 진화론적 사회학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
밈학(Memetics)은 문화적 정보의 복제와 전파를 연구하는 학문입니다. (리처드 도킨스 제안)
|
||||
|
||||
1. **3대 조건 (생존의 법칙)**:
|
||||
* **Longevity**: 정보를 담은 매체가 얼마나 오래가는가?
|
||||
* **Fecundity (번식력)**: 얼마나 빠르고 널리 퍼지는가?
|
||||
* **Copy-fidelity**: 원본의 핵심 메시지가 변함없이 전달되는가?
|
||||
2. **왜 중요한가?**:
|
||||
* 특정 아이디어나 유행이 왜 소멸하고 왜 폭발적으로 유행하는지를 '적자생존'의 관점에서 이해하게 함으로써, 마케팅, 정치, 사회 운동의 메커니즘을 통찰하게 함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 문화적 비유 정책으로 여겨졌으나, 현대 정책은 SNS와 알고리즘 덕분에 '초고속 대량 복제와 변이 정책'이 현실화되며 실시간으로 세상을 바꾸는 물리적 힘 정책으로 인정받음(RL Update).
|
||||
- **정책 변화(RL Update)**: AI가 사람들의 선호 정책을 학습하여 인위적으로 '바이럴 밈 정책'을 생성하거나 제어하는 '인공지능 기반 밈 제어 정책'이 부상 시대를 예고함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Information-Society|Information-Society]], [[Innovation|Innovation]], [[Instinct|Instinct]], [[Gestalt Psychology|Gestalt Psychology]], [[Knowledge synthesis|Knowledge synthesis]]
|
||||
- **Modern Tech/Tools**: Viral marketing, Internet memes, Algorithmic feed [[Optimization|Optimization]] (TikTok, X).
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Message Queues
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Message Queues
|
||||
{"status":"success","answer":"","conversation_id":"c1f9843a-31ec-458a-b47d-03bb112debd2"}
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-MITH-001
|
||||
category: Unified
|
||||
confidence_score: 0.88
|
||||
tags: [auto-reinforced, middle-out-thinking, [[Problem-Solving|Problem-Solving]], design-thinking, bottom-up, top-down]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Middle-Out-Thinking|Middle-Out-Thinking]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "중심에서 뻗어 나가는 전략: 거창한 목표(Top-down)나 자잘한 디테일(Bottom-up)에 매몰되지 않고, 문제의 가장 핵심적인 '중간 지점'을 먼저 정의하고 이를 바탕으로 양방향을 동시에 통합하여 최적의 해답을 구상하는 입체적 사고법."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
미들-아웃 사고(Middle-Out-Thinking)는 문제 해결의 핵심 허브를 먼저 구축하는 방식입니다.
|
||||
|
||||
1. **3대 접근성**:
|
||||
* **The Core**: 문제의 본질을 담고 있는 중간 계층의 기능이나 개념을 먼저 설계.
|
||||
* **[[Scalability|Scalability]] Up**: 핵심을 바탕으로 전체 시스템의 비전으로 확장. (Scalability와 연결)
|
||||
* **[[Refinement|Refinement]] Down**: 핵심을 구현하기 위한 세부 데이터나 기술적 디테일 채움.
|
||||
2. **왜 중요한가?**:
|
||||
* 너무 추상적인 계획(Top)은 실행력이 떨어지고, 너무 파편적인 구현(Bottom)은 전체 방향성을 잃기 쉬울 때, 이 둘을 잇는 강력한 '연결 고리' 역할을 수행함. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 엄격한 폭포수 모델 정책(Top-down)이 표준이었으나, 현대 정책은 핵심 기능(MVP)을 먼저 만들고 피드백을 받아 확장하는 미들-아웃형 '애자일 정책'이 글로벌 표준이 됨(RL Update). ([[Minimal-Viable-Product|Minimal-Viable-Product]]와 연결)
|
||||
- **정책 변화(RL Update)**: AI 에이전트 설계 정책에서도, 전체 미션과 세부 코딩 사이의 '워크플로우 오케스트레이션(중간 계층)'을 얼마나 잘 정의하느냐가 시스템의 성패를 결정짓는 핵심 정책이 됨. (Agentic-Workflow와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Minimal-Viable-Product|Minimal-Viable-Product]], [[Scalability|Scalability]], [[Efficiency|Efficiency]], [[Design-System|Design-System]], [[Knowledge-Structure|Knowledge-Structure]]
|
||||
- **Modern Tech/Tools**: [[Domain-Driven Design (DDD)|Domain-Driven Design (DDD)]], Middleware [[Architecture|Architecture]], Microservices.
|
||||
---
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-MVPP-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, mvp, product-development, lean-[[Startup|Startup]], validation, fast-[[Iteration|Iteration]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Minimal-Viable-Product|Minimal-Viable-Product]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "학습을 위한 최소한의 실체: 완벽한 제품이 아니라, 가설을 검증할 수 있는 '최소한의 핵심 기능'만을 담아 시장에 내놓고, 실제 유저의 피드백을 통해 제품의 운명을 결정하며 진화해 나가는 린(Lean) 개발의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
최소 기능 제품(MVP)은 고객의 피드백을 받기 위해 최소한의 노력으로 만든 제품입니다.
|
||||
|
||||
1. **핵심 목적**:
|
||||
* **Validation**: 우리의 아이디어가 실제로 시장에서 통하는지 확인. ([[Feedback-Loops|Feedback-Loops]]와 연결)
|
||||
* **Waste Reduction**: 아무도 원하지 않는 기능을 만드느라 쏟는 시간과 비용 낭비 방지. (Lean-Operations와 연결)
|
||||
* **Speed**: 완벽함보다는 '속도'를 통해 경쟁 우위 점함.
|
||||
2. **왜 중요한가?**:
|
||||
* 현대 비즈니스는 '예측'이 아닌 '대응'의 영역이며, MVP는 가장 저렴하고 빠르게 대응할 수 있는 지적 도구이기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '최소한(Minimal)'에 치중해 품질을 무시하는 정책이 많았으나, 현대 정책은 최소한이더라도 고객이 가치를 느끼고 사랑할 수 있는 수준(Minimum Lovable Product)을 추구하는 정책으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 기반 서비스 개발 정책에서는 모델의 성능을 100% 만드는 것보다, 70%의 성능으로도 사용자 경험을 혁신할 수 있는 '프롬프트 기반 MVP 정책'을 먼저 출시하여 데이터를 선점하는 전략이 주류 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Feedback-Loops|Feedback-Loops]], [[Lean-Operations|Lean-Operations]], [[Iterative-Development|Iterative-Development]], [[Innovation|Innovation]], [[Design-System|Design-System]]
|
||||
- **Modern Tech/Tools**: Landing page tests, Concierge MVP, Wizard of Oz MVP, Fast [[Prototyping|Prototyping]].
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Mockito
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Mockito
|
||||
{"status":"success","answer":"","conversation_id":"774a1e30-77ea-4dd0-84be-f21f3220b59f"}
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-MASY-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, multi-agent-system, mas, [[Autonomous-Agents|Autonomous-Agents]], collaboration, [[Swarm-Intelligence|Swarm-Intelligence]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Multi-agent-System|Multi-agent-System]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 팀워크: 혼자서는 못 풀 문제를 전문화된 여러 인공지능 에이전트들이 서로 대화하고, 협상하고, 역할을 분담하여 해결하는 집단 지성 시스템이자, 복잡한 워크플로우를 자율적으로 완수하는 거대한 오케스트라."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
멀티 에이전트 시스템(MAS)은 여러 개의 지능형 에이전트가 상호작용하는 시스템입니다.
|
||||
|
||||
1. **에이전트의 성격**:
|
||||
* **Autonomy**: 각자 독립적인 판단력 보유.
|
||||
* **Social Ability**: 메시지를 주고받으며 소통. (Agentic-Workflow와 연결)
|
||||
* **Specialization**: 검색 전문가, 기획 전문가, 코딩 전문가 등 역할 분담. ([[Modular-Design|Modular-Design]]적 접근)
|
||||
2. **왜 중요한가?**:
|
||||
* 하나의 초거대 모델이 모든 걸 다 잘하기는 어렵고 비용이 많이 들지만, 작은 모델들을 엮어 팀을 짜면 훨씬 더 정교하고 강력한 성과를 낼 수 있기 때문임. ([[Efficiency|Efficiency]]와 연결)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 에이전트 간의 통신 규격(FIPA 등) 정책에 집착했으나, 현대 정책은 LLM이 자연어로 서로 대화하며 문제를 푸는 '자연어 기반 협업 정책'이 압도적 우위 정책을 점함(RL Update).
|
||||
- **정책 변화(RL Update)**: 에이전트가 늘어날수록 발생하는 소통 비용과 의견 충돌 정책을 해결하기 위해, 팀장의 역할을 하는 'Manager Agent'나 투표 시스템 정책 등을 활용하는 고도의 '에이전트 거버넌스 정책'이 중요해짐.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Agentic-Workflow, [[Modular-Design|Modular-Design]], [[Large Language Models (LLM)|Large Language Models (LLM)]], [[Innovation|Innovation]], [[Leadership|Leadership]]
|
||||
- **Modern Tech/Tools**: AutoGen (Microsoft), CrewAI, LangGraph, [[Swarm Intelligence|Swarm Intelligence]] algorithms.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
category: Unified
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# NDF (Neutral Data Format)
|
||||
|
||||
## 📌 Brief Summary
|
||||
NDF(Neutral Data Format)는 EugenSystems가 개발한 독자적인 텍스트 기반 스크립트 언어 및 데이터 포맷입니다 [1]. [[WARNO|WARNO]]의 게임 동작과 유닛의 세부 데이터를 저장하는 데 사용되며, 게임 코드와 데이터 값을 엄격히 분리하여 수천 개에 달하는 속성을 체계적으로 관리할 수 있게 합니다 [1, 2]. 이는 시뮬레이션의 '유전적 청사진' 역할을 수행하며, 게임 소스 코드의 수정 없이도 정교한 데이터 기반 밸런싱과 모딩을 가능하게 하는 핵심 기반입니다 [1].
|
||||
|
||||
## 📖 Core Content
|
||||
- **NDF의 구조와 객체 지향적 특성**
|
||||
NDF 파일은 텍스트 기반의 프로그래밍 형식을 띠며, 상속과 모듈화가 고도로 발달된 객체 지향적인 특성을 지니고 있습니다 [1]. 구조적 설계의 대표적인 예로, `UniteDescriptor.ndf` 파일 내의 개별 유닛 엔티티는 단일 데이터로 존재하는 것이 아니라 외형 모듈(ApparenceModel), 보급 모듈(TSupplyModuleDescriptor), 생존 모듈(THealthModuleDescriptor) 등 독립적인 기능을 수행하는 여러 디스크립터(Descriptor)들을 조립하는 방식으로 정교하게 구축됩니다 [1].
|
||||
|
||||
- **주요 NDF 파일과 담당 시뮬레이션 영역**
|
||||
WARNO의 모든 논리적 설계는 수천 개의 `.ndf` 파일에 나뉘어 정의되어 있습니다 [1, 2]. 가장 핵심적인 파일들은 다음과 같습니다:
|
||||
* `UniteDescriptor.ndf`: 유닛의 물리적 및 기술적 속성(가격, 시야, 이동성, 은신값 등)을 정의합니다 [3, 4].
|
||||
* `WeaponDescriptor.ndf`: 포탑 회전 속도, 조준 시간 등 무기 체계의 메커니즘을 설정합니다 [3, 4].
|
||||
* `Ammunition.ndf`: 철갑탄(AP) 관통력, 고폭탄(HE) 데미지, 제압력 등 탄약의 물리적 타격 로직을 담고 있습니다 [3, 4].
|
||||
* `Divisions.ndf` 및 `DivisionRules.ndf`: 사단 덱을 구성할 때 적용되는 카드당 유닛 수와 전략적 가용성 규칙을 제어합니다 [4, 5].
|
||||
|
||||
- **데이터 기반 밸런싱 및 모딩의 핵심 동력**
|
||||
NDF 시스템이 제공하는 고도의 유연성은 WARNO 특유의 '데이터 기반 밸런싱(Data-Driven Balancing)'을 가능케 합니다 [4]. 개발자와 모더들은 일반적인 텍스트 편집기나 전용 도구(WME: Warno Mod Editor)를 사용하여 게임 소스코드 변형 없이 유닛 성능 데이터를 즉각적으로 튜닝할 수 있습니다 [1, 5, 6]. 또한, `[[ndf-parse|ndf-parse]]`와 같은 Python 패키지를 활용하면 NDF 파일을 자동으로 파싱하고 수정 사항을 유효한 NDF 코드로 다시 기록하는 작업도 수행할 수 있습니다 [7].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[데이터 기반 설계 (Data-Driven Design)|데이터 기반 설계(Data-Driven Design]], Iriszoom 엔진, [[WARNO 모딩(Modding)|WARNO 모딩(Modding]]
|
||||
- **Projects/Contexts:** [[WARNO-DATA 프로젝트|WARNO-DATA 프로젝트]], ndf-parse 패키지, [[Warno-Armory|Warno-Armory]]
|
||||
- **Contradictions/Notes:** [[Eugen Systems|Eugen Systems]]는 공식적인 모딩 매뉴얼과 `.ndf` 참조 가이드를 통해 파일 형식을 설명하고 있지만, 수천 개의 파일에 분산된 실제 데이터 속성값에 대한 상세한 설명은 제공하지 않습니다 [2]. 이로 인해 유저 커뮤니티가 주도하여 WARNO-DATA 위키를 개설하거나, 데이터를 파싱해 숨겨진 스탯을 보여주는 War-Yes, [[Warno-Armory|Warno-Armory]] 등의 서드파티 도구를 개발하여 공식 문서의 빈틈을 메우고 있습니다 [2, 8].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: Native Apps
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Native Apps
|
||||
{"status":"success","answer":"","conversation_id":"2c79874d-98f6-45f0-8abc-8b630b1272c9"}
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-REWARD-001
|
||||
category: Unified
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, neuroscience, [[Dopamine|Dopamine]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Neurobiology-of-Reward|Neurobiology-of-Reward]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "예상치 못한 기쁨이 뇌를 깨운다: 도파민은 쾌락 그 자체가 아니라, '예측과 실제의 차이'를 이용해 미래의 행동을 최적화하는 학습 신호."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
보상의 신경생물학(Neurobiology of Reward)은 유기체가 생존에 필수적인 행동을 학습하고 반복하게 만드는 뇌 내 메커니즘을 다룹니다.
|
||||
|
||||
1. **도파민 경로 (Dopaminergic Pathways)**:
|
||||
* **중뇌변연계 경로 (Mesolimbic Pathway)**: 복측 피개부(VTA)에서 측좌핵(Nucleus Accumbens)으로 연결되는 경로로, 보상의 가치와 동기 부여를 담당.
|
||||
* **중뇌피질 경로 (Mesocortical Pathway)**: VTA에서 전전두엽으로 연결되며, 보상을 위한 장기적 행동 계획 및 실행 통제 수행.
|
||||
2. **보상 예측 오류 ([[Reward Prediction Error|Reward Prediction Error]], RPE)**:
|
||||
* 울프람 슐츠(Wolfram Schultz)의 발견: 도파민 뉴런은 보상을 받았을 때가 아니라, '예지하지 못한 보상'이 나타났을 때 강력하게 발화함.
|
||||
* 이는 강화학습의 **TD Error**와 일치하며, 뇌가 환경의 모델을 업데이트하는 핵심 기제임.
|
||||
3. **Wanting vs Liking (갈망 vs 기호)**:
|
||||
* 테리 로빈슨과 켄트 베리지는 중독 현상을 연구하며 '원하는 것(도파민 담당)'과 '실제로 좋아하는 것(엔도카나비노이드/오피오이드 담당)'이 신경학적으로 분리되어 있음을 증명함.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 도파민이 단순히 '쾌락 물질'이라는 오해는 이제 완전히 폐기되었으며, 현재는 '전달할 정보의 가치'를 평가하는 계산적 분자로 이해됨.
|
||||
- **정책 변화(RL Update)**: 현대의 중독 치료 RL 모델에서는 도파민 수용체의 민감도 저하(Tolerance)를 AI 에이전트의 'Learning Rate Decay' 혹은 'Reward [[CLIP|CLIP]]ping' 오류에 비유하여 분석하며, 이를 예방하기 위한 알고리즘적 설계를 연구 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Reinforcement Learning, [[Dopamine|Dopamine]], Executive Function, Addiction Neurobiology, Temporal Difference Learning
|
||||
- **Modern Tech/Tools**: Optogenetics, In-vivo Microdialysis, fMRI.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-NERGO-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, ergonomics, hci, cognitive-load]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Neuroergonomics|Neuroergonomics]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "인간의 뇌를 가장 잘 아는 작업 환경 설계: 인지 부하를 실시간으로 모니터링하여 인간의 실수(Human Error)를 원천 차단하는 유연한 시스템 구축."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신경인간공학(Neuroergonomics)은 인간의 뇌 활동을 기반으로 작업 환경, 도구, 시스템을 설계하여 효율성과 안전성을 극대화하는 학문입니다.
|
||||
|
||||
1. **실시간 인지 모니터링**:
|
||||
* **fNIRS & Wearable EEG**: 작업자가 실제 현장에서 움직이는 동안 뇌의 산소화 혈류량이나 뇌파를 측정하여 집중도 유실(Mind-wandering)이나 정신적 피로도를 감지.
|
||||
* **Adaptive Automation**: 작업자의 인지 부하가 한계에 달했을 때, 시스템이 자동으로 조작 난이도를 낮추거나 비상 모드로 전환하는 기술.
|
||||
2. **핵심 응용**:
|
||||
* **항공 및 모빌리티**: 조종사나 운전자의 졸음 및 주의 분산을 뇌 신호로 직접 파악하여 경고.
|
||||
* **산업 현장**: 복잡한 기계 조작 시 인간의 시각적·청각적 수용 능력을 뇌과학적으로 계산하여 인터페이스 최적화.
|
||||
3. **HCI로의 확장**:
|
||||
* 마우스나 키보드가 아닌 '뇌-컴퓨터 인터페이스(BCI)'를 통한 직관적 조작 환경 연구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 인간공학이 '행동 반응(반응 속도 등)'에만 집중했다면, 신경인간공학은 행동 이전에 발생하는 '뇌의 스트레스 신호'를 선제적으로 포착함.
|
||||
- **정책 변화(RL Update)**: 단순히 생산성 향상을 위한 도구로 쓰이던 것에서 벗어나, 최근에는 직원의 '정신적 웰빙(Mental Well-being)'과 '번아웃 예방'을 위한 기업용 건강 관리 표준으로 정책이 변화 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Human-Computer Interaction (HCI), [[Cognitive_Load|Cognitive Load]] Theory, Attention Theory, [[Brain-Computer Interface (BCI)|Brain-Computer Interface (BCI)]]
|
||||
- **Modern Tech/Tools**: fNIRS, Emotiv, OpenBCI Pro, [[Eye-Tracking|Eye-Tracking]].
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-NMCTL-001
|
||||
category: Unified
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, motor-control, sensorimotor]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Neuromuscular-Control|Neuromuscular-Control]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "감각이 명령을 만들고, 명령이 동작을 빚어낸다: 소뇌와 고유수용성 감각이 협력하여 무의식적으로 움직임을 미세 조정하는 실시간 하이퍼 오토메이션."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
신경근 제어(Neuromuscular Control)는 중추신경계(CNS)가 신체 내부 및 외부의 감각 정보를 통합하여 근육의 수축과 이완을 정밀하게 실행하는 과정입니다.
|
||||
|
||||
1. **제어 레이어**:
|
||||
* **Feedforward(선행 제어)**: 동작을 수행하기 전, 과거 데이터를 바탕으로 근육의 긴장도를 미리 설정(전전두엽/기저핵 개입).
|
||||
* **Feedback(후행 제어)**: 고유수용감각([[Proprioception|Proprioception]])을 통해 실시간으로 들어오는 오차 정보를 바탕으로 동작을 수정(소뇌/척수 개입).
|
||||
2. **핵심 조절 요소**:
|
||||
* **Proprioception**: 신체 각 부위의 위치와 움직임을 감지하는 6번째 감각.
|
||||
* **Muscle Synergies**: 복잡한 움직임을 위해 여러 근육을 하나의 단위로 묶어 제어함으로써 뇌의 계산 부하를 줄임.
|
||||
3. **부상 방지 아키텍처**:
|
||||
* 갑작스러운 균형 상실 시 반사 작용(Stretch Reflex)을 통해 관절 손상을 방지.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 뇌가 모든 근육 세포 하나하나에 명령을 내린다고 생각했으나(고전적 제어론), 현대에는 뇌가 '목표'만 설정하면 척수와 말초 신경계가 알아서 디테일을 채우는 'Self-organized criticality' 모델로 전환됨.
|
||||
- **정책 변화(RL Update)**: 로봇 공학의 인공다리(Prosthetic) 설계 시, 단순 모터 힘 강화보다는 인간의 '신경근 제어' 데이터를 모방하여 지면의 굴곡에 따라 스스로 적응하는 '지능형 제어 알고리즘' 주입이 필수 정책이 됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Motor Control, [[Proprioception|Proprioception]], Biomechanics, Cerebellum Function
|
||||
- **Modern Tech/Tools**: Computational Motor Control, Kinematic [[Analysis|Analysis]], BCI.
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-NPADD-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, [[Neuroplasticity|Neuroplasticity]], addiction, synaptic-changes]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Neuroplasticity in Addiction|Neuroplasticity in Addiction]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "학습 기계의 오작동: 새로운 것을 배우기 위해 존재하는 뇌의 유연성이 중독이라는 파괴적인 루틴을 영구적인 하드웨어 설비로 구축해버린 비극."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
중독에서의 신경가소성(Neuroplasticity in Addiction)은 중독성 물질이나 행위가 뇌의 구조적, 기능적 연결성을 기형적인 방향으로 재구성하는 과정을 설명합니다.
|
||||
|
||||
1. **시냅스 수준의 변화**:
|
||||
* **LTP (Long-Term Potentiation)**: 보상 회로 내의 약물 관련 자극 시냅스가 비정상적으로 강화되어, 주변의 일상적 자극은 무시될 정도로 강력한 연결 구축.
|
||||
* **수상돌기 변화**: 측좌핵(NAcc)의 뉴런 수상돌기 분지가 늘어나 약물 관련 단서(Cues)에 극도로 민감해짐.
|
||||
2. **광범위한 네트워크 재편**:
|
||||
* **Frontal-Limbic Imbalance**: 전전두엽(통제)과 변연계(충동) 사이의 평형이 깨져 충동 조절 능력이 영구적으로 감퇴.
|
||||
3. **가소성을 이용한 치료**:
|
||||
* 환경 변화, 운동, 인지 훈련 등을 통해 약물 회로를 '가지치기'하고 건강한 회로를 강화하는 '재배선(Rewiring)' 전략.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 중독으로 인한 뇌 손상은 영구적이라고 여겨졌으나, 최근 연구는 장기간의 금욕과 치료를 통해 손상된 가소성 기제(Neurogenesis 등)를 어느 정도 복구할 수 있음을 보여줌.
|
||||
- **정책 변화(RL Update)**: 중독을 '학습 장애(Learning Disorder)'의 일종으로 재정의함에 따라, 단순히 막는 것이 아니라 새로운 건강한 보상 경험을 '과잉 학습(Overlearning)'시켜 중독 회로를 덮어쓰는(Overwriting) 전략이 정책 수준에서 권고됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: [[Neuroplasticity|Neuroplasticity]], Neurobiology of Reward, Habit Formation, Cognitive [[Behavior|Behavior]]al Therapy (CBT)
|
||||
- **Modern Tech/Tools**: rTMS, Neurofeedback-based rewiring, Exercise-induced BDNF release.
|
||||
---
|
||||
@@ -0,0 +1,24 @@
|
||||
---
|
||||
category: Unified
|
||||
status: Final
|
||||
converted_at: 2026-04-28
|
||||
---
|
||||
|
||||
# Nexus Gaming Labs
|
||||
|
||||
## 📌 Brief Summary
|
||||
Nexus Gaming Labs는 코어 게이머를 표적으로 삼아 프리미엄 구독 모델을 추구하는 모바일 게임 개발 스튜디오입니다 [1]. 이들은 일반적인 광고 기반 무료 게임(Free-to-Play)과 달리, 구독 등급과 일회성 구매를 통해 수익을 창출하는 구조를 가지고 있습니다 [1, 2]. 주요 목표는 LTV(고객 평생 가치)와 CAC(고객 획득 비용)의 비율을 3:1 이상으로 유지하며 장기적이고 건전한 수익성을 달성하는 것입니다 [3, 4].
|
||||
|
||||
## 📖 Core Content
|
||||
- **비즈니스 모델 및 타겟층**: Nexus Gaming Labs는 일반적인 광고 지원 모바일 게임과 달리, 코어 게이머를 대상으로 한 프리미엄 구독 모델을 지향합니다 [1]. 프리미엄 스토리가 중심이 되는 구독을 판매하며, 구독 등급 및 스페셜 이벤트 패스, 꾸미기 콘텐츠(코스메틱)와 같은 일회성 구매를 통해 플레이어 기반을 수익화합니다 [2, 5, 6].
|
||||
- **주요 재무 목표 및 ARPU**: 2026년 목표 ARPU(가입자당 평균 수익)는 800달러로 매우 높게 책정되어 있으며, 이는 게임의 가치 제안(value proposition)이 예외적으로 강력할 때만 달성 가능한 수치입니다 [1, 2]. 수익의 즉각적인 변화를 파악하기 위해 ARPU 지표를 매주 검토합니다 [2].
|
||||
- **LTV 및 CAC 최적화**: 2026년 목표 CAC(고객 획득 비용)는 15달러입니다 [4, 7]. 회사가 목표로 하는 LTV:CAC 비율인 3:1을 충족하려면 LTV가 최소 45달러가 되어야 합니다 [4]. LTV는 한 명의 구독자가 지불을 중단하기 전까지 창출하는 총 수익을 예측하는 지표로, Nexus Gaming Labs가 사용자를 확보하는 데 얼마를 지출해야 하는지 정당성을 부여하는 핵심적인 역할을 합니다 [8].
|
||||
- **수치적 모순의 발견**: 800달러라는 ARPU와 45달러라는 목표 LTV를 기반으로 요구되는 내재 이탈률(Implied Churn Rate)을 계산하면 1778%라는 불가능한 수치가 도출됩니다 [4]. 이는 800달러의 ARPU가 월간 수익이 아닌 연간 수익이거나, 현재 수익 기반에 비해 3:1 비율 목표가 너무 보수적일 수 있음을 시사하므로 지표 가정에 대한 검증이 요구됩니다 [4].
|
||||
|
||||
## 🔗 Knowledge Connections
|
||||
- **Related Topics:** [[유저 평균 매출(ARPU)|ARPU]], LTV, CAC
|
||||
- **Projects/Contexts:** 모바일 게임 구독 모델의 수익화 지표 최적화 및 타당성 검증
|
||||
- **Contradictions/Notes:** 소스는 Nexus Gaming Labs의 목표 ARPU(800달러)와 CAC 달성을 위한 목표 LTV(45달러) 간의 수학적 계산을 통해 1778%라는 비현실적인 이탈률이 도출된다고 지적합니다. 이는 제공된 ARPU 수치가 월간이 아닌 연간 기준일 가능성이 있거나 목표 비율 설정에 모순이 있음을 보여줍니다 [4].
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-28*
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: No Code & Low Code Development
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# No Code & Low Code Development
|
||||
{"status":"success","answer":"","conversation_id":"e90d3c18-2c13-486f-850d-67d10cee8e5e"}
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-NBIO-001
|
||||
category: Unified
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, biochemistry, nutrition, metabolism]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Nutritional-Biochemistry|Nutritional-Biochemistry]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "음식은 곧 데이터이자 연료: 영양소가 분자 수준에서 인간의 유전자 발현과 대사 경로를 어떻게 조절하는지 탐구하는 생명의 화학적 지도."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
영양 생화학(Nutritional Biochemistry)은 영양소가 체내에서 소화, 흡수, 대사되는 과정과 이것이 건강 및 질병에 미치는 기전을 다룹니다.
|
||||
|
||||
1. **3대 영양소의 대사 경로**:
|
||||
* **탄수화물**: 글리코겐 저장 및 인슐린 신호 전달 통로 조절.
|
||||
* **지질**: 세포막 구조 유지 및 호르몬 합성의 전구체 역할.
|
||||
* **단백질**: 효소, 항체 구성 및 근육 단백질 합성(mTOR 경로).
|
||||
2. **미량 영양소와 보조 인자**:
|
||||
* 비타민과 미네랄이 효소의 활성 부위에서 화학 반응을 촉매하는 방식(예: ATP 생성에서의 마그네슘 역할).
|
||||
3. **영양유전학 (Nutrigenomics)**:
|
||||
* 영양소가 유전자의 스위치를 켜고 끄는(Epigenetics) 방식 연구. 예: 엽산이 DNA 메틸화에 미치는 영향.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '단순 칼로리(Calories In vs Out)'가 핵심이었으나, 현대 생화학은 영양소마다 인슐린 반응과 대사적 '신호 강도'가 다르다는 점을 강조함(예: 과당 vs 포도당의 간 대사 차이).
|
||||
- **정책 변화(RL Update)**: 개인의 유전적 차이에 따라 만성 질환 위험도가 다르다는 증거가 쌓이면서, 일률적인 권장 영양 섭취량(RDA)에서 '정밀 영양(Precision Nutrition)'으로 국가 보건 정책의 패러다임이 전환되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Metabolism, Molecular Biology, Epigenetics, [[Elite-Sport-Science-Protocols|Elite-Sport-Science-Protocols]], [[Homeostasis|Homeostasis]]
|
||||
- **Modern Tech/Tools**: Metabolomics, Microbiome [[Analysis|Analysis]], Continuous Glucose Monitors (CGM).
|
||||
---
|
||||
@@ -0,0 +1,10 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [auto-wikified, technical-documentation]
|
||||
title: ORM (Prisma, TypeORM)
|
||||
description: "Wikified document"
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# ORM (Prisma, TypeORM)
|
||||
{"status":"success","answer":"","conversation_id":"03cd15d4-0b21-4f34-b8dd-8863835f40b5"}
|
||||
@@ -0,0 +1,36 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OWAC-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, [[Logic|Logic]], knowledge-representation, semantic-web]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[OWA vs CWA (개방 세계 vs 폐쇄 세계 가설)|OWA vs CWA (개방 세계 vs 폐쇄 세계 가설)]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모르는 것을 '거짓'이라 할 것인가, '미지'라 할 것인가: 불완전한 지식 앞에서 논리 엔진이 취하는 두 가지 태도의 극명한 차이."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
개방 세계 가설(Open World Assumption, OWA)과 폐쇄 세계 가설(Closed World Assumption, CWA)은 지식 표현과 추론 시스템이 부재한 정보(Missing Information)를 처리하는 방식에 대한 두 가지 상반된 철학입니다.
|
||||
|
||||
1. **CWA (폐쇄 세계 가설)**:
|
||||
* **핵심**: "모르는 것은 거짓(False)이다."
|
||||
* **특징**: 데이터베이스(DB)나 프로그래밍 언어에서 주로 사용. '홍길동이 학생 리스트에 없다'면 '홍길동은 학생이 아니다'라고 결론 지음.
|
||||
* **장점**: 추론 속도가 빠르고 명확함.
|
||||
2. **OWA (개방 세계 가설)**:
|
||||
* **핵심**: "모르는 것은 그저 알 수 없는(Unknown) 것일 뿐이다."
|
||||
* **특징**: 온톨로지나 시맨틱 웹, 복잡한 인공지능 지식 베이스에서 사용. '홍길동이 리스트에 없다'고 해서 '학생이 아니다'라고 단정하지 않음(단지 정보가 부족할 뿐).
|
||||
* **장점**: 지식의 불완전성을 인정하므로 데이터가 계속 추가되는 환경에 적합.
|
||||
3. **적용 사례**:
|
||||
* **시맨틱 웹 (OWL)**: OWA를 채택하여 전 세계에 흩어진 데이터들 사이의 논리적 모순을 탐지.
|
||||
* **관계형 DB (SQL)**: 테이블에 없는 데이터는 존재하지 않는 것으로 처리(CWA).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거의 AI 시스템은 완벽한 규칙 기반(CWA)을 전제로 했으나, 실제 복잡한 현실 세계의 지식은 늘 불완전하므로 현대의 대규모 지식 구축 프로젝트는 기본적으로 OWA를 전제로 설계됨.
|
||||
- **정책 변화(RL Update)**: 최근의 생성형 AI(LLM)는 CWA적 착각(Halucination)에 빠져 '모르는 것'을 '거짓'이 아닌 '창작된 가실'로 출력하는 경향이 있음. 이를 교정하기 위해 모델이 '모름' 상태를 명시적으로 인지(OWA적 인지)하도록 하는 훈련 정책이 강화되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: [[Logic|Logic]], [[Ontology-Engineering|Ontology-Engineering]], Knowledge Models, Common Sense [[Reasoning|Reasoning]]
|
||||
- **Modern Tech/Tools**: RDF, OWL, Prolog (Negation as Failure).
|
||||
---
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OBJ-001
|
||||
category: Unified
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, [[Philosophy|Philosophy]], ethics, rational-egoism]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Objectivism|Objectivism]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "자신을 위한 삶의 찬가: 이성(Reason)만이 유일한 절대자이며, 창의적 개인의 합리적 이기심이 인류 진보의 엔진임을 천명한 아인 랜드의 철학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
객관주의(Objectivism)는 작가 아인 랜드(Ayn Rand)가 창시한 철학으로, 실재의 객관성과 인간 이성의 절대성을 강조합니다.
|
||||
|
||||
1. **4대 지주**:
|
||||
* **형이상학 (객관적 실재)**: 존재는 존재한다(A is A). 우리 의식과 무관하게 세계는 독립적으로 존재함.
|
||||
* **인식론 (이성)**: 지식의 유일한 도구는 이성뿐이며, 직관이나 신비주의는 배격함.
|
||||
* **윤리학 (합리적 이기심)**: 자신의 행복을 추구하는 것이 도덕적 의무이며, 타인을 위해 자신을 희생하거나 타인에게 희생을 요구하는 것은 부당함.
|
||||
* **정치학 (자본주의)**: 완전한 자유방임 자본주의만이 개인의 자유와 권리를 보장하는 유일한 도덕적 체제임.
|
||||
2. **생산적 노동의 가치**:
|
||||
* 인간의 가치는 자신의 이성으로 가치를 창조하는 '생산적 활동'에서 나옴.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 객관주의는 '강한 개인'만을 찬미하여 사회적 안전망의 필요성을 부정한다는 비판을 받아왔으며, 현대 사회의 복잡한 상호 의존성([[Externalities|Externalities]]) 문제를 설명하는 데 한계가 있음이 지적됨.
|
||||
- **정책 변화(RL Update)**: 실리콘밸리의 창업가 정신(Entrepreneurship)에 큰 영감을 주었으나, 최근에는 사회적 책임(ESG) 중심의 정책이 강화되며 '극단적 개인주의'보다는 '자유로운 개인의 사회적 계약' 관점으로 재해석되는 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Ethics, Capitalism, Rationality, BioShock (as a critique of Objectivism)
|
||||
- **Modern Tech/Tools**: Li[[BERT|BERT]]arianism, Decentralized Autonomous Organizations (DAO).
|
||||
---
|
||||
@@ -0,0 +1,34 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OPENA-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, open-science, academic-publishing, knowledge-sharing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Open-Access-Movement|Open-Access-Movement]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 감옥을 허물다: 거대 학술 출판사의 유료 장벽을 걷어내고, 전 인류가 최신 연구 성과를 무료로 공유하며 평등하게 소통할 수 있는 지식 생태계를 꿈꾸는 혁명."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
오픈 액세스 운동(Open Access Movement)은 학술 정보를 디지털 환경에서 저작권 및 비용 장벽 없이 누구나 자유롭게 이용할 수 있도록 하려는 전 지구적인 흐름입니다.
|
||||
|
||||
1. **주요 경로**:
|
||||
* **Gold OA (골드)**: 저널 전체가 오픈 액세스이며, 저자가 출판 비용(APC)을 지불하고 독자는 무료로 이용.
|
||||
* **Green OA (그린)**: 유료 저널에 출판하되, 저자가 기관 리포지토리에 셀프 아카이빙하여 공개.
|
||||
* **Hybrid OA (하이브리드)**: 유료 저널 내에서 개별 논문만 비용을 내고 오픈 액세스로 전환.
|
||||
2. **기여 요인**:
|
||||
* 인터넷의 보급과 학술 정보 유통 비용의 감소.
|
||||
* 전통적 출판사들의 과도한 저널 구독료 인상(Serial Crisis)에 대한 반발.
|
||||
3. **사회적 가치**:
|
||||
* 개발도상국 연구자들의 지식 접근성 향상, 연구의 투명성 및 재현성 강화, 지식의 사회적 환원 가속화.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 이전에는 OA 논문의 품질이 낮다는 편견이 있었으나, 현재는 자연(Nature), 사이언스(Science) 등 권위 있는 저널들도 OA 섹션을 운영하며 인용 지수(Impact Factor) 면에서 OA 논문이 더 유리하다는 결과가 쌓임.
|
||||
- **정책 변화(RL Update)**: 미국(부시 행정부 이후 가속) 및 유럽연합(Plan S)은 정부 예산이 투입된 연구 결과물은 반드시 즉각적인 오픈 액세스로 출판해야 한다는 강력한 강제 정책을 시행 중임.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Open-Source-Software, Information-Ethics, [[Epistemology|Epistemology]], Knowledge [[Management|Management]]
|
||||
- **Modern Tech/Tools**: arXiv, Sci-Hub (논란의 중심), Creative Commons Licenses (CC).
|
||||
---
|
||||
@@ -0,0 +1,234 @@
|
||||
---
|
||||
category: Unified
|
||||
tags: [category-index, other]
|
||||
title: Other Directory
|
||||
last_updated: 2026-05-02
|
||||
---
|
||||
|
||||
# Other Directory
|
||||
|
||||
이 문서는 `Other` 카테고리에 속한 모든 지식 문서들의 목록을 제공합니다.
|
||||
|
||||
## 📄 문서 목록
|
||||
- [[10v10 대규모 멀티플레이어]] : 10v10 대규모 멀티플레이어
|
||||
- [[5R Structure]] : [[5R Structure|5R Structure]]
|
||||
- [[ACP (Agent Communication Protocol)]] : [[ACP (Agent Communication Protocol)|ACP (Agent Communication Protocol)]]
|
||||
- [[ARPU-ARPPU]] : [[ARPU-ARPPU|ARPU/ARPPU]]
|
||||
- [[AWS_Lambda]] : AWS Lambda
|
||||
- [[Agent Memory System]] : Agent Memory System (에이전트 메모리 시스템)
|
||||
- [[Agent_Memory_Harness]] : Agent Memory Harness
|
||||
- [[Agentic Governance]] : Agentic Governance (에이전트 거버넌스)
|
||||
- [[Ambition]] : [[Ambition|Ambition]]
|
||||
- [[Analysis]] : [[Analysis|Analysis]]
|
||||
- [[Anticipation]] : [[Anticipation|Anticipation]]
|
||||
- [[Antinomianism]] : [[Antinomianism|Antinomianism]]
|
||||
- [[Anxiety]] : [[Anxiety|Anxiety]]
|
||||
- [[Assertiveness]] : [[Assertiveness|Assertiveness]]
|
||||
- [[Assumptions-vs-Facts]] : [[Assumptions-vs-Facts|Assumptions-vs-Facts]]
|
||||
- [[Atlantic]] : [[Atlantic|Atlantic]]
|
||||
- [[Automation-Paradox]] : [[Automation-Paradox|Automation-Paradox]]
|
||||
- [[Base 플랫폼(Chef Universe)]] : [[Base 플랫폼(Chef Universe)|Base 플랫폼(Chef Universe]]
|
||||
- [[Bayes-Theorem]] : [[Bayes-Theorem|Bayes-Theorem]]
|
||||
- [[Bayesian-Updating]] : [[Bayesian-Updating|Bayesian-Updating]]
|
||||
- [[Behavioral Interview Questions]] : [[Behavioral Interview Questions|Behavioral Interview Questions]]
|
||||
- [[Belief-Revision]] : [[Belief-Revision|Belief-Revision]]
|
||||
- [[Big-Picture]] : [[Big-Picture|Big-Picture]]
|
||||
- [[Boundaries]] : [[Boundaries|Boundaries]]
|
||||
- [[Bureaucracy]] : [[Bureaucracy|Bureaucracy]]
|
||||
- [[Burnout]] : [[Burnout|Burnout]]
|
||||
- [[Chef Universe]] : [[Chef Universe|Chef Universe]]
|
||||
- [[Code Review Foundations (코드 리뷰 기초)]] : [[Code Review Foundations (코드 리뷰 기초)|Code Review Foundations (코드 리뷰 기초]]
|
||||
- [[Code Review Methodology & Cognitive Process]] : Code Review Methodology & Cognitive Process (코드 리뷰 방법론 및 인지 과정)
|
||||
- [[Codebase_Onboarding]] : Codebase Onboarding
|
||||
- [[Command Center]] : [[Command Center|Command Center]]
|
||||
- [[Complex Systems]] : [[Complex Systems|ComplexSystems]]
|
||||
- [[Composables]] : Composables
|
||||
- [[Concurrent Programming]] : [[Concurrent Programming|Concurrent Programming]]
|
||||
- [[Configuration-based_Routing]] : Configuration-based Routing
|
||||
- [[Continuous Obsolescence]] : [[Continuous Obsolescence|Continuous Obsolescence]]
|
||||
- [[Creativity Research]] : [[Creativity Research|Creativity Research]]
|
||||
- [[Cross-Platform_Development]] : Cross-Platform Development
|
||||
- [[Custom_Hooks]] : Custom Hooks
|
||||
- [[Effective Code Review Feedback]] : [[Effective Code Review Feedback|Effective Code Review Feedback]]
|
||||
- [[Enterprise-Service-Bus]] : [[Enterprise-Service-Bus|Enterprise-Service-Bus]]
|
||||
- [[Enzyme-Inhibition-Kinetics]] : [[Enzyme-Inhibition-Kinetics|Enzyme-Inhibition-Kinetics]]
|
||||
- [[Ethical-Decision-Making]] : [[Ethical-Decision-Making|Ethical-Decision-Making]]
|
||||
- [[Etiology-of-Disease]] : [[Etiology-of-Disease|Etiology-of-Disease]]
|
||||
- [[Expo_Router]] : Expo Router
|
||||
- [[Express]] : Express
|
||||
- [[Feedback-Loops]] : [[Feedback-Loops|Feedback-Loops]]
|
||||
- [[Fortnite]] : [[Fortnite|Fortnite]]
|
||||
- [[Function-as-a-Service_FaaS]] : Function-as-a-Service (FaaS)
|
||||
- [[G-Stack Principles]] : G-Stack [[Principles|Principles]] (G-Stack 엔지니어링 원칙)
|
||||
- [[Habit-Formation]] : Habit Formation (습관 형성의 심리학)
|
||||
- [[High-Performance-Coaching]] : [[High-Performance-Coaching|High-Performance-Coaching]]
|
||||
- [[High-Performance-Organizations]] : [[High-Performance-Organizations|High-Performance-Organizations]]
|
||||
- [[Higher-Order_Components_HOCs]] : Higher-Order Components (HOCs)
|
||||
- [[Horizontal Logic]] : [[Horizontal Logic|Horizontal Logic]]
|
||||
- [[Horizontal and Vertical Logic]] : [[Horizontal and Vertical Logic|Horizontal and Vertical Logic]]
|
||||
- [[Hypostatic-Abstraction]] : [[Hypostatic-Abstraction|Hypostatic-Abstraction]]
|
||||
- [[Image-Optimization-for-Web-Performance]] : Image Optimization for Web Performance (웹 성능을 위한 이미지 최적화)
|
||||
- [[Index]] : Index: Topics > Governance & Reliability
|
||||
- [[Inference-Coupled Persistence]] : Inference-Coupled Persistence (추론 결합 지속성)
|
||||
- [[Inheritance-and-Polymorphism]] : Inheritance and Polymorphism (상속과 다형성)
|
||||
- [[Interoperability]] : [[Interoperability|Interoperability]]
|
||||
- [[Item-Item-Collaborative-Filtering]] : Item-Item Collaborative Filtering (아이템 기반 협업 필터링)
|
||||
- [[Iteration]] : [[Iteration|Iteration]]
|
||||
- [[JAMstack]] : JAMstack
|
||||
- [[Joint-Optimization]] : [[Joint-Optimization|Joint-Optimization]]
|
||||
- [[Just-In-Time (JIT)]] : [[Just-In-Time (JIT)|Just-In-Time (JIT)]]
|
||||
- [[Knowledge synthesis]] : [[Knowledge synthesis|Knowledge synthesis]]
|
||||
- [[Lighting & Composition]] : Lighting & Composition
|
||||
- [[Logical Reasoning (Deductive-Inductive)]] : [[Logical Reasoning (Deductive-Inductive)|Logical Reasoning (Deductive-Inductive]]
|
||||
- [[Lucas-Kanade-Method]] : Lucas-Kanade Method (루카스-카나데 방법)
|
||||
- [[MECE + Pyramid Principle--]] : [[MECE|MECE]] + [[Pyramid Principle|Pyramid Principle]]
|
||||
- [[MMORPG 영속적 세계와 자원 관리]] : [[MMORPG 영속적 세계와 자원 관리|MMORPG 영속적 세계와 자원 관리]]
|
||||
- [[MapReduce]] : [[MapReduce|MapReduce]]
|
||||
- [[Memetics]] : [[Memetics|Memetics]]
|
||||
- [[Message_Queues]] : Message Queues
|
||||
- [[Middle-Out-Thinking]] : [[Middle-Out-Thinking|Middle-Out-Thinking]]
|
||||
- [[Minimal-Viable-Product]] : [[Minimal-Viable-Product|Minimal-Viable-Product]]
|
||||
- [[Mockito]] : Mockito
|
||||
- [[Multi-agent-System]] : [[Multi-agent-System|Multi-agent-System]]
|
||||
- [[NDF (Neutral Data Format)]] : NDF (Neutral Data Format)
|
||||
- [[Native_Apps]] : Native Apps
|
||||
- [[Neurobiology-of-Reward]] : [[Neurobiology-of-Reward|Neurobiology-of-Reward]]
|
||||
- [[Neuroergonomics]] : [[Neuroergonomics|Neuroergonomics]]
|
||||
- [[Neuromuscular-Control]] : [[Neuromuscular-Control|Neuromuscular-Control]]
|
||||
- [[Neuroplasticity in Addiction]] : [[Neuroplasticity in Addiction|Neuroplasticity in Addiction]]
|
||||
- [[Nexus Gaming Labs]] : Nexus Gaming Labs
|
||||
- [[No_Code_&_Low_Code_Development]] : No Code & Low Code Development
|
||||
- [[Nutritional-Biochemistry]] : [[Nutritional-Biochemistry|Nutritional-Biochemistry]]
|
||||
- [[ORM_Prisma,_TypeORM]] : ORM (Prisma, TypeORM)
|
||||
- [[OWA vs CWA (개방 세계 vs 폐쇄 세계 가설)]] : [[OWA vs CWA (개방 세계 vs 폐쇄 세계 가설)|OWA vs CWA (개방 세계 vs 폐쇄 세계 가설)]]
|
||||
- [[Objectivism]] : [[Objectivism|Objectivism]]
|
||||
- [[Open-Access-Movement]] : [[Open-Access-Movement|Open-Access-Movement]]
|
||||
- [[Outside-Thinking]] : [[Outside-Thinking|Outside-Thinking]]
|
||||
- [[Parallel-Computing]] : Parallel Computing (병렬 컴퓨팅)
|
||||
- [[Parallel-Processing]] : [[Parallel-Processing|Parallel-Processing]]
|
||||
- [[Pedestrian-Modeling]] : [[Pedestrian-Modeling|Pedestrian-Modeling]]
|
||||
- [[Perceptual-Motor-Skills]] : [[Perceptual-Motor-Skills|Perceptual-Motor-Skills]]
|
||||
- [[Performance Psychology]] : [[Performance Psychology|Performance Psychology]]
|
||||
- [[Pinia]] : Pinia
|
||||
- [[Play-and-Earn]] : [[Play-and-Earn|Play-and-Earn]]
|
||||
- [[Policy-Surveillance]] : [[Policy-Surveillance|Policy-Surveillance]]
|
||||
- [[Precision-Recursion]] : [[Precision-Recursion|Precision-Recursion]]
|
||||
- [[Principles-of-Structuralism]] : [[Principles-of-Structuralism|Principles-of-Structuralism]]
|
||||
- [[Problem Solving Process]] : [[Problem Solving Process|Problem Solving Process]]
|
||||
- [[Program Comprehension Strategies]] : Program Comprehension Strategies (프로그램 이해 전략)
|
||||
- [[Progressive_Web_Apps_PWAs]] : Progressive Web Apps (PWAs)
|
||||
- [[Protocols]] : [[Protocols|Protocols]]
|
||||
- [[Psychology & Behavior]] : [[Psychology & Behavior|Psychology & Behavior]]
|
||||
- [[Pull Request Best Practices (PR 베스트 프랙티스)]] : [[Pull Request Best Practices (PR 베스트 프랙티스)|Pull Request Best Practices (PR 베스트 프랙티스]]
|
||||
- [[Purpose]] : [[Purpose|Purpose]]
|
||||
- [[Pyramid Principle]] : [[Pyramid Principle|Pyramid Principle]]
|
||||
- [[Recording Academy (The Grammys)]] : [[Recording Academy (The Grammys)|Recording Academy ([[The Grammys]])]]
|
||||
- [[Related-Work]] : [[Related-Work|Related-Work]]
|
||||
- [[Research-Methodology]] : [[Research-Methodology|Research-Methodology]]
|
||||
- [[Resource Deposits(자원 매장지)]] : Resource Deposits(자원 매장지)
|
||||
- [[Riverpod]] : Riverpod
|
||||
- [[Roblox]] : [[Roblox|Roblox]]
|
||||
- [[Role of Conflict in Narrative]] : [[Role of Conflict in Narrative|Role of Conflict in Narrative]]
|
||||
- [[Rule of Three]] : [[Rule of Three|Rule of Three]]
|
||||
- [[SDLC & SSDLC (소프트웨어 개발 생명주기)]] : [[SDLC & SSDLC (소프트웨어 개발 생명주기)|SDLC & SSDLC (소프트웨어 개발 생명주기]]
|
||||
- [[SOTA]] : [[SOTA|SOTA]]
|
||||
- [[Search-Space]] : [[Search-Space|Search-Space]]
|
||||
- [[Search]] : [[Search|Search]]
|
||||
- [[Secondary-Research]] : [[Secondary-Research|Secondary-Research]]
|
||||
- [[Service_Workers]] : Service Workers
|
||||
- [[Sociology of Knowledge]] : [[Sociology of Knowledge|Sociology of Knowledge]]
|
||||
- [[Soft-Skills-Development]] : [[Soft-Skills-Development|Soft-Skills-Development]]
|
||||
- [[Speculative-Design]] : [[Speculative-Design|Speculative-Design]]
|
||||
- [[Spring_Boot]] : Spring Boot
|
||||
- [[State]] : [[State|State]]
|
||||
- [[Statistical-Analysis]] : [[Statistical-Analysis|Statistical-Analysis]]
|
||||
- [[Structural Reasoning]] : [[Structural Reasoning|Structural Reasoning]]
|
||||
- [[Supercell의 모바일 게임 개발]] : [[Supercell의 모바일 게임 개발|Supercell의 모바일 게임 개발]]
|
||||
- [[Team Culture & Onboarding (팀 문화 및 온보딩)]] : [[Team Culture & Onboarding (팀 문화 및 온보딩)|Team Culture & Onboarding (팀 문화 및 온보딩]]
|
||||
- [[UML_상태_다이어그램_Statechart_Diagram]] : UML 상태 다이어그램 (Statechart Diagram)
|
||||
- [[Understanding Complex Systems]] : Understanding Complexsystems
|
||||
- [[Universal_Apps]] : Universal Apps
|
||||
- [[Victimhood-Narratives]] : [[Victimhood-Narratives|Victimhood-Narratives]]
|
||||
- [[VueUse]] : VueUse
|
||||
- [[WARNO 모딩(Modding)]] : WARNO 모딩(Modding)
|
||||
- [[WARNO-DATA Wiki]] : WARNO-DATA Wiki
|
||||
- [[WoW 토큰 및 PLEX]] : WoW 토큰 및 PLEX
|
||||
- [[Working-Backwards]] : [[Working-Backwards|Working-Backwards]]
|
||||
- [[decisions]] : 📌 회사 의사결정 로그
|
||||
- [[가상 경제 시스템(Virtual Economy System)]] : [[가상 경제 시스템(Virtual Economy System)|가상 경제 시스템(Virtual Economy System)]]
|
||||
- [[가상 경제 시스템]] : [[가상 경제 시스템|가상 경제 시스템]]
|
||||
- [[가상 경제 시스템의 구조적 무결성 분석]] : 가상 경제 시스템의 구조적 무결성 분석
|
||||
- [[가상 경제 인플레이션(Virtual Economy Inflation)]] : 가상 경제 인플레이션(Virtual Economy Inflation)
|
||||
- [[가상 경제 인플레이션]] : 가상 경제 인플레이션
|
||||
- [[가상 경제(Virtual Economy)]] : [[가상 경제(Virtual Economy)|가상 경제(Virtual Economy)]]
|
||||
- [[가상 화폐 (Virtual Currency)]] : [[가상 화폐 (Virtual Currency)|가상 화폐 (Virtual Currency)]]
|
||||
- [[결제 사용자당 평균 매출(ARPPU)]] : [[결제 사용자당 평균 매출(ARPPU)|결제 사용자당 평균 매출(ARPPU]]
|
||||
- [[경제 밸런싱(Economic Balancing)]] : [[경제 밸런싱(Economic Balancing)|경제 밸런싱(Economic Balancing)]]
|
||||
- [[관리자 상점(Admin Shop)]] : [[관리자 상점(Admin Shop)|관리자 상점(Admin Shop]]
|
||||
- [[기간 한정 제안(Limited-time offers)]] : [[기간 한정 제안(Limited-time offers)|기간 한정 제안(Limited-time offers]]
|
||||
- [[다중 통화 시스템(Multi-Currency System)]] : [[다중 통화 시스템(Multi-Currency System)|다중 통화 시스템(Multi-Currency System)]]
|
||||
- [[데이터 기반 밸런싱]] : 데이터 기반 밸런싱
|
||||
- [[데이터 기반 설계]] : 데이터 기반 설계
|
||||
- [[동적_분석_Dynamic_Analysis]] : 동적 분석 (Dynamic Analysis)
|
||||
- [[동적_코드_분석_Dynamic_Code_Analysis]] : 동적 코드 분석 (Dynamic Code Analysis)
|
||||
- [[디버거_Debugger]] : 디버거 (Debugger)
|
||||
- [[리그 오브 레전드(League of Legends)]] : 리그 오브 레전드(League of Legends)
|
||||
- [[리더보드(Leaderboards)]] : [[리더보드(Leaderboards)|리더보드(Leaderboards]]
|
||||
- [[리팩터링의_핵심_원칙인_'두_개의_모자'_메타포는_무엇인가요-]] : 리팩터링의 핵심 원칙인 '두 개의 모자' 메타포는 무엇인가요-
|
||||
- [[리팩토링_원칙]] : 리팩토링 원칙
|
||||
- [[메타 레이어 (Meta Layers)]] : [[메타 레이어 (Meta Layers)|메타 레이어 (Meta Layers]]
|
||||
- [[모딩 생태계]] : 모딩 생태계
|
||||
- [[모바일 게임 수익화 모델]] : 모바일 게임 수익화 모델
|
||||
- [[모바일 퍼스트 인덱싱(Mobile-First Indexing)]] : [[모바일 퍼스트 인덱싱(Mobile-First Indexing)|모바일 퍼스트 인덱싱(Mobile-First Indexing]]
|
||||
- [[몬테카를로 시뮬레이션]] : [[몬테카를로 시뮬레이션|몬테카를로 시뮬레이션]]
|
||||
- [[반복적_리뷰Iterative_Review]] : 반복적 리뷰(Iterative Review)
|
||||
- [[방어 플랫폼(Defense Platforms)]] : [[방어 플랫폼(Defense Platforms)|방어 플랫폼(Defense Platforms)]]
|
||||
- [[부대 편성(Platoon Formations)]] : [[부대 편성(Platoon Formations)|부대 편성(Platoon Formations)]]
|
||||
- [[부분 유료화(Freemium) 게임 경제 모델링]] : 부분 유료화(Freemium) 게임 경제 모델링
|
||||
- [[소음 역학 (Noise Dynamics)]] : 소음 역학 (Noise Dynamics)
|
||||
- [[소프트 싱크(Soft Sinks)]] : [[소프트 싱크(Soft Sinks)|소프트 싱크(Soft Sinks)]]
|
||||
- [[수도꼭지(Faucets)]] : [[수도꼭지(Faucets)|수도꼭지(Faucets)]]
|
||||
- [[수도꼭지와 배수구(Faucets and Sinks)]] : 수도꼭지와 배수구(Faucets and Sinks)
|
||||
- [[수요와 공급(Supply and Demand)]] : [[수요와 공급(Supply and Demand)|수요와 공급(Supply and Demand]]
|
||||
- [[스테이블 디퓨전 아티팩트 디버깅(Artifact Debugging)]] : [[스테이블 디퓨전 아티팩트 디버깅(Artifact Debugging)|스테이블 디퓨전 아티팩트 디버깅(Artifact Debugging)]]
|
||||
- [[실시간 전략 및 부분유료화(F2P) 밸런싱 맥락]] : 실시간 전략 및 부분유료화(F2P) 밸런싱 맥락
|
||||
- [[아크 2 테크놀로지 및 유닛(Arc 2 Technology and Units)]] : [[아크 2 테크놀로지 및 유닛(Arc 2 Technology and Units)|아크 2 테크놀로지 및 유닛(Arc 2 Technology and Units)]]
|
||||
- [[아키텍처_드리프트_Architectural_Drift]] : 아키텍처 드리프트 (Architectural Drift)
|
||||
- [[악명(Infamy) 시스템]] : [[악명(Infamy) 시스템|악명(Infamy) 시스템]]
|
||||
- [[연속 승리 이벤트(Streak events)]] : [[연속 승리 이벤트(Streak events)|연속 승리 이벤트(Streak Events]]
|
||||
- [[오디오 광고]] : [[오디오 광고|오디오 광고]]
|
||||
- [[위험과 보상 구조(Structures of Risks and Rewards)]] : 위험과 보상 구조(Structures of Risks and Rewards)
|
||||
- [[위험과 보상(Risks and Rewards)]] : [[위험과 보상(Risks and Rewards)|위험과 보상(Risks and Rewards]]
|
||||
- [[유니버스 LTV(Universe LTV)]] : [[유니버스 LTV(Universe LTV)|유니버스 LTV(Universe LTV]]
|
||||
- [[유저 평균 매출(ARPU)]] : [[유저 평균 매출(ARPU)|유저 평균 매출(ARPU]]
|
||||
- [[은신과 시야 매커니즘 (Stealth and Optics)]] : 은신과 시야 매커니즘 (Stealth and Optics)
|
||||
- [[의도_및_목적_지향적_설명_Purpose-driven_Explanation]] : 의도 및 목적 지향적 설명 (Purpose-driven Explanation)
|
||||
- [[이리듐 및 토륨 경제(Iridium and Thorium Economy)]] : [[이리듐 및 토륨 경제(Iridium and Thorium Economy)|이리듐 및 토륨 경제(Iridium and Thorium Economy)]]
|
||||
- [[이탈률(Churn Rate)]] : [[이탈률(Churn Rate)|이탈률(Churn Rate]]
|
||||
- [[인플레이션(Inflation)]] : [[인플레이션(Inflation)|인플레이션(Inflation]]
|
||||
- [[자원 로지스틱스(Resource Logistics)]] : [[자원 로지스틱스(Resource Logistics)|자원 로지스틱스(Resource Logistics]]
|
||||
- [[자원 보관 및 압축(Resource Storage & Compression)]] : [[자원 보관 및 압축(Resource Storage & Compression)|자원 보관 및 압축(Resource Storage & Compression]]
|
||||
- [[장갑 관통 모델링(Armor Penetration Modeling)]] : 장갑 관통 모델링(Armor Penetration Modeling)
|
||||
- [[장갑 및 사거리 데이터 (Armor and Range Stats)]] : 장갑 및 사거리 데이터 (Armor and Range Stats)
|
||||
- [[코드_스멜_및_리팩토링_Code_Smells_and_Refactoring]] : 코드 스멜 및 리팩토링 (Code Smells and Refactoring)
|
||||
- [[코드베이스_맵과_대화형_투어_Codebase_Maps_&_Interactive_Tours]] : 코드베이스 맵과 대화형 투어 (Codebase Maps & Interactive Tours)
|
||||
- [[콘텐츠 로테이션(Content Rotation)]] : [[콘텐츠 로테이션(Content Rotation)|콘텐츠 로테이션(Content Rotation]]
|
||||
- [[크로스 플랫폼(Cross-Platform) 아키텍처]] : [[크로스 플랫폼(Cross-Platform) 아키텍처|크로스 플랫폼(Cross-Platform) 아키텍처]]
|
||||
- [[크리에이터 이코노미(Creator Economy)]] : 크리에이터 이코노미(Creator Economy)
|
||||
- [[클래시 로얄 라틴 아메리카 챔피언십]] : [[클래시 로얄 라틴 아메리카 챔피언십|클래시 로얄 라틴 아메리카 챔피언십]]
|
||||
- [[클래시 로얄 모바일 게임 프로덕션]] : 클래시 로얄 모바일 게임 프로덕션
|
||||
- [[테스트_자동화_및_테스트_주도_개발_Test_Automation_&_TDD]] : 테스트 자동화 및 테스트 주도 개발 (Test Automation & TDD)
|
||||
- [[텔레메트리 데이터 (Telemetry Data)]] : 텔레메트리 데이터 (Telemetry Data)
|
||||
- [[토륨 경제(Thorium Economy)]] : [[토륨 경제(Thorium Economy)|토륨 경제(Thorium Economy)]]
|
||||
- [[통제된 인플레이션(Controlled Inflation)]] : [[통제된 인플레이션(Controlled Inflation)|통제된 인플레이션(Controlled Inflation]]
|
||||
- [[포트나이트(Fortnite) 및 로블록스(Roblox)의 UGC 창작자 경제]] : 포트나이트([[Fortnite|Fortnite]]) 및 로블록스([[Roblox|Roblox]])의 UGC 창작자 경제
|
||||
- [[풀_리퀘스트_및_이슈_트래커_PR_&_Issue_Tracker]] : 풀 리퀘스트 및 이슈 트래커 (PR & Issue Tracker)
|
||||
- [[풀_리퀘스트_및_이슈_트래킹_Pull_Requests_&_Issue_Tracking]] : 풀 리퀘스트 및 이슈 트래킹 (Pull Requests & Issue Tracking)
|
||||
- [[프롬프트 구조 및 문법]] : [[프롬프트 구조 및 문법|프롬프트 구조 및 문법]]
|
||||
- [[프리미엄 통화 브릿지(Premium Currency Bridge)]] : [[프리미엄 통화 브릿지(Premium Currency Bridge)|프리미엄 통화 브릿지(Premium Currency Bridge]]
|
||||
- [[핀치 포인트(Pinch Point)]] : [[핀치 포인트(Pinch Point)|핀치 포인트(Pinch Point]]
|
||||
- [[하드 싱크(Hard Sinks)]] : 하드 싱크(Hard Sinks)
|
||||
- [[하이브리드 수익화 모델]] : [[하이브리드 수익화 모델|하이브리드 수익화 모델]]
|
||||
- [[핵심 루프(Core Loop)]] : [[핵심 루프(Core Loop)|핵심 루프(Core Loop)]]
|
||||
- [[행동 경제학]] : 행동 경제학
|
||||
- [[행동경제학]] : [[행동경제학|행동경제학]]
|
||||
@@ -0,0 +1,31 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-OUTH-001
|
||||
category: Unified
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced, outside-thinking, [[Innovation|Innovation]], unconventional, lateral-thinking, [[Problem-Solving|Problem-Solving]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Outside-Thinking|Outside-Thinking]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "상자 밖의 시선: 문제를 내부의 관습이나 과거의 성공 문법으로 풀려 하지 않고, 전혀 다른 도메인에서 온 낯선 아이디어를 끌어오거나 전제 자체를 부정함으로써 기존의 한계를 완전히 파괴하고 근본적인 도약을 만들어내는 외부자적 통찰."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
아웃사이드 씽킹(Outside-Thinking) 혹은 '상자 밖 사고'는 관습적인 프레임워크를 벗어난 사고 방식입니다.
|
||||
|
||||
1. **실행 기법**:
|
||||
* **First [[Principles|Principles]] [[Reasoning|Reasoning]]**: 기존 전문가들의 '상식'을 무시하고 물리적 기초부터 새로 구상. (Reasoning와 연결)
|
||||
* **Cross-Pollination (교차 수정)**: 금융 문제를 물리 법칙으로 풀거나, 생태계 원리를 경영에 도입. ([[Interdisciplinary-Research|Interdisciplinary-Research]]와 연결)
|
||||
* **Assumption Challenging**: "만약 A라는 제약이 없다면?"이라는 질문을 던짐.
|
||||
2. **왜 중요한가?**:
|
||||
* 전문성은 깊어질수록 특정 모델에 갇히는 경향(Expert Blindness)이 있는데, 외부자적 시각은 이 고착된 상태를 깨뜨리는 유일한 망치이기 때문임. (Innovation의 근원)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 창의적인 괴짜들의 일탈적 정책으로 보았으나, 현대 정책은 불확실성과 파괴적 혁신 시대 정책 속에서 기업이 반드시 갖춰야 할 '전략적 창의성 정책'으로 내재화됨(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 모델에게 "너는 이제 22세기에서 온 최고의 과학자야"라는 페르소나 정책을 부여함으로써 모델 내부의 관습적 답변 정책(Head bias)을 깨고 창의적인 해법 정책을 유도하는 기법이 유행함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Innovation|Innovation]], [[Interdisciplinary-Research|Interdisciplinary-Research]], [[Reasoning|Reasoning]], [[Inversion|Inversion]], [[Knowledge synthesis|Knowledge synthesis]]
|
||||
- **Modern Tech/Tools**: Oblique Strategies, TRIZ, Design Thinking, Role-play prompting.
|
||||
---
|
||||
@@ -0,0 +1,28 @@
|
||||
---
|
||||
id: PARALLEL-001
|
||||
category: Unified
|
||||
confidence_score: 1.0
|
||||
tags: [computer-science, high-performance-computing, gpu, [[Distributed-Systems|Distributed-Systems]]]
|
||||
last_reinforced: 2026-04-26
|
||||
---
|
||||
|
||||
# Parallel Computing (병렬 컴퓨팅)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "동시에 여러 일을 처리하여 시간의 장벽을 넘어서라" — 하나의 커다란 문제를 여러 개의 작은 문제로 나누어 여러 프로세서가 동시에 계산하게 함으로써 연산 속도를 비약적으로 향상시키는 기법.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 연산 독립성이 있는 작업들을 식별하여 물리적으로 분리된 여러 연산 장치(CPU 코어, GPU)에 할당하고 동시에 실행하는 처리 패턴.
|
||||
- **세부 내용:**
|
||||
- **Data Parallelism:** 데이터를 쪼개어 여러 프로세서가 동일한 연산을 수행 (예: 행렬 곱셈).
|
||||
- **Task Parallelism:** 서로 다른 작업을 여러 프로세서가 나누어 수행.
|
||||
- **Shared vs Distributed [[memory|memory]]:** 연산 장치들이 메모리를 공유하는지, 각자 독립된 메모리를 사용하는지에 따른 통신 방식 차이.
|
||||
- **GPU Computing:** 수천 개의 코어를 활용하여 딥러닝과 같은 대규모 병렬 연산에 특화된 환경 제공.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 단일 코어 클럭 성능 향상에 의존하던 시대를 지나, 멀티 코어와 이기종 컴퓨팅(Heterogeneous Computing)이 표준이 된 시대로 전환.
|
||||
- **정책 변화:** Antigravity 프로젝트의 대규모 위키 인덱싱 작업 시, 병렬 컴퓨팅 기법을 적용하여 수천 개의 문서를 수 분 내에 처리함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Distributed-Computing|Distributed-Computing]], [[Linear-Algebra-for-ML|Linear-Algebra-for-ML]], [[GPU-Architecture|GPU-Architecture]], Amdahls-Law
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Parallel-Computing.md
|
||||
@@ -0,0 +1,32 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-PAPR-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, parallel-[[Processing|Processing]], multi-threading, concurrency, [[Efficiency|Efficiency]], [[Opera|Opera]]tion]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Parallel-Processing|Parallel-Processing]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "멀티태스킹의 정석: 순서대로 기다리는 줄 세우기 방식(Sequential)을 버리고, 독립적인 작업들을 동시에 진행시켜 작업 완료까지의 절대적 시간을 혁명적으로 줄이는 '생산성 가속 페달'."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
병렬 처리(Parallel-Processing)는 컴퓨터에서 두 개 이상의 중앙 처리 장치가 동일한 프로그램을 처리하는 방식 혹은 작업 수행의 동시성을 의미합니다.
|
||||
|
||||
1. **소프트웨어적 관점**:
|
||||
* **Multi-threading**: 하나의 프로그램 안에서 여러 줄기(Thread)의 작업을 동시에 수행.
|
||||
* **Asynchronous (비동기)**: 작업 결과가 올 때까지 기다리지 않고 다른 일을 먼저 함. (Efficiency와 연결)
|
||||
2. **시스템적 관점**:
|
||||
* **Pipeline**: 자동차 조립 라인처럼 단계별로 작업을 물려 동시 가동률 극대화.
|
||||
3. **왜 중요한가?**:
|
||||
* 사용자의 요구가 복잡해지고 데이터가 커질수록, 한 번에 하나씩만 처리해서는 결코 만족스러운 반응 속도(Latency)를 얻을 수 없기 때문임.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 여러 작업이 데이터를 동시에 건드려 꼬이는 '동기화 정책(Locks)' 문제로 병렬 처리를 조심히 썼으나, 현대 정책은 이 결합을 최소화하는 '불변성 정책(Immutability)'과 '메시지 패싱 정책'으로 안전한 병렬 처리를 실현함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 에이전트 워크플로우 정책에서도 여러 에이전트가 단일 파일이나 데이터를 동시에 수집하고 분석하는 '에이전틱 병렬 처리 정책'을 통해 전체 작업의 소요 시간 정책(Wall-clock time)을 단축하는 것이 핵심 기술 정책이 됨. ([[Multi-agent-System|Multi-agent-System]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Parallel-Computing|Parallel-Computing]], [[Efficiency|Efficiency]], [[Multi-agent-System|Multi-agent-System]], [[Iterative-Development|Iterative-Development]], [[Technical-Architecture|Technical-Architecture]]
|
||||
- **Modern Tech/Tools**: Promise/Async-Await, Goroutines (Go), Web Workers, POSIX Threads.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-PEDMOD-001
|
||||
category: Unified
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, simulation, urban-planning, crowd-dynamics, safety]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Pedestrian-Modeling|Pedestrian-Modeling]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "군중 속의 질서와 혼돈을 수치화하다: 보행자 한 명 한 명의 의사결정과 상호작용을 컴퓨터로 시뮬레이션하여, 가장 안전하고 효율적인 도시 공간을 설계하는 기술."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
보행자 모델링(Pedestrian Modeling)은 공공 장소나 건물 내부에서 사람들의 이동 패턴을 예측하고 제어하기 위한 시뮬레이션 기법입니다.
|
||||
|
||||
1. **주요 모델링 방식**:
|
||||
* **Social Force Model (사회적 힘 모델)**: 사람을 입자로 보고, 목표 지점에 도달하려는 '인력'과 타인 및 벽을 피하려는 '척력'의 합으로 움직임을 설명.
|
||||
* **Cellular Automata (셀 오토마타)**: 공간을 격자로 나누고 각 셀 마다 보행자의 유무와 이동 규칙을 적용하여 대규모 인파의 흐름을 효율적으로 계산.
|
||||
* **Agent-Based Modeling (ABM)**: 각 보행자(에이전트)에게 개별적인 목적, 시야, 욕구를 부여하여 지능적인 회피 및 경로 선택 모사.
|
||||
2. **적용 분야**:
|
||||
* **피난 시뮬레이션**: 화재나 테러 시 병목 현상(Bottleneck)이 발생하는 구간을 찾아 출구 재배치.
|
||||
* **공공 교통 설계**: 지하철 환승 통로나 광장의 유동 인구 흐름 최적화.
|
||||
* **엔터테인먼트**: 오픈 월드 게임이나 영화의 배경 군중(Crowd) 렌더링.
|
||||
3. **검증 지표**:
|
||||
* Level of Service (LOS): 보행자 밀도와 이동 속도를 기준으로 공간의 쾌적함을 평가하는 척도.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 초기 모델은 보행자를 단순한 물리 입자로 취급하여 '충동'이나 '패닉' 시 발생하는 비이성적 행동을 놓쳤으나, 현대 모델은 심리학적 요소를 RL 보상 함수에 통합하여 훨씬 사실적인 군중 거동을 보여줌.
|
||||
- **정책 변화(RL Update)**: 이태원 참사와 같은 대규모 군중 사고 이후, 지자체의 축제나 대규모 행사 허가 시 '보행자 시뮬레이션 결과 기반 안전 대책' 제출이 행정적 필수 정책으로 강화되고 있음.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Agent-Based Modeling, Complex Adaptive[[_system|system]]s, Urban Dynamics, [[Safety & Reliability|Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: Any[[Logic|Logic]], MassMotion, Legion.
|
||||
---
|
||||
@@ -0,0 +1,35 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-PMSKL-001
|
||||
category: Unified
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, motor-learning, perception, kinesiology, coordination]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Perceptual-Motor-Skills|Perceptual-Motor-Skills]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "보고 듣는 것이 곧 움직임이 될 때: 감각 정보와 운동 조절이 빈틈없이 결합하여 형성되는 신체 지능의 정수."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
지각-운동 기능(Perceptual-Motor Skills)은 환경으로부터 들어오는 감각 자극과 그에 따른 신체적 반응을 유기적으로 통합하여 복잡한 동작을 수행하는 능력입니다.
|
||||
|
||||
1. **구성 요소**:
|
||||
* **Sensory Input**: 시각, 청각, 고유수용감각 등을 통해 외부 상황 인지.
|
||||
* **[[Processing|Processing]]**: 뇌에서의 감각 통합 및 실행 계획 수립.
|
||||
* **Motor Output**: 목표에 부합하는 정교한 근육 수축 및 이완.
|
||||
2. **핵심 기술 예시**:
|
||||
* **Hand-Eye Coordination**: 날아오는 공을 보고 방망이를 휘두르는 능력.
|
||||
* **Spatial Awareness**: 주변 사물과의 거리를 가늠하여 장애물을 피하는 능력.
|
||||
* **Balance & Posture**: 평형 감각을 통해 자세를 유지하며 역동적 동작 수행.
|
||||
3. **발달의 중요성**:
|
||||
* 아동기에는 학습 능력과 정서 발달의 기초가 되며, 성인기에는 스포츠 숙련도 및 특수 직무(파일럿, 외과의 등) 수행의 핵심 지표가 됨.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 지각(Perception)과 운동(Motor)을 별개의 모듈로 보았으나, 현대 신경과학은 두 영역이 끊임없이 상호작용하는 '지각-운동 루프' 안에서 하나로 묶여 있음을 강조함.
|
||||
- **정책 변화(RL Update)**: 노인 인구 증가에 따라, 단순 근력 운동보다는 인지 게임과 운동을 결합한 '이중 과제(Dual-task) 훈련' 프로토콜이 치매 예방 및 낙상 방지를 위한 노인 보건 정책의 핵심으로 반영됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: Motor Learning, [[Neuromuscular-Control|Neuromuscular-Control]], [[Proprioception|Proprioception]], [[Cognitive Psychology|Cognitive Psychology]]
|
||||
- **Modern Tech/Tools**: VR-based motor training, Dynamic balance platforms.
|
||||
---
|
||||
@@ -0,0 +1,33 @@
|
||||
---
|
||||
id: [[P-Reinforce|P-Reinforce]]-AUTO-PPSY-001
|
||||
category: Unified
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, [[Psychology|Psychology]], performance, peak-performance, [[Grit|Grit]]]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Performance Psychology|Performance Psychology]]
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "압박감 속에서 꽃피는 역량: 한계 상황에서도 평소 이상의 실력을 발휘하게 만드는 마인드셋과 정서 조절의 과학."
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
수행 심리학(Performance Psychology)은 스포츠, 예술, 비즈니스 등 고도의 집중력과 기술이 요구되는 분야에서 개인이 최상의 성과(Peak Performance)를 낼 수 있도록 돕는 심리학 분야입니다.
|
||||
|
||||
1. **핵심 이론 및 개념**:
|
||||
* **Flow (몰입)**: 도전 과제의 난이도와 자신의 숙련도가 일치할 때 발생하는 무아지경의 집중 상태.
|
||||
* **Self-Efficacy (자기 효능감)**: "나는 해낼 수 있다"는 강력한 믿음이 실제 수행 능력을 결정함 (알버트 반두라).
|
||||
* **Arousal-Performance Relationship**: Yerkes-Dodson 법칙에 따라 적절한 수준의 각성은 성과를 높이지만, 과도한 불안은 성과를 급락시킴.
|
||||
2. **수행 향상 기법**:
|
||||
* **Imagery (심상법)**: 성공적인 동작이나 상황을 뇌 속에서 생생하게 시뮬레이션 함으로써 신경 회로를 미리 활성화.
|
||||
* **Self-talk**: 긍정적이고 지시적인 혼잣말을 통해 집중력을 유지하고 불안을 조절.
|
||||
* **Routines**: 경기 전 일관된 행동 패턴을 통해 뇌에 '안전 신호'를 보내고 자동화된 실행 유도.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌**: 과거에는 강한 '정신력'과 '악바리 근성'을 강조했으나, 현대 심리학은 '회복 탄력성([[Resilience|Resilience]])'과 '자기 자비(Self-compassion)'가 장기적인 최고 성과 유지에 훨씬 유리함을 증명함.
|
||||
- **정책 변화(RL Update)**: 엘리트 스포츠 및 기업 교육 정책에서 '성취' 못지않게 '멘탈 헬스'가 중요해짐에 따라, 심리 상담사가 국가대표 팀이나 핵심 인재 관리팀의 필수 인력으로 제도화됨.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related**: [[Flow State|Flow State]], [[Psychology & Behavior|Psychology & Behavior]], [[Grit|Grit]], [[Olympic-Training-Protocols|Olympic-Training-Protocols]]
|
||||
- **Modern Tech/Tools**: Biofeedback, Mindfulness apps, VR stress exposure therapy.
|
||||
---
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user