Antigravity Agent
2.5 KiB
2.5 KiB
id: P-Reinforce-AUTO-PRSO-001 category: Unified confidence_score: 0.98 tags: [auto-reinforced, problem-solving, analytical-thinking, Strategy, frameworks, intellectual-agility] last_reinforced: 2026-04-20
Problem-Solving
📌 한 줄 통찰 (The Karpathy Summary)
"지능의 실전 발현: 현재의 난처한 상태와 우리가 바라는 이상적인 상태 사이의 간극(Gap)을 발견하고, 자원과 논리를 총동원하여 그 간극을 가장 효율적으로 메우는 '장애물 돌파 연산'."
📖 구조화된 지식 (Synthesized Content)
문제 해결(Problem-Solving)은 복잡한 질문에 대한 답을 찾거나 어려운 상황을 타개하는 인지적 과정입니다.
- 4단계 표준 프로세스:
- Define: 진짜 문제가 무엇인지 정의 (가장 중요). (Inquiry-Based Learning와 연결)
- Analyze: 원인을 규명하고 작은 문제로 분해. (Analysis와 연결)
- Genereate/Select: 가능한 해협들을 나열하고 기회비용 따져 선택. (OpportUnity-Cost와 연결)
- Implement/Evaluate: 실행하고 피드백을 받아 개선. (Feedback-Loops와 연결)
- 왜 중요한가?:
- 단순 지식은 구글링으로 대체 가능하지만, 여러 지식을 엮어 꼬인 매듭을 푸는 '문제 해결력'은 대체 불가능한 고부가가치 창출의 유일한 근원이기 때문임.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 과거에는 도메인 지식 정책에만 의존했으나, 현대 정책은 구조적 프레임워크 정책(MECE, 1st Principles 등)을 활용한 '일반적 해결 지능 정책'을 더 높게 평가함(RL Update).
- 정책 변화(RL Update): AI 가 문제의 정의와 초안 해결책 정책을 제시하는 시대 정책 속에서, 인간은 AI가 만든 해법의 윤리적 리스크 정책을 판별하고 비즈니스 맥락에 맞게 최종 조율하는 '해결의 오케스트레이터 정책'으로 변화함.
🔗 지식 연결 (Graph)
- Inquiry-Based Learning, Analysis, Opportunity-Cost, Feedback-Loops, Innovation, Mental-Operations-Synthesized
- Modern Tech/Tools: MECE Framework, Root Cause Analysis (RCA), TRIZ, Design Thinking.