Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

3.3 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

title

Secondary-Research

📌 한 줄 통찰 (The Karpathy Summary)

"거인들의 어깨 빌리기: 내가 직접 실험실에서 땀 흘리는 대신, 이미 누군가가 고생해서 모아둔 데이터나 논문, 리포트를 수집하고 분석하여 빠르게 결론에 도달하는 '지식의 가성비 사냥'."

📖 구조화된 지식 (Synthesized Content)

2차 연구(Secondary-Research) 혹은 데스크 리서치는 이미 발표되거나 수집된 기존 데이터를 가공하여 수행하는 연구입니다.

장점:
- Cost-Efficiency: 직접 실험(Primary)하는 것보다 훨씬 싸고 빠름. (Efficiency와 연결)
- Macroscopic View: 여러 연구를 합쳐서(Meta-Analysis) 더 큰 흐름 파악 가능. (Knowledge synthesis와 연결)
- Baseline Setting: 새로운 실험을 하기 전, 현재 어디까지 밝혀졌는지 확인.
왜 중요한가?:
- 모든 위대한 혁신은 기존 지식의 재해석에서 시작되며, 2차 연구는 그 '재료'를 가장 효율적으로 모으는 과정이기 때문임.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 과거에는 도서관에서 먼지 쌓인 책을 찾는 정책이었으나, 현대 정책은 AI가 실시간으로 전 세계 웹 정보를 긁어 요약해 주는 'AI 가속 2차 연구 정책'으로 전환됨(RL Update).
정책 변화(RL Update): 본 시스템이 Obsidian을 뒤져 600개 주제 정책을 채우는 과정 자체가 고도로 자동화된 '2차 연구 정책'의 실무 사례이며, 여기서 얻은 통찰 정책이 다시 1차적인 실행(코드 작성 등)으로 이어지는 선순환 구조 정책을 가짐.

🔗 지식 연결 (Graph)

Efficiency, Knowledge synthesis, Research-Methodology, Reference, Analysis
Modern Tech/Tools: Google Scholar, Statista, McKinsey Reports, AI Research agents.

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

(TODO)

언제 쓰면 안 되는가:

(TODO)

🧪 검증 상태 (Validation)

정보 상태: needs_review
출처 신뢰도: A
검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
처리 방식: UPDATE (자동 정규화)
처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

3.3 KiB Raw Blame History