2nd/AI/Ontology-Driven-Relevancy-Filtering.md

id, category, confidence_score, tags, last_reinforced, github_commit

id	category	confidence_score	tags	last_reinforced	github_commit
P-REINFORCE-AUTO-9231E5	10_Wiki/💡 Topics/AI	0.90	auto-reinforced	2026-04-20	[P-Reinforce] Continuous Worker - Ontology-Driven-Relevancy-Filtering

Ontology-Driven-Relevancy-Filtering

📌 한 줄 통찰 (The Karpathy Summary)

지식 탐사 과정에서 발생할 수 있는 '주제 이탈(Topic Drift)'을 방지하기 위해 도입된 의미론적 제약 엔진입니다. 최초 입력된 'Root Topic'을 모든 하위 연구 단계에 주입하여, 추출된 연관 주제가 뿌리 지식과 얼마나 밀접한지를 LLM이 스스로 판단하게 합니다.

📖 구조화된 지식 (Synthesized Content)

지능형 에이전트가 자율적으로 연구를 수행할 때 발생하는 가장 큰 위험은, 연관 주제를 타고 가다가 원래의 목적과 상관없는 지식(예: '프로그래밍'에서 시작해 '인류의 역사'로 끝남)을 수집하는 것입니다. 이를 해결하기 위해 다음의 '필터링 레이어'를 구축했습니다.

1. Root Topic Injection: 미션 시작 시 입력된 주제를 전역 상태(rootTopic)로 고정하고, 모든 프롬프트에 "최초 주제인 [Root Topic]을 이해하는 데 반드시 필요한 정보만 수집하라"는 강력한 지침을 포함시킵니다.
2. Strict Extraction Rule:
   • [[Link]] 추출 시, 해당 주제가 Root Topic과 70% 이상의 의미론적 연관성을 가질 때만 큐(Queue)에 추가하도록 LLM 가이드라인을 설정했습니다.
   • 단순 나열(Tangential topics)은 수집 대상에서 제외합니다.
3. Contextual Continuity: 다음 태스크를 생성할 때 이전 태스크의 맥락을 context 변수로 전달하여, 지식의 연결성이 끊기지 않도록 관리합니다.

이 메커니즘은 지식 그래프의 '확산' 대신 '심화'에 집중하게 하여, 사용자가 원하는 전문 지식의 밀도를 극대화합니다.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
• 정책 변화: AI 분야의 자동 자산화 수행.

🔗 지식 연결 (Graph)

• Related Topics: Autonomous-Loop-State-Machine, Gemini-Based-Knowledge-Synthesis
• Projects/Contexts: Knowledge-Graph-Expansion
• Contradictions/Notes: 필터링이 너무 강력하면 지식의 '참신한 연결'이 저해될 수 있으므로, 프롬프트의 강도 조절이 중요합니다.
• Raw Source: 00_Raw/2026-04-20/Ontology-Driven-Relevancy-Filtering.md

---