Files

T

Antigravity Agent c24165b8bc refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조

에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게
[공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류.
문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인).

- Topic_Programming → Domain_Programming (내부 구조 보존)
- Topic_Graphic → Domain_Design
- Topic_Business → Domain_Product
- Topic_General → Domain_General
- _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning),
  Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing)
- 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서)
- 빈 폴더 정리 (memory/procedures)
- 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트)

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

2026-07-11 11:05:56 +09:00

9.8 KiB

Raw Blame History

id, title, category, status, verification_status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, created_at, updated_at, review_reason, merge_history, tags, raw_sources, applied_in, github_commit

title

Stable Diffusion

🎯 한 줄 통찰 (One-line insight)

Stable Diffusion은 잠재 공간(Latent Space)에서의 역확산(Reverse Diffusion) 연산을 사용자에게 완전히 개방하여, 수학적 가중치 조절과 보조 신경망 결합을 통해 이미지 생성의 전 과정을 미세 통제할 수 있게 하는 오픈소스 워크호스이다 [S5, S44, S432].

🧠 핵심 개념 (Core concepts)

잠재 확산 모델 (Latent Diffusion): 고해상도 픽셀 공간이 아닌 압축된 잠재 공간에서 연산을 수행하여 계산 효율성을 극대화하고 로컬 환경 구동을 가능케 함 [S432, S433].
확장 신경망 (Extensions): ControlNet(기하학적 제어) 및 LoRA(미세 조정 모델)를 결합하여 특정 화풍이나 구도를 기하학적으로 강제함 [S5, S433, S1016].
가중치 문법 (Weighting Syntax): 텍스트 임베딩 단계에서 토큰별 물리적 지배력을 숫자로 조율(Factor)하는 연산 체계 [S44, S721].
무조건적 샘플링 가이던스 (Negative Prompting): 생성 과정에서 불필요한 확률 영역으로의 발산을 막는 반발 가드레일을 독립된 입력 필드로 관리 [S45, S46, S1107].

🧩 추출된 패턴 (Extracted patterns)

조각가 패턴 (Sculptor Pattern): 노이즈라는 거대한 대리석에서 긍정 프롬프트(목적지)와 부정 프롬프트(경계)라는 치슬(Chisel)을 사용해 형태를 깎아내는 설계 철학 [S803, S1176].
프롬프트 스케줄링 (Morphing Pattern): 생성 단계(Step)별로 피사체나 화풍을 교체하여 글로벌 구도와 마이크로 텍스처를 분리 제어하는 패턴 [S45].
계단식 가중치 누적 (Nested Weighting): 소괄호(())나 대괄호([])를 중첩 사용하여 특정 키워드의 중요도를 지수적으로 증폭시키거나 감쇄시키는 방식 [S44, S721].
점진적 정제 루프 (Iterative Refinement): 짧은 프롬프트로 시작해 결함을 진단하고, 필요한 기술적 어휘를 최소한으로 추가하며 결과물을 깎아내는 워크플로우 [S1115, S1130].

⚖️ 비교 및 선택 기준 (Comparison & decision criteria)

항목 (Option)	장점	단점	언제 선택
Stable Diffusion	최대 제어권, 로컬 실행, 무한한 커스터마이징, 비용 무료 [S5, S13, S804]	높은 학습 곡선, 하드웨어(GPU) 사양 요구, 품질 불균형 [S13, S806]	상업용 제품 카탈로그 일관성 유지, 특정 캐릭터/포즈의 정밀 제어 필요 시 [S5, S11, S809]
Midjourney	압도적 미적 품질, 자연어 순응도 높음, 저사양 가능 [S3, S768, S796]	폐쇄형 시스템, 텍스트 구현 약함, 구독료 발생 [S4, S798]	신속한 컨셉 아트 및 시각적 영감이 최우선일 때 [S14, S800, S838]
DALL-E 3	극강의 자연어 이해, 타이포그래피 정확도 [S4, S48, S1013]	매개변수 미세 제어 불가, 일러스트 편향 [S5, S48]	복잡한 상황 묘사나 텍스트 포함 드래프트 제작 시 [S4, S52]

📖 세부 내용 (Details)

1. 물리적 노이즈 제어 문법

가중치 수식: (keyword:factor) 형태를 취하며, 1.0보다 크면 표현 강도가 증가하고 작으면 약화됨 [S44, S721]. AUTOMATIC1111 환경에서 (keyword)는 1.1배, [keyword]는 0.9배의 가중치를 가짐 [S44, S721].
스케줄링: [keyword1 : keyword2 : factor] 문법을 통해 전체 생성 스텝 중 특정 시점(factor)에서 피사체를 교체할 수 있음 (예: 초기엔 인물 형상, 후기엔 텍스처 반영) [S45].
토큰 최적화: 75(또는 77)토큰 한계를 우회하기 위해 BREAK 구문을 사용하여 강제 청크 분할을 적용, 개념 간 간섭을 차단함 [S45, S46].

2. 아키텍처 버전별 진화 및 최적화 전략 [S46, S647]

V1.5: 해부학적 데이터가 한정적이므로 인체 교정을 위해 5~15개 내외의 중량급 네거티브 프롬프트가 필수적임.
XL (SDXL): 거대해진 듀얼 텍스트 인코더를 사용하여 긴 네거티브 나열 시 오히려 품질이 저하됨. 2~5개의 극소 품질 지시어만 권장함.
V3 / 3.5: MMDiT 구조로 텍스트 결합력이 우수해져 네거티브가 거의 불필요하며, 과도한 제약은 본래의 디테일을 훼손함.

3. CFG Scale (가이던스) 운용 [S46, S1016, S1142]

모델이 프롬프트를 얼마나 엄격하게 준수할지 결정하는 수치로, 7~12 범위가 창의성과 정확성의 스윗 스팟으로 간주됨.
CFG가 15 이상으로 높아지면 색상 과포화나 구조 붕괴(Deep-fried artifacts)가 발생할 위험이 비약적으로 상승함.

⚖️ 모순 및 업데이트 (Contradictions & updates)

프롬프트 길이에 대한 모순: 과거에는 "masterpiece", "8k" 등 대량의 미사여구가 품질을 높인다고 믿었으나, OpenCLIP 등 최신 인코더에서는 이러한 단어가 오히려 노이즈를 유발하거나 성능을 저하시키는 것으로 판명됨 [S45, S646, S725].
부정 프롬프트의 한계: 네거티브 프롬프트는 훈련 데이터에 없는 개념(예: 완벽한 손가락)을 강제할 수 없으며, 단지 낮은 확률의 노이즈 영역으로 밀어내는 역할만 수행함 [S648, S654].

🛠️ 적용 사례 (Applied in summary)

Meteora Web 가구 카탈로그: 제품의 원형(Silhouette)을 ControlNet으로 고정하고, Stable Diffusion의 가중치 조율을 통해 동일 조명/배경 하에 50개 이상의 제품 색상 변체를 생성하여 비용을 80% 절감함 [S5, S11, S30].
E-commerce 배치 자동화: Python 스크립트와 결합된 ComfyUI 워크플로우를 통해 수백 장의 제품 이미지를 일괄 생성 및 배경 제거(rembg) 처리하는 파이프라인 구축 [S6, S11, S25].

💻 코드 패턴 (Code patterns)

로컬 환경 구축 패턴 (Windows/NVIDIA)

# ComfyUI 또는 A1111 구동을 위한 필수 환경
# 사양: Python 3.10.6, NVIDIA GPU (6GB+ VRAM 권장) [S6, S812]

git clone https://github.com/comfyanonymous/ComfyUI.git # 또는 A1111 리포지토리
pip install -r requirements.txt
python main.py # 실행 후 localhost:8188 또는 7860 접속 [S6, S812]

A1111 프롬프트 가중치 응용 패턴

# 특정 요소 강조 및 네거티브 필터링 예시
Prompt: (golden sunrise:1.2), photorealistic, (Hasselblad X2D 100C:1.1)
Negative: (extra fingers:1.4), blurry, low quality, watermark, [shadow]
# ( )는 1.1배 증가, [ ]는 0.9배 감소, 숫자는 직접 지정 [S44, S721, S1017]

✅ 검증 상태 및 신뢰도

상태: draft
검증 단계: conceptual (실무 에이전시의 대량 생산 파이프라인 적용 데이터 기반)
출처 신뢰도: A (공식 문서, 전문 기술 블로그, 커뮤니티 검증 데이터 포함)
신뢰 점수: 0.92
중복 검사 결과: 신규 생성 (New discovery)

🔗 지식 그래프 (Knowledge Graph)

상위/루트: image Prompt 작성 방법
관련 개념: Diffusion Models, Prompt Engineering, ControlNet, Negative Prompt, CFG Scale
참조 맥락: 고밀도 제어가 필요한 상업용 시각 자산 제작 및 로컬 하이브리드 워크플로우 설계 시 참조.

📚 출처 (Sources)

[S5] Meteora Web Agency: Total Control with Stable Diffusion
[S6] ComfyUI Local Installation and Python 3.10 requirements
[S11] AI for E-commerce: Product Variant Generation Techniques
[S44] 스테이블 디퓨전 가중치 조절 수식 및 역확산 연산 가이드
[S45] 프롬프트 스케줄링 및 BREAK 청크 분할 원리
[S46] 아키텍처 버전별(SD 1.5, XL, 3.5) 네거티브 구성 및 CFG 통제 기준
[S432] Latent Diffusion 정의 및 훈련 데이터 역확산 프로세스
[S433] ControlNet 및 LoRA 신경망 확장 기법 정의
[S647] 모델 버전별 네거티브 프롬프트 행동 차이 분석
[S721] ( ) 및 [ ] 괄호 가중치 수학적 배수 처리 정의
[S803] 역확산 과정과 조각가 패턴 비유
[S804] 스테이블 디퓨전의 오픈소스 특성 및 완전 제어권 정의
[S812] A1111 설치 단계 및 환경 사양 가이드
[S1016] CFG Scale 설정 범위(7~12) 및 모델 순응도 제어
[S1107] Positive/Negative 지시문과 CFG의 균형 제어
[S1176] 조각가와 치슬(Chisel)의 비유를 통한 프롬프트 설계 철학

📝 변경 이력 (Change history)

2026-06-26: Initial draft generated via Datacollector_MAC P-Reinforce engine. 로컬 제어 문법과 버전별 최적화 전략 합성 완료.

9.8 KiB Raw Blame History Unescape Escape