Atomic Notes

재사용할 주장들을 주제와 승격 맥락별로 모은 목록입니다. 각 노트의 제목에서 주장과 적용 범위를 보고, 본문에 연결된 Source나 프로젝트 승격 원문에서 근거를 따라갈 수 있습니다.

새 노트를 작성할 때는 주장 하나만 다룹니다. Source와 Atomic은 다대다 관계이므로, 새 Source가 기존과 같은 주장을 뒷받침하면 기존 노트에 출처별 기여를 구분해 편입합니다. 제목·도입·소제목·연결을 다듬는 기준은 [비공개 문서]을 따릅니다.

프로젝트에서 승격할 때 필드 구성이 필요하면 [비공개 문서]를 참고할 수 있습니다.

Vigilantis에서 승격

• 기록의 보존 목적과 게시 목적은 다르다
• WebSocket 이벤트는 상태 원천이 아니다
• AI 생성값과 서버 사실값을 분리한다
• 로컬 에뮬레이터 한계는 별도 검증 게이트가 된다
• PR 머지와 Issue 완료 판정을 분리한다
• 형식 검증을 통과한 값이 저장소에서 거부될 수 있다
• AI 작성 노트는 작성 주체와 실행 설정을 provenance로 남긴다
• 테스트 설계는 시나리오 오라클 범위와 위험을 별도 축으로 다룬다
• 규칙은 소유한 가장 좁고 안정적인 공개 경계에서 깊게 테스트한다
• Golden 기대값은 구현과 독립적으로 도출하고 계약상 의미만 고정한다

외장뇌와 AI 연속성

• 원문 충실도와 현재 유효성은 별도로 판단한다

• 외장뇌는 기억을 대체하지 않고 생각의 계보를 빠르게 복원한다

• 장기 자산은 스킬보다 나를 설명하는 언어 기록이다

• 지식 승격은 사용자가 명시적으로 시작한다

• 외장뇌의 의미 관계는 embedding이 아니라 명시적 링크로 유지한다

• MCP의 목적은 여러 모델이 같은 Vault를 이용하게 하는 것이다

• AI 답변은 내 말을 재진술하기보다 새로운 정보 차이를 제공해야 한다

• AI 실행 메타데이터는 통제 변인이 아니라 자연스럽게 쌓이는 관찰이다

학습과 전문성

• 과업의 성과와 수행자의 학습 성과를 구분한다

• 내 학습의 장기 목표는 세계에서 의미 있는 차이를 발견하는 눈을 기르는 것이다

• 내 학습관은 공부하는 상태를 일상의 기본값으로 만들려는 시도에서 시작되었다

• 기술 학습을 관찰에서 개입까지의 추론 사다리로 설계한다

• 자격시험은 학습 커리큘럼으로 사용하되 시험에 종속되지 않는다

• 자격시험 학습에서 공식 자료와 AI의 역할을 분리한다

자기운영과 진로

• 나는 타인의 필요에 맞춰 재설계되지 않고 오롯이 존재한다
• 내 교육환경 기본 모드는 독립적인 루틴과 반응적 협력을 결합한다
• 나는 나 전체가 아니라 상황에 맞는 모드를 제한된 용도로 제공한다
• 평가 대응 모드는 나를 재설계하지 않고 현재의 쓸모를 정확히 보여준다
• 채용공고는 진로를 정하는 지도가 아니라 맞는 입구를 감지하는 레이더다
• 내 장기 직업 구상은 논리 인프라에서 물리 인프라까지 책임 범위를 확장하는 것이다

자기문서화와 공개 인터페이스

• Markdown Vault는 정본이고 Obsidian과 개인사이트는 이용 인터페이스다
• 개인사이트는 공식 인터페이스이면서 그 자체로 운영되는 기술 프로젝트다

UI 디자인

• 디자인 레퍼런스는 화면의 목적과 함께 가져온다
• UI의 일관성은 같은 역할에 같은 규칙을 적용하는 데서 나온다
• UI 문구는 사용자가 행동과 결과를 예측하게 한다
• 글은 화자를 연기하지 않고 독자 쪽에서 쓴다
• 모션은 전달할 정보와 사용 빈도에 맞춰 조절한다
• UI 완성도는 실제 내용과 상태 변화 속에서 확인한다
• 다이어그램 유형은 보여줄 관계에 맞춰 고른다
• 다이어그램의 정보량과 독자의 어휘 수준은 따로 조절한다
• 다이어그램을 축약할 때는 핵심 관계를 보존하고 생략을 기록한다
• 정량 다이어그램의 배치는 수치의 의미를 보존해야 한다

기술 설명과 실행 모델

• 설명 자료는 관찰 질문과 해석을 함께 제공한다
• 비교 데모는 공통 조건과 바뀌는 변수를 드러낸다
• 기술 설명은 현상을 모델과 적용으로 연결한다
• 자원 지표의 이상은 사용자 증상과 처리 구조에 대조해 해석한다
• 풀 고갈을 조치할 때는 크기와 자원 반환 지연을 함께 확인한다
• 메인 스레드 양보는 응답성을 높여도 총 작업량을 줄이지 않는다
• 시간 값은 업무가 요구하는 시점·길이·날짜·반복의 의미를 구분해 모델링한다

클라우드 비용과 성능

• 버스트형 EC2의 절감액은 기본요금과 CPU 크레딧 비용을 함께 비교한다

AI 서비스 평가

• 모델 성능과 AI 서비스의 도입 적합성은 별도로 평가한다
• AI 서비스의 필수 요건 위반은 다른 품질 점수로 상쇄하지 않는다
• LLM 평가자의 판단은 해당 과업의 기준과 사람 판단에 대조한다
• AI 품질 비교에는 생성 조건과 채점 조건을 함께 보존한다
• 출력 형식 준수와 업무 규칙에 따른 판단은 별도로 평가한다
• 업무용 벤치마크는 구성에 쓰지 않은 실제 과업과 대조한다

실행 권한과 위임

• 사용자의 위임과 도구의 실행 권한은 별도로 확인한다

협업 규칙 운영

• 규칙을 다시 전달하는 것과 위반을 판정하는 것은 다르다
• 규칙 검사를 점진적으로 도입할 때 기존 위반의 기준선을 관리한다

테스트와 실행 결과

• 큐의 순서 보장은 비동기 후속 작업까지 자동으로 이어지지 않는다
• 일괄 조치의 최종 결과는 대상별 실패와 미해결 상태를 보존해야 한다
• 고정된 실행 트리의 재생 점수 향상은 새 실행의 성과를 보장하지 않는다
• 테스트 수행 완료와 대상 동작의 통과 여부를 별도로 판정한다

요구사항과 변경

• 요구사항을 구체화할 때 사용자 목적과 판정 조건을 함께 보존한다
• 현행 업무 분석에는 예외와 임시 처리까지 포함한다
• 요구사항의 변경 영향은 설계·구현·검증 연결로 추적한다
• 외부 동작을 바꾸는 개선은 리팩토링과 구분한다

구현 구조와 입력 계약

• 서로 다른 변경 이유를 억지로 묶은 추상화는 분리해 다시 찾는다
• 후속 코드가 의존할 입력 조건은 자료형과 구조에 보존한다