"하네스 부록 E2 — 출처 지도와 검증법: 1차 자료, 활용 노트, 사례 인용을 어떻게 구분할까"

-

하네스 엔지니어링 같은 빠르게 변하는 주제는 "좋은 설명"보다 "좋은 출처 경계"가 먼저다. 책 메모, 공식 문서, 블로그 활용 노트, 공개 사례, 우리 저장소 사례를 한 줄에 섞어 쓰면 글은 그럴듯해져도 검증 가능성이 무너진다. 이 글은 무엇을 사실 근거로 두고, 무엇을 해석 레이어로만 써야 하는지 정리하는 companion appendix다.

핵심 요약

  • 하네스 글에서 가장 먼저 구분할 것은 주장의 종류와 출처의 계층이다.
  • 기능, 정책, 날짜, 제품 구조처럼 바뀔 수 있는 내용은 1차 자료로 다시 확인해야 한다.
  • sources/의 활용 노트는 출발점이지 최종 증거가 아니다.
  • 공개 사례는 "그 회사가 직접 밝힌 범위" 안에서만 구조적 주장에 사용해야 한다.
  • 좋은 팩트체크는 자료를 많이 붙이는 일이 아니라, 어떤 문장을 어떤 등급의 출처로 뒷받침하는지 명확히 남기는 일이다.

1. 왜 출처 지도가 필요한가

docs/blog_series_하네스엔지니어링_총괄_design.md는 이 시리즈의 팩트체크 프로토콜을 이미 짧게 정리해 두고 있다.

  • 책의 장별 논지는 패러프레이즈만 사용
  • 제품 기능과 문서 경로는 발행 시점에 공식 문서로 재검증
  • 특정 회사 사례는 그 회사가 공개한 구조와 수치로만 사용
  • 커뮤니티 인용은 구조적 주장보다 트렌드 관찰에 한정

이 네 줄을 실제 작성 워크플로로 펼치면, 결국 필요한 것은 "출처 지도를 먼저 그리는 습관"이다.

2. 출처를 네 층으로 나누면 판단이 쉬워진다

층 1. 1차 자료

  • 공식 문서
  • 제품 제공자가 직접 공개한 기능 설명
  • 공식 블로그, 공식 발표, 공식 사양
  • 원저자 또는 원기관이 공개한 연구/사례

용도:

  • 기능 존재 여부
  • 정책, 권한, API 구조
  • 날짜, 버전, 공식 용어
  • 회사 사례의 사실 관계

층 2. 작업용 활용 노트

  • sources/260518_하네스엔지니어링_15장_블로그활용노트.md
  • 개인 메모, 읽기 노트, 장별 재구성 메모

용도:

  • 글의 구조 초안
  • 논지 압축
  • 비교 관점 정리

주의:

  • 최종 사실 근거로 그대로 쓰지 않는다
  • 특히 기능, 수치, 정책 문장에 직접 인용 근거로 쓰면 안 된다

층 3. 공개 사례 해설

  • 회사 엔지니어링 블로그
  • 제품 사례 소개 글
  • 발표 영상, 인터뷰, 공개 데모 정리

용도:

  • 운영 패턴 예시
  • 설계 결정의 맥락
  • 실제 적용 장면 설명

주의:

  • 공개한 범위를 넘어서 내부 구조를 추정하지 않는다
  • "좋아 보인다"와 "사실이다"를 섞지 않는다

층 4. 우리 저장소 사례

  • AGENTS.md
  • docs/memory-map.md
  • tasks/handoffs/, tasks/sessions/
  • 이미 작성된 시리즈 초안과 운영 문서

용도:

  • 저장소-native 대응 예시
  • 추상 개념을 실제 운영 경계로 번역
  • 실무 적용 섹션의 재현 가능한 내부 근거

주의:

  • 로컬 규칙을 업계 일반 규칙처럼 과장하지 않는다
  • 사례는 사례로, 원칙은 원칙으로 분리한다

3. 어떤 문장에 어떤 출처가 필요한가

문장 유형 필요한 기본 출처
"이 기능은 존재한다" 1차 자료
"이 회사는 이렇게 운영한다고 공개했다" 해당 회사의 1차 공개 자료
"이 장의 핵심 논지는 이렇다" 책 메모 + 필요시 원문 재확인
"우리 저장소에서는 이렇게 대응된다" 저장소 내부 문서와 실제 경로
"업계 흐름은 이렇게 보인다" 복수 사례 + 해석임을 명시

핵심은 해석 문장과 사실 문장을 구분하는 것이다. 해석은 해석이라고 밝히면 된다. 문제는 해석을 사실처럼 쓰는 순간 발생한다.

4. 하네스 글을 위한 빠른 팩트체크 절차

1단계. 문장을 세 종류로 분류한다

  • 사실 문장: 기능, 날짜, 정책, 구조
  • 해석 문장: 왜 중요한가, 어떤 패턴으로 읽을 수 있는가
  • 적용 문장: 우리 워크스페이스에선 어떻게 대응되는가

2단계. 사실 문장만 따로 표시한다

이 단계에서 다시 묻는다.

  • 이 문장은 시간이 지나면 바뀔 수 있는가
  • 특정 제품이나 회사 주장에 기대고 있는가
  • reader가 나중에 원문으로 확인할 수 있어야 하는가

셋 중 하나라도 예면 1차 자료 확인 대상이다.

3단계. 활용 노트는 구조용으로만 쓴다

sources/260518_하네스엔지니어링_15장_블로그활용노트.md 같은 문서는 글의 논리 뼈대를 잡는 데 매우 유용하다. 하지만 아래처럼 역할을 제한해야 한다.

  • 가능: 장 핵심 메시지 압축, 시리즈 연결, 비교 관점 정리
  • 불가: 제품 기능 존재 증명, 수치 주장, 최신 정책 단정

4단계. 저장소 사례는 파일 경로까지 남긴다

우리 사례를 쓸 때는 추상 설명만 하지 말고 가능한 한 재현 경로를 같이 남긴다.

예:

  • AGENTS.md
  • docs/memory-map.md
  • tasks/handoffs/

이렇게 해야 독자가 "실제 운영 구조"로 받아들일 수 있다.

5단계. 불확실하면 단정 대신 범위를 줄인다

확신이 없을 때 해야 할 일은 문장을 부풀리는 것이 아니라 좁히는 것이다.

  • "업계 표준이다" 대신 "여러 사례에서 반복적으로 보인다"
  • "항상 그렇다" 대신 "이 저장소와 공개 사례 기준으로는 그렇다"
  • "공식 지원한다" 대신 "공식 문서에서 확인된다"

5. 출처 지도 예시: 이번 하네스 시리즈는 어떻게 읽으면 되나

자료 역할 그대로 인용 가능한가
sources/260518_하네스엔지니어링_15장_블로그활용노트.md 장 구조 재해석, 주제 압축 직접 사실 근거로는 제한적
docs/blog_series_하네스엔지니어링_총괄_design.md 시리즈 범위, 매핑, 내부 프로토콜 내부 기획 근거로 가능
AGENTS.md 저장소 경계와 운영 규칙 로컬 사례 근거로 가능
docs/memory-map.md 장기 기억 색인 구조 로컬 메모리 운영 사례로 가능
공개 회사 문서 기능·정책·사례 사실 확인 구조적 주장 근거로 우선 사용

6. 흔한 실패

활용 노트를 1차 자료처럼 쓴다

메모는 구조를 빠르게 잡아 주지만, 시간이 지나도 유효한 사실 근거를 대신하진 못한다.

사례 해설을 사실처럼 과장한다

회사 블로그나 공개 발표도 범위를 넘겨 추론하면 2차 해석이 된다.

내부 사례를 업계 표준처럼 말한다

우리 저장소에서 잘 작동하는 방식이 곧 보편 법칙은 아니다.

날짜와 최신성을 빼먹는다

제품·정책 문장은 바뀔 수 있다. 그래서 "언제 확인했는가"가 중요하다.

7. 실무용 최소 체크리스트

발행 전 아래 다섯 줄만 확인해도 오류 확률이 많이 줄어든다.

  1. 기능·정책·날짜 문장은 1차 자료로 다시 확인했는가
  2. sources/ 문서는 구조 메모로만 쓰고 있는가
  3. 우리 사례는 실제 경로와 함께 제시했는가
  4. 사례 해석과 사실 서술을 분리했는가
  5. 확실하지 않은 문장은 범위를 줄여 썼는가

8. 이 부록이 E1과 이어지는 지점

E1이 용어 경계를 정리했다면, E2는 근거 경계를 정리한다. 좋은 하네스 글은 용어를 정확히 쓰는 것만으로 충분하지 않다. 그 용어와 주장을 어떤 출처 체계로 뒷받침하는가까지 설계해야 한다.

즉:

  • E1은 "무슨 말인가"를 정리하는 글
  • E2는 "그 말을 무엇으로 증명할 것인가"를 정리하는 글

참고 자료

  • AGENTS.md
  • docs/blog_series_하네스엔지니어링_총괄_design.md
  • docs/memory-map.md
  • sources/260518_하네스엔지니어링_15장_블로그활용노트.md
  • drafts/blog/260519_하네스부록E01_용어집과치트시트_블로그.md

이 글은 부록 컴패니언 시리즈의 E2 편입니다. 다음 편: 내 업무 하네스 워크시트 — 실제 업무를 지시, 도구, 검증, handoff 단위로 분해하는 카드형 부록.

시리즈 전체 안내: 하네스 엔지니어링 시리즈 안내

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »