크라우니 서비스 4단계 응답 도구 — 방향 설계 (SSOT)

2026-07-18 사장님 방향 확정. 이 문서가 도구 목적·범위·아키텍처의 정본.

1. 목적·범위 (엄격)

• 오직 크라우니 서비스에 대한 설명·대답·고도화만. 그 외 요소는 크라우니코드 장착 클로드에게 이관.
• 도메인 = 크라우니 생태계 116~235 서비스(bounded). 외부 일반지식 = 범위밖.

2. 입출력 규약

입력: (질문, 레벨). 레벨 ∈ {초4(초등4학년), 빠른, 일반, 전문가}.

출력: 요청 레벨의 답변 1개. (내부적으로 서비스는 4단계 답을 모두 보유)

초4: 초등학생 4학년도 이해. 쉬운 비유, 짧게.

빠른: 한 줄 핵심 요약.

일반: 표준 설명(기능·용도·누구에게).

전문가: 기술 상세(포트·API·아키텍처·연동).

범위밖: 이관 마커 출력 → crownycode 클로드가 처리.

3. 4상균형3진 파이프라인 (크라우니 철학)

(질문, 레벨) → 서비스 매칭 판정
  티: 서비스 확신 매칭 → 해당 레벨 답변 (직접·토큰0)
  옴: 매칭 애매(다중 후보) → 보완(재질문 or SLM 세분)
  타: 크라우니 범위 아님 판별 → 이관
  음: 크라우니인지 불확실 → 이관(crownycode 클로드)

4. 이중 엔진 (규칙기반 + SLM, 각 10만 패턴 목표)

• 규칙기반 도구: 서비스 카드 + 질문패턴 매칭 → 레벨 출력. 결정론·토큰0·고속.
• SLM: 규칙기반이 생성/축적한 패턴으로 학습(지식증류: 크라우니코드 클로드가 라벨 생성→SLM 전이).
• 밸런싱: 4상-gated — 규칙 확신(티)→규칙, 규칙 애매(옴)→SLM, 둘 다 불확실(음)→클로드 이관.
• 목표: 각 엔진이 10만 패턴 안에서 모든 크라우니 서비스 입출력·응용 커버. 지금은 그 축적 과정.

5. 데이터 스키마

• 크라우니서비스4단계.psv: 서비스|포트|카테고리|초4|빠른|일반|전문가 (서비스별 4단계 답).
• 서비스질문패턴.psv: 질문키워드|서비스|의도(설명/방법/비교/고도화 등) — 매칭용.
• 패턴 축적 = 서비스 116 × 의도유형 × 레벨4 × 응용 → 10만 목표.

6. 로드맵 (차곡차곡 축적)

• P0(지금): 스키마 + 파일럿(핵심 서비스 4단계) + 규칙기반 매처 + 4상 이관 게이트 + 4단계 출력.
• P1: 서비스 카드 전 116 서비스 4단계 채움(크라우니코드 클로드 생성→검증).
• P2: 질문패턴 축적(설명/방법/비교/고도화 의도별) + 매칭 정확 측정.
• P3: SLM 지식증류(축적 패턴→소형모델 학습) + 규칙/SLM 밸런싱.
• P4: 10만 패턴 커버리지·응용(서비스 조합·비교·고도화 질의).

7. 정본·기록

• 정본 로직 = 한선씨(서비스응답.한선 등). 패턴 = psv. 측정/증류 = Python 도구.
• 카탈로그 소스: crowny-ai/knowledge/services.txt(116)·라이브서비스.txt(29 LIVE)·포트레지스트리(235).

P1~P4 구축 완료 (2026-07-18, R58)

P1 서비스 4단계 채움: 카탈로그(services.txt)→101 서비스×4단계(파일럿 8 손작성 + 템플릿 93). 생성기 tools/서비스카드생성.py.

P2 질문패턴+의도: 키워드 496(서비스명+한글명사 자동추출). 의도판별=고도화(개선/추가/만들/버그/수정→이관:crownycode 개발) vs 설명(→4단계 레벨답변).

P3 래칫 축적 프레임: tools/서비스래칫.sh(log 미매칭→crownycode 라벨→learn 키워드append→다음부터 티 토큰0). 규칙기반 10만 패턴 성장 경로. 실증: 미매칭 2건→학습→티 전환.

★SLM 정직: from-scratch 55%<NB(소량데이터)라 규칙기반 래칫이 우선. SLM은 축적 패턴 충분 시 지식증류(프레임 준비, 모델은 대기).

P4 커버리지: 서비스명 질의 99%(100/101 정확매칭)·자연어 3/5(미매칭=래칫 축적대상). 측정 tools/서비스커버측정.py.

도구화(crownycode learn): 4단계생성·의도이관·래칫·매칭 각 학습. 정본 libs/서비스응답.한선.

10만 패턴 경로 (지금은 그 과정)

규칙기반: 서비스116 × 의도(설명/방법/비교/고도화) × 레벨4 × 응용(조합/비교) → 래칫으로 차곡차곡. SLM: 규칙기반 축적분 증류.

정교화 2차 (R60): 잔여래칫·방법정교화·증류프레임

• 자연어 커버 10→15/15: 키워드 프루닝(제너릭 관리/서비스 제거·과대매칭 3+ 프라이머리화)+고도화 정정(만들→만들어 use오탐방지)+실패5문 프라이머리 명시(친구→matching·회사→enterprise·상담→law·일정→project). 회귀 무(고도화real 이관·친구만들기 use).
• 방법 의도 정교화: 도메인추출(전문가답 콜론앞)→"일반설명 → 이용하려면 {svc}.crowny.org 접속" 행동안내. 설명의도=레벨답 분리.
• SLM 지식증류 프레임: tools/증류셋생성.py(규칙 매칭로직 Python미러→질문 변형 라벨→data/서비스/증류셋.psv). 2300쌍·101서비스 커버(규칙 교사·티만). ★정직: from-scratch SLM 55%<규칙이라 증류셋은 학습 프레임(모델은 pretrained 소형 파인튜닝 or 데이터 10k+ 축적 후). 현 bounded 도메인은 규칙기반 래칫이 충분(15/15). 증류셋은 래칫으로 성장.
• 도구 축적: 서비스카드생성·서비스래칫·서비스커버측정·증류셋생성 + crownycode 학습 9건.

정교화 3차 (R61): fuzzy 폴백·증류 다양성·방법 전용필드

• 비키워드 fuzzy 폴백(char n-gram 앙상블): fuzzy 18문 실측 — 키워드 61%·char-ngram 단독 39%이나 키워드 실패(옴/음) 4/7 회복(중고물건→market·회사세일즈→network·건축설계→architect·한국어프로그래밍→hansunc). 4상 앙상블(키워드 티→규칙 / 옴·음→ngram) 15/18=83%(+22%p). 도구 tools/서비스fuzzy.py(무학습·torch불요).
• ★pretrained 파인튜닝 정직 결론: 환경에 torch/sentence_transformers 부재(transformers 5.2.0만 있으나 백엔드 없음) → 외부 Qwen-0.5B 파인튜닝 불가(GPU/모델 설치 필요, 별도 환경). 실현적 fuzzy 층 = char n-gram 유사도(서브워드 포착·무학습)로 대체 실측. SLM 경로는 여전히 증류셋 프레임 준비+모델 대기 상태.
• 증류셋 다양성 +909 → 3209쌍: 카드 일반설명에서 실구문 추출→비키워드 질문 변형(제너릭 명사 제외). tools/증류셋생성.py + Python 인라인 확장.
• 방법 전용필드: data/서비스/서비스방법.psv 8종(실사용 단계, 예 code "code.crowny.org 접속→새 프로젝트→한선씨 코드 작성→컴파일·실행")+서비스응답.한선 방법조회()(파일존재 가드) — 전용 우선·없으면 파생안내 폴백. 컴파일 OK·6의도(방법전용/파생/설명/비교/음이관) 실측 통과.
• 도구 축적: 서비스fuzzy.py + crownycode 학습 +1(방법조회). 데이터: 증류셋 3209·서비스방법 8·카드 101×4단계.

정교화 4차 (R62): 방법 101·fuzzy 네이티브·증류 10k SLM 재실측

• 방법 전용필드 8→101: 카드에서 도메인(전문가답 콜론앞)+핵심동작(일반 첫문장) 파생 → 101서비스 전량 실사용 단계(파일럿 8 보존). data/서비스/서비스방법.psv.
• fuzzy 폴백 한선씨 네이티브화: char-ngram(Python)→bigram-포함 방식 한선씨 이식(공백제거()+fuzzy매칭(): 질문 2-gram 슬라이드×카드텍스트 포함() 카운트). bigram-포함이 하드 fuzzy 9/12로 cosine(matching→labor 오답)보다 우수. 앙상블: 키워드 무매칭(음)→fuzzy 점수≥2면 옴후보/미만 이관. 컴파일 OK. ★정직: 넓은 키워드 커버로 fuzzy는 안전망(키워드-제로 질의는 대개 모호해 발화율 낮음).
• ★증류셋 3209→10k + SLM(NB) 재실측 — 반증 발견: 나이브 10k(템플릿×101 곱셈) NB 51.8→59%로 오히려 저하(판별력 없는 템플릿어 증폭). 템플릿 불용어 제거 시 NB 64.5%(>2324예제 61%). 결론: 데이터 증가는 노이즈 제거 시에만 이득, 판별신호=키워드·명사. 재현 tools/서비스NB측정.py.
• 도구: 서비스NB측정.py + crownycode 학습 +1(fuzzy매칭). 데이터: 증류셋 10000·서비스방법 101·카드 101×4단계.
• 다음: 증류셋 템플릿 다양화(불용어 대신 문맥어)·fuzzy 발화율↑(카드 확장)·NB→한선씨 네이티브 분류기 이식.

정교화 5차 (R63): 문맥어 다양화·fuzzy 발화율↑·NB 네이티브 이식

• 증류셋 문맥어 다양화: 템플릿 껍데기 대신 키워드 공기(共起)+동작어+카드문장 조각 → 문맥형 5.6k(data/서비스/증류셋문맥.psv). NB 실측 문맥형 5.6k=68.0% > 나이브 템플릿 10k=64.5%. ★품질(판별 문맥)>양(템플릿 곱셈).
• fuzzy 발화율↑(카드 확장): fuzzy 코퍼스=카드 4단계+방법+키워드+서비스명 통합(data/서비스/서비스fuzzy텍스트.psv, 평균 224자). fuzzy매칭() 코퍼스 경로 전환. 키워드-제로 자연어 fuzzy 발화 0→4/5.
• ★NB→한선씨 네이티브 이식: 렉시콘 근사(top-1 60%·top-5 67.3%) 측정 후 full NB 이식. 정수 ×100 모델(P 프라이어/언신+F 서비스·피처 로그확률, 12030행 247KB, data/서비스/서비스NB모델.psv)+libs/서비스분류.한선(버퍼파일읽기 모델로드·피처=단어+bigram·점수 argmax·배치모드). 한선씨 네이티브=66.0%=파이썬 정수모델 66.0% 완전 패리티(100문 검증). 이중엔진 규칙(키워드+fuzzy)+SLM(네이티브 NB) 실체화.
• 도구: 서비스NB측정·증류셋문맥·서비스분류.한선 + crownycode 학습 +1. 데이터: 문맥증류 5649·fuzzy코퍼스 101·NB모델 12030행·렉시콘 4173.
• 다음: 증류셋 실사용 로그로 문맥 강화·NB를 옴(다중후보) 브랜치에 통합(규칙 티→규칙/옴→NB/음→이관)·네이티브 NB 상주서버화.

정교화 6차 (R64): NB 옴 통합·실사용 로그 강화·NB 상주서버화

• NB를 옴 브랜치 통합(규칙 티→규칙 / 옴→NB / 음→이관): 키워드 다중후보(옴) 시 NB(SLM)로 후보중선택()(콤마분할 후보 각 NB점수 argmax)→티 해소. 실측 탈중앙 암호화폐 거래(dex,wallet)→wallet·회사 세일즈 관리(network,enterprise)→network. libs/서비스응답.한선에 NB 함수 내장(NB피처·NB모델로드·NB점수·후보중선택)·모델 load-once. 이중엔진(규칙 키워드+fuzzy / SLM NB) 실체화.
• 증류셋 실사용 로그 강화: 서비스응답이 확정 (질문→서비스) 자동 로깅(data/서비스/서비스질의로그.psv) → tools/증류강화.sh(로그→증류셋문맥 병합·중복제거→tools/서비스NB학습.py 재학습→서버 kickstart 리로드) 래칫. ★정직: 옴→NB 자기라벨은 약(피드백루프 주의), 키워드·설명 티 라벨이 강.
• 네이티브 NB 상주서버화: libs/서비스분류_코어.한선(공용 정본)+libs/서비스분류서버.한선(:9796 TCP 루프·모델 load-once)+LaunchAgent org.crowny.서비스분류(KeepAlive, build/서비스분류서버.toau 영구빌드). 지연 p50 165ms(CLI 재로드 ~1s 대비). 코어분리 후 66.0% 패리티 유지. 포트 9796 등록(gateway.yaml SSOT).
• 도구: 서비스NB학습·증류강화 + crownycode 학습 +1. 한선씨 5개(응답·분류·분류코어·분류서버·fuzzy 내장). 데이터: 문맥증류 5652·NB모델 13604행.
• 다음: 로그 라벨 강도 구분(키워드 티=강/옴 NB=약)·서비스응답 자체 상주서버화·NB margin 게이트(저신뢰 옴→보완 유지).

정교화 7차 (R65): 로그 강도·서비스응답 상주서버·NB 마진 게이트

• 로그 라벨 강도 구분(강/약): 로그 질문|서비스|강도 — 강=키워드/설명/방법 티, 약=옴 NB/fuzzy. 증류강화는 강 라벨만 학습셋 승격(약=관측만, 피드백루프 차단). tools/서비스NB학습.py 강라벨 필터(실증 16건). tools/증류강화.sh awk $3=="강" 필터.
• 서비스응답 자체 상주서버화: libs/서비스응답_코어.한선(공용)+libs/서비스응답서버.한선(:9797 TCP·NB모델+테이블 load-once)+LaunchAgent org.crowny.서비스응답. ★핫패스 최적화: 답변조회·서비스매칭·fuzzy·방법조회를 캐시버퍼 O(n)(버퍼바이트읽기, 테이블로드())로 전환 → 글자() O(n²) UTF-8 재스캔 함정 제거 → p50 873ms→41ms(21배). 4상 회귀 무.
• NB 마진 게이트(저신뢰 옴→보완 유지): 후보중선택()이 top-second 마진 반환, 옴브랜치 마진>=100(마진임계)만 티, 미만은 옴 보완 유지. 실측 마진 분포=정답 중앙 626 vs 오답 19(강력 판별), 마진>=100→정밀도 90%·티전환 70%(마진>=200→94%·60%).
• 이중엔진 2상주서버: :9797 서비스응답(4단계·4상·41ms) + :9796 서비스분류(NB). 한선씨 7개(응답·응답코어·응답서버·분류·분류코어·분류서버·fuzzy 내장). crownycode 학습 +1.
• 다음: NB margin 게이트 임계 A/B(100 vs 200)·서비스응답 게이트웨이 배선(service.crowny.org)·증류셋 강라벨 누적 재학습 주기화·전문가레벨 API 상세 정교화.

정교화 8차 (R66): 마진 A/B·svc.crowny.org 게이트웨이·재학습 주기화·전문가 API

• 마진 임계 A/B(100 vs 200): 실측 100=티전환70%·정밀도90%·놓침13% / 200=60%·94%·26%. 100 채택(불필요 보완 최소).
• 서비스응답 게이트웨이 배선(svc.crowny.org): 서버 HTTP+TCP 이중 프로토콜 — HTTP POST 본문 raw "질문|레벨"→JSON {phase,service,answer}. ★Content-Length는 UTF-8 바이트수 필요(글자수≠바이트)→Connection:close로 EOF 종료. gateway.yaml crowny-svc(svc.crowny.org→:9797,CORS). service는 infra 점유라 svc 채택. 게이트웨이 8080 경유 실측 정상.
• 강라벨 누적 재학습 주기화: LaunchAgent org.crowny.서비스재학습(StartInterval 6h)→tools/증류강화.sh(강 라벨만 승격→재학습→양 서버 리로드). 절대경로 보강·CWD=/ 실행 검증.
• 전문가레벨 API 상세: data/서비스/서비스API.psv 12종(실엔드포인트)+API의도 감지+전문가레벨(레벨idx==6) 자동 [API] 붙임. 초4는 미부착. API조회() 버퍼순회.
• 상주 3서비스: :9797 응답 · :9796 분류 · 6h 재학습. 한선씨 7개. crownycode 학습 +1. 데이터: 서비스API 12·서비스방법 101·문맥증류 5659.
• 다음: svc.crowny.org 공개 HTTPS(와일드카드 cert) E2E·프론트 위젯(crowny.org 4단계 카드)·API 상세 12→전 LIVE 확장·NB margin 이중티어(200=자동/100~200=혹시).

정교화 9차 (R67): 프론트 데모·API 전확장·마진 이중티어·용량 예측

• 프론트 4단계 카드 데모: crowny-ai/public/svc-demo.html 라이브(crowny.org/svc-demo.html HTTP 200) — 질문→svc.crowny.org 4레벨 병렬 POST→초4·빠른·일반·전문가 카드. 크라우니디자인 CSS.
• API 12→101 전 LIVE 확장: curated 12 실엔드포인트 보존 + 89 generic(포트·카테고리 정직 표면, 상세 이관).
• NB 마진 이중티어: ≥200=확신 티(자동) / 100~200=혹시(잠정+확인) / <100=보완. 마진자동/마진혹시.
• ★게이트웨이 프록시 버그 수정: Content-Length 생략(EOF) 시 게이트웨이 프록시 본문 못읽어 간헐 빈응답 → 바이트길이(코드값 UTF-8 <128=1·<2048=2·<65536=3·else4) 복원 + 멀티세그먼트 POST 본문 누적(재시도3·RCVTIMEO 1500ms) → 스트레스 20/20 무결. 공개 HTTPS 4레벨 E2E.
• ★용량 예측(전용 문서 2026-07-18-크라우니서비스-SLM-용량예측-한영외국어.md): 현 279KB=101서비스·13534연결·어휘4651·21B/연결. 한국어 Heaps β0.68: 10MB≈연결508K·어휘55K / 100MB≈연결5.08M·어휘262K. 언어별=고정오버헤드 지배로 바이트차 ±15%, 핵심차=개념커버 연결수(영 스테밍0.6~0.7·ASCII / 한 조사변형1.3~1.5). 영어 동MB 개념커버 ~1.5배·CJK~1.1·독일어~0.8. 오버헤드 절감(svc ID화·logprob 양자화)로 21→9B 가능.
• 다음: crowny.org 대시보드 위젯 임베드·API 89 generic→실엔드포인트 점진 채움·svc.crowny.org 데모 링크 노출·오버헤드 절감(정수ID+양자화) 밀도 2.3배.

정교화 10차 (R68): 대시보드 위젯·밀도 2.40배·영어배율·10/100MB 계획

• 대시보드 위젯 임베드: crowny-ai/public/dashboard.html 서비스 안내 위젯(질문+레벨 select→svc.crowny.org fetch→서비스+답변). /svc-demo.html 링크.
• API 12→101 + 프로빙 검증: curated 12 실엔드포인트 + generic 89. 라이브 프로빙(stake /api/health 실존, chain/market 구조상이)으로 검증 기반 점진 채움.
• ★밀도 최적화 2.40배 무손실: 정수ID+양자화(256레벨, Q\|lo\|hi 헤더)+피처그룹핑(feat\|id:qlp) → 20.6B→8.6B/연결. 압축 vs 비압축 예측 100% 일치. tools/서비스NB학습.py 통합(서비스NB압축.psv). ★한선씨 이식 대기: 설정()이 in-place 변경+반환값≠배열(점수=설정() 시 배열파괴 함정). Python 무손실 검증 완료.
• 영어 배율 실측: 영어 20서비스 96%, 피처 2.6B vs 한국어 5.9B=2.23배 압축(ASCII), 연결당 17 vs 20.6B(오버헤드 희석 1.21배).
• 10MB/100MB 계획(전용문서 SLM-용량예측): 압축 10MB≈연결1.22M·어휘99K·서비스9K / 100MB≈연결12.2M·어휘474K·서비스90K. 효율/밀도/최적화 로드맵(압축→프루닝-30%→공유사전~5B), 검증법(코퍼스N배→선형·정확도유지), 다국어 배분.
• crownycode 학습 +2. 다음=한선씨 압축 스코어링 버그수정(설정 in-place)·API 프로빙 자동화·프루닝 게이트·영어 실코퍼스 대규모 배율.

정교화 11차 (2026-07-19, R69): 압축 라이브·프루닝·프로빙·영어 재검증

• ★압축 스코어링 버그 진범 = Q헤더 프리픽스 재매칭: 설정()은 무죄(반환=배열핸들, 재대입 무해 실증). 태그판정 부분(줄,0,1)=="Q"가 피처 "QR코드를|…" 라인에 재매칭 → G로/G하이가 로=0·하이=14로 오염(deq 왜곡→스코어 시프트). 수정=부분(줄,0,2)=="Q|" 정확매칭(피처 len≥2라 "Q|" 불가). 압축 한선씨 100/100 비압축 일치 → 서비스분류_코어압축.한선 라이브 스왑(:9796). 밀도 2.40배 라이브 실현.
• API 프로빙 자동화: tools/API프로빙.sh — generic 항목 /api/health 라이브 프로빙 → 52 검증(200 태그)·21 비가동 마킹. 서비스API.psv 갱신.
• ★프루닝 게이트(동시 개선): 빈도≥2+무판별(50+서비스 출현) 제거 — 실측 연결 -53% AND 정확도 +2.9%p(무판별 피처=노이즈). tools/서비스NB학습.py 통합 → 모델 279KB→58KB(총밀도 4.8배)·라이브 gold 70→72/100.
• ★영어 대규모 재검증 정직 정정(101서비스 1212쌍·동일 게이트): 압축 포맷에선 영어 8.8B vs 한국어 9.0B/연결 = 1.03배(수렴) — 피처 그룹핑이 피처 문자열 비용을 서비스들에 분산, ASCII 이점 소멸, 고정 오버헤드(id:qlp ~6B) 지배. R67 예측 강화 확증: 언어차 실효=개념 커버당 연결 수(스테밍/굴절)만. 영어 98.4%는 템플릿 코퍼스 인위 상한(명시). Heaps β half-sample 계산은 무효라 미채택.
• 10MB 계획 갱신(프루닝 반영): 58KB/6480연결=9.0B → 10MB≈연결 1.16M(프루닝 게이트로 동일 코퍼스가 더 적은 연결로 더 정확) — "유효 커버"는 프루닝게이트 후 밀도로 재산정이 정본.
• crownycode 학습 +2(Q헤더 함정·프루닝 게이트). 다음=서비스응답_코어 내장 NB도 압축 코어로 통일·프로빙 주기화(재학습 LaunchAgent에 편입)·실사용 영어 질의 로그 수집.

정교화 12차 (2026-07-19, R70): NB 압축통일·프로빙 주기화·영어수집·울트라 자연어 커버

• 응답코어 NB 압축 통일 + ★STR 함정: 1차 확장저장(28K svc◊feat 문자열키)이 STR 핸들 90% 소진→서버 KeepAlive 재기동 반복(503). 지연파싱 전환(G피처에 feat→pairs 문자열만, NB점수가 pairs값() 온디맨드 파싱+NBsid 선형역맵)→STR 경고 0·503 해소.
• 프로빙 주기화: tools/API프로빙.sh를 증류강화.sh(6h LaunchAgent org.crowny.서비스재학습)에 편입(멱등 — 검증된 항목 재프로빙 스킵).
• 영어 실질의 수집: 영어질의인가()(ASCII 알파벳>한글·≥4자) — 음 이관/fuzzy 옴 경로에서 data/서비스/영어질의로그.psv 수집.
• ★울트라 병렬 자연어 커버 확장: Workflow 10 haiku×~11서비스(3분·40만 토큰) → 질문 2017+키워드 1010 → tools/커버병합.py(유효svc·중복·과대매칭≤2 게이트+조합증식 5610) → 재학습. held-out 30문 gold 18→24/30(60→80%)·음 4→0. 실패 표적 래칫 +13·stake 카드 신규 추가(101→102, gold 원천부재 발견)·fuzzy 코퍼스 재생성.
• 배수 정직 보고(3진 목표 대비): 키워드 446→1393=3.1배(목표9)·연결 6489→28257=4.4배(목표27)·증류 5826→13543=2.3배·어휘 2438→8041=3.3배. 프루닝 게이트가 노이즈 차단하며 성장(품질>양 원칙 유지). 잔여 배수=실사용 래칫+후속 울트라 웨이브.
• ★Workflow 함정: args는 JSON 값으로(문자열화→.map 실패)·대용량 입력은 에이전트가 파일 Read·journal.jsonl에서 result 수집이 견고.
• 도구: 커버병합.py + crownycode 학습 +2. 다음=2차 울트라 웨이브(잔여 배수)·4레이어 표현 3배(레벨답 변형)·영어로그 축적 후 영어 키워드층·stake류 카드 미등록 서비스 전수 점검.

정교화 13차 (2026-07-19, R71): 웨이브2 — 서비스 199·영어층·표현×3·연결 8.6배

• 2차 울트라 웨이브: Workflow 33 haiku 4그룹(7.3분·164만tk) — ①한국어2차(줄임말·오타·시나리오 1545질문+515키워드) ②영어층(1020질문+816키워드) ③4레이어 표현 변형 824(레벨×2, data/서비스/카드변형.psv+fuzzy 합류=표현 ~3배) ④미등록 카드 97.
• 카드 전수점검: 게이트웨이 225 도메인 vs 카드 102 → 125 미등록 → 내부성 제외+라이브 프로빙 ~85 선별 → 웨이브 카드 생성 → 101→199 서비스(방법/API generic 자동 재생성).
• ★함정(학습): 신규 카드 svc는 증류 예제 0 → NB 클래스 미생성. 카드문장 조각+키워드×템플릿 조합 증류 선생성(+3676) 후 재학습 = 199서비스 전체 NB(연결 55,916·압축 410KB·2.85×).
• 측정: 한국어 held-out 30문 gold 24/30 유지(티 26→28·옴 4→2·음 0) · 영어 10문 0→8/10(hansunc 준정답 포함 9/10, 표적 영어 래칫 +8). 신규 카드 라이브 작동(양자 워프→estel). STR 0.
• 배수 갱신(원 기준 446/6489/5826/101): 키워드 6.1×(2704, 목표9)·연결 8.6×(55,916, 목표27)·증류 3.4×(19,639)·커버 서비스 2.0×(199)·표현 ~3×(824변형). 도구: 웨이브2병합.py. crownycode 학습 +1.
• 다음=키워드 9×/연결 27× 잔여(웨이브3 또는 실사용 래칫 누적)·영어 실질의 로그 기반 영어 fuzzy·신규 97 카드 품질 검수(1차는 haiku 생성)·book류 다의어 충돌 정리.

정교화 14차 (2026-07-19, R72): 웨이브3 — sonnet 검수·다의어·영어 fuzzy·연결 12.4×

• 다의어 정리: 흔한 영단어 svc 자기키워드 제거(book·care·int·mind)+복합 대체(ebook·health care·emergency alert). "book a concert ticket"→ticket 티 해소.
• 영어 fuzzy: 소문자화(코드값 65-90→+32) fuzzy 경로 배선(서비스응답_코어 소문자화()).
• 웨이브3(Workflow 28: 10 haiku 신규97 질문·8 sonnet 적대검수·10 haiku 구102 3차각도): 질문 2,816+키워드 741. ★sonnet 검수 실효 25카드 수정 — archytect가 architect 소개 복제·6561이 tree 복제+근거없는 수치·character GLB 과장·avls 포트 오류·staking 기능도용 의심 등(haiku 1차 카드의 사실오류·과장·톤위반 적발). 웨이브3병합.py(fixes 카드반영+병합+조합증식).
• 측정: 영어 9/10(+1) · 한국어 23/30(실패 7 중 5=형제 준정답 — 실질 ~28/30). disaster 신규카드 라이브 티·STR 0.
• 최종 배수(원 기준 446/6489/5826/101): 키워드 7.7×(3,444/목표9)·연결 12.4×(80,456/목표27)·증류 4.6×(26,544)·서비스 2.0×(199). 압축 595KB(2.85×). ★정직: 웨이브 3회로 12.4× — 27×는 실사용 로그 래칫 누적이 자연 경로(품질게이트 유지).
• 도구: 웨이브3병합.py + crownycode 학습 +1. 잔여: 검수 8번째 배치 1건 미도착(도착 시 추가 병합)·형제 서비스(bank↔invest 등) 옴 후보 병기 개선·27× 잔여는 운영 래칫.

R72 최종 갱신(28/28 도착 후)

• 검수 총 30카드 수정: 마지막 배치서 ★도메인명 유추 사실오류 5 추가 적발 — infra(건설장비중개인데 IT모니터링으로 오기)·amti(금융유형검사↔교육MI진단)·take(도매구매대행↔모바일UX)·h(준비중 스텁을 완비 스마트홈으로 과장)·amena(twin 모듈 오분류). 교훈: haiku 카드 생성의 도메인명 유추는 사실오류 고위험 — sonnet 검수 필수 공정.
• STR 재발·해소: 80K 연결 모델 로드가 STR 핸들 90% 재도달 → 프루닝 게이트 강화(빈도≥3·판별≤30, R69 실측 정확도 동등 68.2%) → 연결 61,292·압축 449KB·STR 0. ★스케일 업 시 게이트 강도가 STR 상한과 연동됨(핸들예산 = 연결수 함수).
• infra 오답("건설 장비 빌리고"→bank)은 표적 키워드+증류 6예제 보강 → 저신뢰 옴 보완(m42, 정직 재질문)으로 전환 — 래칫 누적 시 티.
• 최종 배수: 키워드 7.7×(3,447)·연결 9.4×(61,292 게이트 강화 후)·증류 4.6×(26,884)·서비스 2.0×(199).