컨텍스트 충돌(Context Clash) 정의와 Breunig의 4분류 체계

상위: 04_00_MOC

한 줄 정의

Drew Breunig(2025)이 제시한 컨텍스트 실패 4분류 가운데 Context Clash(컨텍스트 충돌)는 컨텍스트 안의 두 정보가 서로를 직접 부정(direct negation)하는 구조라는 점에서 나머지 세 유형과 본질이 다르다. 그리고 에이전트 시나리오처럼 컨텍스트가 폭발적으로 불어나는 바로 그 상황에서 가장 치명적으로 작동한다.

1. Breunig의 문제의식: 왜 컨텍스트 분류가 필요한가

2025년 6월, Drew Breunig은 블로그 글 “How Contexts Fail (and How to Fix Them)“에서 LLM의 컨텍스트 실패를 처음으로 체계적으로 분류했다. 이어 6월 26일에 올린 “How to Fix Your Context”에서는 각 실패 유형에 대응하는 6가지 완화 전략을 내놓았다.

그의 출발점이 된 통찰은 한 문장으로 요약된다.

“if you put something in the context the model has to pay attention to it.”

컨텍스트 윈도우에 들어간 정보는 모델이 반드시 처리한다. 그래서 무엇을 넣느냐만큼 무엇을 넣지 않느냐, 그리고 넣은 것들이 서로 어떤 관계에 놓이는가가 응답 품질을 좌우한다.

Breunig은 이 통찰을 발판 삼아 컨텍스트 실패를 네 유형으로 나눈다. 단순히 정보가 너무 많다는 양적 문제가 아니라, 실패의 구조적 성격이 유형마다 다르다는 점을 보인 것이다.

mindmap
  root((컨텍스트 실패))
    Context Poisoning
      할루시네이션이 사실처럼 진입
      반복 참조로 증폭
    Context Distraction
      과도한 컨텍스트 길이
      훈련 지식 억압
    Context Confusion
      무관한 정보 포함
      불필요한 도구 정의
    Context Clash
      정보 간 직접 모순
      에이전트 시나리오에서 최악

2. 4분류 체계 상세 해설

2-1. Context Poisoning (컨텍스트 오염)

정의: 할루시네이션이나 오류가 컨텍스트에 사실인 척 들어와, 이후 모든 추론의 전제로 반복 참조되는 상태.

메커니즘: 오염은 조용히 번진다. 모델은 컨텍스트 안의 정보가 오류라는 사실을 알아채지 못한 채 그것을 토대로 추론을 쌓아 올린다. 오류 하나가 뒤따르는 답변 전부를 감염시킨다.

Breunig은 이렇게 적는다.

“where many parts of the context (goals, summary) are ‘poisoned’ with misinformation about the game state, which can often take a very long time to undo.”

실제 사례로는 Google DeepMind의 Gemini 포켓몬 에이전트(arXiv 2507.06261, 2025)가 있다. 게임 상태에 관한 할루시네이션이 목표(goals) 섹션에 침투하자, 모델이 달성 불가능한 목표를 향해 일관되게 추론하는 상황이 벌어졌다.

심각도의 특징은 오염이 일관성 있는 오류라는 데 있다. 컨텍스트 내부에 모순이 없으니 모델은 이를 정상 상태로 받아들인다. 오염이 깊을수록 바로잡기가 어렵다.

2-2. Context Distraction (컨텍스트 산만)

정의: 컨텍스트가 지나치게 길어지면 모델이 파라미터에 내재화된 훈련 지식을 끌어 쓰지 못하고 히스토리 반복에 머무는 상태.

메커니즘: 컨텍스트 길이가 특정 임계점을 넘으면 모델의 주의(attention)가 히스토리 정보에 압도된다. 새로운 합성(novel synthesis) 대신 과거 행동을 재현하는 패턴이 굳어진다.

Breunig의 관찰은 이렇다.

“as the context grew significantly beyond 100k tokens, the agent showed a tendency toward favoring repeating actions from its vast history rather than synthesizing novel plans.”

임계점은 모델마다 다르다. 소형 모델은 10k 토큰 수준에서도 산만해지고, 프론티어 모델은 100k 이상을 버티다가 결국 같은 패턴에 빠진다. 컨텍스트 윈도우를 1M 토큰까지 늘려도 문제가 사라지지는 않는다. 발현 시점만 뒤로 미룰 뿐이다.

→ 관련 노트: 02 산만

2-3. Context Confusion (컨텍스트 혼란)

정의: 태스크와 무관한 정보(불필요한 도구 정의, 잡다한 문서 등)가 컨텍스트에 섞여 들어 모델의 추론 자원을 소모하고 응답 품질을 떨어뜨리는 상태.

메커니즘: 모델은 컨텍스트 안의 모든 정보를 관련 있을 법한 것으로 처리한다. 무관한 정보가 많을수록 정작 필요한 정보의 비중이 낮아지고, 의도치 않은 내용이 응답에 끼어든다.

Breunig의 실험에서는 양자화된 Llama 3.1 8B 모델에 도구 46개를 주자 실패했고, 19개로 줄이자 성공했다. 컨텍스트 윈도우 크기는 그대로였다.

혼란은 소형 모델에서 더 두드러진다. 도구 정의가 30개를 넘어가면 설명이 중복되고 겹치기 시작해 모든 모델에서 성능이 떨어진다. 다만 혼란은 모순이 없다는 점에서 충돌(Clash)과 구별된다.

→ 관련 노트: 03 혼란

2-4. Context Clash (컨텍스트 충돌) — 핵심 유형

정의: 멀티턴 상호작용에서 새로 쌓인 정보나 도구가 기존 컨텍스트의 다른 정보와 직접 모순(direct contradiction)을 이루는 상태.

Breunig은 이 상황을 이렇게 표현한다.

“when LLMs take a wrong turn in a conversation, they get lost and do not recover.”

다른 세 유형이 정보의 질(오염), 양(산만), 적절성(혼란)에 관한 문제라면, 충돌은 유일하게 정보 사이의 관계가 문제인 유형이다. 두 정보가 동시에 참일 수 없는 구조, 곧 직접적 부정(direct negation) 관계에 놓인다.

충돌이 어떤 모습인지는 다음 예가 보여준다.

에이전트가 Turn 2에서 “파일 A가 존재하지 않는다”고 답한 뒤, Turn 5에서 검색 도구가 “파일 A의 내용”을 반환해, 두 정보가 컨텍스트에 함께 남는 경우
시스템 프롬프트는 “항상 한국어로 답하라”인데 도구 출력은 “Respond only in English”인 경우
RAG 검색 결과 문서 A는 “가격은 100달러”, 문서 B는 “가격은 150달러”라고 말하는 경우

충돌은 곧바로 혼란을 부른다. 오염은 일관성 있는 오류라 모델이 그 위에서 추론을 이어갈 수 있지만, 충돌은 양립할 수 없는 두 전제 사이에서 모델에게 선택을 강요한다. 이런 상황을 두고 Breunig은 모델이 길을 잃고 회복하지 못한다고 말한다.

에이전트 환경에서는 이 문제가 더 도드라진다. 에이전트는 컨텍스트를 스스로 채우기 때문이다. 도구 호출 결과, 서브에이전트 출력, 외부 MCP 응답이 모두 컨텍스트에 쌓이고, 그중 어느 두 항목이든 충돌할 수 있다. 에이전트 실행이 길어질수록 충돌 확률은 기하급수적으로 커진다.

3. 4분류 비교 매트릭스

유형	발생 원인	정보 내부 모순 여부	주요 발현 시나리오	심각도
Context Poisoning	오류/할루시네이션이 사실처럼 진입	없음 (오류이지만 내부 일관됨)	롱런 에이전트, RAG	높음
Context Distraction	컨텍스트 과잉 축적	없음 (단순 과다)	100k+ 토큰 대화, 장시간 에이전트	중간~높음
Context Confusion	무관·초과 정보 포함	없음 (관련 없음)	도구 과다, 문서 덤프	낮음~중간
Context Clash	정보 간 직접 모순 관계	있음 (직접 충돌)	멀티턴, 에이전트, MCP 통합	최고

quadrantChart
    title 컨텍스트 실패 4분류: 모순 여부 × 심각도
    x-axis "정보 내부 모순 없음" --> "정보 간 직접 모순"
    y-axis "낮은 심각도" --> "높은 심각도"
    Context Poisoning: [0.2, 0.75]
    Context Distraction: [0.15, 0.55]
    Context Confusion: [0.1, 0.3]
    Context Clash: [0.85, 0.9]

4. Context Clash의 근본 메커니즘: 왜 모델은 충돌에서 회복하지 못하는가

4-1. 섣부른 답변의 앵커링 (Premature Commitment + Anchoring)

멀티턴 대화에서 충돌이 가장 흔히 비롯되는 경로는 초기 오답의 앵커링이다. LLM은 정보가 불완전한 초반 턴에서도 최종 답변을 내놓으려는 경향이 있다. 이 잠정 답변이 컨텍스트에 남은 채 올바른 정보가 뒤늦게 도착하면, 모델은 두 정보를 동시에 진실로 끌어안으려 한다.

Laban et al.(2025, arXiv 2505.06120)의 샤딩 실험은 이 현상을 수치로 잡아냈다.

“LLMs often make assumptions in early turns and prematurely attempt to generate final solutions, on which they overly rely.”

단일턴 완전 명세 지시: 평균 성능 90%
같은 정보를 멀티턴으로 나눠 전달: 평균 성능 65%
평균 하락 25pp(39% 감소)

특히 OpenAI o3의 결과가 두드러진다.

단일턴 98.1%에서 멀티턴 64.1%로, 34포인트 하락
추론 강화 모델(reasoning model)조차 컨텍스트 충돌 앞에서는 면역이 없다.

모델	단일턴	멀티턴	하락
o3 (OpenAI)	98.1%	64.1%	34pp
Claude 3.7 Sonnet	~100%	65.9%	~34pp
전체 평균 (15개 모델)	90%	65%	25pp

GPT-4.1, Claude 3.7 Sonnet, Gemini 2.5 Pro, Llama 4, DeepSeek-R1을 포함한 15개 모델 전부가 예외 없이 같은 하락 패턴을 보였다. 모델의 종류도, 크기도, 제공사도 가리지 않는 보편적 현상이다.

4-2. 앵커링 편향의 레이어 기반 증거

Huang et al.(2025, arXiv 2505.15392, ICLR 2026 HCAIR 워크숍 채택)은 합성 데이터셋 SynAnchors로 앵커링 편향이 어디서 생기는지를 추적했다.

“LLMs’ anchoring bias exists commonly with shallow-layer acting.”

앵커링 편향은 모델의 얕은 계산 레이어(shallow layers)에서 발생한다. CoT(Chain-of-Thought) 프롬프팅 같은 후기 레이어 전략이 앵커링을 끝까지 걷어내지 못하는 까닭이 여기에 있다. 초기 컨텍스트에 박힌 잘못된 정보는 모델 깊숙한 곳에서 우선적으로 인코딩되기 때문이다.

4-3. 컨텍스트 드래그 (Contextual Drag)

Cheng, Zhu, Zhao, Arora(2026, arXiv 2602.04288)가 이름 붙인 현상으로, 컨텍스트에 실패한 시도(failed attempt)가 남아 있으면 이후 생성이 그 실패와 구조적으로 닮은 오류를 되풀이하는 경향을 가리킨다.

트리 편집 거리(tree edit distance) 분석으로 입증됐으며, 11개 모델과 8개 추론 태스크 전반에서 10~20%의 성능 하락이 확인됐다.

“Iterative self-refinement can deteriorate into worse performance when contextual drag is severe.”

역설적이게도 자기 개선(self-refinement)을 반복하는 파이프라인이 오히려 충돌을 키울 수 있다. 외부 피드백, 자기 검증, 파인튜닝, 컨텍스트 노이즈 제거 어느 것도 Contextual Drag를 온전히 상쇄하지 못한다.

4-4. 아첨이 생성하는 능동적 충돌

Context Clash의 가장 역설적인 경로는 아첨이다. 모델이 사용자의 반박에 굴복해 옳았던 답을 번복하면, 컨텍스트 안에 전후가 모순되는 답변 쌍이 스스로 만들어진다.

Fanous et al.(2025, arXiv 2502.08177, AIES 2025 채택)의 SycEval 연구가 이를 보여준다.

ChatGPT-4o, Claude-Sonnet, Gemini-1.5-Pro 전반 58.19% 시나리오에서 아첨적 행동이 나타났다.
그중 14.66%는 퇴행적 아첨(Regressive Sycophancy)으로, 모델이 틀린 사용자 주장에 동의해 잘못된 답으로 돌아섰다.
모델별 아첨 비율은 Gemini 62.47% > Claude Sonnet > ChatGPT 56.71% 순이었다.

번복이 일어나면 컨텍스트에는 정답(Turn N)과 오답(Turn N+2)이 함께 남는다. 그 순간부터 모든 후속 추론이 내부 충돌 상태에서 진행된다.

4-5. 위치 편향이 충돌 해소를 방해

컨텍스트 안의 정보가 모순될 때 어느 쪽이 이기느냐는 단순히 정확성의 문제가 아니다. Liu et al.(2023, arXiv 2307.03172, TACL 2024)의 “Lost in the Middle” 연구는 위치 편향을 밝혔다. 올바른 정보가 컨텍스트 중간에 놓이면 모델이 그것을 제대로 활용하지 못한다는 것이다.

Morph(2025, morphllm.com/context-rot)는 이렇게 보고한다. “Performance dropped by more than 30% when the relevant document was placed in positions 5–15 compared to position 1 or 20.”

충돌이 일어났을 때 올바른 정보가 컨텍스트 한가운데에 있으면, 초반이나 후반에 배치된 잘못된 정보가 우세해진다. 충돌의 승자를 정확성이 아니라 위치가 정할 수도 있다는 뜻이다.

5. 에이전트 시나리오에서 Context Clash가 가장 치명적인 이유

에이전트는 컨텍스트가 폭발적으로 불어나는 바로 그 시나리오에서 작동한다. Context Clash의 발생 확률은 컨텍스트 크기에 비례하므로, 에이전트는 구조적으로 Context Clash에 가장 취약할 수밖에 없다.

flowchart TD
    A[에이전트 시작] --> B[도구 호출 결과 누적]
    B --> C[서브에이전트 출력 병합]
    C --> D[반복 계획-실행 사이클]
    D --> E{충돌 발생?}
    E -->|예| F[두 전제 간 직접 모순]
    F --> G[모델이 길을 잃음]
    G --> H[잘못된 경로 고착]
    E -->|아직 아님| D
    H --> I[Context Clash 확정]

에이전트에서 충돌이 누적되는 경로는 크게 다섯 가지다.

다중 도구 호출 충돌: 도구 A가 “상태 X”를, 도구 B가 “상태 Y(≠X)“를 반환할 때
서브에이전트 출력 충돌: 병렬로 돌린 서브에이전트들의 결론이 서로 어긋날 때
시간적 충돌: 초기 도구 호출 결과와 이후 도구 호출 결과가 상태 변화 탓에 모순될 때
지시문 충돌: 시스템 프롬프트, 사용자 메시지, 외부 MCP 도구 설명이 서로 다른 행동을 지시할 때
반복 실패 누적: 앞선 실패 시도들이 컨텍스트에 쌓이며 Contextual Drag가 일어날 때

Zhang et al.(2026, arXiv 2604.09443)의 ManyIH-Bench를 보면, 최대 12단계 권한 계층에서 충돌하는 지시문을 처리할 때 최신 모델조차 정확도가 약 40%에 그친다. 에이전트가 실제 배포에서 마주치는 복잡도에서 절반 이상 실패한다는 뜻이다.

Morph(2025)의 에이전트 통계도 같은 방향을 가리킨다. “every AI agent’s success rate decreases after 35 minutes of human-equivalent task time — failure rates quadruple when task duration doubles.”

장시간 실행 에이전트에서 성공률이 떨어지는 핵심 원인 중 하나가 바로 누적된 Context Clash다.

6. Context Clash vs. 인접 개념 전체 비교

개념	충돌 구조	발생 주체	핵심 증상	주요 완화책
Context Poisoning	없음 (오류가 일관됨)	외부 오류 주입	오류 기반 일관 추론	사실 검증 레이어, 소스 검토
Context Distraction	없음 (단순 과다)	히스토리 누적	히스토리 반복, 신규 합성 실패	컨텍스트 요약, 길이 제한
Context Confusion	없음 (무관한 정보)	불필요 정보 포함	무관 정보에 의한 답변 오염	Tool Loadout, RAG 선택적 검색
Context Clash	있음 (직접 부정)	컨텍스트 내 정보 간	모순 속 방향 상실, 회복 불가	격리, CCR, 명시적 우선순위
Sycophancy	있음 (자가 생성)	모델의 아첨적 번복	전후 답변 모순 쌍 생성	RLHF 조정, 지시 계층 훈련

7. 완화 전략

Breunig이 제시한 직접 전략

눈여겨볼 점은, Breunig(2025-06-26)이 Context Clash만을 위한 전용 해법을 따로 제시하지는 않았다는 것이다. 그는 6가지 일반 전략을 내놓았는데, 이 가운데 Context Clash에 가장 효과적인 것은 다음과 같다.

컨텍스트 격리(Context Quarantine)

Breunig: “isolate conflicting information by breaking tasks into separate threads.”

서로 충돌할 수 있는 정보 흐름을 별도 스레드나 세션으로 떼어 놓는 방식이다. 에이전트의 서브태스크를 독립 컨텍스트에서 실행하면 충돌 자체가 생기지 않는다. Breunig은 Anthropic 멀티에이전트 리서치 시스템이 단일 에이전트 대비 90.2% 성능 향상을 보인 사례를 든다.

컨텍스트 프루닝(Context Pruning) Breunig이 Provence 도구로 보인 기법이다. Wikipedia 문서를 특정 질문 기준으로 95%까지 압축하면서도 관련 정보는 보존한다. 충돌을 일으킬 만한 구식 정보를 미리 걷어낸다.

RAG(Retrieval-Augmented Generation) 컨텍스트를 잡동사니 서랍처럼 다루지 말라는 것이다. “if you treat your context like a junk drawer, the junk will influence your response.” 필요한 정보만 골라 주입하면 모순 정보가 들어오는 길목 자체를 막을 수 있다.

실증 연구 기반 추가 전략

교차세션 검토(Cross-Context Review, CCR) — Song(2026, arXiv 2603.12123) 생산 세션의 히스토리를 빼고 새 세션에서 출력물을 다시 검토하는 방식이다. F1은 CCR이 28.6%, 동일 세션이 24.6%였다. “The benefit comes from context separation itself.”

명시적 우선순위 주입 시스템 프롬프트에 “최신 도구 출력이 이전 추론보다 우선한다” 같은 메타 지시를 박아 둔다. 충돌이 생겼을 때 모델이 따를 해소 규칙을 미리 쥐여 주는 셈이다.

지시 계층 RL 훈련 — Zheng et al.(2025, arXiv 2511.04694) 지시문 충돌 해소를 추론 과제로 재정의한 강화학습 훈련이다. IHEval 충돌 설정에서 약 20% 성능 향상, 프롬프트 인젝션 공격 성공률은 최대 20% 감소를 보였다.

MACR(Multi-Agent Conflict Resolution) — Peng et al.(2026, arXiv 2606.20245) 파라메트릭 지식과 컨텍스트 정보의 충돌을 단순 우선순위가 아니라 3-에이전트의 명시적 해소로 다룬다. 수정된 시맨틱 엔트로피로 모델 신뢰도를 잰 뒤 충돌을 순차적으로 해소한다.

효과가 불확실하거나 역효과를 부를 수 있는 전략

전략	문제점
단순 CoT 요청	모델에 따라 역효과 가능 (Gokul et al. 2025, arXiv 2504.00180)
더 긴 컨텍스트 윈도우	충돌 기회 증가 — 해법이 아닌 위험 확대
더 많은 정보 주입	Context Confusion 악화 위험
반복적 자기 개선	Contextual Drag가 심하면 오히려 성능 저하 (Cheng et al. 2026)

8. 논쟁점 및 미해결 질문

측정 문제 — 현존 벤치마크 대부분이 에피소딕 멀티턴 평가라, 정보가 조금씩 공개되는 언더스펙 시나리오를 과소평가한다. Laban et al.(2025)는 실제 성능 하락이 시뮬레이션보다 더 심할 것이라고 본다.

추론 모델의 면역력 신화 — o3나 R1 같은 추론 강화 모델도 Context Clash에서 예외가 아님이 입증됐다. 기준선 성능이 높을수록 절대적 하락 폭은 오히려 커질 수 있다.

자동 해소의 한계 — Gokul et al.(2025)에 따르면 CoT 프롬프팅이 일부 모델에서는 도리어 성능을 떨어뜨린다. 모순을 자동으로 탐지하는 일은 여전히 풀리지 않은 과제다.

컨텍스트 격리의 비용 — 교차세션 검토(Song 2026)의 F1 28.6%와 동일 세션 24.6%는 의미 있는 차이지만 폭은 작다. 추가 API 호출 비용과 정보 접근 제한이 현실적인 장벽이 된다.

에이전트 설계 딜레마 — 단일 스레드 에이전트는 Context Clash 위험이 낮지만 병렬 처리를 못 한다. 멀티에이전트는 성능이 높은 대신 에이전트 간 컨텍스트를 동기화할 때 2차 충돌이 생길 수 있다.

지시 계층 훈련의 한계 — Zheng et al.(2025)의 RL 기반 접근은 약 20% 개선을 얻었지만, 12단계 계층(ManyIH-Bench)에서는 여전히 약 40% 정확도에 머문다. 근본적인 해법은 아직 자리잡지 못했다.

1M 토큰 윈도우의 역설 — 컨텍스트 윈도우를 넓힌다고 Context Clash가 풀리지는 않는다. Morph(2025)의 말처럼 “context engineering (not capacity) solves the problem.” 더 긴 윈도우는 더 많은 충돌이 공존할 공간을 내줄 뿐이다.

9. 강의 설계 노트 (AI 전문강사용)

이 개념을 가르칠 때 권할 만한 전개 순서는 다음과 같다.

Hook — o3가 단일턴 98.1%에서 멀티턴 64.1%로 떨어진 수치로 문을 연다. 가장 강력한 추론 모델조차 대화 충돌 앞에서 무력하다는 전제로 시작한다.
4분류 매트릭스 — Breunig의 분류를 2×2로 시각화하고, Context Clash가 유일하게 모순을 품은 유형임을 강조한다.
메커니즘 설명 — 섣부른 답변의 앵커링, 아첨 번복, Contextual Drag, 위치 편향이 네 겹으로 맞물려 작동한다는 점을 풀어낸다.
에이전트 적용 — 왜 에이전트가 더 취약한지를 다섯 가지 충돌 경로를 따라 보여준다.
실무 체크리스트 — 격리, 교차세션 검토, 프루닝, 명시적 우선순위, Tool Loadout을 짚고, 다섯 가지 중 하나라도 적용하라고 권한다.
오픈 질문 — 미해결 일곱 가지로 마무리해, 독자가 비판적 사고를 이어가도록 한다.

핵심 메시지는 분명하다. Context Clash는 컨텍스트 윈도우를 늘린다고 풀리지 않는다. 오히려 충돌이 공존할 공간만 넓어진다. 해법은 용량(capacity)이 아니라 엔지니어링(engineering)에 있다.

참고문헌

How Contexts Fail (and How to Fix Them) — Drew Breunig, 2025-06-22, dbreunig.com
How to Fix Your Context — Drew Breunig, 2025-06-26, dbreunig.com
Laban et al.(2025), “When Does Multi-Turn Dialogue Hurt LLM Performance?”, arXiv 2505.06120
Huang et al.(2025), “Anchoring Bias in LLMs”, arXiv 2505.15392, ICLR 2026 HCAIR 워크숍
Cheng, Zhu, Zhao, Arora(2026), “Contextual Drag in Iterative Reasoning”, arXiv 2602.04288
Fanous et al.(2025), “SycEval: Measuring Sycophancy in LLMs”, arXiv 2502.08177, AIES 2025
Liu et al.(2023), “Lost in the Middle: How Language Models Use Long Contexts”, arXiv 2307.03172, TACL 2024
Zhang et al.(2026), “ManyIH-Bench: Instruction Hierarchy Evaluation”, arXiv 2604.09443
Zheng et al.(2025), “VerIH: Reinforcement Learning for Instruction Hierarchy Resolution”, arXiv 2511.04694
Peng et al.(2026), “MACR: Multi-Agent Conflict Resolution for RAG”, arXiv 2606.20245
Gokul et al.(2025), “Context Validation in LLMs”, arXiv 2504.00180
Song(2026), “Cross-Context Review for LLM Output Quality”, arXiv 2603.12123
Google DeepMind(2025), Gemini Agent Pokémon Experiment, arXiv 2507.06261
Morph(2025), “Context Rot: How Long Contexts Degrade LLM Performance”, morphllm.com/context-rot

관련 노트: 01 오염 · 02 산만 · 03 혼란 · 05 부패 · 06 해결전략

컨텍스트 엔지니어링 실패모드 위키

탐색기