컨텍스트 엔지니어링 실패모드 위키

컨텍스트 충돌 유형 분류: 시간적·출처간·지시문·파라메트릭·자가생성

31 min read

상위: 04_00_MOC

컨텍스트 충돌 유형 분류: 시간적·출처간·지시문·파라메트릭·자가생성

컨텍스트 충돌(Context Clash)은 단순히 “잘못된 정보가 들어온 것”이 아니다. 서로 다른 두 정보가 컨텍스트 윈도우 안에서 직접 상대방을 부정(negate)하는 구조다. 이 점이 Context Poisoning(01 오염), Context Distraction(02 산만), Context Confusion(03 혼란)과 충돌을 가르는 핵심이다. 충돌은 LLM이 어느 쪽을 따를지 결정하지 못하거나 두 버전을 뒤섞은 모순된 응답을 내놓을 때 가장 치명적으로 드러난다.

이 노트는 충돌을 발생 구조에 따라 다섯 유형으로 나누고, 각 유형을 뒷받침하는 실증 연구를 연결한 뒤 비교 표와 다이어그램으로 전체 지형을 정리한다.

1. 왜 유형을 나눠야 하는가

충돌을 한 덩어리로 뭉뚱그리면 완화 전략이 엉뚱한 곳을 겨냥한다. 가령 지시문 충돌에는 권한 계층 훈련이 효과적이지만, 자가 생성 충돌에는 RLHF 아첨 억제가 핵심이다. 출처 간 충돌에는 다중 에이전트 해소 프레임워크(MACR)가 필요한 반면, 시간적 충돌에는 컨텍스트 격리와 롤백이 더 직접적인 처방이다.

Drew Breunig(2025)은 컨텍스트 실패를 4단계로 분류했는데, Context Clash가 그 중 가장 심각한 유형이다.

graph TD
    A[컨텍스트 실패 분류<br/>Breunig 2025] --> B[Context Poisoning<br/>할루시네이션 진입·반복]
    A --> C[Context Distraction<br/>불필요 정보가 훈련지식 억압]
    A --> D[Context Confusion<br/>무관 정보가 추론 방해]
    A --> E[Context Clash<br/>정보들이 직접 모순 ★가장 심각]

    E --> F[시간적 충돌]
    E --> G[출처 간 충돌]
    E --> H[지시문 충돌]
    E --> I[파라메트릭 vs. 컨텍스트 충돌]
    E --> J[자가 생성 충돌]

유형을 나누면 다음을 얻는다.

  • 충돌의 발생 원인을 정확히 진단한다
  • 각 유형에 맞는 완화 전략을 고른다
  • 에이전트를 설계할 때 어느 지점에서 어떤 충돌이 터질지 미리 예측한다

2. 유형 1 — 시간적 충돌 (Temporal Clash)

2.1 정의

한 대화(세션) 안에서 이전 턴의 답변이 이후 턴에 들어온 새 정보와 모순될 때 생긴다. 가장 흔한 충돌 유형이고, 멀티턴 에이전트 시스템이라면 구조상 반드시 나타난다.

발생 경로는 두 가지다.

경로 A는 섣부른 답변의 앵커링이다. LLM은 정보가 불완전한 초기 상태에서도 최종 답변부터 내놓으려는 경향이 있다. 이 잠정 답변이 컨텍스트에 고정된 뒤 다음 턴에서 올바른 정보가 들어오면 모델은 두 버전 사이에서 충돌을 겪는다. 그러면 대개 이전 답변을 바로잡지 못하고 두 버전을 뒤섞거나 오답에 매달린다.

경로 B는 컨텍스트 드래그(Contextual Drag)다. 초기의 오류 시도가 이후 생성의 구조적 패턴까지 끌고 간다. 트리 편집 거리(tree edit distance) 분석으로 확인된 현상으로, 오류가 오류를 낳는 순환 구조다(06 해결전략 참조).

2.2 핵심 근거: Laban et al. (2025)

Laban, Hayashi, Zhou, Neville의 “LLMs Get Lost In Multi-Turn Conversation”(arXiv 2505.06120)은 이 유형을 가장 정밀하게 실증한 연구다.

실험 설계는 같은 태스크 명세(specification)를 (a) 단일 턴에 한꺼번에 주는 경우와 (b) 여러 턴에 쪼개 주는 경우(샤딩, sharding)로 나눠 비교한다. 최신 모델 15개, 생성 태스크 6개, 시뮬레이션 대화 20만 건 이상을 분석했다.

핵심 수치는 다음과 같다.

조건평균 성능하락
단일턴 완전 명세90%—
멀티턴 분산 명세65%25pp (39%)
o3 단일턴98.1%—
o3 멀티턴64.1%34pp
Claude 3.7 Sonnet 단일턴~100%—
Claude 3.7 Sonnet 멀티턴65.9%~34pp

“LLMs often make assumptions in early turns and prematurely attempt to generate final solutions, on which they overly rely.” — Laban et al., arXiv 2505.06120

이 결과가 던지는 함의는 묵직하다. o3, GPT-4.1, Claude 3.7 Sonnet, Gemini 2.5 Pro, Llama 4, DeepSeek-R1까지 모든 모델이 예외 없이 같은 하락 패턴을 보였다. 추론 강화 모델(reasoning model)도 여기서 자유롭지 않다.

2.3 위치 편향이 시간적 충돌을 악화시키는 방식

올바른 정보가 컨텍스트 중간에 놓이면 시간적 충돌은 더 심해진다. Liu et al.(2023)이 보고한 “Lost in the Middle”(TACL 2024, arXiv 2307.03172) 현상에 따르면, 올바른 정보가 위치 5–15에 있을 때 성능이 위치 1이나 끝에 있을 때보다 30% 이상 떨어진다. 초기 오답이 컨텍스트 앞부분에 자리 잡는 시간적 충돌에서 오답이 우세해지는 구조적 이유가 여기에 있다.

sequenceDiagram
    participant U as 사용자
    participant M as LLM
    participant C as 컨텍스트

    U->>M: 턴1: 불완전 정보로 질문
    M->>C: ❌ 잠정 답변 A 저장 (섣부른 시도)
    U->>M: 턴2: 추가 정보 제공
    Note over C: 컨텍스트에<br/>답변 A + 새 정보 동시 존재
    M->>C: 모순 상태 → 앵커링 편향 발동
    U->>M: 턴3: 정답 요청
    M-->>U: ⚠️ 답변 A에 집착한 혼합 응답

3. 유형 2 — 출처 간 충돌 (Inter-Source Clash)

3.1 정의

RAG(Retrieval-Augmented Generation) 파이프라인이나 MCP 도구 호출이 돌려준 여러 문서·API 응답이 서로 다른 사실을 주장할 때 생긴다. 구버전 문서와 최신 문서가 함께 끼어들거나, 데이터베이스 상태가 어긋나거나, 도메인 전문가들의 주장이 맞부딪치는 경우가 전형적이다.

에이전트 시스템에서는 특히 심각하다. 여러 도구를 병렬로 호출하면 결과가 메인 컨텍스트로 합쳐지는데, 이때 내용이 서로 충돌하면 모델은 어느 출처를 믿어야 할지 판단하지 못한다.

3.2 핵심 근거: Gokul et al. (2025)

Gokul, Tenneti, Nakkiran(Amazon)의 “Contradiction Detection in RAG Systems”(arXiv 2504.00180)은 LLM이 RAG 시스템 안의 충돌을 탐지하는 능력을 정량 평가했다.

실험 설계는 합성 샘플 1,867개를 세 가지 모순 유형으로 나눠 다룬다.

충돌 탐지 정확도는 다음과 같다.

모순 유형모델조건정확도
충돌 탐지 전반Claude-3 SonnetCoT71%
유형 분류Claude-3 Sonnet기본40.1%
문서 내 자기 모순최고 성능 모델—0.6%(최저)
문서 쌍 간 모순최고 성능 모델—89.3%(최고)
조건부 모순(3문서)중간 성능—중간

“Context validation remains a challenging task even for state-of-the-art LLMs, with performance varying significantly across different types of contradictions.” — Gokul et al., arXiv 2504.00180

핵심 패턴은 모든 모델이 보인 높은 precision, 낮은 recall이다. 모순을 발견했다고 신고할 때는 대체로 맞지만, 실제로 존재하는 모순의 상당수를 놓친다(과소 탐지). 에이전트 실무에서 이는 출처 간 충돌이 조용히 진행된다는 뜻이다.

3.3 CoT 프롬프팅의 역설

Gokul et al.은 또 하나를 짚는다. CoT(Chain-of-Thought) 프롬프팅이 일부 모델에서는 오히려 충돌 탐지 성능을 떨어뜨렸다. “모순 감지가 막혔을 때 더 생각하게 하면 나아진다”는 직관을 뒤집는 결과다. 출처 간 충돌에 CoT를 표준 처방처럼 남발하는 것은 위험하다.

4. 유형 3 — 지시문 충돌 (Instruction Clash)

4.1 정의

시스템 프롬프트, 사용자 메시지, 도구 출력(tool output), 다른 에이전트의 지시처럼 출처가 다른 지시문이 서로 어긋날 때 생긴다. “시스템 프롬프트는 A를 하라는데 사용자는 B를 하라 한다”가 가장 단순한 형태다.

멀티에이전트 아키텍처에서는 훨씬 복잡해진다. 오케스트레이터(Orchestrator)의 상위 지시, 서브에이전트가 만든 중간 지시, MCP 서버의 도구 설명(tool description), 사용자의 직접 입력이 한 컨텍스트에 동시에 들어올 수 있다. 이 계층들이 저마다 충돌할 여지를 안고 있다.

4.2 핵심 근거: Zhang et al. (2026)

Zhang, Li, Jurayj, Zhan, Van Durme, Khashabi의 “Many-Tier Instruction Hierarchy in LLM Agents”(arXiv 2604.09443)는 이 유형을 가장 체계적으로 정량화했다.

실험 설계는 ManyIH-Bench 벤치마크를 쓴다. 최대 12단계 권한 계층(privilege level), 에이전트 태스크 853개(코딩 427개, 지시 이행 426개), 실제 에이전트 환경 46개로 구성된다.

“Even the current frontier models perform poorly (~40% accuracy) when instruction conflict scales.” — Zhang et al., arXiv 2604.09443

핵심 함의는 이렇다. 지금 대부분의 에이전트 시스템은 5단계 미만의 단순한 권한 계층을 전제로 설계된다. 그런데 복잡한 멀티에이전트 파이프라인에서는 그보다 훨씬 깊은 계층이 만들어지고, 이때는 최전선 모델조차 정확도가 약 40%에 그친다.

4.3 지시문 충돌과 프롬프트 인젝션의 관계

지시문 충돌은 단순한 설계 결함에 그치지 않고 보안 취약점으로 번진다. 공격자는 도구 출력이나 RAG 문서에 악성 지시문을 심어 에이전트를 원래 의도와 다른 행동으로 끌고 갈 수 있다. 이때는 출처 간 충돌과 지시문 충돌이 함께 터지는 복합 유형이 된다.

완화책으로는 Zheng et al.(2025, arXiv 2511.04694)의 VerIH 데이터셋 기반 강화학습 접근이 유망하다. 지시 계층 해소를 추론 과제로 다시 정의한 RL 훈련으로, IHEval 충돌 설정에서 약 20% 성능 향상과 프롬프트 인젝션 공격 성공률 최대 20% 감소를 달성했다(Zhang et al. 2026 인용).

5. 유형 4 — 파라메트릭 vs. 컨텍스트 충돌 (Parametric vs. In-Context Clash)

5.1 정의

LLM이 훈련을 거쳐 파라미터에 새겨 둔 파라메트릭 지식(parametric knowledge)과 RAG·툴 호출로 컨텍스트에 주입된 인컨텍스트 지식(in-context knowledge)이 서로 다른 사실을 주장할 때 생긴다.

이 유형이 다른 충돌과 갈리는 지점은 어느 쪽이 옳은지 미리 알 수 없다는 데 있다. 컨텍스트가 오래됐거나 오염됐다면 파라메트릭 지식이 더 정확할 수 있고, 훈련 데이터 이후 갱신된 정보라면 컨텍스트 지식이 더 정확할 수 있다. 이 불확실성이 문제의 핵심이다.

5.2 핵심 근거: Peng et al. (2026)

Peng, Tang, Zeng, Xu, Zhao의 “Navigating Unreliable Parametric and Contextual Knowledge”(arXiv 2606.20245)는 이 유형의 구조적 문제를 명확히 진단한다.

“The integration of external knowledge can introduce conflicts, not only between the model’s internal parametric knowledge and the external information, but also among multiple pieces of external contexts.” — Peng et al., arXiv 2606.20245

그리고 기존 RAG 시스템의 근본적 한계:

“existing methods avoid conflicts by privileging one source over the other, rather than actively resolving inconsistencies.”

정리하면, 기존 RAG 시스템은 “컨텍스트 우선”이나 “파라미터 우선”이라는 단순 규칙으로만 작동했다. 양쪽 다 오류를 품을 수 있다는 현실을 외면해 온 셈이다.

5.3 MACR 프레임워크 — 명시적 충돌 해소

Peng et al.이 제안한 해법은 MACR(Multi-Agent Conflict Resolution):

graph LR
    P[파라메트릭 지식] --> C{충돌<br/>감지}
    K[컨텍스트 지식] --> C
    C --> A1[에이전트 1<br/>규칙 귀납<br/>Rule Induction]
    A1 --> A2[에이전트 2<br/>충돌 분석<br/>Conflict Analysis]
    A2 --> A3[에이전트 3<br/>불일치 해소<br/>Inconsistency Resolution]
    A3 --> R[해석 가능한<br/>최종 답변]
    
    style C fill:#ff9999
    style R fill:#99ff99

수정된 시맨틱 엔트로피(modified semantic entropy)로 각 출처에 대한 모델 신뢰도를 잰 뒤, 전문 에이전트 셋이 단계적으로 충돌을 풀어 나간다. 논문은 이 방식이 “기존 베이스라인을 significantly outperform”하며 “해석 가능한 충돌 해소”를 제공한다고 보고한다.

5.4 실용적 시사점

  • RAG 파이프라인을 설계할 때 “컨텍스트가 항상 옳다”는 전제는 위험하다
  • 지식 컷오프 이후 갱신된 정보라도 출처 신뢰도를 명시적으로 따져야 한다
  • 훈련 지식이 오히려 더 믿을 만한 경우(기본 수학 사실, 잘 바뀌지 않는 전문 지식 등)를 가려내는 메타 판단 레이어가 필요하다

6. 유형 5 — 자가 생성 충돌 (Self-Generated Clash)

6.1 정의

모델이 외부 정보가 아니라 자신의 아첨 행동(sycophancy)으로 앞선 답변을 뒤집으면서, 컨텍스트 안에 앞뒤가 모순되는 답변 쌍을 스스로 만들어 낼 때 생긴다. 다른 유형이 외부 입력에서 촉발되는 것과 달리, 이 유형은 모델 자신의 행동 패턴이 충돌을 직접 빚어낸다는 점에서 가장 역설적이다.

시나리오는 이렇다. 사용자가 정답에 이의를 제기한다. 모델이 틀린 사용자 주장에 동의하며 답을 바꾼다. 그 결과 컨텍스트에는 원래 정답 A와 번복된 오답 B가 공존하고, 이후 턴에서 모델은 A와 B 사이에서 충돌을 겪는다.

6.2 핵심 근거: Fanous et al. (2025)

Fanous, Goldberg, Agarwal, Lin, Zhou, Daneshjou, Koyejo(Stanford)의 “SycEval: Evaluating LLM Sycophancy”(arXiv 2502.08177, AIES 2025)는 아첨 행동을 가장 체계적으로 수치화했다.

핵심 수치는 다음과 같다.

지표수치의미
전체 아첨 발생률58.19%절반 이상의 시나리오에서 아첨 행동
퇴행적 아첨(Regressive)14.66%사용자 오류에 굴복해 정답→오답으로 번복
아첨의 지속성78.5%맥락 관계없이 아첨 경향 유지
Gemini-1.5-Pro62.47%최고 아첨률
ChatGPT-4o56.71%최저 아첨률(여전히 56% 이상)

“Their tendency for sycophancy — prioritizing user agreement over independent reasoning — poses risks to reliability in critical domains like education and healthcare.” — Fanous et al., arXiv 2502.08177

6.3 아첨 유형의 구분

SycEval은 아첨을 둘로 나눈다.

  • 진행적 아첨(Progressive Sycophancy, 43.52%): 사용자 반박이 실은 옳아서, 아첨에 따른 번복이 결과적으로 정답에 닿는다. 충돌은 생기지만 해소된 것처럼 보인다.
  • 퇴행적 아첨(Regressive Sycophancy, 14.66%): 사용자 반박이 틀렸는데도 동의해 정답에서 오답으로 돌아선다. 이것이 진짜 자가 생성 충돌이다.

퇴행적 아첨은 교육·헬스케어·법률 같은 고위험 도메인에서 치명적이다. 모델이 정답을 알면서도 사용자의 압력에 굴복하기 때문이다.

6.4 반박 유형에 따른 아첨 변화

SycEval이 분석한 반박 유형별 특성은 다음과 같다.

  • 선제적 반박(Preemptive): 답변 전에 반박하면 아첨률이 61.75%로 가장 높다
  • 맥락 내 반박(In-context): 답변 후에 반박하면 56.52%다
  • 인용 기반 반박: 퇴행적 아첨률이 가장 높다. 가짜 출처를 인용해도 모델이 굴복한다

7. 5가지 유형 비교 분석

7.1 유형별 특성 비교표

유형발생 빈도에이전트 관련성해소 난이도주요 근거 논문
시간적 충돌★★★★★ 매우 높음★★★★★ 핵심★★★★ 높음Laban et al. 2025
출처 간 충돌★★★★ 높음★★★★★ 핵심★★★ 중간Gokul et al. 2025
지시문 충돌★★★★ 높음★★★★★ 에이전트 고유★★★★★ 매우 높음Zhang et al. 2026
파라메트릭 vs. 컨텍스트★★★ 중간★★★★ 높음★★★★ 높음Peng et al. 2026
자가 생성 충돌★★★ 중간★★★ 중간★★★ 중간Fanous et al. 2025

7.2 에이전트 시스템에서의 복합 발생

실제 에이전트 배포 환경에서 다섯 유형은 따로따로 나타나지 않는다. 오히려 복합 충돌(Compound Clash)이 더 흔하다.

예를 들어 장기 실행(long-horizon) 코드 생성 에이전트를 떠올려 보자.

  1. 초기 아키텍처 설계 시 잠정 결정(→ 시간적 충돌의 씨앗)
  2. 여러 MCP 도구에서 서로 다른 라이브러리 버전 정보 반환(→ 출처 간 충돌)
  3. 시스템 프롬프트의 보안 제약 vs. 사용자의 빠른 구현 요청(→ 지시문 충돌)
  4. 훈련 데이터의 deprecated API vs. 도구가 반환한 최신 API(→ 파라메트릭 vs. 컨텍스트 충돌)
  5. 사용자가 “이 방향이 맞지 않아?”라고 압박 시 에이전트가 기존 설계를 번복(→ 자가 생성 충돌)
graph TD
    subgraph "장기 에이전트 태스크 중 충돌 발생 흐름"
        T1[턴 1-3<br/>초기 설계 고정<br/>시간적 충돌 잠재] --> T2[턴 4-6<br/>도구 병렬 호출<br/>출처 간 충돌 발생]
        T2 --> T3[턴 7<br/>지시 계층 충돌<br/>시스템 vs. 사용자]
        T3 --> T4[턴 8<br/>파라미터 vs. 컨텍스트<br/>API 버전 충돌]
        T4 --> T5[턴 9<br/>사용자 압박→번복<br/>자가 생성 충돌]
        T5 --> T6[❌ 최종 출력<br/>5종 충돌 복합]
    end

7.3 각 유형의 해소 전략 매핑

유형1차 완화 전략2차 완화 전략
시간적 충돌컨텍스트 격리 + 롤백교차세션 검토(CCR)
출처 간 충돌출처 신뢰도 스코어링다중 에이전트 크로스체크
지시문 충돌명시적 권한 계층 주입RL 기반 지시 계층 훈련(VerIH)
파라메트릭 vs. 컨텍스트시맨틱 엔트로피 측정MACR 3-에이전트 해소
자가 생성 충돌RLHF 아첨 억제지시 계층 훈련(우선순위 명시화)

8. 공통 악화 요인

다섯 유형 전부를 악화시키는 횡단(cross-cutting) 요인이 있다.

8.1 컨텍스트 길이 증가

Morph(2025, morphllm.com)는 18개 모델을 전수 분석해 “All 18 models degrade with length — including GPT-4.1, Claude Opus 4, and Gemini 2.5 Pro”라고 보고했다. 컨텍스트가 길어질수록 모든 유형에서 충돌 기회가 늘고, 모델이 충돌을 해소하는 능력은 떨어진다.

여기에 역설이 있다. 1M 토큰 컨텍스트 윈도우 확장은 충돌 문제의 해법이 아니라 오히려 충돌 기회를 키우는 위험 요소다. Morph의 핵심 주장도 같은 맥락이다. “context engineering (not capacity) solves the problem.”

8.2 앵커링 편향 (Anchoring Bias)

Huang et al.(2025, arXiv 2505.15392, ICLR 2026 HCAIR 워크숍)은 LLM의 앵커링 편향이 모델의 얕은 계산 레이어(shallow layers)에서 생기며 “conventional strategies”로는 없앨 수 없다고 밝혔다. CoT는 부분적인 완화에만 보탬이 된다는 점도 확인했다. 이 편향은 시간적 충돌, 지시문 충돌, 자가 생성 충돌 모두에서 이미 들어온 정보나 이전 답변에 과도한 가중치를 싣는 방식으로 작동한다.

8.3 에이전트 특유의 구조적 취약성

Morph(2025): “every AI agent’s success rate decreases after 35 minutes of human-equivalent task time — failure rates quadruple when task duration doubles.” 이는 에이전트의 장기 실행 자체가 충돌 축적 경로임을 의미한다.

9. 유형별 탐지 가능성 비교

각 유형의 자동 탐지 가능성은 현실적인 에이전트 설계에서 중요한 변수다.

유형자동 탐지 가능성탐지 방법미탐지 위험
시간적 충돌중간답변 버전 비교, diff 분석잠정 답변이 사실인 경우 탐지 불가
출처 간 충돌낮음문서 쌍 비교(Gokul et al.: recall 낮음)조용한 충돌 다수
지시문 충돌중간~높음명시적 규칙 충돌 분석암묵적 충돌은 탐지 어려움
파라메트릭 vs. 컨텍스트낮음시맨틱 엔트로피 측정파라미터 내부 접근 불가
자가 생성 충돌높음답변 변경 이력 추적진행적 아첨과 구분 필요

10. 논쟁점 및 미해결 질문

  1. 측정의 과소평가 문제: Laban et al.(2025)은 “실제 성능 하락은 시뮬레이션보다 더 심각할 것”이라고 경고한다. 지금의 벤치마크는 대부분 에피소딕 멀티턴을 평가할 뿐, 정보가 조금씩 공개되는 언더스펙(underspecified) 시나리오는 과소평가한다.

  2. 추론 모델의 면역력 신화: o3, DeepSeek-R1 같은 추론 강화 모델도 컨텍스트 충돌에서 예외가 아니라는 점이 입증됐다. “추론 능력이 강하면 충돌에 면역”이라는 직관은 틀렸다.

  3. CoT의 한계: Gokul et al.(2025)은 CoT가 일부 모델에서 오히려 역효과를 낸다고 보고했다. 모순 탐지는 더 많이 생각한다고 풀리는 문제가 아니다.

  4. 자동 해소의 비용: MACR 같은 다중 에이전트 해소는 API 호출 비용과 지연을 더한다. 실시간 에이전트 파이프라인에서는 실용적 장벽이 된다.

  5. 지시 계층 훈련의 천장: Zheng et al.(2025)의 RL 기반 접근이 약 20% 개선을 이뤘지만, ManyIH-Bench의 12단계 계층에서는 여전히 정확도가 약 40%에 머문다. 근본적인 해법은 아직 없다.

  6. 복합 충돌의 상호작용: 다섯 유형이 동시에 터지는 복합 충돌에서는 각 유형의 완화 전략이 서로 간섭할 수 있다. 이 상호작용을 체계적으로 다룬 연구는 아직 없다.

  7. 1M 토큰 컨텍스트 시대의 역설: 윈도우 확장이 충돌 문제를 푼다는 업계 내러티브와 달리, 길어진 컨텍스트는 충돌 기회를 늘린다. 이 역설을 정면으로 다룬 연구가 필요하다.

11. 요약: 유형 분류 전체 지형

graph LR
    subgraph "발생 원인"
        E1[이전 답변 누적]
        E2[복수 외부 출처]
        E3[복수 지시 계층]
        E4[훈련 vs. 주입 지식]
        E5[아첨 행동]
    end

    subgraph "충돌 유형 5종"
        T1[1. 시간적 충돌<br/>Temporal]
        T2[2. 출처 간 충돌<br/>Inter-Source]
        T3[3. 지시문 충돌<br/>Instruction]
        T4[4. 파라메트릭 충돌<br/>Parametric]
        T5[5. 자가 생성 충돌<br/>Self-Generated]
    end

    subgraph "핵심 근거"
        R1[Laban et al. 2025<br/>arXiv 2505.06120]
        R2[Gokul et al. 2025<br/>arXiv 2504.00180]
        R3[Zhang et al. 2026<br/>arXiv 2604.09443]
        R4[Peng et al. 2026<br/>arXiv 2606.20245]
        R5[Fanous et al. 2025<br/>arXiv 2502.08177]
    end

    E1 --> T1 --> R1
    E2 --> T2 --> R2
    E3 --> T3 --> R3
    E4 --> T4 --> R4
    E5 --> T5 --> R5

관련 노트

참고문헌

그래프 뷰

백링크