컨텍스트 엔지니어링 실패모드 위키

참고문헌 — 검증 출처 모음

11 min read

볼트 홈: README · 조사 방법: 리서치 로그

참고문헌 (Annotated Bibliography) — 마스터 인덱스

이 볼트가 인용한 1차·2차 출처를 분류별로 정리한다. 이 파일은 마스터 인덱스로, 핵심 출처는 여기에 직접 싣고 2026 보강분은 카테고리별 상세 파일로 분리해 링크했다. arXiv 논문은 ID와 제목을 arXiv 공식 API(export.arxiv.org/api)로 대조해 실재를 확인했으며, 기존 74편에 2026 보강분 22편을 더해 누적 96편이다. 블로그와 공식 문서는 각 챕터를 쓰면서 원문을 직접 확인했다.

이 폴더 구성 (_references/)

  • sources — (이 파일) 마스터 인덱스. 핵심 1차 출처와 기존 arXiv 74편, 공식 문서·블로그.
  • 전체 논문 인덱스 — arXiv 96편 전체를 챕터별 표(ID→arxiv.org 링크, 인용 노트 백링크)로 모은 한 페이지.
  • papers-2026-신규 — 2026 보강분 신규 arXiv 22편. 챕터별 표에 ID·제목·한 줄 기여·연결 노트를 담았다.
  • articles-2026 — 2026 산업 블로그·엔지니어링 아티클 6편.
  • tools-2026 — 2026 Claude/Codex 도구 신기능. 직접 확인한 것과 보도로만 접한 것을 나눠 정리했다.
  • 리서치 로그 — 조사 방법, 검증 기록, 미해결 질문.

0. 핵심 1차 — 실패모드 분류 · 정의의 출발점

1. 학술 논문 (arXiv)

기초 — Transformer · 컨텍스트 엔지니어링 (00 개요)

장문맥 저하 · 위치편향 · 부패 (02 산만 · 05 부패)

  • arXiv:2307.03172 — Lost in the Middle: How Language Models Use Long Contexts (Liu et al., TACL 2024)
  • arXiv:2311.09198 — Never Lost in the Middle: Position-Agnostic Decompositional Training
  • arXiv:2403.04797 — Found in the Middle: Plug-and-Play Positional Encoding
  • arXiv:2603.10123 — Lost in the Middle at Birth: An Exact Theory of Transformer Position Bias
  • arXiv:2410.18745 — Why Does the Effective Context Length of LLMs Fall Short?
  • arXiv:2502.05167 — NoLiMa: Long-Context Evaluation Beyond Literal Matching
  • arXiv:2510.05381 — Context Length Alone Hurts LLM Performance Despite Perfect Retrieval
  • arXiv:2506.11440 — AbsenceBench: Language Models Can’t Tell What’s Missing
  • arXiv:2302.00093 — Large Language Models Can Be Easily Distracted by Irrelevant Context

장문맥 벤치마크 (05 부패)

  • arXiv:2404.06654 — RULER: What’s the Real Context Size of Your Long-Context Language Models?
  • arXiv:2410.02694 — HELMET: How to Evaluate Long-Context Language Models Effectively and Thoroughly
  • arXiv:2410.10813 — LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory
  • arXiv:2411.03538 — Long Context RAG Performance of Large Language Models

오염 · 공격 (01 오염)

  • arXiv:2507.06261 — Gemini 2.5 (기술보고서; ‘context poisoning’ 포켓몬 사례 출처)
  • arXiv:2402.07867 — PoisonedRAG: Knowledge Corruption Attacks to RAG
  • arXiv:2407.12784 — AgentPoison: Red-teaming LLM Agents via Poisoning Memory or Knowledge Bases
  • arXiv:2512.16962 — MemoryGraft: Persistent Compromise of LLM Agents via Poisoned Experience Retrieval
  • arXiv:2601.05504 — Memory Poisoning Attack and Defense on Memory Based LLM-Agents
  • arXiv:2506.23260 — From Prompt Injections to Protocol Exploits: Threats in LLM-Powered AI Agents Workflows
  • arXiv:2503.18813 — Defeating Prompt Injections by Design (CaMeL)
  • arXiv:2601.02371 — Permission Manifests for Web Agents

혼란 · 툴 과부하 (03 혼란)

  • arXiv:2411.15399 — Less is More: Optimizing Function Calling for LLM Execution on Edge Devices
  • arXiv:2505.03275 — RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via RAG
  • arXiv:2505.06416 — ScaleMCP: Dynamic and Auto-Synchronizing MCP Tools for LLM Agents
  • arXiv:2605.24660 — How Many Tools Should an LLM Agent See? A Chance-Corrected Answer
  • arXiv:2606.06284 — ToolChoiceConfusion: Causal Minimal Tool Filtering for Reliable LLM Agents
  • arXiv:2602.20426 — Learning to Rewrite Tool Descriptions for Reliable LLM-Agent Tool Use
  • arXiv:2601.05214 — Internal Representations as Indicators of Hallucinations in Agent Tool Selection
  • arXiv:2606.10209 — Less Context, Better Agents: Efficient Context Engineering for Long-Horizon Tool-Using LLM Agents

충돌 · 멀티턴 · 앵커링 · 아첨 (04 충돌)

해결 · 메모리 · 멀티에이전트 (06 해결전략)

거버넌스 · 멀티에이전트 보안 · provenance (07 거버넌스)

  • arXiv:2212.08073 — Constitutional AI: Harmlessness from AI Feedback
  • arXiv:2505.02077 — Open Challenges in Multi-Agent Security
  • arXiv:2602.17913 — From Lossy to Verified: A Provenance-Aware Tiered Memory for Agents
  • arXiv:2602.22724 — AgentSentry: Mitigating Indirect Prompt Injection via Temporal Causal Diagnostics
  • arXiv:2603.11768 — Governing Evolving Memory in LLM Agents (SSGM Framework)
  • arXiv:2603.18043 — The Provenance Paradox in Multi-Agent LLM Routing
  • arXiv:2604.01664 — ContextBudget: Budget-Aware Context Management for Long-Horizon Search Agents
  • arXiv:2604.07007 — AgentCity: Constitutional Governance for Autonomous Agent Economies via Separation of Power
  • arXiv:2604.07911 — Dynamic Attentional Context Scoping (DACS)
  • arXiv:2604.16339 — Semantic Consensus: Process-Aware Conflict Detection and Resolution

보강 추가 논문 (2026-06-20 — 커버리지·심화 확장)

압축·컨텍스트 확장·KV-캐시 (06_03-Compress전략-요약-프루닝-KV캐시최적화 · 05_03-메커니즘-왜-발생하는가)

  • arXiv:2104.09864 — RoFormer: Enhanced Transformer with Rotary Position Embedding (RoPE)
  • arXiv:2306.15595 — Extending Context Window of LLMs via Positional Interpolation
  • arXiv:2309.00071 — YaRN: Efficient Context Window Extension of LLMs
  • arXiv:2309.17453 — Efficient Streaming Language Models with Attention Sinks (StreamingLLM)
  • arXiv:2304.08467 — Learning to Compress Prompts with Gist Tokens
  • arXiv:2310.05736 — LLMLingua: Compressing Prompts for Accelerated Inference
  • arXiv:2412.19442 — A Survey on LLM Acceleration based on KV Cache Management
  • arXiv:2603.20397 — KV Cache Optimization Strategies for Scalable and Efficient LLM Inference

RAG vs 롱컨텍스트 (06_10-RAG-vs-롱컨텍스트-논쟁)

  • arXiv:2407.16833 — Retrieval Augmented Generation or Long-Context LLMs? A Comprehensive Study and Hybrid Approach

에이전트 벤치마크 (06_11-에이전트-벤치마크-tau-swe-gaia)

  • arXiv:2406.12045 — τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains
  • arXiv:2506.07982 — τ²-Bench: Evaluating Conversational Agents in a Dual-Control Environment
  • arXiv:2310.06770 — SWE-bench: Can Language Models Resolve Real-World GitHub Issues?
  • arXiv:2311.12983 — GAIA: a benchmark for General AI Assistants
  • arXiv:2307.13854 — WebArena: A Realistic Web Environment for Building Autonomous Agents

오염 실사고·다중에이전트 합의 (01_12-사례-산업-실사고 · 07_10-합의-알고리즘-비잔틴-정족수)

  • arXiv:2509.10540 — EchoLeak: First Real-World Zero-Click Prompt Injection Exploit in a Production LLM System (CVE-2025-32711)
  • arXiv:2305.14325 — Improving Factuality and Reasoning in Language Models through Multiagent Debate
  • arXiv:2502.19130 — Voting or Consensus? Decision-Making in Multi-Agent Debate

2. 공식 문서 (Anthropic · OpenAI) — 08 실전

Anthropic — Claude Code

OpenAI — Codex

3. 산업 블로그 · 리포트

검증 메모

  • arXiv 74편은 export.arxiv.org/api/query?id_list=…로 ID와 제목을 대조해 모두 실재함을 확인했다(2026-06-19).
  • 2026 보강분 22편도 같은 API로 대조해 확인했다(2026-06-20). 상세는 papers-2026-신규, 누적 96편.
  • 2026 아티클 6편은 원문 URL을 직접 열어 확인했다. articles-2026.
  • 2026 도구 신기능은 직접 확인한 것과 보도로만 접한 것을 나눠 tools-2026에 정리했다. MCP 2026-07-28 스펙은 미래 날짜라 제외했다.
  • 2026년 논문(2601~2606) 일부는 아직 최신이라 결론이 확정적이지 않을 수 있다. 해당 노트 본문의 유보 표기를 함께 보라.
  • 블로그와 공식 문서는 원문을 직접 확인해 인용했다. 다만 Databricks 등 2차 인용으로 들어온 구체 수치에는 “확인 권장” 표기를 남겨 두었다.

그래프 뷰

백링크