open-deepthink 0.1.11 공개와 QNN의 정성적 자기-어텐션 및 QDAD 기반 App Slot Machine 추가

작성자는 QSA 설계와 QDAD 대비 QNN의 차이, 스킬 맵핑에 대한 질의응답을 환영하며 피드백과 이슈 제기를 권장했다. 공개된 릴리스와 설치 지침, SKILL.md 샘플이 있어 초기 사용자와 통합 실험을 시도하려는 이들이 빠르게 접근할 수 있는 기반이 마련되었다. 글의 기술적 세부와 절차는 실무자들이 직접 설치하고 재현해볼 수 있는 수준이라 토론과 검증을 촉발할 가능성이 높다.

• 리포지토리에서 SKILL.md를 복사하거나 릴리스 zip을 호스트의 skills 루트에 풀어 넣으면 Grok Build, Claude Code, Cursor 같은 런타임에 스킬을 빠르게 추가할 수 있다. 설치 예시는 mkdir와 cp 명령으로 간단히 처리되며, 파일 경로가 맞는지 먼저 확인해야 한다. 로컬 통합 전에는 모의 LLM 디버그 모드로 비용을 절감하며 동작을 점검하는 것을 권장한다.
• QDAD 실행 시에는 그리드 크기 N, 노이즈 온도, 역정화 단계 수 같은 파라미터를 조절해 산출물의 창의성 대 명확성 트레이드오프를 경험적으로 튜닝해야 한다. 초기 실험에서는 작은 N과 낮은 노이즈로 시작해 단계적으로 확장하는 방식이 재현 가능성을 높인다. 시뮬레이션 모드를 통해 비평가 루프의 민감도를 먼저 파악하는 것이 비용 대비 효율적이다.
• QNN의 Qualitative Self-Attention을 쓸 때는 attention_edges 로그와 [QNN ATTEND] 표기를 통해 어떤 과거 노드가 주입되었는지 추적할 것을 권장한다. 이 로그는 에포크 내 의존성 분석과 이후 Knowledge Distillation을 위한 데이터 수집에 유용하다. 추적 정보를 바탕으로 Mirror Descent로 페르소나를 조정하면 점진적 전문화를 체계적으로 검증할 수 있다.

Qualitative Neural Network (QNN)

— 정성적 신경망은 수치 행렬 연산 대신 자연어로 노드 간 강도와 거리 같은 범주(qualitative buckets)를 매겨 정보 흐름을 제어하는 방식이다. 입력은 에이전트 출력 텍스트이고 처리 과정은 추출된 중요 과거 노드 쌍을 점수화한 뒤 상위 k를 프롬프트에 주입하여 에이전트의 다음 출력을 유도하는 방식으로 진행된다. 이 기법은 전통적 MatMul 기반 어텐션을 쓰기 어렵거나 언어적 해석 가능성이 중요한 멀티에이전트 시스템에서 비국소적 참조를 허용하기 위해 도입되었다.

Qualitative Diffusion (QDAD)

— 정성적 확산은 연속적 수치 잠복공간 대신 명사·동사 같은 언어적 기저를 샘플링해 고온의 질적 노이즈를 가하고, 비평가 에이전트가 여러 단계에 걸쳐 언어 기반으로 정화·선별하는 파이프라인이다. 각 셀은 명사×동사 그리드에서 임의의 특징을 발명하고 비평가가 이를 깎아내 무결한 빌드 프롬프트로 합성한다. 이 방식은 모호한 디자인 의도를 구조화 가능한 에이전트 입력으로 변환할 때 유리하다.

Mirror Descent

— Mirror Descent는 페르소나나 정책을 소수의 변이로 점진적으로 조정하는 최적화 스타일로, 에이전트 집단이 반복 에포크를 거치며 전문화를 획득하도록 페르소나를 변형하는 데 사용된다. 각 에포크에서 페르소나 변형이 성능 트레이드오프를 만드는 방식과 그 누적 효과를 기록하여 진화적 흔적을 남길 수 있다. 이 방법은 멀티에이전트의 탐색 깊이를 높이는 수단으로 채택되었다.