Research-Driven Debugging (research-debug)

복잡한 ML 학습 문제나 architecture-level 버그를 해결하는 통합 워크플로우입니다. 웹 연구, 코드 분석, 반복적 수정을 병렬로 진행하여 근본 원인을 찾고 해결합니다.

🎯 사용 시점

✅ Ideal Use Cases

• Training collapse/divergence: 학습이 초기에는 잘 되다가 갑자기 붕괴
• Gibberish generation: 모델이 무의미한 출력 생성
• Known research problem: 문제가 논문/블로그에서 논의된 적이 있을 것 같은 경우
• Architecture-level bugs: 단순 구현 버그가 아닌 설계 결함이 의심될 때
• Performance anomalies: 예상과 다른 성능 패턴 (loss spike, reward collapse 등)

❌ Not Suitable For

• Simple bugs: Syntax error, typo 등은 직접 수정
• Well-defined requirements: "Add feature X" 같은 명확한 요구사항은 직접 구현
• No literature: 완전히 새로운 문제는 research 단계가 비효율적

📋 Workflow Phases