diff --git a/.jules/bolt.md b/.jules/bolt.md
index 7d3c603..79c330b 100644
--- a/.jules/bolt.md
+++ b/.jules/bolt.md
@@ -16,3 +16,6 @@
 ## 2025-02-12 - R 언어에서 반복적인 mirt 모델 생성 시 불필요한 데이터프레임 부분집합 추출 최적화
 **Learning:** R에서 데이터프레임의 특정 열을 추출하는 작업(`df[cols]`)은 O(N)의 메모리 복사를 수반합니다. `autoFIPC`에서 `mirt` 모델의 파라미터를 설정하거나 호출하는 과정 중에 `newformXDataK[colnames(newFormModel@Data$data)]` 코드가 반복해서 사용되었고, 심지어 `ncol()`을 위해 단순히 개수를 구할 때도 사용되어 불필요한 메모리 할당과 오버헤드를 초래했습니다.
 **Action:** 조건문이나 반복문 내부에서 불필요하게 데이터프레임 부분집합 연산이 반복되지 않도록 외부에서 한 번만 `linkedFormData <- newformXDataK[colnames(newFormModel@Data$data)]`로 캐싱(caching)한 뒤, `ncol(linkedFormData)`와 `data = linkedFormData` 형태로 재사용하여 메모리 복사와 O(N) 오버헤드를 방지해야 합니다.
+## 2024-07-18 - R 언어에서 최소/최대값 탐색 시 불필요한 O(N log N) 정렬 최적화
+**Learning:** R에서 벡터의 최소값이나 최대값을 가지는 요소의 이름이나 인덱스를 찾을 때 `names(sort(x))[1]`과 같이 전체를 정렬하는 방식을 사용하면 불필요한 $O(N \log N)$ 오버헤드가 발생합니다. 전체 요소를 정렬할 필요가 없는 단일 항목 탐색에는 최적화되지 않은 접근입니다.
+**Action:** 단순히 최소/최대값의 위치나 이름만 필요할 때는 `which.min()` 또는 `which.max()` 함수를 활용하여 `names(x)[which.min(x)]` 형태로 작성하면 선형 시간인 $O(N)$으로 성능을 크게 향상시킬 수 있습니다.
diff --git a/R/surveyFA.R b/R/surveyFA.R
index f60fffd..a843120 100644
--- a/R/surveyFA.R
+++ b/R/surveyFA.R
@@ -232,7 +232,8 @@ surveyFA <- function(
       names(p_values) <- rownames(fit_df)
       if (any(!is.na(p_values))) {
         p_values[is.na(p_values)] <- 1
-        candidate <- names(sort(p_values, decreasing = FALSE))[1L]
+        # ⚡ Bolt: Use which.min() to avoid O(N log N) full sorting overhead when only the minimum is needed
+        candidate <- names(p_values)[which.min(p_values)]
         if (!is.na(candidate) && p_values[[candidate]] < pThreshold) {
           return(candidate)
         }