Mem0가 해결한 『AI 에이전트의 기억』 ── AWS가 선택한 외장형 설계

Mem0는 AI 에이전트의 메모리 문제를 컨텍스트 창 확장 대신 '사실 기반의 압축 및 캐싱' 방식으로 해결하는 라이브러리입니다. ECAI 2025 논문에 따르면 Mem0는 풀 컨텍스트 방식 대비 토큰 소모량을 획기적으로 줄이면서도 높은 정밀도를 유지하며, AWS 에이전트 SDK의 공식 메모리 프로바이더로 채택되었습니다.

사내 AI 툴 도입 후 그 효과를 객관적으로 측정하기 위한 KPI(핵심성과지표) 설계 방법과 PDCA 사이클 실천 방안을 다룹니다. 프롬프트의 품질이 AI 출력 결과에 직결되는 만큼, 이용 상황, 품질, 업무 기여도라는 세 가지 관점에서 정량적인 지표를 설정하는 것이 중요합니다.

논문의 Methods 섹션 텍스트를 활용하여 연구용 도표(flowchart, 기구도 등)의 초안을 AI로 생성하는 워크플로우를 제안합니다. AI를 통해 도표 작성 시간을 1시간에서 15분 내외로 단축할 수 있으며, 완전 자동화보다는 AI가 생성한 초안을 Illustrator로 다듬는 방식이 가장 효율적입니다.

단일 매매 로직의 한계를 극복하기 위해 다양한 전략(이동평균선, 돌파, 평균 회귀)을 동일한 기준으로 비교하고 시장 상황에 따라 전략을 전환할 수 있는 FX Bot의 기반을 구축합니다. 단순 수익성뿐만 아니라 슬리피지, 스프레드, 룩어헤드 편향 등 실운용 리스크를 고려한 검증 가능한 운용 체계 구축을 목표로 합니다.

【비망록】 공식 정보를 통해 확인하는 Genkit Middleware ― AI 에이전트에 삽입할 수 있는 제어 포인트 정리

Google Developers Blog를 통해 발표된 Genkit Middleware는 AI 에이전트의 `generate()` 호출 과정에 추가적인 제어 포인트를 삽입할 수 있는 메커니즘입니다. 이 미들웨어는 generate, model, tool의 세 가지 계층에서 동작하며, 도구 호출 루프(tool loop) 사이클에 개입하여 에이전트의 동작을 정교하게 제어할 수 있습니다.

Gemini API의 `usage_metadata`를 이용한 비용 계산 시, 사고 토큰(thought token)이 `candidates_token_count`에 포함되지 않고 별도로 카운트된다는 사실을 검증했습니다. 정확한 출력 비용을 계산하기 위해서는 `candidates_token_count`와 `thoughts_token_count`를 합산하여 계산해야 합니다.

RTX 4070로 로컬 LLM에게 코드를 작성하게 하는 2026년 버전 — Qwen3 Coder와 gpt-oss:20b 실측

RTX 4070(12GB VRAM) 환경에서 보안 이슈를 해결하기 위해 Qwen3 Coder와 gpt-oss:20b 모델을 활용한 로컬 LLM 코드 생성 성능을 비교 분석합니다. Qwen3 Coder는 높은 코드 생성 정밀도를 제공하며, gpt-oss:20b는 MXFP4 양자화를 통해 VRAM 효율성이 뛰어나 병렬 작업에 유리합니다.

Excel 내장 Copilot 패널을 VBA를 통해 직접 제어하기 위해 WebView2의 기반인 Chromium 엔진과 CDP(Chrome DevTools Protocol)를 활용하는 기술적 방법을 소개합니다. Windows API를 사용하여 프로세스 범위 내에서만 디버깅 포트를 활성화함으로써 보안 리스크를 최소화하며 Copilot을 자동화하는 혁신적인 접근법을 다룹니다.

AI를 활용한 성과의 상한선은 결국 사용자의 역량에 의해 결정된다는 통찰을 담고 있습니다. AI가 고도의 솔루션을 제공하더라도, 사용자가 그 타당성을 검증하고 확신을 가질 수 있는 기술적 깊이가 없다면 검증 과정에서 막대한 인지 부하와 리소스가 발생함을 강조합니다.

AI 시대에 단순 코딩 능력보다 중요한 것은 'AI에게 일을 맡기는 능력'이며, 이는 기존 현장 업무에서 요구되던 설계, 리뷰, 검증 역량과 맞닿아 있습니다. 작성자는 경험을 AI가 이해할 수 있는 형태로 변환하여 전달하는 7가지 핵심 프로세스를 제시하며, 이를 통해 업무 효율을 극대화할 수 있다고 강조합니다.

2026년 5월 AI 업계의 주요 동향으로, 임베디드 기초 모델 Pelican-Unified 1.0의 등장, Cursor 3.0의 에이전트 중심 워크스페이스 도입, Anthropic Opus 4.7의 코딩 성능 향상 및 OpenCode의 급격한 성장을 다룹니다. 특히 모듈형 구조를 탈피한 통합 모델과 IDE 환경 내 병렬 에이전트 실행 등 에이전트 중심의 기술 패러다임 전환을 강조합니다.

기업의 정보시스템(情シス) 담당자가 전사적 AI 플랫폼을 도입할 때 고려해야 할 핵심 평가 기준을 제시합니다. 단순한 모델 성능 비교를 넘어 보안, 거버넌스, 기존 시스템과의 연계성, 비용 최적화라는 다각적인 관점에서의 프레임워크 구축을 강조합니다.

커밋 전에 AI가 코드를 검토해 준다 — IntelliJ IDEA의 Self-Review with AI를 사용해 보았다

IntelliJ IDEA 2026.1 Ultimate 버전에서 제공하는 'Perform Self-Review with AI' 기능을 직접 사용해 본 후기입니다. 이 기능은 커밋 전 변경 사항(diff)을 AI가 자동으로 검토하여 코드 품질을 높여주며, 특히 Markdown 파일을 통해 팀의 고유한 리뷰 가이드라인을 적용할 수 있는 점이 강력한 장점입니다.

64GB Apple Silicon 환경에서 35B급 로컬 LLM을 병렬로 호출할 때 발생하는 runner stall과 swap 문제를 해결하기 위한 최적화 방법을 다룹니다. Ollama의 설정을 통해 추론을 직렬화하고 Hermes Agent를 전단에 배치하여, 여러 요청을 병렬로 접수하되 실제 추론은 순차적으로 처리하는 '준병렬 처리' 구조를 제안합니다.