Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Vercel AI 227건필터 해제
AI 시대의 빠른 반복을 위한 아키텍처 전략: SERHANT 사례
부동산 기술 기업 SERHANT.은 AI 모델이 빠르게 변화하는 환경에 대응하기 위해 유연하고 확장 가능한 시스템 구축에 성공했습니다. 이들은 OpenAI, Claude, Gemini 등 여러 LLM(Large Language Model)을 작업별로 조합하여 비용과 속도를 최적화합니다. 특히 Vercel의 Next.js 기반으로 시작해 React Native iOS 앱까지 백엔드 재구축 없이 확장했으며, AI SDK와 AI Gateway를 활용해 모델 종속성 문제를 해결했습니다. 이를 통해 내부 파일럿 단계에서 900명 이상의 실제
AI 기반 웹사이트 제작 가속화: new.website와 v0의 협력
v0과 new.website가 손을 잡고 AI를 활용한 완성도 높은 소프트웨어 개발을 목표로 합니다. new.website는 사용자가 별도의 설정 없이 아름답고 기능적인 웹사이트를 쉽게 만들 수 있도록 돕기 위해 설립되었습니다. 이들이 가진 핵심 원시 요소(primitives)와 통합 기능을 v0에 제공함으로써, 사용자들은 프롬프트 입력과 코드 검증의 복잡성을 줄이고 기본 웹 기능(폼, SEO 등)을 손쉽게 구현할 수 있게 됩니다. 이번 협력을 통해 AI 에이전트가 더 완성도 높은 형태로 폼, 콘텐츠, 데이터 처리 등의 핵심 기능을
챗 SDK, 동시 메시지 처리 기능 추가로 개발 편의성 향상
Vercel이 Chat SDK에 동시 메시지 처리(concurrent message handling) 기능을 도입했습니다. 이 업데이트를 통해 이전 메시지 처리가 완료되기 전에 새로운 메시지가 도착했을 때 어떻게 동작할지 개발자가 세밀하게 제어할 수 있게 되었습니다. 기존에는 단일 흐름으로 인해 복잡한 시나리오에서 문제가 발생할 수 있었으나, 이제는 네 가지 전략(default, drop, queue, debounce) 중 하나를 선택하여 애플리케이션의 메시징 로직을 최적화할 수 있습니다.
Nuxt로 모델 컨텍스트 프로토콜 (MCP) 서버 구축하기
이 가이드는 개발자가 자신의 애플리케이션 내에서 Model Context Protocol (MCP) 서버를 쉽게 구축할 수 있도록 돕습니다. Nuxt에 추가된 새로운 모듈을 사용하면 Zod 유효성 검사를 통해 도구를 정의하고, 데이터를 리소스로 노출하며, 재사용 가능한 프롬프트를 생성할 수 있습니다. 이 기능을 통해 모델이 여러 도구 호출을 하나의 실행에서 오케스트레이션 할 수 있게 되어 AI 기능 개발의 복잡성을 크게 줄여줍니다.
워크플로우 SDK: 커스텀 클래스 직렬화 지원으로 개발 경험 향상
Workflow SDK가 이제 사용자 정의 클래스(custom class) 인스턴스를 워크플로우와 스텝 함수 간에 전달하는 것을 지원합니다. 기존에는 기본 JavaScript 타입만 처리할 수 있어 커스텀 객체는 직렬화 및 역직렬화가 불가능했습니다. 새로운 패키지를 사용하면 `WORKFLOW_SERIALIZE` 및 `WORKFLOW_DESERIALIZE` 두 개의 정적 메서드를 구현하여 클래스의 직렬화 방식을 정의할 수 있습니다. 이를 통해 복잡한 사용자 정의 객체를 워크플로우의 인자나 반환 값으로 자연스럽게 주고받으며 개발 생산성
Vercel 대시보드에서 데이터베이스 직접 관리 기능 추가
Vercel이 지원하는 마켓플레이스 데이터베이스(AWS Aurora Postgres, Neon, Prisma, Supabase 등)를 Vercel 대시보드 내에서 직접 쿼리하고 데이터를 관리할 수 있는 기능을 추가했습니다. 이 기능 덕분에 외부 DB UI 도구에 의존하지 않고도 팀들이 개발 환경 내에서 데이터 관리가 가능해졌습니다. 이제 사용자는 SQL 쿼리를 실행하여 결과를 확인하거나, 스프레드시트 같은 인터페이스에서 테이블 데이터를 조회 및 편집하고, 시각적인 그래프 레이아웃으로 스키마를 확인할 수 있습니다.
Vercel CLI 명령어, 이제 로컬 디렉토리 범위로 작동
Vercel CLI의 일부 명령어가 기존에는 전역 팀(global team)을 기본 대상으로 삼아 사용자가 작업하는 로컬 환경과 결과값 사이에 불일치를 초래했습니다. 이번 업데이트를 통해 `vc project ls`나 `vc domains ls` 같은 읽기 전용 명령어들이 이제 현재 연결된 로컬 디렉토리의 컨텍스트에 맞춰 작동하도록 변경되었습니다. 사용자들은 여전히 플래그를 사용하여 수동으로 대상 팀을 지정할 수 있지만, 기본 동작이 로컬 환경에 최적화되어 개발 경험이 향상됩니다.
AI 게이트웨이: 팀 단위 데이터 보존 및 프롬프트 학습 제어 기능 도입
Vercel의 AI Gateway가 팀 전체에 걸쳐 '제로 데이터 보존(Zero Data Retention, ZDR)' 기능을 지원하며, 이를 통해 개별 제공업체와 계약할 필요 없이 모든 요청에 대해 데이터를 안전하게 보호할 수 있게 되었습니다. 이 기능은 Anthropic, OpenAI, Google 등 주요 모델을 포함하여 작동합니다. 또한, 팀 단위 설정 외에도 요청 수준에서 '프롬프트 학습 금지(No Prompt Training)' 설정을 할 수 있습니다. 이러한 강력한 데이터 거버넌스 기능을 통해 사용자는 코드 변경 없이도
AI 에이전트와 CLI로 Vercel 마이크로프론트엔드 관리하기
Vercel Microfrontends 기능에 두 가지 새로운 도구가 추가되었습니다. 하나는 코딩 에이전트를 위한 AI 스킬이며, 다른 하나는 Vercel CLI 명령어입니다. 사용자는 이제 자연어 프롬프트만으로 AI 에이전트의 도움을 받아 마이크로프론트엔드 그룹 생성 및 설정을 할 수 있습니다. 이 과정에서 프레임워크 통합과 프로젝트 관리가 자동으로 이루어져 개발자가 IDE를 벗어날 필요가 없습니다. 또한, 새로운 CLI 명령어(`vercel microfrontends`)를 통해 대시보드를 열지 않고도 터미널에서 마이크로프론트엔드
React Server Components 취약점(CVE-2026-23869) 대응 및 패치 안내
React Server Components에서 심각한 취약점(CVSS 7.5)이 발견되어 서비스 거부(Denial of Service, DoS) 공격에 노출될 수 있습니다. 이 취약점은 App Router의 서버 함수 엔드포인트가 특수하게 조작된 HTTP 요청을 처리할 때 과도한 CPU 사용을 유발하여 발생합니다. Vercel은 WAF를 통해 임시 보호 조치를 적용했지만, 사용자들은 반드시 패치된 버전으로 즉시 업그레이드해야 합니다. Next.js 13.x부터 16.x까지의 여러 버전과 관련 패키지가 영향을 받았습니다.
AI 에이전트 시대의 인프라: 자가 진화하는 시스템으로
LLM과 코딩 에이전트의 발전은 소프트웨어 개발 패러다임을 근본적으로 변화시키고 있으며, 이에 따라 기존 인프라 구조도 '에이전틱(agentic)'한 형태로 진화해야 합니다. 현재 코딩 에이전트가 주도하는 배포 증가세는 이 변화를 명확히 보여줍니다. 이러한 새로운 소프트웨어는 스스로 코드를 작성하고, 테스트하며, 심지어 운영 중 발생하는 문제까지 자율적으로 해결할 수 있는 능력을 요구합니다. 따라서 인프라는 단순히 코드를 실행하는 공간을 넘어, 코드의 생성(Code), 모델 호출(Model Calls), 런타임 동작(Runtime)
제로 설정으로 간편하게 배포하는 Django 지원
Vercel이 인기 웹 프레임워크인 Django에 대한 제로 설정(zero-configuration)을 지원합니다. 이제 사용자는 별도의 복잡한 설정 없이도 Vercel에서 Django 풀스택 애플리케이션이나 API를 즉시 배포할 수 있습니다. Vercel은 Django의 구조와 사양을 깊이 이해하여, 기존에 필요했던 `vercel.json` 파일이나 `/api` 경로 지정 같은 추가적인 설정을 제거했습니다. 이를 통해 개발자는 더욱 빠르고 간편하게 백엔드 서비스를 구축하고 운영할 수 있게 되었습니다.
커서(Cursor), Vercel Microfrontends와 플래그로 성장 반복 루프 구축기
AI 기반 개발 도구인 커서(Cursor)는 웹 서비스가 확장되면서 단일 도메인 아래 여러 기능을 통합하고, 데이터 기반의 성장을 이루기 위해 복잡한 아키텍처를 구축했습니다. 이들은 마케팅 사이트, 문서, 도움말 센터 등 분리된 여러 코드를 Vercel Microfrontends 방식을 채택하여 하나의 일관된 사용자 경험으로 통합했습니다. 또한 Statsig와 Vercel Flags SDK를 활용해 A/B 테스트 및 실험 기능을 도입함으로써, 온보딩 퍼널 최적화부터 지역별 맞춤 콘텐츠 제공까지 데이터 기반의 반복적인 개선(성장 루프
지속 가능한 실행을 위한 새로운 프로그래밍 모델: Vercel Workflows
Vercel은 웹 애플리케이션의 한계를 넘어 장시간 실행이 필요한 시스템(long-running systems)을 위해 'Workflows'라는 새로운 프로그래밍 모델을 공개했습니다. 기존에는 오케스트레이션(orchestration)을 위해 별도의 큐, 워커, 상태 테이블 등을 관리해야 했지만, Workflows는 이러한 모든 복잡한 기능을 애플리케이션 코드 자체에 통합합니다. 개발자는 TypeScript나 Python 같은 일반적인 언어의 제어 흐름만으로도 여러 단계가 필요한 백엔드 작업(예: 결제 처리, ETL 파이프라인)을 신
GitBook이 3만 개 사이트를 초고속으로 운영하는 비결
GitBook은 Vercel 플랫폼을 활용하여 n8n, Nvidia 등 다수의 기업이 사용하는 3만 개의 문서 사이트를 운영하고 있습니다. 이 시스템은 월 1억 2천만 페이지뷰를 처리하며, 콘텐츠 변경 사항을 300ms 이내에 전 세계 사용자에게 반영합니다. 특히, AI 크롤러가 전체 트래픽의 41%를 차지하는 시대적 변화에 대응하기 위해 캐싱 전략을 혁신했습니다. 기존 방식으로는 모든 사이트를 재검증(revalidation)해야 했지만, GitBook은 '태그 기반 무효화 (tag-based invalidation)' 방식을 도입
Zo Computer, Vercel 도입으로 AI 신뢰성 20배 개선 사례
개인용 AI 클라우드 플랫폼을 개발하는 Zo Computer는 기존에 모델 공급자별로 커스텀 어댑터 코드를 관리하고, 재시도(retry) 및 폴백 로직을 자체적으로 처리해야 하는 복잡성을 겪었습니다. 이 과정에서 신규 모델 추가 시마다 상당한 엔지니어링 리소스가 소모되었습니다. Zo는 Vercel의 AI SDK와 AI Gateway를 도입하여 이러한 문제를 해결했습니다. AI SDK는 모든 모델에 대한 통일된 인터페이스를 제공했고, AI Gateway는 인프라 수준의 복잡성(재시도, 라우팅 등)을 처리했습니다. 그 결과, 재시도율은
Vercel Sandbox에 사용자 지정 이름 기능 추가
Vercel의 샌드박스(Sandboxes)가 이제 고유하고 사용자가 정의할 수 있는 이름을 갖게 되었습니다. 이전에는 ID 기반으로만 식별되었으나, 이 업데이트를 통해 프로젝트 내에서 샌드박스를 이름으로 쉽게 찾고 참조할 수 있게 됩니다. 또한, 베타 CLI 패키지에는 설정 관리와 세션 검사 기능이 추가되어, 생성 및 재개 시 세션을 더욱 명확하게 식별할 수 있도록 지원합니다. 개발자들은 `@vercel/sandbox` SDK 및 `sandbox` CLI의 베타 버전을 설치하여 이 새로운 기능을 바로 경험해 볼 수 있습니다.
Vercel CDN, 외부 오리진의 Cache-Control 헤더 기본 적용 시작
4월 6일부터 Vercel 프로젝트가 외부 오리진(external origins)으로 요청을 프록시할 때, 응답에 포함된 `Cache-Control` 헤더를 기본적으로 존중하게 됩니다. 이전에는 리라이트(rewrites)를 통해 외부 오리진에서 제공되는 콘텐츠는 기본적으로 캐싱되지 않았으며, 캐싱 기능을 사용하려면 별도의 설정이 필요했습니다. 이제 Vercel CDN은 원본 서버(origin)가 보내는 캐싱 헤더를 자동으로 인식하고 적용하여 개발자가 의도한 대로 콘텐츠가 캐시되도록 개선되었습니다. 기존 프로젝트의 경우 대시보드에서
에이전트와 샌드박스를 활용한 Turborepo 성능 개선 방법
본 글은 AI 에이전트, Vercel 샌드박스, 그리고 전통적인 소프트웨어 엔지니어링 기법을 결합하여 모노레포(monorepo) 빌드 도구인 Turborepo의 성능을 혁신적으로 개선한 과정을 다룹니다. 초기에는 배경에서 작동하는 AI 에이전트에게 코드 분석을 맡겼으나, 충분한 컨텍스트와 검증 루프가 부족하여 지속 가능하지 않음을 깨달았습니다. 이후 프로파일링(Profiling) 데이터를 Markdown 형식으로 변환하고, 이 구조화된 포맷을 에이전트의 입력으로 사용하자 성능 개선 속도가 극적으로 향상되었습니다. 저자는 이러한 반복
AI 에이전트 시대, 안전한 배포를 위한 시스템 설계 원칙
AI 에이전트가 코드를 생성하는 속도가 빨라지면서 생산성은 극대화되었지만, 이로 인해 '테스트 통과'와 '프로덕션 안전성' 사이의 간극이 커지고 있습니다. 에이전트가 만든 코드는 매우 그럴듯해 보여서 개발자가 무비판적으로 신뢰하기 쉽습니다. 따라서 단순히 CI(Continuous Integration)를 통과하는 것만으로는 충분하지 않습니다. 이 글은 AI 시대에 배포 안전성을 확보하기 위해, 시스템 자체를 강화하고 운영 지식을 실행 가능한 '가드레일 (Guardrails)'로 만드는 폐쇄 루프(Closed-loop) 시스템 구축의
이 피드 구독하기
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.