Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
ZennAI 번역헤드라인
AI가 작성한 코드를 인간이 읽을 수 있는 언어 — Jacquard v0.1 rc3 사용 기록
AI가 생성한 코드를 인간이 효율적으로 리뷰할 수 있도록 설계된 연구용 언어 Jacquard v0.1 rc3를 소개합니다. 이 언어는 함수의 시그니처에 부작용(side effect)을 명시하고 런타임에서도 이를 강제하여 코드의 안전성을 보장합니다.
7월 25일0
ZennAI 번역헤드라인
Opus 5에서 메인 모델을 고정하고, 모델 선택을 서브 에이전트 측으로 위임했다
Opus 5 출시 이후 AI 에이전트 운용 방식을 변경한 기록입니다. 메인 모델을 고정하고 모델 선택의 권한을 서브 에이전트에게 위임함으로써, 작업 시작 시 발생하는 인간의 인지 부하를 줄이고 효율성을 높였습니다.
7월 25일0
ZennAI 번역헤드라인
루프 엔지니어링은 더 이상 엔지니어만의 것이 아니다, 업무에서 돌리며 발견한 네 번째 설계 대상은 '권한'이었다
코딩 에이전트의 설계 방식을 일반 업무(지적 노동)에 적용하는 '루프 엔지니어링'의 핵심 원리와 차이점을 다룹니다. 단순 프롬프트 작성을 넘어 트리거, 토폴로지, 검증기, 정지 규칙을 설계하는 방법론을 제시합니다.
7월 25일0
ZennAI 번역헤드라인
개인은 빨라졌는데 팀은 빨라지지 않는다 — 공개 측정 데이터 대조
AI 도입으로 개인의 코드 구현 속도는 향상되었으나, 팀 전체의 배포 빈도는 오히려 감소하는 현상을 분석합니다. 구현 단계의 속도 향상이 전체 개발 프로세스의 병목 현상(리뷰 시간 증가, 버그 증가 등)을 해결하지 못함을 데이터로 보여줍니다.
7월 25일0
ZennAI 번역헤드라인
AI 네이티브 개발 기반이 구축되기까지 — 레거시 재생의 과제·목표·순서·결과
레거시 SaaS 시스템을 AI 네이티브 개발 체제로 전환하기 위한 전략적 재생 과정을 다룹니다. 테스트 부재, EOL, 성능 저하 등 기존 시스템의 문제를 진단하고, AI가 자율적으로 동작하는 기반을 구축하기 위한 단계적 접근법을 제시합니다.
7월 25일0
ZennAI 번역헤드라인
AI로 풀어보는 AWS AI-DLC v2: 도입 판단
AWS AI-DLC v2의 규범 규칙과 이용 가이드를 분석하여 프로젝트 도입 적합성을 판단하는 가이드를 제공합니다. 9가지 스코프별 특성과 실행 범위를 바탕으로 팀의 상황에 맞는 도입 전략을 제안합니다.
7월 25일0
ZennAI 번역헤드라인
Gemini Personal Intelligence 입문 — Google Photos로 이미지 생성 개인화하기
Google이 Gemini의 Personal Intelligence 기능에 Nano Banana 2를 통합하여 Google Photos 데이터를 기반으로 한 개인화 이미지 생성 기능을 출시했습니다. 사용자는 긴 프롬프트 없이도 자신의 사진 데이터를 컨텍스트로 활용해 자신과 가족, 반려동물이 포함된 맞춤형 이미지를 생성할 수 있습니다.
7월 25일0
ZennAI 번역헤드라인
답안을 작성하는 AI는 바꿔도, 채점하는 AI는 바꾸지 않는다 ── tier-routing을 tester로 확장한 이야기
멀티 에이전트 프레임워크 C3의 tier-routing 기능을 developer 역할에서 tester 역할로 확장하는 과정을 다룹니다. 태스크 복잡도에 따라 모델을 자동 선택하는 메커니즘을 적용하기 위해 성공의 정의를 재설계하는 설계적 고민을 담고 있습니다.
7월 25일0
ZennAI 번역헤드라인
AI 네이티브 개발에서 QCD는 어떻게 변했는가 — 최근 2주간의 실측 데이터로 평가하기
AI 네이티브 개발 체제로 전환한 후, 최근 2주간의 실측 데이터를 통해 QCD(품질·비용·납기) 변화를 분석합니다. AI를 통해 개발량이 대폭 증가했음에도 불구하고, 검증 프로세스의 자동화를 통해 품질을 유지하며 생산성을 극대화하는 과정을 다룹니다.
7월 25일0
ZennAI 번역헤드라인
함께 개발하던 상대는 아마 인간이 아니었다 — AI의 규칙을 AI가 정하기 시작하고 있다
Ethereum 표준 사양(ERC-7303) 개발 과정에서 AI 에이전트와 협업한 경험을 다룬 필드 노트입니다. 인간의 속도를 뛰어넘는 AI 에이전트의 설계, 구현, 검증 능력을 통해 자율 에이전트 시대의 협업 방식을 조명합니다.
7월 25일0
ZennAI 번역헤드라인
AI가 제안한 도구를 전부 만들어서 다시 측정해 보았다
AI가 제안한 다양한 개발 도구들을 AIShell에 모두 구현하여 성능을 측정한 결과, 토큰 사용량이 이전 대비 52.44% 감소하는 성과를 거두었습니다. 파일 변화 감지, 백그라운드 실행, 의미론적 검색 등 고도화된 기능을 통해 AI 코딩 효율을 극대화했습니다.
7월 25일0
ZennAI 번역헤드라인
통화 경로를 훔쳐보고 호(Call)를 추측해서는 안 된다 ― Amazon Connect + KVS로 시그널링을 가져오기
Amazon Connect와 Kinesis Video Streams를 활용해 실시간 통화 받아쓰기 서비스를 구축하며 겪은 설계적 시행착오를 다룹니다. OpenAI Realtime API의 VAD 성능과 8kHz 음성 처리 경험, 그리고 스트림 폴링 방식의 한계를 분석합니다.
7월 25일0
ZennAI 번역헤드라인
설계는 채팅 AI, 구현은 코딩 에이전트: xlflow로 Excel VBA 도구를 만든 이야기
xlflow를 활용하여 Excel VBA 도구를 개발한 사례를 소개합니다. 채팅 AI로 상세 설계서와 HTML 목업을 먼저 확정함으로써, 코딩 에이전트가 저렴한 비용으로 정확하게 구현할 수 있는 워크플로우를 제시합니다.
7월 25일0
ZennAI 번역헤드라인
AI 수정 루프가 좋은 원고를 망치는 문제를 keep-best로 방지하기
AI를 활용한 원고 생성 및 채점 루프에서 품질이 퇴화하는 문제를 해결하기 위한 'keep-best' 메커니즘 도입 과정을 다룹니다. 수정 과정에서 점수가 하락할 경우 최적의 결과물을 유지하고 루프를 중단하는 로직을 설명합니다.
7월 25일0
ZennAI 번역헤드라인
일본어는 감소하고 영어는 +38% — Claude 새로운 토크나이저(Tokenizer) 실측
Anthropic의 새로운 토크나이저 도입에 따른 언어별 토큰 효율 변화를 실측했습니다. 영어는 토큰 사용량이 최대 38% 증가한 반면, 일본어는 오히려 감소하여 일본어 사용 시의 비용 효율성이 크게 개선되었습니다.
7월 25일0
ZennAI 번역헤드라인
VLM에 보낼 프레임을 결정론적으로 추출하기 — framesieve 1.0 공개
VLM(Vision Language Model)에 전달할 의미 있는 프레임을 결정론적으로 선별하는 TypeScript 라이브러리 framesieve 1.0이 공개되었습니다. 불필요한 토큰과 비용을 줄이기 위해 축소된 그레이스케일 이미지의 화소 차분을 활용하여 빠르고 가볍게 변화를 감지합니다.
7월 25일0
ZennAI 번역헤드라인
AI 승인 대기 큐가 월 300건을 넘어 폭주했다 — 승인 기준의 자동화와 예외 설계
AI 에이전트 군단을 운영하며 발생하는 승인 병목 현상을 해결하기 위해 승인 파이프라인을 자동화하는 전략을 다룹니다. 단순 반복적인 승인 작업을 줄이기 위해 액션을 3개 층으로 분류하여 자동 승인 범위를 설계하는 방법을 제시합니다.
7월 25일0
ZennAI 번역헤드라인
AI에게 어디까지 맡길 것인가 —— AGENTS.md로 '실행 경계'를 결정하기
AI 에이전트의 작업 범위를 설정할 때 '적절함' 같은 모호한 기준 대신, AGENTS.md를 통해 명확한 실행 경계를 설정하는 방법을 제안합니다. 작업의 난이도가 아닌 '가역성(reversibility)'을 기준으로 AI의 자율 권한을 결정해야 합니다.
7월 25일0
ZennAI 번역헤드라인
AI 에이전트의 권한 규칙에 `bash -c`라는 허점이 있었던 이야기
AI 코딩 에이전트의 커맨드 허가 리스트(Allowlist) 운영 중 발생한 보안 허점을 다룹니다. 범용 셸 실행계 커맨드가 포함될 경우 발생하는 구조적 취약점과 이를 해결하기 위한 분류 기준 재정립 과정을 설명합니다.
7월 25일0
ZennAI 번역헤드라인
자체 라벨링과 학습 알고리즘: 다수결로 가짜 정답을 만들고 GRPO/ADPO로 가중치를 업데이트하다 [프롬프트로 읽어내는 AI 에이전트 #11]
Agent0 프레임워크를 통해 인간의 주석 없이 자체 라벨링과 강화학습(GRPO/ADPO)으로 모델 가중치를 업데이트하는 메커니즘을 분석합니다. 자기 일관성(self-consistency) 기반의 다수결 방식을 활용하여 의사 정답을 생성하고 학습 루프를 구축하는 과정을 다룹니다.
7월 24일0