토큰 소모가 아닌 기사 간의 인연을 시각화! Sakura AI Engine RAG로 챌린지 참여 기사의 상관도를 그려보았다🌸

Sakura AI Engine의 RAG 기능을 활용하여 Qiita의 기술 기사 간 의미적 유사성을 분석하고 Mermaid 상관도로 시각화한 사례를 소개합니다. 단순한 답변 생성을 넘어, 문서 간의 코사인 거리를 측정하여 기사 간의 관계를 파악하는 실험적 접근을 다룹니다.

OpenAI가 기업용 AI 에이전트 제품인 Presence를 출시하여 실시간 고객 대응 및 워크플로우 자동화를 지원합니다. 또한 GPT-5.6 모델의 보안 인시던트 사례와 Microsoft-Mistral AI의 유럽 인프라 확장 파트너십 소식을 다룹니다.

Sakura AI Engine의 무료 티어를 활용하여 음성 제어 및 멀티모달 기능이 포함된 핸즈프리 요리 보조 웹 앱을 만드는 과정을 소개합니다. 이미지 인식과 TTS 모델을 결합하여 레시피 등록부터 칼로리 계산까지 구현하는 방법을 다룹니다.

[Databricks] Genie의 '파라미터화된 예시 SQL 쿼리'로 답변을 Trusted로 만들기

Databricks의 AI/BI Genie에서 파라미터화된 예시 SQL 쿼리를 사용하여 답변의 신뢰도를 높이는 방법을 설명합니다. 사용자가 입력한 파라미터 값을 통해 쿼리를 재실행할 수 있으며, 해당 답변은 'Trusted'로 분류됩니다.

OpenAI Presence란? 기업용 AI 에이전트 운용 제품 3분 속보 해설

OpenAI가 기업용 AI 에이전트 운용 플랫폼인 'Presence'를 발표했습니다. 이 제품은 단순 추론을 넘어 정책, 가드레일, 에스컬레이션 규칙을 통해 기업 현장에서 안전하게 에이전트를 운용할 수 있도록 지원합니다.

Genspark의 SecondBrain이란? AI의 '기억 레이어(Memory layer)'를 공식 정보와 실제 화면을 통해 정리

Genspark가 AI Workspace 6.0의 핵심인 'SecondBrain'을 발표했습니다. 이는 단순한 저장소를 넘어 이메일, 문서, 외부 앱 등의 데이터를 통합하여 AI 에이전트에게 지속적인 컨텍스트를 제공하는 '기억 레이어(Memory layer)' 역할을 합니다.

【AI 에이전트 해부학: 제4회】 워킹 메모리의 과학: Prompt & Context Engineering의 한계 돌파

AI 에이전트의 컨텍스트 윈도우 관리와 'Lost in the Middle' 현상을 극복하기 위한 프롬프트 엔지니어링 기법을 다룹니다. 방대한 데이터 속에서 에이전트가 지시 사항을 놓치지 않도록 시스템 프롬프트와 정보 배치 전략을 최적화하는 방법을 설명합니다.

Microsoft의 CodeAct는 AI 에이전트가 도구를 호출할 때마다 발생하는 토큰 소모와 레이턴시 문제를 해결하기 위해 모델이 직접 코드를 작성하여 실행하는 방식을 제안합니다. 이를 안전하게 구현하기 위해 Rust 기반의 micro-VM 매니저인 Hyperlight를 사용하여 일회용 격리 환경을 초고속으로 생성하고 폐기합니다.

AI 모델 평가 환경의 보안 사고를 방지하기 위해 Python을 사용하여 컨테이너 설정의 외부 접속 및 권한을 점검하는 방법을 다룹니다. OpenAI와 Hugging Face의 사례를 통해 평가 환경 설정의 중요성을 강조하며, JSON 설정을 검증하는 감사 스크립트 구현법을 소개합니다.

그 신의 스킬, 당신의 머신에서만 작동한다 — 실행 시의 가변성을 CI에서 잡아내는 linter를 만들었다

AI 에이전트용 스킬 파일(SKILL.md)이 작성자의 로컬 환경에 종속되어 CI에서 실패하는 문제를 해결하기 위해, 실행 시의 가변성을 정적 분석으로 잡아내는 linter인 'carrylint'를 소개합니다.

Seedance 2.5와 같은 AI 영상 생성 모델을 사용할 때 프롬프트를 구조화하여 관리하는 방법을 제안합니다. 목적, 피사체, 움직임, 출력 조건을 구분하여 메모하면 재사용성과 조정의 정밀도를 높일 수 있습니다.

호렌소(보고·연락·상담)를 '문장력'이 아닌 '구조'로 도와주는 화면 목업을 만들어 보았다

업무상 보고·연락·상담(호렌소)의 효율을 높이기 위해 문장력이 아닌 '구조'에 집중한 스마트 호렌소 어시스턴트 화면 목업을 제안합니다. 사용자가 필수 항목을 선택하면 상대방이 즉각 판단할 수 있는 구조화된 문장과 제목을 생성해 줍니다.

Gemini 3.6 Flash 도입 시 발생하는 API 응답 형식(snake_case vs camelCase) 차이로 인한 비용 집계 오류를 방지하기 위한 Python 계약 테스트 구현 방법을 소개합니다. 모델 전환 시 데이터 정규화와 예외 처리를 통해 운영 비용 관측성을 유지하는 가이드를 제공합니다.

생성 AI를 누가 사용해도 같은 결과로 — 러닝 코치를 워크플로로 고정하기

사용자의 프롬프트 숙련도에 상관없이 일관된 결과를 얻기 위해 AI 워크플로를 설계하는 방법을 다룹니다. 러닝 코치 앱 'RunAdvisory' 사례를 통해 핵심 로직은 고정하고 AI는 보조적으로 활용하는 구조를 설명합니다.

RAG 시스템의 정밀도를 개선하기 위해 막연한 추측 대신 체계적인 평가 방법론을 도입하는 방법을 설명합니다. 베이스라인 설정, 검색과 생성 지표의 분리, 그리고 지속적인 평가 세트 업데이트를 통한 개선 사이클 구축을 강조합니다.