AI 에이전트에게 전부 맡겨 3일 만에 Chrome 확장 프로그램을 출시하며 겪은 Rakuten API 전면 개편의 시련

AI 에이전트만을 활용해 3일 만에 Chrome 확장 프로그램을 기획부터 출시까지 완료한 실험적 사례를 다룹니다. 개발 과정에서 AI의 학습 데이터 한계로 인해 발생한 Rakuten API 개편 대응 문제와 해결 방법을 상세히 기록했습니다.

AI 에이전트가 컴플라이언스 모니터링에 실제로 하는 일

AI 에이전트가 컴플라이언스 모니터링 업무를 어떻게 혁신하는지 설명합니다. 에이전트는 단순 챗봇을 넘어 스스로 도구를 사용하고 문맥을 파악하여 사기 탐지, 메시지 모니터링, 규정 준수 추적 등의 복잡한 업무를 수행합니다.

내 AI 에이전트가 무엇을 하고 있는지 알 수 없어 답답한 나머지, 아주 작은 관측성 (Observability) 도구를 만들었습니다

LLM 에이전트의 실행 과정을 시각화하고 관측할 수 있는 경량 도구인 Otterscope를 소개합니다. 복잡한 인프라 없이 단일 Go 바이너리와 SQLite만으로 에이전트의 도구 호출, 토큰 사용량, 비용을 추적할 수 있습니다.

은행 명세서 가져오기 자동화 – PDF 및 CSV에서 정제된 데이터로

Make.com과 OpenAI를 활용하여 은행 명세서(PDF/CSV)를 자동으로 추출하고 정제하는 워크플로우를 소개합니다. 데이터 정제 체크리스트와 AI 에이전트를 결합하여 수동 데이터 입력 작업을 자동화하는 방법을 다룹니다.

데이터베이스를 직접 넘겨주지 않고도 AI 에이전트가 운영 데이터를 사용하게 하는 방법

AI 에이전트에게 직접적인 SQL 권한을 부여하는 대신, 검토된 시맨틱 기능만을 노출하여 보안 경계를 구축하는 Synapsor Runner를 소개합니다. 모델이 데이터베이스에 직접 접근하지 못하도록 설계하여 프롬프트 인젝션 발생 시에도 데이터 유출 및 무단 변경의 폭발 반경을 최소화합니다.

폴백(Fallback)이 있으면 좋겠다고만 생각했는데, OpenAI 결제 문제로 일주일 만에 3번의 에이전트 실행이 중단되었습니다

AI 에이전트 운영 시 API 제한, 결제 문제, 타임아웃 등 다양한 실패 상황에 대비한 폴백(Fallback) 설계의 중요성을 강조합니다. 단순한 재시도를 넘어 실패 유형에 따른 정교한 라우팅 아키텍처가 필요함을 설명합니다.

보안 위험을 방지하기 위한 MCP 서버 감사 방법

MCP 서버의 보안 취약점을 점검하기 위한 오픈 소스 도구인 mcp-security-scan을 소개합니다. 이 도구는 정적 분석을 통해 자격 증명 탈취, 데이터 유출, 안전하지 않은 실행 패턴 등을 탐색하고 신뢰 점수를 제공합니다.

모든 팀에게 AWS 키를 나눠줄 뻔했습니다. 그래서 대신 LLM 게이트웨이를 구축했습니다.

팀 내 LLM 접근 권한 관리의 위험성을 지적하며, AWS 키 직접 공유 대신 LLM 게이트웨이를 구축해야 하는 이유를 설명합니다. 보안, 비용 추적, 권한 제어 측면에서 게이트웨이가 제공하는 이점을 다룹니다.

AI 커머스 시대 전, 독립 상점들이 갖춰야 할 거래 준비성 점검

AI 커머스 시대에 독립 상점들이 AI 에이전트의 구매 지원을 원활하게 받기 위해 갖춰야 할 '거래 준비성'을 분석합니다. 단순한 카피라이팅 도구 도입을 넘어, 데이터의 명확성, 기계 판독성, 정책의 구체성 등 에이전트가 오차 없이 거래를 수행할 수 있는 환경 구축의 중요성을 강조합니다.

3단계 온디바이스(On-device) AI 컨시어지 구축하기: Gemini Nano -> MiniLM -> 키워드, 쿼리당 비용 $0

비용과 개인정보 보호 문제를 해결하기 위해 브라우저 내에서 실행되는 3단계 온디바이스 AI 컨시어지 구축 방법을 소개합니다. Gemini Nano, MiniLM, 키워드 매칭을 활용한 단계별 폴백 전략을 통해 안정적인 서비스를 구현합니다.

내 비즈니스 워크플로우를 실제로 자동화하는 AI 에이전트를 구축하는 방법

단절된 도구들을 연결하여 비즈니스 워크플로우를 자동화하는 '비서실장 프로토콜(Chief of Staff Protocol)'을 제안합니다. 지속적인 문맥 메모리, 사고 과정 로깅, 자동 복구 기능을 통해 단순 스크립트를 넘어선 지능형 에이전트 구축 방법을 다룹니다.

Karpathy의 LLM Wiki는 방향은 맞지만, 구현 방식은 막다른 길이다

Karpathy의 LLM Wiki가 제안하는 지식 구조화 방식의 한계를 분석합니다. 저자는 LLM Wiki가 기호주의 AI의 한계를 반복하며, 정보 추출 과정에서의 손실과 오류의 영구적 누적 문제를 가질 것이라고 비판합니다.

동일한 버그를 반복해서 해결하지 않기 위해 3.3 GB의 코딩 에이전트 로그를 인덱싱했습니다

코딩 에이전트의 세션 로그를 활용해 과거의 디버깅 기록을 효율적으로 찾는 방법을 다룹니다. Claude Code, Codex 등 다양한 에이전트의 로그 형식이 다르기 때문에 이를 통합적으로 인덱싱하는 과정의 필요성을 설명합니다.

프롬프트 체이닝 (Prompt chaining): 왜 세 개의 집중된 프롬프트가 하나의 거대한 프롬프트보다 나은가

복잡한 LLM 작업을 하나의 거대한 프롬프트로 처리하는 대신, 작은 단위의 프롬프트 시퀀스로 분해하는 '프롬프트 체이닝'의 이점을 설명합니다. 추출, 변환, 요약의 단계를 나누어 모델의 추론 정확도를 높이고 오류를 제어하는 방법을 제시합니다.

실제로 작동하는 AI 구축하기: 왜 비즈니스 컨텍스트가 모델보다 더 중요한가

성공적인 AI 프로덕션 구축을 위해서는 모델 자체보다 비즈니스 컨텍스트와 워크플로우 설계가 더 중요합니다. AI를 중심에 두기보다 기존 시스템, 데이터, 비즈니스 규칙을 통합하는 자동화 파이프라인 구축에 집중해야 합니다.

왜 '메인 메서드 하나'가 더 정확한 코드를 작성하는가? AI 시대의 코드 설계란 무엇인가?

AI 에이전트 도구를 Bash에서 Python으로 다시 작성했습니다. 그건 쉬운 의문이었을 뿐입니다.

AI 에이전트 군단을 관리하기 위한 컨트롤 플레인 도구인 'Docket'을 Bash에서 Python 패키지로 재작성한 과정을 다룹니다. 에이전트 간 컨텍스트 격리, 지출 한도 설정, 역할 분담(Lead, Implementer 등)을 통해 안정적인 에이전트 운영 환경을 구축하는 방법을 설명합니다.

AI 에이전트 공격: 5,317개의 명령, 9개 기관 침해 [2026]

AI 에이전트가 공격의 보조자를 넘어 직접적인 운영자로 진화하며 발생한 실제 침해 사례를 분석합니다. Claude Code와 GPT-4.1을 활용해 9개 정부 기관을 공격하고 4억 개의 기록을 탈취한 사례를 통해 AI 에이전트의 구조적 보안 결함을 경고합니다.

각 채용 공고의 '진짜' 여부를 점수화한 구인구직 사이트를 만들다 (A–F)

유령 채용 공고를 식별하기 위해 공고의 실효성을 A-F 등급으로 점수화하는 서비스 Remoty.work의 개발 과정을 다룹니다. 스크래핑, 데이터 중복 제거, DeepSeek을 활용한 텍스트 분석 및 인프라 구축 경험을 공유합니다.

무엇이 AI 시스템을 프로덕션 수준으로 만드는가? 파트 2: RAG 인제스션 파이프라인 설계

프로덕션 수준의 RAG 시스템을 구축하기 위한 핵심 요소인 인제스션(Ingestion) 파이프라인 설계 방법을 다룹니다. 데이터의 최신성을 유지하고 중복 및 오류를 방지하기 위해 단일 책임 원칙을 적용한 아키텍처를 제안합니다.