6개의 오픈 소스 구성 요소, 하나의 JavaScript 에이전트 스택

JavaScript 및 TypeScript 환경에서 에이전트 개발을 지원하는 오픈 소스 생태계인 AgentsKit을 소개합니다. 메모리, 도구, 평가 등 에이전트 구축에 필수적인 6가지 구성 요소를 독립적인 프로젝트 집합으로 제공하여 확장성을 높였습니다.

AI 학습 지름길이 도제식 교육의 부채가 될 수 있는 이유

AI가 개발자의 학습 과정을 압축하여 빠른 해답을 제공하지만, 이는 엔지니어링 판단력을 형성하는 필수적인 고통과 시행착오를 생략하게 만듭니다. 기업이 AI의 빠른 답변을 숙련된 엔지니어의 역량과 혼동할 경우, 개발자의 내부 모델 구축이 저해될 위험이 있습니다.

Solon AI에서의 도구(Tool) vs 재능(Talent): 함수만으로는 부족할 때

Solon AI가 제안하는 에이전트 설계 패턴인 '도구(Tool)'와 '재능(Talent)'의 차이를 설명합니다. 단순 함수 호출을 넘어 SOP와 활성화 규칙을 결합한 '재능' 개념을 통해 컨텍스트 폭발과 부적절한 도구 호출 문제를 해결하는 방법을 다룹니다.

Gemini 3.6 Flash: 더 빠르고 저렴한 AI 에이전트 구현

Google이 AI 에이전트 구현을 위해 더 빠르고 저렴한 Gemini 3.6 Flash 모델을 출시했습니다. 이 모델은 코딩, 지식 작업, 멀티모달 처리 성능을 대폭 개선하면서도 출력 토큰 효율성을 높여 비용을 절감했습니다.

에이전트 하네스(Agent Harness)는 보안 경계가 아니다: 워크플로 계층으로서의 AgentSmith 분석

AgentSmith는 코딩 에이전트의 성능 향상을 위해 워크플로 계층을 관리하는 오픈 소스 에이전트 하네스입니다. 모델의 컨텍스트 부족을 넘어 계획, 검증, 인계와 같은 워크플로 구성을 체계화하여 에이전트의 안정성을 높이는 데 집중합니다.

GitHub이 갑자기 SSH 키를 거부한 이유: 사라진 .pub 파일

GitHub에서 SSH 인증 실패가 발생한 원인을 분석한 기술 리포트입니다. OpenSSH의 인증 방식 차이로 인해 .pub 파일이 없을 때 발생하는 문제와 해결 방법을 다룹니다.

프로그래밍 잡기 2026년 7월 22일

Go TUI 도구 제작 사례, Node.js 보안 업데이트, PyCharm 및 RubyMine 2026.2의 AI 기능 강화, Unity 7 출시 소식 등 최신 개발 도구 및 기술 뉴스를 요약합니다.

남는 GPU를 묶어 235B 모델을 OpenAI API로 호출하는 Mesh LLM

Mesh LLM은 여러 대의 서로 다른 GPU 장비를 하나로 묶어 거대 모델을 구동할 수 있게 해주는 도구입니다. 복잡한 클러스터 관리 없이 단일 바이너리로 설치하며, 파이프라인 병렬화를 통해 메모리 부족 문제를 해결합니다.

AI 보조 코딩이 가져온 799개의 하드코딩된 폰트 크기

AI 보조 코딩 과정에서 발생하는 'AI 코드 드리프트' 현상을 분석합니다. 디자인 토큰이 존재함에도 불구하고 AI가 임의의 픽셀 값을 사용하여 코드 일관성이 무너지는 문제를 다루며, 이를 방지하기 위한 기술적 방어책을 제시합니다.

약 970줄의 Python 코드로 코딩 에이전트를 구축하고 정직하게 벤치마크했습니다

약 970줄의 Python 코드로 구성된 경량 코딩 에이전트 'nano-harness' 구축 사례를 소개합니다. 복잡한 오케스트레이션 없이 bash, read_file, edit_file 도구만을 활용하여 Terminal-Bench 2.0에서 59.6%의 성능을 기록했습니다.

Qwen Cloud에서 13개 에이전트 마케팅 사회 구축하기 — 실제로 무엇이 고장 났고, 이를 해결하며 무엇을 배웠는가

Qwen Cloud 해커톤을 위해 13개의 전문 에이전트로 구성된 마케팅 에이전트 사회 'Nexus AI'를 구축한 사례를 다룹니다. 단일 LLM 프롬프트 방식에서 벗어나 에이전트 간 상호 검토와 거부권(veto)을 통해 업무를 수행하는 구조와 개발 과정의 기술적 난관을 설명합니다.

당신의 코딩 에이전트는 당신의 기기에서 셸(shell)을 실행합니다. 저는 제 것을 감사했습니다.

코딩 에이전트가 로컬 셸을 실행할 때 발생할 수 있는 보안 위협과 이를 방지하기 위한 설계 원칙을 다룹니다. 단순한 명령 문자열 필터링의 한계를 지적하며, OS 레벨의 권한 제어와 네트워크 태세 관리가 핵심임을 강조합니다.

의존성을 고정하는 방식처럼 MCP 서버 계약(Contracts)을 고정하세요

MCP(Model Context Protocol) 서버의 변경 사항이 에이전트의 동작을 예기치 않게 망가뜨리는 문제를 해결하기 위해, 의존성 고정 방식과 유사한 '계약(Contracts) 고정'의 필요성을 설명합니다. 이를 위해 도구의 설명, 스키마, 파라미터 변경을 감지하고 CI 단계에서 검증할 수 있는 mcpward 도구를 소개합니다.

처방전 재조제 요청 접수를 위한 음성 AI 어시스턴트 구축기

Telnyx AI Assistants를 활용하여 처방전 재조제 요청을 접수하는 음성 AI 어시스턴트 구축 사례를 소개합니다. AI가 임상적 결정을 내리는 대신, 효율적인 정보 수집과 백엔드 도구 호출을 통해 업무 부담을 줄이는 워크플로우를 제안합니다.

Databricks, 데이터 발견 및 AI 신뢰성 향상을 위한 내부 데이터 마켓플레이스 출시

Databricks가 Unity Catalog를 기반으로 한 내부 데이터 및 AI 마켓플레이스 'Discover'와 'Domains' 기능을 출시했습니다. 이를 통해 조직은 복잡한 데이터 환경 속에서 고품질의 데이터와 AI 자산을 쉽게 발견하고, AI 에이전트가 비즈니스 컨텍스트를 정확히 이해하도록 지원할 수 있습니다.

MCP 서버를 구축하며 얻은 교훈

Anthropic의 MCP(Model Context Protocol)를 활용하여 프로젝트 관리 자동화 서버를 구축하며 얻은 최적화 경험을 공유합니다. 도구의 세분화와 페이로드 최적화를 통해 실행 시간과 토큰 비용을 획기적으로 줄이는 방법을 다룹니다.

내 사이트가 AI 에이전트가 읽을 수 있는지 확인하도록 오픈 소스 SEO 도구를 학습시킨 방법

오픈 소스 SEO 도구인 open-seo를 활용해 웹사이트가 AI 에이전트에게 최적화되어 있는지 확인하는 방법을 다룹니다. robots.txt 설정, llms.txt 도입, 마크다운 대안 제공 등 AI 크롤러 대응을 위한 실무적인 설계 경험과 교훈을 공유합니다.

Databricks Lakehouse: AI 컨텍스트 레이어

Databricks Lakehouse는 분산된 R&D 데이터를 통합하여 AI 에이전트와 사용자를 위한 'AI 컨텍스트 레이어'를 구축합니다. 이를 통해 데이터의 출처와 의미를 파악함으로써 신뢰할 수 있는 AI 추론을 가능하게 합니다.

데이터셋 로더는 이제 안전하지만, 데이터셋 파서는 아닐 수도 있습니다

Hugging Face의 datasets 라이브러리가 로컬 환경의 코드 실행 위험을 해결했음에도 불구하고, 서버 측 데이터셋 파싱 과정에서의 취약점으로 인해 프로덕션 인프라 침입 사고가 발생했습니다. 악성 데이터셋의 템플릿 인젝션과 원격 코드 실행을 통해 클라우드 자격 증명이 탈취되는 보안 사고가 보고되었습니다.

RAG 정밀도 개선 입문 — 평가 방법론과 흔히 발생하는 실수