AI는 계획을 세우는 것만으로 만족한다 ― 실행을 추적하는 '이슈 트리(Issue Tree)'라는 사고방식

AI 에이전트에게 복잡한 작업을 맡길 때, 고정된 계획 대신 실행 과정에서 지속적으로 업데이트되는 '이슈 트리(Issue Tree)' 사고방식을 제안합니다. 계획을 나무 구조로 관리하며 실행 결과에 따라 상태를 기록하고, 세션을 넘나들며 지도를 확장해 나가는 방식입니다.

AI 에이전트 운영을 '모델이 바뀌어도 망가지지 않는' 형태로 만들기

AI 에이전트 운영 시 모델 교체나 세션 리셋으로 인해 발생하는 '컨텍스트 세금' 문제를 해결하기 위한 방법론을 제시합니다. 운영 지식을 SKILL.md라는 포터블한 파일로 문서화하여 모델에 의존하지 않는 영속적인 워크플로우를 구축하는 법을 다룹니다.

모든 개발자가 SIMD를 알아야 하는 이유

SIMD를 활용하여 일반적인 반복문을 가속하는 방법과 그 5단계 구조를 설명합니다. Ghostty 터미널의 사례를 통해 ARM NEON, AVX2, AVX-512 환경에서 얻을 수 있는 실제 성능 향상 폭을 보여줍니다.

경험·안전·비용을 트레이드오프하지 않는 「미용 의료 AI 상담」의 설계와 구현 (프론트엔드 편)

미용 의료 앱 Tribeau의 AI 상담 기능 구현 사례를 통해, LLM이 직접 HTML을 생성할 때 발생하는 불안정성, 안전성, 비용 문제를 해결하는 설계 방식을 소개합니다. LLM은 데이터 결정에만 집중하고 UI 렌더링은 프론트엔드가 담당하도록 책임을 분리하여 최적의 사용자 경험을 구현했습니다.

AI Bounded-Context Development (AB-CD): 복잡한 작업에서 개발자의 제어권과 AI 실행력 극대화하기

AI 에이전트를 활용한 개발 시 발생하는 코드 품질 저하 문제를 해결하기 위해 개발자의 제어권과 설계 주도권을 강조합니다. 에이전트에게 구현뿐만 아니라 솔루션 선택까지 위임할 때 발생하는 아키텍처 붕괴 위험을 경고합니다.

인간과 AI 에이전트를 위해 코드베이스를 매핑하는 방법

대규모 코드베이스를 인간과 AI 에이전트가 효율적으로 이해할 수 있도록 세 가지 형태(요약본, JSON 맵, 인터랙티브 맵)로 변환하는 방법론을 소개합니다. AI 에이전트가 시스템 구조를 파악하는 데 드는 시간과 비용을 줄이는 데 중점을 둡니다.

개발뿐만 아니라 소프트웨어 배포 방식도 변할 수 있습니다

AI 코딩 에이전트의 등장으로 소프트웨어 배포 방식이 기존의 안정적 브랜치 중심에서 템플릿 기반의 유연한 방식으로 변화하고 있습니다. 사용자가 AI를 통해 코드를 직접 수정하고 특화할 수 있게 됨에 따라, 완성된 제품보다 실행 가능한 예시로서의 코드 저장소가 더 중요해지고 있습니다.

내 에이전트가 잘못된 파일을 삭제하도록 속이려 시도해 보았다 👾

AI 에이전트의 레드 티밍 실험을 통해 도구의 독스트링(docstring) 조작이 에이전트의 의사결정에 미치는 영향을 분석합니다. 실험 결과, 모델은 도구의 설명보다 실제 관찰된 파일 목록과 같은 직접적인 문맥을 더 신뢰하여 위험한 동작을 방지하는 경향을 보였습니다.

도구 호출(Tool Calling)을 버렸습니다. 더 저렴한 모델에서 제 에이전트들이 더 안정적으로 작동하게 되었습니다.

표준적인 JSON 기반 도구 호출(Tool Calling) 방식 대신 이름이 지정된 채널(Named Channels) 방식을 사용하여 에이전트의 안정성을 높이는 방법을 제안합니다. 이 방식은 코드 이스케이프 문제를 해결하여 저렴하고 작은 모델에서도 안정적인 에이전트 동작을 가능하게 합니다.

AI 비디오 워크플로우를 위한 모델 불가지론적 (Model-Agnostic) 프롬프트 설계

AI 비디오 생성 모델의 변화에 유연하게 대응하기 위한 모델 불가지론적(Model-Agnostic) 프롬프트 설계 아키텍처를 제안합니다. 중간 표현(IR)을 활용하여 창의적 의도를 구조화하고, 이를 각 모델의 어휘로 변환하는 2단계 렌더링 방식을 설명합니다.

모델이 마크다운 펜스(Markdown Fence)로 JSON을 감쌀 때 Check.isValidJson이 올바른 JSON임에도 실패하는 문제

Dart 패키지 `llm_eval`의 `Check.isValidJson` 기능이 모델의 마크다운 코드 펜스(Markdown Fence)를 인식하지 못해 유효한 JSON임에도 실패하던 문제를 해결했습니다. 0.3.1 업데이트를 통해 정규식을 사용하여 펜스 내부의 JSON을 추출하도록 개선되었습니다.

FastAPI와 ChromaDB를 사용하여 로컬에서 실행되는 RAG 챗봇 구축하기 (API 키 불필요)

FastAPI와 ChromaDB를 활용하여 API 키 없이 로컬에서 실행 가능한 RAG 챗봇 구축 방법을 소개합니다. 문서 인덱싱부터 쿼리 파이프라인까지의 전 과정을 설명하며, 오픈 소스 스택을 활용한 효율적인 설계 방안을 제시합니다.

AI 코딩 에이전트를 위한 보안 계층을 구축했습니다 — LLM 개입 없이 결정하는 방법

AI 코딩 에이전트의 도구 호출 시 발생할 수 있는 보안 위협을 방지하기 위한 오픈 소스 보안 계층 'Belay'를 소개합니다. LLM의 비결정론적 판단 대신 결정론적인 정책 엔진을 사용하여 위험한 명령어를 밀리초 단위로 차단합니다.

에이전트가 한 번의 행(hang)을 해결하자마자 즉시 다른 행을 만들어냈다

AI 에이전트가 코드의 결함을 수정하는 과정에서 새로운 결함(hang 상태)을 유발하는 사례를 분석합니다. 에이전트가 작성한 수정 코드가 기존 리뷰를 무력화하지 않도록, 수정된 코드 전체를 대상으로 하는 새로운 검토 프로세스의 필요성을 강조합니다.

Sakura의 AI Engine LLM API를 Compass의 LLM으로 사용해 보았다

모든 단계가 통과되었습니다. 프로세스의 책임은 누구에게 있었을까요?

개별 검증 단계는 모두 통과했음에도 불구하고, 워크플로 내 문서 간의 버전 불일치로 인해 발생하는 인수인계(handoff) 실패 사례를 분석합니다. 로컬 검증기가 현재 문서의 유효성만 확인하고 전체 시스템의 정합성을 보장하지 못할 때 발생하는 위험을 다룹니다.

M1 Mac에서 ComfyUI의 실사 이미지가 흐릿하게 나오는 이유: 원인은 단일 단계 KSampler

M1 Mac 환경의 ComfyUI에서 실사 이미지 생성 시 발생하는 디테일 뭉개짐 문제를 해결하기 위한 2단계 고해상도 수정(2-pass Hires fix) 워크플로우를 소개합니다. 단일 단계 KSampler의 한계를 극복하기 위해 FreeU_V2와 4x-UltraSharp를 결합한 최적의 설정값을 공유합니다.

규칙 없는 AI에 의해 해킹당한 Hugging Face: 방어 과정에서 자체 규칙을 깨야만 했다

Hugging Face가 겪은 AI 주도 공격 사례를 통해, AI 기반 보안 시스템이 공격과 방어 행위를 구분하지 못해 발생하는 구조적 한계를 분석합니다. 공격자는 가드레일의 제약을 받지 않지만, 방어 도구는 안전 점검 과정에서 지연이 발생한다는 비대칭성을 다룹니다.