Sentry의 AI Agent Monitoring을 통해 5개 에이전트로 구성된 AWS 보안 스캐너의 토큰 폭발 현상을 포착하다

CrewAI와 Amazon Bedrock Nova Pro를 활용하여 AWS 보안 설정을 스캔하는 5개의 전문 AI 에이전트 시스템을 구축한 사례입니다. Sentry의 AI Agent Monitoring을 통해 멀티 에이전트 환경에서 발생하는 토큰 폭발 현상을 포착하고 계측하는 방법을 다룹니다.

deco Studio에서 AI 에이전트 제어하기: 도구, 권한 및 비용

deco Studio를 활용하여 AI 에이전트의 도구 사용, 권한 관리 및 비용을 중앙에서 제어하는 방법을 다루는 고급 실습 가이드입니다. MCP 서버 연결을 통해 에이전트의 실행 경로를 추적하고 보안 및 운영 효율성을 확보하는 아키텍처를 구축합니다.

트위터 창업자 Jack Dorsey, 팀 채팅·AI 에이전트·Git 호스팅을 결합한 Buzz 출시

Jack Dorsey가 출시한 Buzz는 팀 채팅, AI 에이전트, Git 호스팅을 결합한 오픈소스 협업 플랫폼입니다. Nostr 프로토콜을 기반으로 하며, AI 에이전트를 팀의 일급 사용자로 취급하여 인간과 에이전트가 함께 협업하는 새로운 워크플로우를 지향합니다.

AutoCAD 도면 작성을 위한 신경망: 먼저 requirements.md 작성 - Spec-driven development

AutoCAD 도면 생성을 위해 텍스트 사양서(requirements.md)를 코드로 변환하여 실행하는 'Spec-driven development' 워크플로우를 소개합니다. 현재 AI는 완전한 도면 생성보다는 반복적인 레이아웃 정리 및 어시스턴트 역할을 수행하는 단계임을 설명합니다.

Text-to-SQL은 잘못된 선택이었다. 시맨틱 레이어(Semantic Layer)가 진정한 인터페이스다

Text-to-SQL 방식의 한계를 지적하며, 비즈니스 로직을 담은 시맨틱 레이어(Semantic Layer)가 AI 에이전트를 위한 진정한 인터페이스가 되어야 함을 강조합니다. 단순한 SQL 생성을 넘어 데이터의 정의와 거버넌스를 보장하는 도구 계약으로서의 시맨틱 레이어 역할을 제안합니다.

루프 엔지니어링 (Loop Engineering): AI 에이전트가 자신의 품질 검사를 보상 해킹 (Reward-Hacking) 하지 못하게

AI 에이전트가 자신의 작업물을 스스로 채점할 때 발생하는 '보상 해킹(Reward Hacking)' 문제와 이를 방지하기 위한 루프 엔지니어링 패턴을 소개합니다. 에이전트가 평가 지표를 속여 성능이 저하되는 현상을 막기 위한 실무적인 해결책을 다룹니다.

기업 지식 및 지원을 위한 RAG: 아키텍처, 제어 및 출시

기업용 지식 지원을 위한 RAG 시스템의 아키텍처 설계와 프로덕션 환경에서의 제어 방안을 다룹니다. 단순한 프롬프트 삽입을 넘어 권한 부여, 데이터 품질 관리, 하이브리드 검색 및 단계별 평가 체계 구축의 중요성을 강조합니다.

PyPI, 릴리스 14일 후 새 파일 업로드 거부

PyPI가 보안 강화를 위해 릴리스 후 14일이 지난 패키지에 대한 새 파일 업로드를 차단합니다. 이는 토큰 탈취 시 기존 안정된 릴리스가 오염되는 것을 방지하기 위한 조치입니다.

Mozilla가 나의 Firefox DevTools MCP를 채택했지만, 내가 이것을 웹 브라우징용으로 만든 것은 아니다

Mozilla가 채택한 Firefox DevTools MCP 서버를 통해 AI 에이전트가 e2e 테스트를 자동으로 작성하는 워크플로우를 소개합니다. 브라우징 자체가 목적이 아니라, 에이전트가 UI를 탐색하며 테스트 코드를 생성하도록 돕는 스캐폴딩 도구로서의 가치를 강조합니다.

관리② 리소스 그룹·각종 시크릿 관리

소프트웨어 팩토리, 빛과 어둠

AI 에이전트 기반의 소프트웨어 생산 공정인 '소프트웨어 팩토리'의 구조와 위험성을 분석합니다. 루프, 하네스, 팩토리로 구성된 자동화 체계에서 인간의 검토를 배제한 '다크 팩토리'가 초래할 수 있는 이해 부채와 유지보수 문제를 경고합니다.

발산(Divergence)은 잘못된 집단을 에스컬레이션합니다: 만장일치 시 자동 통과(auto-pass)의 오류

LLM 에이전트의 검증 파이프라인에서 만장일치 시 자동 통과(auto-pass) 방식이 가진 위험성을 경고합니다. 체계적 편향(systematic bias)이 발생할 경우 에이전트들이 확신에 찬 오답에 합의할 수 있으므로, 단순 발산(divergence) 측정을 넘어선 새로운 에스컬레이션 전략이 필요함을 설명합니다.

90년대 다마고치를 브라우저용으로 재구축하며 — 어떤 튜토리얼보다 상태 머신(State Machines)에 대해 더 많이 배우게 된 과정

TypeScript를 사용하여 90년대 다마고치를 브라우저용 오픈 소스로 재구축한 과정을 다룹니다. 복잡한 상태 머신(State Machines), 게임 루프, 감성 디자인을 구현하며 얻은 기술적 통찰을 공유합니다.

Model Context Protocol (MCP) 보안 강화: HTTP 기반의 프로덕션 준비 완료된 OAuth 2.1 인증 서버 구축

원격 MCP 서버 배포 시 발생하는 보안 위험을 해결하기 위해 OAuth 2.1 기반의 인증 계층을 구현한 오픈 소스 템플릿을 소개합니다. SSE 기반의 Node.js/TypeScript 환경에서 PKCE를 적용하여 AI 에이전트의 안전한 데이터 접근을 지원합니다.

자기 학습 에이전트가 첫 번째 성공을 신뢰해서는 안 되는 이유

에이전트가 단일 실행 결과에 의존해 학습하는 노이즈 문제를 해결하기 위해, 패턴을 '보류'와 '확정' 상태로 구분하는 설계 방식을 제안합니다. 또한 메모리를 유형화하여 검색 품질을 높이는 10가지 메모리 구조를 설명합니다.

관리① Git 리포지토리·애플리케이션 관리

2026년 중반 AI 에이전트 프레임워크: LangGraph, OpenAI SDK, CrewAI, AutoGen 등을 포함한 전체 전망

2026년 AI 에이전트 시장의 전망과 주요 오케스트레이션 패러다임을 분석합니다. 그래프 기반, 역할 기반, 루프 기반의 세 가지 접근 방식과 LangGraph, OpenAI SDK, CrewAI 등 주요 프레임워크의 특징을 비교합니다.

LLM으로부터 우리의 FLOSS 공공재를 보호하기

Codeberg e. V.는 LLM 학습을 위해 사용자 데이터를 사용하지 않기로 결정했으며, FLOSS 생태계를 보호하기 위해 이용 약관을 변경했습니다. 이는 무분별한 크롤링으로 인한 서버 부하를 방지하고 자유 소프트웨어의 가치를 지키기 위한 조치입니다.

AI 에이전트(AI Agents) vs 자동화(Automation): 차이점은 무엇이며 무엇을 사용해야 하는가?

AI 에이전트와 전통적 자동화의 핵심 차이점인 제어 방식과 자율성을 비교 분석합니다. 상황에 따라 규칙 기반 자동화와 문맥 중심의 에이전트 시스템을 적절히 선택하고 결합하는 설계 전략을 제시합니다.

에이전트를 3배 더 작은 모델로 교체하고 실제로 무엇이 변했는지 비교 분석했습니다

에이전트의 모델을 llama3.2:3b에서 1b로 교체했을 때 발생하는 성능 변화를 분석한 실험 결과입니다. 단순히 답변의 느낌(vibe check)이 아닌, 실제 도구 호출(tool calling)의 정확성을 기준으로 모델 간의 차이를 검증했습니다.