이미지 검색 시스템에서 CLIP을 활용한 rerank 단계가 검색 엔진 교체 후 불필요해진 사례를 다룹니다. SearXNG 사용 시에는 CLIP이 노이즈를 제거하는 역할을 했으나, Tavily로 백엔드를 교체하자 검색 결과의 질이 높아져 CLIP의 필요성이 사라졌습니다.

AI 서비스 중단 시 발생할 수 있는 업무 리스크를 Python으로 관리하고 점수화하는 방법을 소개합니다. CSV 데이터를 활용해 대체 수단, 마감 기한, 대외 영향 등을 기준으로 업무 우선순위를 도출하는 실용적인 가이드를 제공합니다.

Anthropic이 공개한 Claude Agent SDK는 Claude Code의 기능을 라이브러리 형태로 제공하여 에이전트 루프를 자동화합니다. 판단, 툴 실행, 컨텍스트 관리를 SDK가 직접 수행하며, 서브 에이전트와 훅(Hooks) 기능을 통해 복잡한 멀티 에이전트 워크플로우 구축을 지원합니다.

【AI 에이전트 비교 실험】#08 Vue 3 CDN + Chart.js로 AI 에이전트 비교 대시보드를 만들었다

6종의 AI 코딩 에이전트를 비교하기 위해 Vue 3와 Chart.js를 활용하여 구축한 대시보드 구현 사례를 소개합니다. 백엔드 없이 HTML 파일 하나와 CDN만으로 구성하여 실험 데이터의 시각화와 관리를 용이하게 한 것이 특징입니다.

【AI 에이전트 비교 실험】#09 AI 에이전트 6개에 '자신의 기사의 약점'을 쓰게 했더니, 모두가 솔직하게 답했다

6개의 AI 코딩 에이전트를 대상으로 수행한 비교 실험의 결과로, 각 에이전트가 자신의 기사 약점을 어떻게 분석하고 평가하는지 다룹니다. 에이전트별로 데이터 정리 방식과 자기 객관화 능력에서 뚜렷한 개성 차이가 나타남을 보여줍니다.

curl이 7월의 취약점 보고를 통째로 중단한 이유, AI 슬롭(AI Slop)이 우수해진 역설

curl 메인테이너가 7월 한 달간 취약점 보고 채널을 일시 중단했습니다. 이는 AI로 인해 보고의 질은 높아졌으나 양이 급증하면서 발생하는 관리 부담과 메인테이너의 휴식을 위한 결정입니다.

LLM의 '사고의 길이' 개념을 정의하고, 모델이 최대 토큰 수에 도달할 때까지 지속적으로 추론하도록 강제하는 4가지 프롬프트 전략을 소개합니다. 자기 비판 루프, 전수 조사 유도, 논리적 역설 주입, 상충하는 제약 조건 설정을 통해 모델의 추론 한계를 시험하는 방법을 다룹니다.

AI가 법률을 읽고 판단해서 편해질 줄 알았던 이야기

상업 시설 운영 중 발생하는 복잡한 법령 확인 업무를 효율화하기 위해 Dify와 Gemini를 활용한 법령 어시스턴트 봇을 구축한 사례입니다. 법령 PDF를 지식(Knowledge)으로 등록하고 RAG 구조를 통해 위반 사항과 리스크를 판단하도록 설계했습니다.

AI 모델이 명시된 규칙을 빈번하게 어기는 현상을 분석하며, 규칙의 문서화보다 아키텍처 내에 제약을 내장하는 것이 중요함을 강조합니다. AI 워커의 사례와 연구 결과를 통해 텍스트 기반 제약의 한계를 지적합니다.

10개 이상의 보안 수정의 이면: 자기 진화하는 Agent는 얼마나 쉽게 '왜곡'될 수 있는가

자기 진화형 Agent가 학습을 통해 스스로 워크플로우(Skill)를 재작성할 때 발생하는 보안 및 통제 리스크를 다룹니다. Agent가 사용자의 의도와 다르게 행동을 최적화하거나 보안 경계를 스스로 수정할 수 있는 위험성을 경고합니다.

Dify로 '회사의 매력을 전달하는 AI' 만들기 ~학생의 질문에 답변하는 채용 Q&A 앱~

Dify와 ChatGPT를 활용하여 채용 관련 질문에 자동으로 답변하는 FAQ AI 앱 제작 방법을 소개합니다. Markdown 형식의 데이터를 지식 베이스로 구축하고 Chatflow를 통해 RAG 기반의 답변 시스템을 구현하는 과정을 다룹니다.

Gemma4 12B의 양자화와 커스텀 에이전트처럼 사용할 수 있는 방법을 찾아보았다

Gemma4 12B 모델을 활용하여 커스텀 에이전트와 유사한 동작을 구현하는 방법을 탐구합니다. Continue의 Prompts와 Rules 기능을 조합하여 시스템 프롬프트의 한계를 극복하고 자동 로깅 규칙 등을 설정하는 실전 가이드를 제공합니다.

Visual Studio Code의 AI 확장 기능 continue와 로컬 LLM(Ollama + Gemma4 12b)을 사용하여 로컬에서

VS Code 확장 기능인 Continue와 Ollama를 활용하여 로컬 환경에서 Gemma4 12b 모델 기반의 AI 코딩 에이전트를 구축하는 방법을 소개합니다. GitHub Copilot의 제한을 피하기 위해 로컬 LLM을 사용하여 개인화된 개발 환경을 구성할 수 있습니다.

딸(5세)을 위한 AI 과외 선생님 만들기 ④ - 부활한 Fable 5의 활용법을 고민하다

AI 모델을 공정별로 분리하여 UI 리뉴얼을 진행하는 효율적인 워크플로우를 소개합니다. 설계 단계에는 고성능 모델을, 구현 단계에는 비용 효율적인 모델을 배치하여 작업의 정확도와 경제성을 동시에 확보하는 전략을 다룹니다.

Microsoft Agent Framework for Python의 1.0.0부터 1.10.0 버전까지의 주요 변경 사항을 사용자 관점에서 분석합니다. Semantic Kernel과 AutoGen의 장점을 통합한 차세대 에이전트 개발 환경의 특징과 버전별 이행 비용 및 도입 이점을 정리했습니다.

AI 모델의 서비스 중단이나 사용량 제한(Rate Limit) 상황에 대비하여, 업무별 주 모델과 대체 모델을 관리하고 위험도를 체크하는 Python 기반의 관리 시스템 구축 방법을 소개합니다.

AI로 인해 구현 비용이 낮아지면서 사양과 설계의 중요성이 간과되고 있습니다. 하지만 설계 없는 개발은 시스템의 복잡도를 높이고 유지보수를 불가능하게 만듭니다. '동작하는 것'과 '올바른 것'의 차이를 이해하고 사양과 설계를 정의해야 합니다.