AI에게 UI 수정을 요청할 때 발생하는 "이 버튼이 어떤 건가요?" 문제를 줄이기 위해 Chrome 확장 프로그램을 만들었습니다

AI 코딩 도구 사용 시 UI 요소를 설명하는 번거로움을 해결하기 위해 Chrome 확장 프로그램 'Prompt Picker'를 개발했습니다. 클릭한 요소의 DOM 정보, selector, 주변 텍스트 등을 포함한 프롬프트를 생성하여 AI가 정확한 코드를 수정할 수 있도록 돕습니다.

2026년 6월 중순 Anthropic의 Claude API, 특히 Opus 4.8 모델에서 발생한 총 20건의 인시던트를 분석합니다. 장애 트렌드와 에러 레이트 상승 현황을 정리하고, 서비스 운영자를 위한 대응 방안을 제시합니다.

에이전트 기반은 왜 「OS」에 가까워지는가──기술 스택을 밑바닥부터 읽기 (제0회)

에이전트가 단순한 함수 호출을 넘어 장시간 실행되는 프로세스로 진화함에 따라, 이를 관리하기 위한 운영체제(OS)와 같은 계층 구조의 필요성을 다룹니다. 자원 관리, 상태 유지, 권한 제어 등 에이전트 시스템의 규모화와 상용화를 위한 핵심 과제를 분석합니다.

엉뚱한 생각에서 시작된 '누수를 수식과 AI로 해결하기'의 전 기록 ― 벽 내부를 어떻게 볼 것인가, 그리고 시뮬레이션만으로는 이길 수 없는

목조 주택의 누수 진단을 위해 AI와 수식을 활용하여 벽 내부를 비파괴적으로 탐지하려는 시도를 다룹니다. 시뮬레이션의 한계를 역문제(Inverse Problem)와 sim-to-real 개념으로 분석하며, 실측 데이터를 활용한 하이브리드 학습의 필요성을 제시합니다.

【AI 에이전트 비교 실험】#00 6개의 AI 코딩 에이전트를 동일한 주제로 비교해 보았다 「도입편·전체 18편 정리」

6개의 주요 AI 코딩 에이전트를 대상으로 동일한 과제를 부여하여 구현력, 테스트 설계력, 코드 리뷰력 등을 비교 실험한 결과입니다. 단순 합격률뿐만 아니라 지시 사항 준수 여부와 같은 정밀한 평가 기준의 중요성을 강조합니다.

Strands Agents를 활용하여 에이전트에게 도구를 전달하는 세 가지 방식(기본 도구, 커스텀 도구, MCP)을 실습합니다. 공식 문서와 서적을 바탕으로 단순 에이전트부터 도구가 결합된 에이전트까지 단계별 구현 과정을 다룹니다.

Anthropic, OpenAI, Google 등 주요 AI 제공업체의 웹 크롤러 사양과 robots.txt 준수 여부를 비교 분석합니다. 또한 AI가 정보를 더 효율적으로 인덱싱할 수 있도록 돕는 llms.txt 메커니즘을 소개합니다.

GEO(생성 엔진 최적화)란 무엇인가? AI 검색 시대에 엔지니어가 알아야 할 글쓰기 방법

AI 검색 엔진(ChatGPT, Perplexity 등)에서 콘텐츠가 효과적으로 인용되도록 하는 GEO(생성 엔진 최적화) 기법을 소개합니다. 기존 SEO와 달리 문맥 이해와 인용 용이성을 중시하며, 결론 우선 구조와 명확한 정의를 강조합니다.

AI를 사용하더라도 「나만의 문장」으로 완성하기 위해 하고 있는 것

AI를 활용해 콘텐츠를 작성할 때 발생하는 'AI스러운' 거부감을 줄이고 자신만의 문체를 유지하는 방법을 다룹니다. 과거 작업물을 AI에게 학습시켜 문체 특징을 추출하고, AI는 초안이나 구조 설계 단계에서만 활용하며 최종 마무리는 직접 수행하는 전략을 제안합니다.

AI 시대의 병렬 개발에는 Git Worktree가 최적! 브랜치 전환 없이 개발 효율 향상

AI 에이전트와 병렬로 개발하는 환경에서 Git Worktree를 활용해 개발 효율을 높이는 방법을 소개합니다. 하나의 저장소에서 여러 작업 디렉토리를 생성하여 브랜치 전환 없이 독립적인 개발 환경을 구축할 수 있습니다.

Orca는 여러 AI 코딩 에이전트를 독립된 git worktree에서 병렬로 실행할 수 있는 오픈소스 ADE(Agent Development Environment)입니다. Claude Code, Codex 등 25개 이상의 CLI 에이전트를 지원하며, 에이전트 간 결과 비교 및 통합을 용이하게 설계되었습니다.

에이전트 루프(Agent Loop)의 높은 자유도가 가져오는 책임 소재의 불분명함과 디버깅의 어려움을 다룹니다. 추상화된 프레임워크에 의존하기보다 워크플로우와 실행 단계를 명확히 분리하는 소프트웨어 설계 원칙의 중요성을 강조합니다.

5가지 구성 요소로 이해하는 Loop Engineering

단순한 프롬프트 작성을 넘어 에이전트가 스스로 작업을 수행하도록 만드는 'Loop Engineering'의 개념을 설명합니다. 하네스(Harness)를 넘어 자동화, 워크트리, 스킬 등을 활용해 시스템이 에이전트를 제어하는 구조를 다룹니다.

「Vibe Coding」 그 너머로: 아키텍트가 설계하는 『루프 엔지니어링 (Loop Engineering)』과 자율 개발 인프라 구축

단순한 프롬프트 입력을 넘어 AI 에이전트가 자율적으로 동작, 검증, 수정하는 '루프 엔지니어링(Loop Engineering)' 패러다임을 소개합니다. 개별 도구 활용을 넘어 조직 차원의 자율 개발 파이프라인을 구축하기 위한 아키텍처 관점의 접근법을 다룹니다.

AI 코딩 시대의 Python 품질 게이트를 만들어 보았다 ~ pyproject.toml · Makefile · AGENT.md로 품질을

AI 에이전트를 활용한 Python 개발 시 발생할 수 있는 품질 저하 문제를 해결하기 위해 pyproject.toml, Makefile, AGENT.md를 활용한 품질 게이트 구축 방법을 소개합니다. 설정 파일을 단일화하고 설계 규칙을 명시하여 AI가 팀의 표준을 준수하도록 유도합니다.

태스크 관리 도구 Plane을 MCP 서버를 통해 Github Copilot에서 조작해 보았다

MCP(Model Context Protocol) 서버를 활용하여 태스크 관리 도구인 Plane을 GitHub Copilot과 연동하는 방법을 소개합니다. 이를 통해 AI 에이전트가 태스크를 직접 관리하고 코드 구현에 반영하는 워크플로우를 구축할 수 있습니다.

Google을 포함한 11개사가 에이전트가 필요한 도구를 스스로 찾아낼 수 있도록 돕는 표준인 Agentic Resource Discovery(ARD)를 공개했습니다. ARD는 카탈로그와 레지스트리 구조를 통해 에이전트가 자연어로 도구를 검색하고 탐색할 수 있는 환경을 제공합니다.

AI 코딩 에이전트가 리포지토리를 읽기 전, 위험한 설정이나 지시 사항을 정적으로 스캔하는 CLI 도구인 AgentRisk를 소개합니다. npx를 통해 간편하게 사용할 수 있으며, 원격 코드 실행이나 보안 위협을 사전에 차단합니다.