AWS의 AI-DLC v2 방법론 중 '워킹 스켈레톤(Walking Skeleton)' 개념을 Claude Code 구현 사례를 통해 설명합니다. 모든 아키텍처 계층을 관통하는 최소한의 End-to-End 구현을 통해 결합점의 유효성을 조기에 검증하는 절차를 다룹니다.

2026년 6월 29일 Anthropic의 Claude Opus 4.5 모델에서 약 52분간 에러율이 상승하는 인시던트가 발생했습니다. 이번 장애의 타임라인과 영향 범위를 분석하고, 개발자가 API 안정성을 높이기 위해 취해야 할 대응 방안을 제시합니다.

Anthropic의 Python 및 TypeScript SDK 업데이트 소식을 다룹니다. Web fetch 및 support tools 대응을 위한 API 지원과 TypeScript SDK의 보안 버그 수정 사항을 포함하고 있습니다.

「ragy」 로컬 RAG 및 자기 수복 에이전트 개발 환경 구축과 구현 【기술 상세·구현 편】

로컬 RAG 및 자기 수복 에이전트 개발 환경인 「ragy」의 기술적 구현 상세를 다룹니다. LiteLLM, Dify, Docker를 활용한 하이브리드 LLM 게이트웨이 구축과 실시간 데이터 동기화 및 에러 자동 수정 프로세스를 설명합니다.

Colab에서 테스트하는 Zoom AI Services - 공개 음성을 텍스트로 변환하고, 반상회 텍스트를 요약·번역하여 Drive에 저장하기

Google Colab 환경에서 Zoom AI Services의 Scribe, Summarizer, Translator API를 활용하여 음성을 텍스트로 변환하고 요약 및 번역하는 과정을 다룹니다. API 인증을 위한 JWT 생성 방법과 보안을 위한 Colab Secrets 활용법을 포함한 실무적인 검증 절차를 안내합니다.

AI가 작성한 SQL, 그대로 운영 환경에서 실행해도 괜찮을까요? — 「동작함」을 졸업하여, EXPLAIN으로 측정하고 영향 범위를 파악한 뒤

AI가 생성한 SQL의 구문적 정확성과 운영 환경에서의 안전성 사이의 간극을 다룹니다. AI는 데이터베이스의 인덱스나 제약 조건을 알지 못하므로, 실행 계획(EXPLAIN)을 통해 성능과 영향 범위를 반드시 검증해야 함을 강조합니다.

「Claude로 충분하지 않아?」라는 일축을 듣고, 자체 로컬 AI 기반 「ragy」를 AI와 페어 프로그래밍하여 초고속으로 구축한 이야기

기밀 유지를 위해 로컬 환경에서 작동하는 RAG 및 코딩 에이전트 통합 앱 'ragy'를 구축한 경험담입니다. Dify, LiteLLM, Watchdog 등을 활용하여 보안과 자동화를 동시에 잡은 아키텍처를 소개합니다.

Claude Code의 높은 출력 품질을 만드는 핵심 원리인 '자체 검증 루프'를 Copilot 등 다른 AI 도구에 이식하는 방법을 설명합니다. 구현과 검수를 분리하고 명확한 합격 기준을 설정하여 AI의 환각과 '녹색 위장'을 방지하는 프롬프트 전략을 다룹니다.

【#11】 OpenClaw 해독하기 — 외부로 열린 세 개의 문, 미디어와 MCP / ACP

OpenClaw의 미디어 생성·이해 구조와 MCP/ACP 프로토콜을 분석합니다. 플러그인 불가지론적 설계를 통해 이미지, 영상, 음성 등 다양한 미디어 프로바이더를 계약(contract) 기반으로 유연하게 통합하는 방식을 다룹니다.

【#12】 OpenClaw 분석하기 — 통제된 거대함, 뒷받침하는 요소와 그 철학

OpenClaw 프로젝트의 거대한 코드베이스를 유지하기 위한 빌드, 테스트, 품질 관리 시스템을 분석합니다. tsdown을 활용한 통합 번들링 전략과 Vitest를 이용한 다중 레인 테스트 구조, 그리고 동적 임포트 오류를 방지하는 CI 메커니즘을 다룹니다.

【AI 에이전트 비교 실험】#02 AI 에이전트 결과물 채점 설계: 정량·정성·자기 평가의 JSON 관리

AI 코딩 에이전트의 성능을 객관적으로 비교하기 위한 평가 지표 및 스코어링 설계 방법을 다룹니다. 정량적·정성적 평가와 AI의 자기 평가를 포함한 다각도 검증 체계를 구축하는 가이드를 제공합니다.

【AI 에이전트 비교 실험】#03 AI 에이전트에게 최고의 코드를 작성하게 하는 「FastAPI + Vue 3 사양서」 설계 기술

AI 에이전트의 성능을 극대화하기 위한 '사양서 설계(Specification Design)' 기술을 다룹니다. 상세 사양서와 최소 사양서를 구분하여 AI의 구현 정밀도와 자율성 사이의 트레이드오프를 해결하는 방법을 제시합니다.

벡터 검색 시 WHERE 절의 필터링 조건에 따라 발생하는 프리 필터링(Pre-filtering)과 인 필터링(In-filtering)의 동작 차이를 분석합니다. 필터링 규모와 데이터 분포에 따른 실행 계획의 변화를 실험을 통해 탐색합니다.

리뷰 AI의 지적을 전부 반영하면 요구사항 정의가 끝나지 않는다 ― 채택 기준과 REQUIREMENTS.md로 멈추기

리뷰 AI의 무한한 지적에 빠져 요구사항 정의가 끝나지 않는 루프를 방지하는 방법을 제안합니다. AI의 지적을 무조건 수용하기보다 명확한 채택 기준과 제약 사항을 먼저 설정하여 프로젝트의 완성을 관리해야 합니다.

AI에게 '지시'만으로 앱을 출시하다: 맡길 수 있는 영역과, 놓칠 수 없는 선을 만들다

코드를 한 줄도 작성하지 않고 오직 AI에 대한 '지시'만으로 macOS 앱을 개발하고 출시한 사례를 다룹니다. 막연한 요구사항을 구체적인 지시로 유형화하고, 결과물을 다른 AI로 검증하는 시스템적 접근법을 소개합니다.