Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
ZennAI 번역헤드라인
AI-DLC 그 이후: AI에게 어디까지 맡길 것인가에 따라 갈리는 개발 프로세스론
AWS가 제창한 AI-DLC(AI-Driven Development Life Cycle) 이후, AI에게 실행을 어디까지 위임할 것인가에 대한 논의를 다룹니다. AI가 공정을 주도하고 인간이 핵심 판단을 담당하는 방법론과 이를 구현하기 위한 세 가지 관점을 분석합니다.
6월 19일0
ZennAI 번역헤드라인
【5분 만에 이해하는 Foundry Tools 시리즈】 Azure Document Intelligence로 청구서 읽기
Azure Document Intelligence의 청구서(prebuilt-invoice) 모델을 사용하여 PDF 문서에서 구조화된 데이터를 추출하는 방법을 설명합니다. Bicep을 이용한 환경 구축부터 Entra ID 인증을 통한 최소 코드 호출 방식까지 실습 과정을 다룹니다.
6월 19일0
ZennAI 번역헤드라인
프로세스는 살아있는데 기능만 죽는다 — 멀티 에이전트 운용에서 겪은 장애 카테고리 분류학
멀티 에이전트 시스템 운용 중 프로세스는 정상이나 기능만 작동하지 않는 '가짜 정상(healthy-but-stuck)' 장애 사례를 분석합니다. 툴 호출 시 발생하는 파싱 오류 등 에이전트 시스템의 특수한 장애 카테고리를 분류하고 진단법을 제시합니다.
6월 19일0
ZennAI 번역헤드라인
slash command가 늘어나서 고민된다면, skill을 「누가 호출하는가」로 구분하라
AI 에이전트의 스킬과 slash command가 늘어날 때 발생하는 운영 문제를 해결하기 위해, 호출 주체에 따라 User-invoked와 Model-invoked로 구분하는 설계 방식을 제안합니다. 단순한 명령 모음을 넘어 팀의 운영 절차로서 스킬을 설계하는 사례를 다룹니다.
6월 19일0
ZennAI 번역헤드라인
ChatGPT를 Planner로, Codex를 Executor로 사용하여 개발 루프를 돌리기
ChatGPT를 계획 수립(Planner) 역할로, Codex를 실행(Executor) 역할로 분리하여 효율적인 개발 루프를 구축하는 방법을 소개합니다. API 비용을 절감하기 위해 ChatGPT Plus와 Markdown 파일을 매개로 활용하는 구조와 Python 스크립트를 통한 워크플로우 제어 방식을 다룹니다.
6월 19일0
ZennAI 번역헤드라인
AI 에이전트에게 수동 프롬프트를 입력하는 시대는 끝났다: 루프를 설계하는 시대로
AI 에이전트 운용 시 수동 프롬프트 대신 루프의 상태(State)와 종료 조건(Exit Condition)을 설계하는 방법론을 다룹니다. 상태 전이 정의와 역할 분담을 통해 재현성을 높이고 안정적인 자동화 시스템을 구축하는 실전 경험을 공유합니다.
6월 19일0
ZennAI 번역헤드라인
【제9회】Hermes Agent가 아침부터 말을 걸어온다──Dashboard로 매일 아침의 정형화된 태스크를 맡기기
Hermes Agent의 Cron 기능을 활용하여 정해진 시간에 자동으로 태스크를 수행하는 방법을 다룹니다. Web Dashboard를 통해 복잡한 cron 식 없이도 뉴스 요약 및 Telegram 전송과 같은 정형화된 업무를 예약할 수 있습니다.
6월 19일0
ZennAI 번역헤드라인
S3 annotations로 변화하는 메타데이터를 "어디에 둘 것인가"에 대한 판단
AWS S3 annotations 기능을 통해 오브젝트 메타데이터를 외부 DB가 아닌 S3 내부에 직접 관리하는 새로운 아키텍처를 분석합니다. 이를 통해 데이터와 문맥(Context)의 밀결합을 구현하고 동기화 비용을 줄이는 방법을 다룹니다.
6월 19일0
ZennAI 번역헤드라인
재촉하는 업무는 Copilot Cowork에게 맡기자
Microsoft 365 Copilot의 신기능인 Copilot Cowork를 소개합니다. 기존의 어시스턴트 역할을 넘어, 사용자의 지시에 따라 계획을 세우고 앱을 횡단하며 업무를 자율적으로 완결하는 에이전트 기능을 검증합니다.
6월 19일0
ZennAI 번역헤드라인
제조업의 회의 노트를 Python과 Obsidian으로 "활용"하는 자동 의사록 만들기
Python과 Obsidian, 생성 AI를 결합하여 제조업 현장의 회의 메모를 정돈된 의사록으로 자동 변환하는 워크플로우를 소개합니다. 로컬 LLM(Ollama)을 활용해 보안 문제를 해결하며, 단순 기록을 넘어 활용 가능한 지식 자산으로 만드는 방법을 다룹니다.
6월 19일0
ZennAI 번역헤드라인
【Eve】AI 에이전트는 "디렉토리"가 된다 — Vercel에서 출시한 에이전트 프레임워크를 사용해 보다
Vercel이 출시한 오픈 소스 에이전트 프레임워크 Eve를 소개합니다. Eve는 파일 시스템 기반의 설계를 통해 에이전트 개발에 필요한 지속적 실행, 격리된 환경, 인간 승인 절차 등을 표준화하여 제공합니다.
6월 18일0
ZennAI 번역헤드라인
Data + AI Summit 2026 2일차 Keynote: Genie App Builder에 주목한 이유
Data + AI Summit 2026 2일차 키노트 내용을 바탕으로, AI를 활용한 앱 개발 플랫폼인 Genie App Builder를 소개합니다. 개발자가 에이전트를 통해 엔터프라이즈 앱을 손쉽게 구축할 수 있는 'vibe coding' 메커니즘에 집중합니다.
6월 18일0
ZennAI 번역헤드라인
【GitHub 버전 다마고치】 커밋으로 성장하는 픽셀 펫 「Commit Pet」을 만들었다
GitHub의 컨트리뷰션 데이터를 기반으로 성장하는 픽셀 펫 'Commit Pet'을 개발한 사례를 소개합니다. GitHub Action과 SVG 애니메이션을 활용하여 프로필 README에 삽입 가능한 동적 카드를 구현했습니다.
6월 18일0
ZennAI 번역헤드라인
「AI가 리드하고 인간이 리뷰한다」는 AI-DLC의 오독입니다
AWS가 제창한 AI-DLC 방법론을 단순한 '리뷰'가 아닌 '감독(Oversight)'의 관점에서 재해석합니다. AI가 생성한 결과물을 사후 점검하는 것을 넘어, 인간이 의도를 명확히 반영하고 책임지는 감독자 역할을 수행해야 함을 강조합니다.
6월 18일0
ZennAI 번역헤드라인
Flue Framework 실전 입문 — AI 에이전트를 프로덕션에서 구동하기
AI 에이전트를 프로덕션 환경에서 안정적으로 구동하기 위한 Flue 프레임워크의 실전 입문 가이드입니다. 에이전트, 워크플로우, 채널이라는 3가지 프리미티브를 중심으로 내부 동작 원리와 설계 패턴을 다룹니다.
6월 18일0
ZennAI 번역헤드라인
3D 모델화하며 알게 된 사진 → 3D 생성 서비스 비교 (Tripo / Hunyuan3D / TRELLIS.2)
사진을 기반으로 3D 모델을 생성하는 Tripo, Hunyuan3D, TRELLIS.2 및 Apple Object Capture의 성능을 비교 분석합니다. 입력 이미지의 종류(4면도 vs 사선 실사)에 따라 최적의 모델이 달라짐을 확인했습니다.
6월 18일0
ZennAI 번역헤드라인
지식이 복리로 성장하는 「LLM Wiki」의 특징과 도입 단계
Andrej Karpathy가 제창한 'LLM Wiki' 개념을 통해 단순 RAG의 한계를 넘어 지식을 축적하고 연결하는 새로운 접근 방식을 소개합니다. LLM이 스스로 지식 베이스를 관리하며 개념 페이지를 생성하고 유지보수하는 메커니즘과 도입 단계를 설명합니다.
6월 18일0
ZennAI 번역헤드라인
요건을 전달하는 것만으로 사양 및 ADR까지 자동화하는 OKF 기반의 State Aware RAG + CLI + Agent Skills
요건 전달만으로 사양 탐색, 영향 범위 조사, ADR 기록까지 자동화하는 OKF 기반의 State-Aware RAG 시스템을 소개합니다. 벡터 DB와 그래프 DB를 결합하여 문서 간 의존 관계를 추적하며, 구현 전 단계에서 철저한 검증을 거치도록 설계되었습니다.
6월 18일0
ZennAI 번역헤드라인
Claude Code × Gemini로 구문 메이커를 양산하는 개발 플로우 (아저씨 말투 메이커 편)
Claude Code와 Gemini를 활용하여 동일한 구조의 AI 도구를 빠르게 양산하는 개발 워크플로우를 소개합니다. 템플릿화된 구성과 Diff 기반의 코드 생성을 통해 개발 효율을 극대화하는 방법을 다룹니다.
6월 18일0
ZennAI 번역헤드라인
LLM의 자유도를 설계하기: 프로덕션 AI 에이전트의 비용·재현성·관측성
프로덕션 환경에서 대량의 데이터를 처리하는 AI 에이전트 설계 시, LLM 주도형 방식의 한계를 지적하고 코드 주도형 설계의 필요성을 설명합니다. LLM을 자율적 주체가 아닌 제한된 추론 컴포넌트로 활용함으로써 비용 절감과 재현성을 확보하는 방법을 다룹니다.
6월 18일0