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.

Claude Code의 상태 표시줄에 무엇을 보여줄까: 워크스타일에 맞춰 터미널에서 떠나지 않게 하는 방법

Claude Code의 커스텀 상태 표시줄(statusLine) 설정 방법과 활용 사례를 소개합니다. settings.json 수정을 통해 모델 정보 외에도 Git 상태, 비용, 외부 API 데이터 등 원하는 정보를 터미널 하단에 표시할 수 있습니다.

Claude Code v2.1.185~v2.1.195 버전의 주요 업데이트 내용을 요약합니다. 훅 매처(hook matcher)의 동작 방식 변경, MCP 인증 프로세스 개선, 셸 명령어 자동 응답 기능 등 개발 환경에 영향을 미치는 주요 변경 사항을 다룹니다.

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.

【Claude Code】AI 에이전트를 병렬로 실행할 수 있는 ADE 「Orca」를 사용해 보았다

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.

Anthropic의 사이버 보안 특화 모델인 Claude Mythos 5가 고도의 제로데이 취약점을 발견하는 능력을 보이자, 미국 상무부가 이를 무기 수준으로 간주하여 수출 규제를 단행했습니다. 이 모델은 자율적인 에이전트 구조를 통해 복잡한 익스플로잇 생성까지 수행하며 보안 업계에 큰 파장을 일으키고 있습니다.

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.

Antigravity IDE에서 프로젝트 고유의 규칙을 설정하여 AI 코드 생성의 정밀도를 높이는 방법을 설명합니다. .agents/rules 폴더 내에 MD 파일을 배치하여 워크플로우, 코딩 스타일, 프로젝트 구성을 정의할 수 있습니다.

AI 지원 코딩 증가로 늘어난 PR 리뷰의 인지 부하를 줄이기 위해, 인간의 판단이 필요한 부분을 시각적으로 강조하는 'Attention Diff' 도구를 소개합니다. 이 도구는 diff의 중요도에 따라 명암을 조절하여 리뷰어가 우선순위를 판단하도록 돕습니다.

솔직히 말하겠습니다. 당신의 Devin (for Terminal) 사용법은 틀렸습니다

Devin for Terminal(CLI)을 효과적으로 활용하기 위한 7가지 잘못된 사용법과 교정 방법을 다룹니다. Rules와 Skills의 분리, Subagents를 통한 역할 분담, 적절한 컨텍스트 관리법을 통해 AI 에이전트의 성능을 극대화하는 전략을 제시합니다.

무료 executor가 가장 비싸게 먹힌 이야기: Opus + 로컬 Qwen으로 40회 시도하여 측정했더니 모든 태스크에서 최고 비용 발생

에이전트 코딩 시 저렴한 로컬 모델을 실행자(Executor)로 사용하는 전략이 오히려 비용을 증가시킨다는 실측 결과를 공유합니다. 오케스트레이터가 로컬 모델의 결과물을 매번 다시 읽어들이는 과정에서 발생하는 프롬프트 캐시 재로드 비용이 핵심 원인으로 분석되었습니다.

5세 자녀의 학습(히라가나, 영어, 피아노)을 돕기 위해 생성 AI를 결합한 개인용 과외 앱 개발 프로젝트를 소개합니다. Next.js, Vercel, Supabase 등을 활용하여 비용을 최소화하며, AI의 평가 결과에 따라 보상을 주는 게이미피케이션 요소를 도입했습니다.