오늘도 공부

Anthropic Commerce Agents에서 읽어낸 프로덕션 AI 에이전트 아키텍처AI 에이전트를 만들기 시작하면 꽤 자연스럽게 이런 구조를 떠올리게 된다.사용자 ↓Router Agent ├─ Search Agent ├─ Recommendation Agent ├─ Order Agent ├─ Customer Support Agent ├─ Payment Agent └─ Analytics Agent업무별로 전문가를 하나씩 두는 것이다.사람 조직을 생각하면 합리적으로 보인다.검색은 검색 전문가에게 맡기고, 결제는 결제 전문가에게 맡기고, 고객지원은 고객지원 전문가에게 맡기면 더 잘하지 않을까?최근 몇 년 동안 많은 AI Agent Framework가 이런 Multi-Agent Architect..

AI 영상 생성은 늘 매력적이었지만, 동시에 꽤 부담스러운 작업이었습니다.프롬프트를 하나 입력하고 몇 분을 기다렸는데 결과가 마음에 들지 않으면 다시 만들어야 합니다. 문제는 재생성할 때마다 시간과 비용이 또 들어간다는 점이었습니다.그래서 자연스럽게 이런 생각을 하게 됩니다.“이번에는 한 번에 제대로 만들어야 한다.”그런데 이 전제가 무너지기 시작했습니다.2026년 9월 3일 fal이 공개한 MiniMax H3 Max Turbo 때문입니다.현재 프로모션 가격 기준으로 768p 5초 영상 한 편을 만드는 비용은 약 8엔. fal이 공개한 자체 측정 결과에서는 5초 영상을 생성하는 데 1.4초가 걸렸습니다. 원문이 비교한 다른 상위 영상 모델들과 비교하면 비용 차이는 수십 배에 이릅니다.5초짜리 영상을 다 ..

Writing DNA Skill 분석AI에게 특정 사람처럼 글을 쓰게 만드는 가장 흔한 방법은 간단합니다.“이 글들을 참고해서 비슷한 스타일로 써줘.”하지만 이 방식은 결과가 상당히 불안정합니다.어떤 때는 말투만 비슷하고, 어떤 때는 문장 구조만 비슷합니다. 글이 길어지면 처음에 잡았던 스타일도 쉽게 무너집니다.writing-dna-skill은 이 문제를 조금 다른 방식으로 접근합니다.원문을 바로 모방시키지 않고 먼저 작가의 글쓰기 방식을 분석해서 ‘Writing DNA’라는 명시적인 규칙 집합으로 만들어 둡니다.그리고 글을 쓸 때마다 이 DNA와 실제 원문을 다시 읽게 합니다. 저장소는 이를 최소 20편 이상의 완성된 글을 기반으로 수행하도록 설계하고 있습니다.1. 한 문장으로 정의하면writing-d..

최근 해외 SNS에서 흥미로운 SEO 방법 하나가 공유되고 있다.방법은 놀랄 만큼 단순하다.경쟁이 적은 키워드를 하나 찾는다.Google Docs에서 문서를 만든다.그 키워드를 중심으로 콘텐츠를 작성한다.문서를 공개하고 SNS에 공유한다.그리고 마지막에는 꽤 자극적인 문장이 붙는다.“Rank on the 1st page of Google.”즉, 별도의 웹사이트나 블로그를 만들지 않고도 Google Docs 문서 하나로 구글 검색 첫 페이지를 노릴 수 있다는 이야기다.처음 보면 정말 ‘SEO 해킹’처럼 들린다.그런데 이 방법을 그대로 믿기보다는 한 단계 다르게 볼 필요가 있다.이 전략의 진짜 가치는 Google Docs로 검색 1위를 만드는 것보다,돈과 시간을 들여 웹사이트 콘텐츠를 만들기 전에 어떤 주제..

AI 코딩 도구의 다음 단계는 단순히 코드를 대신 작성하는 것이 아닐 수 있다.Cursor, Claude Code, Codex 같은 코딩 에이전트가 등장하면서 개발자는 이미 상당한 양의 구현 작업을 AI에게 맡길 수 있게 됐다. 하지만 새로운 문제가 생겼다.AI 에이전트가 늘어날수록 사람이 다시 에이전트를 관리해야 한다.어떤 에이전트가 무엇을 하고 있는지 확인하고, 실패한 테스트를 다시 실행시키고, 결과물을 검토하고, 다음 지시를 내려야 한다. 동시에 여러 에이전트를 실행하기 시작하면 개발자는 오히려 새로운 형태의 관리 업무에 빠질 수 있다.Lingxi Li가 공개한 Grok Bot 활용 방식은 이 문제에 대해 흥미로운 방향을 보여준다.핵심은 단순하다.사람이 코딩 에이전트를 직접 관리하지 않고, 또 다른..

intent.md에서 시작해 테스트·배포·운영까지 이어지는 ‘AI-Native SDLC’의 정체최근 AI 코딩 도구를 사용하는 개발자라면 묘한 경험을 하게 된다.몇 시간 걸리던 코드를 Claude Code나 다른 코딩 에이전트가 몇 분 만에 작성한다. 기능 하나를 구현하는 시간은 크게 줄었다. 그런데 프로젝트 전체가 그만큼 빨라졌느냐고 물으면 이야기가 달라진다.요구사항을 정리해야 한다. 설계를 검토해야 한다. 테스트해야 한다. Pull Request를 리뷰해야 한다. 보안 정책도 확인해야 한다. 배포 승인도 받아야 한다.코드는 빨라졌는데 코드 주변의 프로세스는 여전히 인간의 속도로 움직인다.Anthropic은 바로 이 지점을 문제로 삼았다.2026년 8월 21일 Anthropic은 Louis Claxto..

AI 코딩 도구가 빠르게 발전하면서 소프트웨어 개발 방식도 크게 달라지고 있다.Cursor, Claude Code, Codex, Gemini CLI 같은 도구를 사용하면 이제 몇 줄의 요구사항만으로 상당한 양의 코드를 만들 수 있다. 간단한 기능이라면 몇 분 만에 화면과 API까지 완성되는 경우도 있다.하지만 AI 코딩을 오래 사용하다 보면 곧 다른 문제가 보이기 시작한다.코드를 만드는 속도보다, 그 코드가 실제로 제대로 동작하는지 확인하는 일이 더 큰 병목이 된다.AI가 코드를 작성한 뒤 사람이 앱을 실행하고, 버튼을 눌러보고, 에러 로그를 확인하고, 다시 AI에게 수정 요청을 보내는 구조라면 개발 속도가 아무리 빨라져도 검증 단계에는 여전히 사람이 묶여 있다.이 문제를 해결하려는 흥미로운 접근법이 최..

LLM을 개인 지식관리나 리서치에 활용할 때 가장 흔한 구조는 RAG(Retrieval-Augmented Generation)다.문서들을 저장해 두고, 사용자가 질문하면 관련 문서 조각을 검색한 뒤 LLM에게 전달한다.Documents ↓Chunking ↓Embedding / Index ↓Retrieval ↓LLM ↓Answer이 방식은 효율적이다.하지만 한 가지 구조적인 문제가 있다.매번 지식을 다시 조립해야 한다.100개의 문서를 읽고 5개의 자료를 연결해 어떤 결론을 만들었다고 하더라도, 다음 질문에서는 다시 검색하고 다시 조합해야 한다.LLM 입장에서는 이전에 수행했던 분석이 하나의 지식 구조로 축적되지 않는다.Karpathy가 공개한 LLM Wiki 아이디어는 바로 이 문제를 ..

AI 에이전트 시스템의 문제는 모델 성능만으로 해결되지 않는다.실제 운영 환경에서 더 자주 문제가 되는 것은 다음 세 가지다.작업이 실패했을 때 누가 다시 시작할 것인가여러 에이전트가 사용하는 공유 상태를 어디에 저장할 것인가실제 외부 시스템을 변경하기 전에 누가 승인할 것인가에이전트를 여러 개 붙여 놓는다고 안정적인 시스템이 만들어지는 것은 아니다.필요한 것은 에이전트 군집(Swarm) 자체가 아니라, 에이전트가 어떤 작업을 수행해야 하는지 판단하고 결과를 검증하며 다시 작업으로 되돌리는 제어 시스템(Control System) 이다.이 글에서는 다음과 같은 구조를 사용한다.Grok Bot │ │ Outer Loop ▼Coordinator │ ├── Knowledge Graph ├..

Riverpod과 무엇이 다르고, 언제 사용해야 하는가기준일: 2026년 8월 26일패키지확인된 최신 버전signals / signals_flutter7.1.0riverpod / flutter_riverpod3.4.2Signals 7.1.0은 세밀한 반응성, 자동 의존성 추적, 지연 계산, 부분적인 위젯 재빌드를 중심으로 설계되어 있습니다. Riverpod 3.4.2는 반응형 캐시, 데이터 바인딩, 비동기 상태, 의존성 주입, 생명주기와 테스트 오버라이드를 함께 다루는 프레임워크에 가깝습니다. (Dart packages)1. 먼저 결론부터Signals와 Riverpod은 모두 Flutter 상태를 반응형으로 관리하지만, 추상화 수준이 다릅니다.Signals└─ 값을 반응형으로 만드는 핵심 프리미티브Riv..