오늘도 공부

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..

단순히 AI에게 “돈 될 만한 사업 아이디어를 찾아줘”라고 요청하는 것과, 인터넷에서 실제 사업자의 문제를 지속적으로 수집하고 검증한 뒤 제품 출시까지 연결하는 시스템을 만드는 것은 완전히 다른 문제다.Chris가 공개한 시스템의 핵심은 하나다.아이디어를 생성하지 말고, 시장에서 반복해서 관찰되는 문제를 찾아라.하나의 Reddit 글이나 한 사람의 불평만으로 제품을 만들지 않는다. 서로 독립된 여러 데이터 소스에서 동일한 문제가 발견되었을 때만 후보로 승격한다.전체 구조는 다음과 같다.인터넷 데이터 수집 ↓문제 추출 ↓Embedding / Clustering ↓복수 Source Confirmation ↓Scoring ↓사람의 승인 ↓사업 전..

GitHub - tsingyuai/growth-lab: An end-to-end growth tool that understands the product, fetch the data it needs, researches the mAn end-to-end growth tool that understands the product, fetch the data it needs, researches the market, executes campaigns, and reviews results to improve the next round of growth. 从代码到市场的开源端到端增长工具...github.com AI를 이용한 마케팅 도구는 이미 많다.블로그 글을 작성하는 AI도 있고, 경쟁사를 조사하는 AI도 있으며..

1. 설치 → 로그인 → 프로젝트에서 실행macOS/Linux에서는 공식 설치 명령이 다음과 같습니다.curl -fsSL https://cli.kiro.dev/install | bash로그인:kiro-cli login로그인 상태 확인:kiro-cli whoami프로젝트로 이동해서:cd ~/projects/my-projectkiro-cli이렇게 하면 현재 디렉터리를 workspace로 삼아 Kiro가 실행됩니다. 일반적인 대화형 사용은 브라우저 로그인을 쓰며, API Key는 주로 CI/CD와 headless 모드용입니다. (Kiro)2. 가장 기본적인 사용법은 그냥 자연어실행 후에는 별도의 명령 문법을 배울 필요 없이 요청하면 됩니다.> 이 프로젝트 구조를 분석해줘.> 현재 인증 시스템이 어떻게 동작하는..

시니어 엔지니어에서 스태프 엔지니어(Staff Engineer)로 역할이 확장될 때 가장 크게 달라지는 점 중 하나는 주어진 문제를 잘 푸는 것만으로는 충분하지 않다는 것이다.스태프 레벨에서는 한 단계 더 나아가야 한다.우리 팀과 조직이 지금 무엇을 해결해야 하는가?Lalit Maganti가 자신의 글 How I Find Problems to Solve as a Staff Engineer에서 설명하는 핵심도 바로 여기에 있다.그가 강조하는 방식은 의외로 단순하다.회의실에 앉아 억지로 “전략적인 아이디어”를 만들어내는 것이 아니다.조직에서 매일 발생하는 문제를 지속적으로 관찰하고, 충분한 시간 동안 축적한 뒤, 서로 다른 문제 사이에서 공통된 구조(Common Shape)를 발견하는 것이다.1. 전략은 빈..

Andrew Ng의 AI Engineering Skills Map ① — Building and Deploying AI ApplicationsAI 애플리케이션 개발은 기존 소프트웨어 개발과 상당히 다릅니다.전통적인 프로그램에서는 같은 입력을 넣으면 대부분 예상 가능한 결과가 나옵니다.하지만 LLM이나 머신러닝 모델은 그렇지 않습니다.같은 프롬프트를 사용하더라도 답변이 달라질 수 있고, 새로운 데이터에 대해 어떤 결과가 나올지 완벽하게 예측하기도 어렵습니다.그래서 AI 엔지니어링에서 중요한 것은 단순히 LLM API를 호출하는 능력이 아닙니다.예측하기 어려운 AI 컴포넌트를 이용해 신뢰할 수 있는 시스템을 만드는 능력Andrew Ng는 이를 위해 필요한 역량을 다음 6가지로 정리합니다.LLM Foundat..

Andrew Ng의 「AI Engineering Skills Map」이 말하는 개발자의 새로운 기준AI가 소프트웨어를 만드는 방식을 완전히 바꾸고 있습니다.불과 몇 년 전만 해도 개발자의 핵심 역량은 프로그래밍 언어, 프레임워크, 데이터베이스, 서버 아키텍처 등을 얼마나 잘 다루느냐에 집중되어 있었습니다.하지만 생성형 AI와 코딩 에이전트가 빠르게 발전하면서 상황이 달라졌습니다.이제 중요한 것은 단순히 코드를 얼마나 잘 작성하는가가 아닙니다.AI를 이용해 무엇을 만들 것인지 결정하고, AI가 제대로 만들도록 설계하고 검증하는 능력이 점이 점점 더 중요해지고 있습니다.Andrew Ng는 최근 **「The AI Engineering Skills Map」**을 공개하면서 앞으로 개발자에게 중요한 AI 엔지니어..

파일 하나 열어 분석하던 DuckDB가 이제 PostgreSQL과 S3, 서버의 영역까지 넘보고 있다데이터 분석을 하다 보면 항상 비슷한 고민을 하게 된다.CSV 파일 몇 개를 분석하기 위해 데이터베이스 서버를 구축하기에는 너무 무겁다.그렇다고 Python과 Pandas만으로 처리하기에는 데이터가 커지면서 메모리와 성능이 부담스럽다.이 사이에서 빠르게 성장한 데이터베이스가 DuckDB다.DuckDB는 별도의 데이터베이스 서버를 운영하지 않고도 애플리케이션 프로세스 안에서 SQL 분석을 수행할 수 있는 데이터베이스다.그런데 2026년 가을 출시가 예정된 DuckDB 2.0에서는 이 정체성이 꽤 크게 확장된다.DuckDB 개발팀은 이번 버전을 설명하면서 이렇게 방향을 잡았다.지난해가 Lakehouse의 해였..