오늘도 공부

OpenAI의 GPT 모델을 API로 서비스에 적용할 때 가장 고민되는 부분은 결국 두 가지다.“어떤 모델이 가장 성능이 좋은가?”그리고“그 성능에 얼마를 지불해야 하는가?”현재 OpenAI의 GPT-5.6 계열은 크게 Luna, Terra, Sol 세 가지 모델로 나뉜다.단순하게 정리하면 다음과 같다.Luna = 저렴한 대량 처리 모델Terra = 가격과 성능의 균형 모델Sol = 최고 수준의 복잡한 추론 모델특히 세 모델 모두 추론 강도를 조절할 수 있기 때문에 서비스의 성격에 따라 상당히 세밀한 비용 최적화가 가능하다.이번 글에서는 GPT-5.6 Luna, Terra, Sol의 API 가격, 추론 성능, 벤치마크, 그리고 실제 서비스에서 어떻게 모델을 선택하면 좋은지 정리해본다.1. GPT-6이 아..

2026년 8월 14일 18:11 KST 기준으로 다시 확인했습니다. 환율·채권·주식은 오늘 시장 데이터, CDS는 8월 13일 최신치, 부동산은 8월 10일 기준 주간통계, 가계부채는 최신 공식 총액과 7월 대출 흐름을 사용했습니다.🇰🇷 현재 한국 경제 위기 신호등지표판정현재 확인값핵심 해석💵 원/달러 환율🟡 주의 ↓ 개선1,418.3원 8/14 종가6월 1,561.5원까지 갔던 극단적 원화 약세에서는 크게 회복🛡️ 한국 CDS🟢 정상5년물 22.63bp현재 가장 중요한 긍정 신호. 국가 신용위험 급등은 관찰되지 않음📈 국고채 금리🔴 위험10년 4.31%, 30년 4.66%현재 6개 중 가장 주의해야 할 지표 중 하나🌏 외국인 자금🟡 주의 ↑ 회복7월 주식 -62.6억 달러, 8/14..

AI 코딩 도구가 빠르게 발전하면서 소프트웨어를 만드는 속도는 이전과 비교하기 어려울 정도로 빨라졌다.Cursor, Claude Code, Codex와 같은 도구를 사용하면 개발자는 몇 시간 만에 기능을 구현하고, 화면을 만들고, 테스트 코드까지 작성할 수 있다. 예전에는 며칠 걸리던 작업이 몇 시간 안에 끝나는 경우도 이제 낯설지 않다.그런데 여기서 새로운 문제가 생긴다.코드를 만드는 속도는 빨라졌지만, 좋은 소프트웨어를 지속적으로 배포하는 속도까지 같은 비율로 빨라진 것은 아니다.AI가 만들어내는 코드가 많아질수록 리뷰해야 할 코드도 늘어난다. 품질 편차도 커지고, 어느 순간부터는 사람이 전체 시스템을 제대로 이해하지 못하는 상황까지 발생한다.결국 AI 개발의 다음 경쟁력은 ‘코드를 얼마나 빨리 생성..

웹이나 모바일 앱 하나를 만들 때 실제로 필요한 백엔드 기능은 생각보다 많다.회원가입과 로그인, 데이터베이스, 파일 업로드, 권한 관리, 서버 함수, 실시간 통신, 이메일과 푸시 알림, 웹훅, 배포 환경까지 준비해야 한다.개별 서비스를 조합해 직접 만들 수도 있지만, Appwrite는 이 영역을 하나의 개발 플랫폼으로 묶으려는 오픈소스 프로젝트다.Appwrite는 공식 README에서 자신을 웹·모바일·AI 애플리케이션을 위한 오픈소스 개발 플랫폼으로 설명한다. Auth, Databases, Storage, Functions, Messaging, Sites, Realtime 등을 하나의 플랫폼에서 제공하며, Appwrite Cloud를 이용하거나 직접 서버에 Self-hosting할 수 있다.하지만 Ap..

1. 공부부터 하지 말고, 프로젝트부터 시작한다무언가를 처음부터 끝까지 체계적으로 전부 공부한 뒤 시작하려 하지 않는다.대신 구체적인 프로젝트 하나를 정하고 직접 완성해본다.진행하다가 모르는 것이 나오면 그때 필요한 내용을 배운다.Project → 문제 발생 → 필요한 공부 → 해결 → 다음 문제즉, 너비 우선 학습(Breadth-first)보다 깊이 우선 학습(Depth-first)이다.예를 들어 웹 개발을 배운다면,HTML → CSS → JS → React → DB → 서버...를 모두 공부하고 프로젝트를 시작하는 것이 아니라,내가 만들고 싶은 서비스 시작 → 로그인 필요 → 인증 공부 → DB 필요 → DB 공부 → 배포 필요 → 배포 공부처럼 필요할 때 배우는 On-demand Learning을 ..

(GitHub)핵심을 한 문장으로일반적인 코딩 에이전트가LLM → tool call → 결과 → LLM → tool call방식이라면 Prime Agent는 오히려LLM → 지속되는 Python 런타임 → 코드로 도구/데이터/서브에이전트 제어 → 결과 축적 → 다음 행동이라는 구조를 중심으로 설계했습니다. 모델에 기본적으로 노출되는 핵심 실행 환경도 persistent IPython kernel이며, 파일 읽기·수정, shell 실행, skill 호출, subagent 생성까지 Python에서 프로그래밍하듯 조합하게 합니다. (GitHub)아키텍처를 단순화하면 ┌─────────────────────┐ │ User / TUI │..

챗봇 하나를 만드는 일과 인공지능(AI) 에이전트 팀을 만드는 일은 다르다.챗봇은 질문을 받고 답을 돌려주면 끝난다. 에이전트는 다르다. 필요한 도구를 고르고, 작업 결과를 다시 읽고, 다른 전문가에게 일을 넘긴 뒤 조건을 만족할 때까지 다음 행동을 결정해야 한다. 정작 어려운 부분은 모델 호출보다 그 주변의 실행 흐름에 있다.OpenAI Agents SDK는 바로 이 흐름을 파이썬 코드로 다루기 위한 오픈소스 소프트웨어 개발 키트(Software Development Kit, SDK)다. 거대한 워크플로 엔진을 먼저 배우지 않아도 Agent, Runner, 도구, handoff, guardrail 같은 몇 가지 개념만으로 에이전트 애플리케이션을 구성할 수 있다.이 프로젝트를 한 문장으로 정리하면 이렇다..

GPT-5.6은 감독하고, DeepSeek V4 Flash 서브에이전트가 작업하는 Codex 구성법이 구성에서 실제 일은 deepseek_v4_flash 자식이 합니다. 자식은 요청을 받아 파일을 조사하고, 필요한 코드를 바꾸고, 관련 검증까지 수행합니다. 메인 GPT-5.6은 같은 결과물을 다시 작성하지 않고 작업 범위·변경 내역·검증 근거를 확인한 뒤 승인하거나 보완 작업만 지시합니다.이 글은 Codex의 메인을 GPT-5.6으로 유지하면서, deepseek_v4_flash라는 전용 자식 worker가 DeepSeek V4 Flash로 작업을 소유하게 만드는 방법을 다룹니다. 부모는 조율자와 최종 검토자이고, 자식은 실행자입니다.핵심은 API 키를 에이전트 파일마다 복사하지 않는 것입니다. 키는 pr..

PostgreSQL 하나로 구현한 엔터프라이즈 RAG 아키텍처 분석최근 생성형 AI가 기업 업무에 빠르게 도입되면서, 사내 문서와 대화 기록을 AI가 검색하고 활용할 수 있도록 만드는 엔터프라이즈 지식 검색 시스템이 주목받고 있다.그러나 실제 기업 환경에서 RAG 시스템을 운영하는 일은 생각보다 단순하지 않다.기업의 지식은 한곳에 정리되어 있지 않기 때문이다.업무 대화는 Slack에서 이루어진다.소스 코드는 GitHub에 저장된다.프로젝트 일정과 이슈는 Jira에서 관리된다.공식 문서는 Google Drive나 Notion에 존재한다.중요한 결정은 회의록이나 이메일에 남는다.이처럼 데이터가 여러 서비스에 분산된 상황에서, AI가 사용자의 질문에 정확한 답을 제공하려면 단순한 벡터 검색 이상의 설계가 필요..

"디자인 패턴을 머릿속에 쏙쏙 들어오게!"누구나 한번쯤 머리가 아팠을 디자인 패턴, 직관적인 현실 세계 비유와 JavaScript(Node.js) & Python 예제 코드로 가장 쉽고 명쾌하게 정리했습니다.📌 목차 (Table of Contents)🏗️ 생성 패턴 (Creational)🌉 구조 패턴 (Structural)🔄 행동 패턴 (Behavioral)🏠 Simple Factory🔌 Adapter🔗 Chain of Responsibility🏭 Factory Method🚡 Bridge👮 Command🔨 Abstract Factory🌿 Composite➿ Iterator👷 Builder☕ Decorator👽 Mediator🐑 Prototype📦 Facade💾 Memento..