오늘도 공부

최근 에이전트 개발은 “모델 호출” 자체보다도 라우팅, 메모리, 툴 연결, 워크플로, 관찰 가능성 같은 주변 인프라가 더 어렵습니다. VoltAgent는 이 부분을 TypeScript 중심으로 묶어, 에이전트 로직보다 인프라 조립에 시간을 덜 쓰게 하려는 방향을 갖고 있습니다. (GitHub)특히 JavaScript·TypeScript 스택에서 서버와 UI를 함께 다루는 개발자라면 볼 이유가 있습니다. 공식 문서 기준으로 VoltAgent는 Vercel AI SDK 위에 구축되어 있고, 모델 문자열 기반 설정과 TypeScript API를 통해 여러 모델 제공자를 바꿔 끼울 수 있게 설계되어 있습니다. (voltagent.dev) GitHub - VoltAgent/voltagent: AI Agent En..

이름 그대로 Reddit 글과 댓글을 바탕으로 쇼츠형 영상을 자동 생성해 주는 오픈소스 봇입니다. 저장소 소개 문구도 “한 번의 명령으로 Reddit 영상을 만든다”는 점을 전면에 내세우고 있습니다. (GitHub)이 도구가 흥미로운 이유는 단순히 “영상 하나를 편하게 만든다” 수준이 아니기 때문입니다. 원래는 Reddit 글 선정, 댓글 추출, 스크린샷, TTS 음성 생성, 배경 영상 합성, 자막 느낌의 구성까지 여러 단계를 사람이 따로 처리해야 합니다. RedditVideoMakerBot은 이 흐름을 코드로 묶어 자동화합니다. 공개 README 기준으로 설치 후 python main.py로 실행하고, Reddit 앱 설정과 봇 옵션을 입력해 결과 영상을 만드는 구조입니다. (GitHub)특히 이런 도..

AI가 글을 써주는 시대는 이미 지났습니다. 이제 중요한 건 “글을 한 편 생성하느냐”가 아니라, 검색 의도 분석부터 경쟁사 조사, 초안 작성, 최적화, 발행까지를 하나의 운영 시스템으로 묶을 수 있느냐입니다. SEO Machine은 바로 그 지점을 겨냥한 프로젝트입니다. 단순한 프롬프트 모음이 아니라, Claude Code 위에 올라가는 콘텐츠 생산 워크스페이스에 가깝습니다. (GitHub)특히 이 저장소가 흥미로운 이유는, “AI에게 블로그 글을 써 달라” 수준에서 멈추지 않고 리서치 → 작성 → 분석 → 최적화 → WordPress 발행까지를 하나의 흐름으로 설계했다는 점입니다. 저장소 설명에서도 이 프로젝트를 long-form SEO 콘텐츠 작성을 위한 Claude Code workspace로 정..

AI를 “잘 쓰는 사람”보다 앞으로 더 강해질 사람은, AI가 왜 그렇게 동작하는지 설명할 수 있는 사람일 가능성이 높습니다.요즘 대부분의 개발자는 LLM을 API로 호출합니다. 하지만 API 뒤에서 실제로 어떤 일이 벌어지는지, 토크나이저는 왜 필요한지, attention은 어디서 계산되는지, 왜 작은 모델은 금방 문맥을 잃는지까지 손으로 한 번 만들어본 사람은 많지 않습니다. 그래서 지금 Hacker News에서 주목받는 GuppyLM은 단순한 장난감 프로젝트가 아닙니다. 이 프로젝트는 “LLM은 거대한 GPU 클러스터와 미친 자본이 있어야만 이해할 수 있다”는 착각을 정면으로 깨버립니다. 작성자는 이 모델을 약 8.7M 파라미터, 약 130줄짜리 PyTorch 모델 코드, 60K 합성 대화 데이터,..

AI 에이전트 시대가 되면서 “사람이 읽기 좋은 문서”와 “기계가 읽기 좋은 데이터”를 동시에 제공하는 서비스가 점점 중요해지고 있습니다. KarpathyTalk는 바로 그 지점을 찌릅니다. 겉으로 보면 작은 소셜 서비스처럼 보이지만, 실제로는 마크다운 문서를 중심으로 한 공개형 개발자 커뮤니티를 아주 단순한 구조로 구현한 실험입니다. 일반적인 소셜 플랫폼처럼 데이터를 감추는 대신, 게시물과 사용자 정보를 JSON과 Markdown으로 열어두고 LLM 에이전트까지 염두에 둔 인터페이스를 제공합니다. (GitHub)프로젝트 소개KarpathyTalk는 Andrej Karpathy가 공개한 오픈소스 프로젝트로, 저장소 설명 그대로 “builders and agents를 위한 긍정적인 개발자 커뮤니티”를 지향..

AI 코딩 도구는 점점 똑똑해지고 있습니다. 그런데 막상 실무에서 써보면, “코드를 읽는 것”과 “코드베이스를 이해하는 것”은 전혀 다른 문제라는 걸 금방 깨닫게 됩니다. 파일 몇 개를 요약하는 건 잘해도, 어떤 함수가 어디서 호출되고, 변경이 어디까지 전파되며, 실제 실행 흐름이 어떻게 이어지는지는 놓치기 쉽습니다. GitNexus는 바로 그 간극을 파고든 프로젝트입니다. 서버를 따로 띄우지 않고, 브라우저나 로컬 환경에서 코드베이스를 지식 그래프로 바꿔서 탐색하게 만듭니다. 이 프로젝트가 흥미로운 이유는 단순한 “코드 검색기”가 아니라, AI가 코드를 더 안전하게 다루기 위한 구조적 컨텍스트 레이어를 만들고 있기 때문입니다. (GitHub) GitHub - abhigyanpatwari/GitNexus..

AI 에이전트 시대가 열리면서, 이제 경쟁력은 “얼마나 많은 Tool을 붙였는가”보다 “그 Tool 호출을 사용자가 얼마나 이해할 수 있는가”로 이동하고 있습니다.많은 AI 제품이 Tool 호출 결과를 아직도 텍스트 로그나 JSON 덩어리로 보여줍니다. 모델은 이해할지 몰라도, 사람은 한 번 더 해석해야 합니다. assistant-ui/tool-ui는 바로 이 지점을 정면으로 겨냥합니다. 툴 실행 결과를 승인 카드, 옵션 선택 UI, 차트, 테이블, 터미널, 링크 프리뷰 같은 실제 인터페이스로 바꿔서, AI가 한 일을 사람이 즉시 이해하고 바로 반응할 수 있게 만듭니다. (GitHub)이 프로젝트를 한 문장으로 요약하면 이렇습니다.“AI의 Tool 호출 결과를, 인간 친화적인 UI 컴포넌트로 렌더링하는 ..

AI를 검색 도구로만 쓰지 말고, 지식이 쌓이는 시스템으로 바꾸는 법솔직히 많은 사람이 아직도 AI를 “똑똑한 검색창”처럼 씁니다.질문 하나 던지고, 답을 받고, 창을 닫습니다.그다음 비슷한 주제가 나오면 또 처음부터 묻습니다.그러면 AI는 다시 자료를 뒤지고, 다시 요약하고, 다시 설명합니다.문제는 이 과정에서 지식이 축적되지 않는다는 것입니다.대화는 끝나면 흩어지고, 생각은 파일로 남지 않고, 연결은 형성되지 않습니다.최근 안드레이 카파시가 공개한 LLM Wiki는 바로 이 문제를 겨냥한 패턴입니다. 이 문서는 특정 앱 소개가 아니라, LLM 에이전트에게 그대로 넘겨서 자기만의 지식 시스템을 만들 수 있게 설계된 “아이디어 파일”에 가깝습니다. (Gist)https://gist.github.com/k..

AI 코딩 에이전트가 넘쳐나는 시대다. 그런데 막상 “에이전트가 내부적으로 어떻게 돌아가는가?”를 이해하려고 코드를 열어보면, 프레임워크 계층과 추상화가 너무 두꺼워 금방 길을 잃는다. mini-coding-agent는 그 반대편에 서 있다. 기능을 과시하기보다, 코딩 에이전트의 뼈대를 눈으로 따라갈 수 있게 만든다. 저장소 설명 그대로 이 프로젝트는 “코딩 에이전트의 핵심 구성요소를 설명하기 위한 최소한의 읽기 쉬운 구현”을 목표로 한다. (GitHub)무엇보다 흥미로운 지점은 이 프로젝트가 “새로운 에이전트 프레임워크”를 내세우지 않는다는 점이다. 대신 로컬 모델 서버인 Ollama를 백엔드로 붙이고, 단일 Python 파일 중심으로 에이전트 루프를 구현해 둔다. 설치 요구사항도 Python 3.10..

Field Theory CLI로 X 북마크를 로컬 DB와 LLM 검색 레이어로 만드는 방법북마크는 저장해둘 때는 분명히 유용해 보인다. 그런데 막상 “예전에 저장해둔 그 글”을 찾으려는 순간, 저장 기능은 기억 보조 장치가 아니라 정보 무덤이 된다.특히 X의 북마크나 Threads의 저장 기능은 모아두기에는 좋지만, 다시 꺼내 쓰기에는 불편하다. 검색은 약하고, 분류는 없고, LLM에 붙여서 내 지식 베이스처럼 다루기도 어렵다. 그래서 결국 개발자는 한 번쯤 이런 생각을 하게 된다.“그냥 내가 로컬에 다 저장하고, 인덱싱해서, SQL로 조회하고, 필요하면 LLM이 읽게 만들면 되지 않을까?”Field Theory CLI는 바로 그 생각을 꽤 현실적인 형태로 구현한 프로젝트다. 그리고 여기서 더 흥미로운 ..