오늘도 공부

AI 코딩 에이전트가 좋아진다고 해서, 갑자기 덜 헤매는 건 아닙니다.오히려 더 자주 같은 실수를 반복합니다.문서에 안 적힌 API 동작, 버전 충돌, CI 설정 함정, 빌드 툴의 미묘한 차이 같은 것들을 세션마다 다시 발견하죠. 인간 개발자가 예전엔 검색으로 해결했다면, 이제는 에이전트가 매번 토큰과 시간을 태우며 같은 벽에 부딪히고 있습니다.Mozilla.ai의 Cq는 바로 이 지점을 찌릅니다. 이 프로젝트는 “AI가 코드를 더 잘 생성하게 하는 도구”라기보다, 에이전트가 이미 누군가 겪은 실패를 다시 겪지 않게 만드는 지식 공용층에 가깝습니다. 저장소의 공식 설명도 Cq를 “shared agent knowledge commons”이자 “shared agent learning을 위한 open stan..

Android는 Install Referrer, iOS는 딥링크+서버 설계로 풀어야 한다추천인 코드를 유저가 직접 입력하게 하면 전환율이 떨어집니다.가장 좋은 UX는 이겁니다.추천 링크를 누른다 → 앱을 설치한다 → 가입하면 추천인이 자동 적용된다.문제는 이 흐름이 Android와 iOS에서 같은 방식으로 동작하지 않는다는 점입니다.Android는 Google Play의 Install Referrer API가 있어서 “설치 직전 클릭 정보”를 앱이 읽을 수 있습니다. 반면 iOS는 Apple 공식 문서 기준으로 Android의 Install Referrer 같은 1:1 post-install referrer retrieval API가 보이지 않고, 공식 축은 Universal Links, campaign..

Hermes Agent (스스로 진화하는 에이전트)Hermes Agent의 핵심은 막연한 “기억하는 AI”가 아니라, 스킬 시스템, 세션 검색, 프롬프트 안정성, 다중 실행 환경, 메시징 게이트웨이, 크론 자동화, RL/trajectory 수집까지 포함한 장기 실행형 에이javaexpert.tistory.com Hermes Agent = “장기 실행 + 기억 + 스킬 축적”OpenClaw = “단일 작업을 잘 수행하는 실행형 에이전트”1. 출발점부터 다르다Hermes Agent장기 실행을 전제로 설계세션을 넘어서 계속 일함기억 + 스킬 축적운영형 시스템👉 “같이 일하는 에이전트”OpenClaw한 번의 task 수행에 집중입력 → 계획 → 실행 → 종료stateless 또는 짧은 상태👉 “작업 수행 도..

Hermes Agent의 핵심은 막연한 “기억하는 AI”가 아니라, 스킬 시스템, 세션 검색, 프롬프트 안정성, 다중 실행 환경, 메시징 게이트웨이, 크론 자동화, RL/trajectory 수집까지 포함한 장기 실행형 에이전트 플랫폼에 더 가깝습니다. 공식 README와 문서에서는 특히 skill_manage를 통한 에이전트 주도 스킬 생성, FTS5 기반 세션 검색, SQLite 기반 세션 저장, 다양한 터미널 백엔드, 메시징 플랫폼 연동, 그리고 연구용 trajectory/data generation을 주요 축으로 설명합니다. (GitHub)https://github.com/NousResearch/hermes-agent/ hermes-agent/README.md at main · NousResearc..

거대한 LLM을 보는 방식은 보통 두 가지입니다.하나는 이미 만들어진 모델을 불러와서 프롬프트를 던져보는 방식이고, 다른 하나는 **“이 모델이 실제로 어떻게 만들어지고 학습되는가”**를 끝까지 따라가 보는 방식입니다.MiniMind는 분명히 두 번째를 겨냥한 프로젝트입니다.이 저장소의 핵심 가치는 “작은 모델” 그 자체보다, LLM의 전체 생애주기—토크나이저, 프리트레인, SFT, LoRA, DPO, PPO/GRPO/SPO, 증류, OpenAI 호환 서빙—를 PyTorch 중심의 비교적 투명한 코드로 한 번에 보여준다는 데 있습니다. 게다가 가장 작은 모델은 26M 규모로, 개인 GPU에서도 실험 가능한 수준을 목표로 합니다. (GitHub) GitHub - jingyaogong/minimind: ?..

혼자서도 아이디어를 찾고, 검증하고, 사업으로 만드는 현실적인 방법혼자 뭔가 만들어보고 싶은 사람은 많다.그런데 막상 시작하려고 하면 늘 같은 질문 앞에서 멈춘다.“그래서 뭘 만들어야 하지?”이 질문이 어려운 이유는 아이디어가 없어서가 아니다.오히려 반대다. 아이디어는 너무 많다.문제는 그 아이디어 중 대부분이 사업이 되지 않는다는 것이다.재밌어 보이는 것과 필요한 것은 다르고,필요한 것과 돈을 내는 것은 또 다르다.그래서 혼자 사업을 시작하려는 사람에게 정말 필요한 건기발한 발상보다 문제를 찾는 방식,그리고 그 문제를 작게 검증하고, 작게 팔고, 작게 키우는 순서다.이 글은 바로 그 이야기를 한다.어떻게 아이디어를 찾을지,어떻게 “괜찮아 보이는 생각”을 “돈이 되는 문제”로 바꿀지,어떻게 혼자서도 사업..

AI Agent 시대가 오면서 “코드를 대신 짜주는 도구”는 많아졌습니다. 하지만 보안 영역, 특히 침투 테스트처럼 단계가 길고 맥락이 복잡하며 도구 조합이 중요한 작업은 여전히 사람이 직접 흐름을 설계해야 했습니다. PentAGI는 바로 그 지점을 파고듭니다. 단일 LLM 챗봇이 아니라, 여러 역할을 가진 에이전트가 메모리·도구·컨테이너·검색 시스템을 묶어 실제 보안 테스트 워크플로를 수행하는 시스템입니다. (GitHub)이 프로젝트가 흥미로운 이유는 “AI를 보안에 붙였다” 수준이 아니기 때문입니다. PentAGI는 처음부터 자율 실행, 샌드박스 격리, 장기 메모리, 지식 그래프, 관측성, API 기반 자동화를 하나의 제품 아키텍처로 설계했습니다. 즉, 프롬프트 한두 개로 도구를 호출하는 데서 끝나는..

production-agentic-rag-course: 튜토리얼을 넘어, “운영 가능한 Agentic RAG”를 끝까지 쌓아 올리는 오픈소스AI 애플리케이션을 만들다 보면 금방 이런 벽을 만납니다.벡터 DB 하나 붙이고 LLM 호출하면 데모는 되는데, 실제로는 검색 품질이 흔들리고, 데이터 파이프라인은 불안정하고, 관측성은 없고, 에이전트는 왜 그런 답을 냈는지 설명도 못 합니다. jamwithai/production-agentic-rag-course가 흥미로운 이유는 바로 여기 있습니다. 이 저장소는 “RAG를 어떻게 붙이는가”가 아니라, RAG 시스템을 어떻게 운영 가능한 형태로 설계하는가를 7주에 걸쳐 단계적으로 보여줍니다. (GitHub)이 프로젝트의 결과물은 단순한 예제가 아닙니다. 최종적으로는..

AI에게 코드를 시키면 결과가 들쭉날쭉하다.어떤 날은 완벽하고, 어떤 날은 엉망이다.문제는 모델이 아니라 우리가 일을 시키는 방식일지도 모른다.Y Combinator의 CEO Garry Tan은 이 문제를 정면으로 파고들었고,그 결과물을 gstack이라는 형태로 공개했다.이 프로젝트는 단순한 프롬프트 모음이 아니다.AI를 “개발자처럼 일하게 만드는 구조” 그 자체다. GitHub - garrytan/gstack: Use Garry Tan's exact Claude Code setup: 15 opinionated tools that serve as CEO, Designer, Eng ManagerUse Garry Tan's exact Claude Code setup: 15 opinionated tools ..

1. Xcode Runner > Signing & Capabilities에서 Push Notifications 추가. 2. Background Modes에서 Remote notifications 활성화. 3. Apple Developer 포털의 App ID에 Push Notifications 활성화. 4. 그 다음 provisioning profile 다시 생성/갱신 후 기기에 재설치. 5. Info.plist의 FirebaseAppDelegateProxyEnabled는 제거하거나 YES로 돌려서 swizzling 활성화. 6. 다시 실행해서 APNs token이 나오는지 확인.