오늘도 공부

사용자 문제 정의부터 디자인, 통합 명세, 구현, 검증까지 연결하는 실무 가이드1. 문서 개요목적이 문서는 AI를 활용해 앱을 만들 때 곧바로 코드를 작성하지 않고, 사용자 문제와 제품 기준을 먼저 구체화하는 작업 절차를 설명한다. 독자는 이 절차를 따라 다음 산출물을 순서대로 만들 수 있다.사용자 문제 정의design.md핵심 화면 시안통합 기획서 spec.html전체 화면 목업 design.html구현된 애플리케이션완료 상태는 제품 요구사항, 디자인, 데이터 구조, 구현 코드가 서로 일치하고 핵심 사용자 흐름을 실행할 수 있는 상태다.대상 독자AI 코딩 도구로 웹 또는 모바일 앱을 만들려는 기획자와 개발자제품 아이디어를 실제 서비스 명세로 구체화하려는 1인 개발자AI가 생성한 화면과 코드를 검수해야 ..

이 문서는 GPT-5.6 Sol을 메인 오케스트레이터로 사용하면서 GPT-5.6 Luna를 서브에이전트로 실행하는 로컬 설정을 기록한 운영 가이드다. Codex 업데이트나 설정 초기화 후 Luna 서브에이전트가 보이지 않을 때 이 문서를 따라 다시 설정하고 검증한다.현재 확인된 정상 구성2026년 8월 1일 기준으로 다음 구성이 실제 실행까지 확인됐다.메인 모델: gpt-5.6-sol서브에이전트 모델: gpt-5.6-lunaLuna 다중 에이전트 프로토콜: v2Luna 추론 수준: low, medium, high, xhigh, max실제 검증 결과: Luna 자식 에이전트가 생성되고 LUNA_SUBAGENT_OK를 반환함검증 당시 데스크톱 내장 Codex: 0.146.0-alpha.9.2검증 당시 터미널..

1. 개요PixelRAG는 PDF, 이미지, 웹페이지를 텍스트로 변환하지 않고 화면 이미지 자체를 검색 대상으로 사용하는 시각 자료용 RAG(Retrieval-Augmented Generation) 프로젝트입니다.일반적인 문서 RAG는 PDF에서 텍스트를 추출한 뒤 문단 단위로 나누어 검색합니다. 반면 PixelRAG는 문서 페이지를 이미지로 저장하고, 비전·언어 임베딩 모델을 이용해 질문과 관련된 페이지를 찾습니다.이 방식은 다음과 같이 시각적 구조가 중요한 문서에 적합합니다.표와 차트가 많은 보고서그림과 설명이 결합된 교재PPT를 변환한 PDF인포그래픽제품 매뉴얼스캔 문서시스템 구성도와 설계 도면웹페이지 UIPixelRAG는 완성된 문서 채팅 서비스라기보다, 이러한 자료를 검색하기 위한 픽셀 기반 R..

LLM 추론 엔지니어링 튜토리얼이미 만들어진 AI 모델을 GPU 서버에 올리고, 수많은 사용자에게 빠르고 안정적으로 제공하면서 비용까지 최적화하는 기술을 배우는 것입니다.과정을 마치면 다음 결과물을 갖게 된다.vLLM과 SGLang으로 구축한 OpenAI 호환 추론 서버처리량 중심, 지연시간 중심, 긴 문맥 중심의 서빙 파이프라인 3종비용·지연시간·품질을 함께 고려하는 모델 라우터사용자별 토큰 예산 및 요청 제어 APIPrometheus·Grafana 기반 운영 대시보드Kubernetes 자동 확장 환경1,000개 이상의 동시 요청을 재현하는 부하 시험재현 가능한 공개 벤치마크 보고서요청당 원가와 손익분기점을 계산하는 비용 모델대상 독자Python과 REST API의 기본 개념을 아는 개발자로컬 LLM ..

1. Unity CLI란?Unity CLI는 Unity Hub 화면을 열지 않고 터미널에서 Unity 개발환경을 관리하는 공식 명령줄 도구입니다.주요 역할은 다음과 같습니다.Unity Editor 설치Android·iOS·WebGL 모듈 설치설치된 Editor 목록 확인프로젝트에 맞는 Unity 버전으로 실행Unity 계정 로그인CLI 업데이트CI/CD 환경 자동 구성기존 Unity Hub의 CLI 기능과 달리, 독립된 unity 네이티브 실행 파일로 제공되므로 CI 서버나 AI 에이전트가 호출하기에 적합합니다.현재 글 작성 시점 기준으로 Unity CLI와 Unity Pipeline 모두 experimental 단계입니다.2. 설치macOS / Linuxcurl -fsSL https://public-c..

ChatGPT의 Sites 기능은 단순히 HTML 파일을 만들어 다운로드해 주는 기능이 아닙니다. 대화에서 웹사이트를 기획하고 코드를 작성한 뒤, 빌드·버전 저장·호스팅·외부 URL 연결까지 처리하는 관리형 웹 배포 서비스에 가깝습니다.핵심 구조를 먼저 한 문장으로 정리하면 다음과 같습니다.ChatGPT의 Work VM은 웹사이트를 만드는 작업실이고, Sites는 완성된 소스와 빌드 산출물을 별도의 관리형 Worker 환경에 배포해 외부에서 접속할 수 있게 하는 서비스입니다.따라서 작업에 사용한 VM이 종료되거나 정리되더라도, 이미 배포된 사이트는 별도의 운영 환경에서 계속 제공될 수 있습니다.실제로 생성된 사이트도 로컬 작업 폴더가 정리된 후에도 Sites 서비스에 다음 정보가 남아 있었습니다.사이트 ..

잭 도시의 Block이 공개한 협업 플랫폼 ‘Buzz’가 보여주는 미래우리는 이미 업무에서 인공지능을 사용하고 있다.메일을 정리하고, 문서를 요약하고, 코드를 작성하고, 회의 내용을 정리한다. 그러나 현재의 AI는 대부분 업무를 돕는 보조 도구에 머물러 있다.사람이 AI에게 질문한다.AI가 답변을 만든다.그리고 실제 업무는 다시 사람이 처리한다.하지만 AI가 단순히 질문에 답하는 도구가 아니라, 프로젝트에 직접 참여하는 팀원이라면 어떨까?AI가 팀 채팅방에 들어오고, 과거 대화를 검색하고, 코드를 수정하고, 테스트를 실행하고, 리뷰를 요청한다. 사람은 AI가 수행한 작업을 확인하고 승인한다.2026년 7월, 잭 도시가 이끄는 Block이 공개한 오픈소스 협업 플랫폼 Buzz는 바로 이런 업무 환경을 지향..

35B 모델이 거대 AI를 따라잡는 방법인공지능 모델의 발전은 오랫동안 하나의 방향으로 설명됐다.더 많은 데이터를 학습하고, 더 많은 연산을 투입하고, 더 많은 파라미터를 가진 모델을 만든다. 모델이 커질수록 더 복잡한 문제를 해결할 수 있다는 것이 대규모 언어 모델의 기본적인 성장 공식이었다.그런데 InternScience가 공개한 Agents-A1은 조금 다른 질문을 던진다.모델의 크기를 계속 키우는 대신, AI가 한 번에 수행할 수 있는 작업의 길이를 늘리면 어떨까?Agents-A1의 기술 보고서 제목은 이 질문을 그대로 담고 있다.“Scaling the Horizon, Not the Parameters”파라미터가 아니라 ‘지평선’을 확장한다는 의미다. 여기서 지평선, 즉 Horizon은 AI가 하..

범용 AI 프로젝트 하네스 설계 방법론AI에게 작업을 한 번 요청하는 방식에서 벗어나, 계획·실행·검증·릴리스를 반복 가능하고 감사 가능한 공정으로 만드는 방법1. 문서의 목적이 문서는 웹서비스, 모바일 앱, 게임, 영상, 데이터 파이프라인, 문서 제작 등 서로 다른 프로젝트에 적용할 수 있는 AI 작업 하네스의 설계 원칙과 구현 절차를 정의한다.여기서 하네스는 모델 자체가 아니다. 모델이 프로젝트 안에서 일관되게 작업하도록 다음 요소를 제공하는 실행 구조다.작업 순서와 판단 규칙파일 기반의 영속 상태단계별 입력·출력 계약반복 작업을 처리하는 결정론적 스크립트자동 검증과 사람의 승인 게이트재개, 부분 수정, 실패 복구 규칙최종 결과물 패키징 방식핵심 목표는 “좋은 결과를 한 번 얻는 것”이 아니라 “같은..

1. 짧은 분석 요약phuryn/pm-skills는 일반적인 앱 저장소라기보다 AI 에이전트가 제품관리 업무를 더 구조적으로 수행하도록 만드는 “스킬/커맨드 마켓플레이스”에 가깝습니다.README 기준으로 이 저장소는 9개 PM 플러그인, 68개 스킬, 42개 체인 워크플로우를 제공한다고 설명합니다. GitHub 저장소 화면 기준으로는 약 24k stars, 2.4k forks, 62 commits가 표시됩니다. 루트에는 pm-product-discovery, pm-product-strategy, pm-execution, pm-market-research, pm-data-analytics, pm-go-to-market, pm-marketing-growth, pm-toolkit, pm-ai-shipping..

gemma-skills/skills/gemma-trainer at main · google-gemma/gemma-skillsSkills for the Gemma and model/agent interactions. Contribute to google-gemma/gemma-skills development by creating an account on GitHub.github.com Google이 오픈소스 저장소 **google-gemma/gemma-skills**에 **gemma-trainer**라는 AI 에이전트용 스킬을 추가했습니다.이 도구의 목적은 사용자가 복잡한 학습 설정을 직접 다루지 않아도, AI에게 자연어로 요청해 자신의 컴퓨터에서 Gemma 모델을 미세조정할 수 있게 하는 것입니다.1. ..

구현보다 설계에 더 많은 시간을 쓰게 된 AI 코딩 개발 방식몇 년 전까지만 해도 소프트웨어 개발에서 가장 많은 시간이 들어가는 일은 코드를 작성하는 것이었다.요구사항을 확인하고, 적절한 라이브러리를 찾고, 함수를 만들고, 오류를 수정하고, 테스트를 작성했다. 설계가 중요하다는 사실은 모두 알고 있었지만, 실제 업무 시간의 상당 부분은 결국 구현에 사용됐다.AI 코딩 에이전트를 본격적으로 사용하기 시작하면서 이 흐름이 달라졌다.지금은 내가 직접 코드를 작성하는 일이 거의 없다. 그렇다고 개발에 사용하는 시간이 줄어든 것은 아니다. 오히려 AI와 설계를 논의하고, 작업을 독립적인 단위로 나누고, 여러 에이전트가 동시에 작업할 수 있도록 환경을 만드는 데 더 많은 시간을 쓰고 있다.개발의 중심이 구현에서 설..

Flutter에서 상태관리는 늘 중요한 주제입니다.처음에는 setState로 충분해 보입니다. 하지만 화면이 복잡해지고, 상태가 여러 위젯에 걸쳐 공유되기 시작하면 이야기가 달라집니다.검색창에 글자 하나를 입력했을 뿐인데 카드 목록 전체가 다시 그려진다거나, 좋아요 버튼 하나를 눌렀는데 부모 위젯과 형제 위젯까지 rebuild되는 상황을 경험해 본 적이 있다면, 이 글의 주제는 꽤 흥미로울 수 있습니다.최근 Flutter 생태계에서 다시 주목받고 있는 개념이 있습니다. 바로 Signals입니다.Signals는 새로운 개념은 아닙니다. 웹 프론트엔드에서는 이미 SolidJS, Preact, Angular 등에서 fine-grained reactivity, 즉 세밀한 반응형 업데이트 방식으로 활용되어 왔습니..

Flue란?Flue는 TypeScript로 AI 에이전트를 만들기 위한 프레임워크입니다.Claude Code 같은 코딩 에이전트가 사용하는 하네스 기반 아키텍처를 채택하고 있으며, 다양한 AI 모델을 에이전트처럼 사용할 수 있게 해줍니다.Flue의 기반에는 Pi라는 “minimal terminal coding harness”가 사용됩니다. Pi는 터미널에서 코딩 에이전트를 실행하는 데 필요한 최소 기능을 제공하는 하네스이고, Flue는 이를 바탕으로 더 고급 에이전트 구축과 관리를 가능하게 합니다.Flue가 제공하는 주요 구성요소Flue는 AI 에이전트 개발에 필요한 기능을 통합적으로 제공합니다.구성요소설명에이전트컨텍스트를 유지하며 자율적으로 작업하는 AI 모델워크플로우작업을 단계별로 구조화한 프로세스i..

Agent Harness, Loop Engineering, LLMOps, Eval, Tracing, RAG를 한 번에 이해하기이 글은 업로드된 영어 자동 생성 자막을 바탕으로 핵심 내용을 한국어로 번역·재구성하고, 외부 공개용 브런치 글로 읽히도록 설명과 예제를 보강한 원고입니다. 원문은 AI 에이전트 시스템에서 자주 등장하는 Agent Harness, Loop Engineering, LLMOps, Eval, Tracing, RAG를 하나의 구조로 연결해 설명합니다.1. 들어가며: 요즘 AI 에이전트 논의가 어려워 보이는 이유요즘 AI 에이전트 이야기를 따라가다 보면 낯선 단어가 계속 등장합니다. Agent Harness, Loop Engineering, LLMOps, Eval, Tracing, RAG,..

AI 코딩 모델의 경쟁은 지금까지 주로 “얼마나 좋은 코드를 생성하느냐”에 집중되어 있었다.하지만 실제 개발 현장에서 중요한 것은 단순 코드 생성이 아니다.문제를 읽고, 환경을 이해하고, 테스트를 돌리고, 실패 원인을 찾고, 다시 수정하고, 최종적으로 동작하는 결과를 만드는 과정 전체가 중요하다.이런 흐름을 우리는 보통 Agentic Coding, 즉 에이전트형 코딩이라고 부른다.DeepReinforce가 공개한 Ornith-1.0은 바로 이 지점을 겨냥한 오픈소스 모델 패밀리다. 핵심은 단순하다.모델이 코드만 잘 짜는 것이 아니라, 문제를 풀기 위한 작업 절차와 보조 구조, 즉 scaffold까지 스스로 개선한다는 것이다. (DeepReinforce)1. Ornith-1.0은 무엇인가?Ornith-1...

GitHub - mattpocock/skills: Skills for Real Engineers. Straight from my .claude directory.Skills for Real Engineers. Straight from my .claude directory. - mattpocock/skillsgithub.com 핵심 개념이 저장소의 스킬은 크게 두 종류입니다.User-invoked skill은 사용자가 직접 /grill-me, /to-prd처럼 호출하는 명령형 스킬입니다.Model-invoked skill은 에이전트가 작업 중 필요할 때 자동으로 참고하거나 호출하는 내부 절차형 스킬입니다. README도 이 둘을 “누가 호출할 수 있는가” 기준으로 나눈다고 설명합니다. (GitHub)즉, ..

AI 코딩 에이전트의 다음 단계: Loom은 왜 “프롬프트”가 아니라 “전달 체계”를 말하는가요즘 개발자들은 Claude Code, Codex, OpenCode 같은 AI 코딩 에이전트를 점점 더 자연스럽게 사용한다. 간단한 컴포넌트 수정, API 작성, 테스트 코드 생성 정도는 이제 꽤 익숙한 작업이 됐다.그런데 실제 제품 개발에 AI 에이전트를 붙여 보면 곧 다른 문제가 드러난다.AI는 코드를 꽤 잘 짠다. 하지만 끝까지 책임지고 전달하는 일은 여전히 어렵다. 요구사항을 기억하고, 작업을 쪼개고, 검증하고, 실패하면 고치고, 중간에 세션이 끊겨도 다시 이어가고, 마지막에는 사람이 확인할 수 있는 근거까지 남기는 일 말이다.valkor-ai/loom은 바로 이 지점을 겨냥한 오픈소스 프로젝트다. Loo..

AI 코딩 에이전트를 쓰다 보면 이상한 순간을 자주 만난다.분명히 간단한 기능을 부탁했는데, 에이전트는 갑자기 새로운 컴포넌트를 만들고, 유틸 파일을 추가하고, 추상화 계층을 만들고, 아직 필요하지도 않은 설정값까지 준비한다.사람 개발자라면 한 줄로 끝냈을 일을 AI는 “미래 확장성”이라는 이름으로 100줄짜리 구조로 만든다.이 문제를 정면으로 겨냥한 프로젝트가 Ponytail이다.Ponytail의 저장소 설명은 노골적이다.“AI 에이전트가 방 안에서 가장 게으른 시니어 개발자처럼 생각하게 만든다.”여기서 게으르다는 말은 대충 만든다는 뜻이 아니다. 안 만들어도 되는 코드는 만들지 않는 개발자에 가깝다. GitHub README에서도 Ponytail은 “가장 좋은 코드는 작성하지 않은 코드”라는 철학을 ..

Computer Use, Chrome, Browser는 언제 어떻게 써야 할까?AI 에이전트가 코드를 짜는 시대는 이미 익숙해졌다.그런데 이제 중요한 질문은 조금 달라졌다.“AI가 코드를 쓰는 것을 넘어, 실제 컴퓨터 화면을 보고 조작할 수 있다면 무엇이 달라질까?”OpenAI Codex에는 컴퓨터를 다루는 방식이 여러 가지 있다.겉으로 보면 비슷해 보인다. 모두 웹사이트를 열 수 있고, 화면을 볼 수 있고, 사용자를 대신해 작업할 수 있다.하지만 실제로는 목적이 다르다.Codex가 컴퓨터를 사용하는 대표적인 방식은 크게 세 가지다.Computer UseChrome ExtensionIn-app Browser여기에 추가로 Appshots라는 기능이 있다.Appshots는 Codex가 직접 조작하는 도구라기..

요즘 개발자 도구의 흐름은 빠르게 바뀌고 있다.처음에는 AI가 코드 한 줄을 자동완성해 주는 수준이었다. 그다음에는 채팅창에 물어보면 함수나 컴포넌트를 만들어 주는 수준으로 발전했다. 그런데 이제는 한 단계 더 나아가고 있다.“이 버그 고쳐줘.”“이슈 보고 원인 찾아서 PR 만들어줘.”“레거시 코드를 리팩터링해줘.”“테스트 깨지는 이유를 찾아줘.”이런 요청을 AI에게 단순히 묻는 것이 아니라, 실제 개발 환경 안에서 실행하게 만드는 방향이다.OpenHands는 바로 이 흐름을 대표하는 오픈소스 프로젝트다.1. OpenHands는 무엇인가?OpenHands는 AI 기반 소프트웨어 개발 에이전트 플랫폼이다.쉽게 말하면, ChatGPT나 Claude에게 코드 질문을 던지는 수준을 넘어, AI가 직접 개발 작업..

AI 에이전트 시대, 지식은 문서가 아니라 “포맷”이 된다AI를 업무에 붙여보면 금방 깨닫는 문제가 하나 있습니다.모델 자체가 부족해서가 아니라,모델이 참고해야 할 맥락이 흩어져 있다는 것입니다.예를 들어 회사 안에서 AI 에이전트에게 이렇게 물었다고 해보겠습니다.“우리 서비스의 주간 활성 사용자, WAU는 어떻게 계산해?”사람이라면 누군가에게 물어보고, 노션 문서를 뒤지고, BigQuery 테이블을 확인하고, 예전 슬랙 대화를 찾아볼 수 있습니다. 하지만 AI 에이전트 입장에서는 이 정보들이 모두 서로 다른 장소에 있습니다.데이터 스키마는 데이터 카탈로그에 있고,지표 정의는 노션에 있고,운영 절차는 위키에 있고,예외 규칙은 시니어 개발자의 머릿속에 있습니다.Google Cloud는 이 문제를 “지식이 ..

요즘 “AI 에이전트”라는 말이 너무 쉽게 쓰입니다.하지만 실제로 Claude Code 같은 도구를 뜯어보면 핵심은 생각보다 단순합니다.모델이 똑똑한 것이고, 우리가 만드는 것은 그 모델이 움직일 수 있는 작업 환경입니다.learn-claude-code 저장소는 이 관점을 아주 명확하게 설명합니다. 이 저장소의 핵심 문장은 다음과 같습니다.에이전트 = 모델 + 하네스여기서 모델은 판단하고 추론하는 두뇌이고, 하네스(harness)는 모델에게 도구, 파일 시스템, 터미널, 권한, 메모리, 작업 공간을 제공하는 실행 환경입니다. 저장소는 Claude Code를 “그대로 복제하라”는 목적보다, Claude Code류 제품을 가능하게 하는 구조를 0부터 학습하는 데 초점을 둡니다. 원문도 Claude Code의..

요즘 AI 에이전트를 만들겠다고 하면 많은 팀이 비슷한 고민에서 출발한다.“모델은 Claude를 쓰면 될 것 같은데,에이전트 루프는 직접 짜야 하나?”“샌드박스는 어떻게 띄우지?”“도구 실행은 어디서 관리하지?”“파일시스템 상태는 어떻게 유지하지?”“장시간 작업이 끊기면 어떻게 복구하지?”“실행 중간에 사용자가 끼어들 수 있게 하려면 또 SSE를 직접 붙여야 하나?”예전에는 이 질문들이 전부 개발자의 몫이었다.모델 API는 말 그대로 모델에게 메시지를 보내고 응답을 받는 인터페이스에 가까웠다. 그래서 “에이전트”를 만들려면 모델 바깥에 별도의 실행 구조를 직접 설계해야 했다.예를 들면 이런 것들이다.모델이 다음 행동을 결정한다.필요하면 도구를 호출한다.도구 실행 결과를 다시 모델에게 넣는다.모델이 또 다..

1. 최상단 금지 규칙Claude should never use {antml:voice_note} blocks...가장 먼저 특정 출력 형식을 금지합니다.의도는 명확합니다. 이전 대화 기록 안에 {antml:voice_note} 같은 특수 블록이 있더라도 모델이 따라 하지 못하게 막는 규칙입니다. 시스템 프롬프트에서 이런 문장은 보통 과거 대화에 섞인 지시문 오염 방지 역할을 합니다.즉, “대화 히스토리에 어떤 이상한 포맷이 있어도 그걸 재사용하지 마라”는 안전장치입니다.2. product_information이 부분은 Claude 제품군에 대해 어떻게 설명할지 정해 둔 섹션입니다.핵심 내용은 다음입니다.This iteration of Claude is Claude Fable 5...여기서는 모델 정체성..

루프 엔지니어링이라는 새로운 작업 방식요즘 AI 코딩 도구를 쓰는 사람들 사이에서 자주 보이는 말이 있다.“이제 에이전트에게 프롬프트를 치지 마라.”처음 들으면 조금 이상하다.AI 에이전트를 쓰려면 당연히 프롬프트를 입력해야 하는 것 아닌가?그런데 여기서 말하는 핵심은 “프롬프트를 아예 쓰지 말라”는 뜻이 아니다.매번 사람이 직접 한 줄씩 지시하고, 결과를 읽고, 다시 수정 지시를 내리는 방식에서 벗어나라는 말에 가깝다.이 흐름을 설명하는 키워드가 바로 루프 엔지니어링(loop engineering)이다.루프 엔지니어링이란 무엇인가루프 엔지니어링은 간단히 말하면,내가 에이전트에게 매번 프롬프트를 직접 치는 대신, 에이전트가 반복적으로 일할 수 있는 작업 루프를 설계하는 것이다.기존 방식은 이랬다.“이 기..

AI 에이전트를 만들 때 많은 사람들이 먼저 도구부터 붙인다.검색 도구, 코드 실행 도구, 파일 읽기, 메일, 캘린더, 데이터베이스, RAG, LangChain, LangGraph, MCP.물론 중요하다.그런데 도구보다 먼저 정해야 할 게 있다.이 에이전트는 어떤 기준으로 움직일 것인가?무엇을 우선할 것인가.언제 알아서 실행할 것인가.언제 멈추고 사용자에게 물어볼 것인가.사용자가 잘못된 방향으로 가고 있을 때 반박할 수 있는가.그저 답변을 생성하는 도구인가, 아니면 일을 앞으로 밀어붙이는 운영자인가.이걸 정리한 파일이 바로 SOUL.md다.SOUL.md는 프롬프트가 아니라 운영 헌법에 가깝다일반적인 프롬프트는 보통 이렇게 시작한다.너는 내 비서야. 나를 도와줘.하지만 이 정도로는 에이전트가 제대로 움직이..

토큰부터 어텐션, 다음 단어 예측까지 한 번에 이해하기요즘 AI를 이야기할 때 가장 많이 등장하는 단어가 있습니다. 바로 LLM, 즉 대규모 언어 모델입니다.ChatGPT, Claude, Gemini, LLaMA 같은 모델들이 모두 이 범주에 들어갑니다. 겉으로 보면 이 모델들은 사람처럼 글을 읽고, 질문에 답하고, 코드를 짜고, 번역하고, 요약하고, 심지어 창작까지 하는 것처럼 보입니다.그런데 내부에서는 실제로 무슨 일이 벌어질까요?LLM은 사람이 글을 읽듯이 문장을 “이해”하는 방식으로 작동하지 않습니다. 더 정확히 말하면, 텍스트를 숫자로 바꾸고, 그 숫자들 사이의 관계를 계산한 뒤, 다음에 올 가능성이 높은 토큰을 하나씩 예측하는 방식으로 작동합니다.현대 LLM의 대부분은 트랜스포머 Transfo..

AI 코딩 도구는 이제 단순히 코드를 작성하는 수준을 넘어가고 있다.최근 Claude Code에 추가된 Dynamic Workflows는 그 변화를 잘 보여주는 기능이다.핵심은 단순하다.Claude가 주어진 작업에 맞춰스스로 작업 구조, 즉 “하네스(harness)”를 만들어 실행할 수 있게 되었다.기존 Claude Code는 기본적으로 코딩 작업에 최적화된 실행 환경을 제공했다. 하지만 실제로 AI에게 맡기는 일은 점점 더 복잡해지고 있다. 코드 수정뿐 아니라 리서치, 보안 분석, 코드 리뷰, 대규모 문서 검증, 에이전트 팀 운영, 후보자 평가, 사고 원인 분석 같은 작업들이 모두 AI의 영역으로 들어오고 있다.이런 작업들은 단일 프롬프트 하나로 처리하기 어렵다.작업을 나누고, 여러 관점에서 검증하고,..

프롬프트에 바로 쓸 수 있는 애니메이션 용어 정리AI로 웹사이트, 앱 UI, 영상, 모션 그래픽을 만들다 보면 이런 순간이 자주 옵니다.“버튼이 좀 자연스럽게 나타났으면 좋겠는데…”“카드가 부드럽게 열리는 느낌이면 좋겠는데…”“스크롤할 때 화면이 살아 움직였으면 좋겠는데…”그런데 문제는 “자연스럽게”, “부드럽게”, “살아 있게” 같은 표현만으로는 AI가 정확히 어떤 움직임을 만들어야 하는지 알기 어렵다는 점입니다.애니메이션도 하나의 언어입니다.어떤 요소가 어떻게 등장하는지, 어떤 속도로 움직이는지, 사용자의 행동에 어떻게 반응하는지, 화면 전환에서 무엇을 유지해야 하는지에 따라 결과물의 완성도가 크게 달라집니다.그래서 이번 글에서는 AI에게 애니메이션을 지시할 때 자주 쓰는 기본 용어들을 정리해보겠습니..