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 ..

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. ..

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 ..