오늘도 공부

GitHub - tsingyuai/growth-lab: An end-to-end growth tool that understands the product, fetch the data it needs, researches the mAn end-to-end growth tool that understands the product, fetch the data it needs, researches the market, executes campaigns, and reviews results to improve the next round of growth. 从代码到市场的开源端到端增长工具...github.com AI를 이용한 마케팅 도구는 이미 많다.블로그 글을 작성하는 AI도 있고, 경쟁사를 조사하는 AI도 있으며..

1. 설치 → 로그인 → 프로젝트에서 실행macOS/Linux에서는 공식 설치 명령이 다음과 같습니다.curl -fsSL https://cli.kiro.dev/install | bash로그인:kiro-cli login로그인 상태 확인:kiro-cli whoami프로젝트로 이동해서:cd ~/projects/my-projectkiro-cli이렇게 하면 현재 디렉터리를 workspace로 삼아 Kiro가 실행됩니다. 일반적인 대화형 사용은 브라우저 로그인을 쓰며, API Key는 주로 CI/CD와 headless 모드용입니다. (Kiro)2. 가장 기본적인 사용법은 그냥 자연어실행 후에는 별도의 명령 문법을 배울 필요 없이 요청하면 됩니다.> 이 프로젝트 구조를 분석해줘.> 현재 인증 시스템이 어떻게 동작하는..

시니어 엔지니어에서 스태프 엔지니어(Staff Engineer)로 역할이 확장될 때 가장 크게 달라지는 점 중 하나는 주어진 문제를 잘 푸는 것만으로는 충분하지 않다는 것이다.스태프 레벨에서는 한 단계 더 나아가야 한다.우리 팀과 조직이 지금 무엇을 해결해야 하는가?Lalit Maganti가 자신의 글 How I Find Problems to Solve as a Staff Engineer에서 설명하는 핵심도 바로 여기에 있다.그가 강조하는 방식은 의외로 단순하다.회의실에 앉아 억지로 “전략적인 아이디어”를 만들어내는 것이 아니다.조직에서 매일 발생하는 문제를 지속적으로 관찰하고, 충분한 시간 동안 축적한 뒤, 서로 다른 문제 사이에서 공통된 구조(Common Shape)를 발견하는 것이다.1. 전략은 빈..

Andrew Ng의 AI Engineering Skills Map ① — Building and Deploying AI ApplicationsAI 애플리케이션 개발은 기존 소프트웨어 개발과 상당히 다릅니다.전통적인 프로그램에서는 같은 입력을 넣으면 대부분 예상 가능한 결과가 나옵니다.하지만 LLM이나 머신러닝 모델은 그렇지 않습니다.같은 프롬프트를 사용하더라도 답변이 달라질 수 있고, 새로운 데이터에 대해 어떤 결과가 나올지 완벽하게 예측하기도 어렵습니다.그래서 AI 엔지니어링에서 중요한 것은 단순히 LLM API를 호출하는 능력이 아닙니다.예측하기 어려운 AI 컴포넌트를 이용해 신뢰할 수 있는 시스템을 만드는 능력Andrew Ng는 이를 위해 필요한 역량을 다음 6가지로 정리합니다.LLM Foundat..

Andrew Ng의 「AI Engineering Skills Map」이 말하는 개발자의 새로운 기준AI가 소프트웨어를 만드는 방식을 완전히 바꾸고 있습니다.불과 몇 년 전만 해도 개발자의 핵심 역량은 프로그래밍 언어, 프레임워크, 데이터베이스, 서버 아키텍처 등을 얼마나 잘 다루느냐에 집중되어 있었습니다.하지만 생성형 AI와 코딩 에이전트가 빠르게 발전하면서 상황이 달라졌습니다.이제 중요한 것은 단순히 코드를 얼마나 잘 작성하는가가 아닙니다.AI를 이용해 무엇을 만들 것인지 결정하고, AI가 제대로 만들도록 설계하고 검증하는 능력이 점이 점점 더 중요해지고 있습니다.Andrew Ng는 최근 **「The AI Engineering Skills Map」**을 공개하면서 앞으로 개발자에게 중요한 AI 엔지니어..

파일 하나 열어 분석하던 DuckDB가 이제 PostgreSQL과 S3, 서버의 영역까지 넘보고 있다데이터 분석을 하다 보면 항상 비슷한 고민을 하게 된다.CSV 파일 몇 개를 분석하기 위해 데이터베이스 서버를 구축하기에는 너무 무겁다.그렇다고 Python과 Pandas만으로 처리하기에는 데이터가 커지면서 메모리와 성능이 부담스럽다.이 사이에서 빠르게 성장한 데이터베이스가 DuckDB다.DuckDB는 별도의 데이터베이스 서버를 운영하지 않고도 애플리케이션 프로세스 안에서 SQL 분석을 수행할 수 있는 데이터베이스다.그런데 2026년 가을 출시가 예정된 DuckDB 2.0에서는 이 정체성이 꽤 크게 확장된다.DuckDB 개발팀은 이번 버전을 설명하면서 이렇게 방향을 잡았다.지난해가 Lakehouse의 해였..

X의 Karan🧋님(@kmeanskaran)System Design for Agent Systems (Part 1)x.com 디자이너의 머릿속을 복제해 누구나 90점 이상의 UI를 만들게 한다핵심 아이디어를 한 문장으로 정리하면 다음과 같습니다.“디자이너가 직접 모든 화면을 만드는 대신, 디자이너의 판단 기준과 작업 프로세스를 코드·문서·디자인 시스템으로 구조화하고 AI가 이를 매번 참조하도록 만든다.”즉, 단순한 AI UI 생성기가 아니라 ‘디자이너의 사고 과정 자체를 시스템화’한 것입니다.1. 왜 이런 시스템을 만들었나기존 NEWT 개발 조직은 대략 다음과 같았습니다.Before3개 팀팀마다PM 1명엔지니어 약 3명디자이너 1명그런데 AI 도입 이후 개발 속도가 빨라지고 엔지니어의 풀스택화가 진행되..

아래 내용은 원문을 기준으로 번역·정리한 것입니다. X의 Chris님(@everestchris6)how to build a reddit sales system (FULL GUIDE)x.com Reddit Sales System 전체 구조이 글의 핵심은 Reddit에서 직접 자동으로 글을 올리는 봇을 만드는 것이 아니라, Reddit을 계속 읽고 분석해서 “사람이 최종 클릭·게시만 하는 영업 시스템”을 만드는 것입니다.전체 구조는 2개의 에이전트로 나뉩니다.Reddit ↓RSS 수집 ↓게시글/댓글 DB ↓Subreddit별 사용자 프로필 ↓┌──────────────────────┐│ Agent 1 ││ 시장/문제/상품 발굴 │└──────────────────────┘ ..

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..

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..