오늘도 공부

최근 AI 도구는 많아졌지만, 실제로 메모 앱 안에서 일하는 방식은 크게 바뀌지 않았습니다. 채팅창에 질문을 던지고, 답을 복사해서 노트에 붙여넣고, 다시 수정 지시를 내리는 흐름이 대부분이었습니다. 이 과정은 보기보다 자주 끊깁니다. 문맥이 잘리고, 수정 이력이 흩어지고, 작업 대상이 많아질수록 대화와 파일이 따로 노는 문제가 생깁니다. (GitHub)Claudian은 이 불편을 정면으로 건드립니다. 핵심은 “AI를 노트 앱에 붙인다”가 아니라, Obsidian 볼트 자체를 에이전트의 작업 디렉터리로 바꾸는 데 있습니다. 즉, AI가 단순히 답변만 생성하는 것이 아니라 볼트 안의 파일을 읽고, 쓰고, 검색하고, 필요하면 여러 단계를 거쳐 작업을 수행하는 구조입니다. (GitHub)이 글을 끝까지 읽으면..

이 글은 앤트로픽이 공개한 Claude Managed Agents와, 거의 동시에 등장한 오픈소스 프로젝트 Multica가 무엇을 해결하려는지 정리한 글입니다. 핵심은 단순히 “비슷한 제품이 나왔다”가 아닙니다. 이제는 에이전트를 잘 만드는 것보다, 에이전트를 안정적으로 실행하고 팀 워크플로우에 붙이는 인프라가 더 중요한 단계로 넘어가고 있다는 점입니다. (Claude Platform)특히 Claude Managed Agents는 앤트로픽이 직접 제공하는 관리형 에이전트 실행 환경이고, Multica는 그 문제를 오픈소스·셀프호스팅·벤더 중립 방식으로 풀려는 프로젝트입니다. 둘 다 “모델 호출”을 넘어, 에이전트가 장시간 작업하고, 도구를 쓰고, 상태를 유지하고, 팀 안에서 일하게 만드는 데 초점을 둡니..

이 글은 Google Cloud AI 디렉터 Addy Osmani가 만든 agent-skills의 6단계 프로세스 중, 첫 단계인 DEFINE을 정리한 글입니다. 특히 DEFINE 단계에서 사용하는 /spec 명령이 왜 중요한지, 그리고 이 명령이 단순히 “앱을 만들어주는 기능”이 아니라 요구사항을 명확하게 만드는 도구라는 점을 중심으로 설명합니다. (GitHub)처음 AI 코딩 에이전트를 쓰면 보통 이렇게 요청하게 됩니다.“할 일 앱을 만들어줘.”문제는 이 한 문장만으로는 화면 범위, 저장 방식, 로그인 필요 여부, 우선순위 기능, 테스트 기준이 전혀 정해지지 않는다는 점입니다. agent-skills의 /spec은 바로 이 모호함을 줄이기 위해 존재합니다. 코드를 먼저 쓰는 대신, 무엇을 만들지 문서..

보통 지오코딩이라고 하면 Google Maps API나 별도 geocoding 서버를 떠올립니다. 그런데 이 프로젝트는 DuckDB-WASM으로 브라우저 안에 SQL 엔진을 올리고, Overture Maps 주소 데이터를 Parquet 파일로 직접 조회해서 정방향/역방향 지오코딩을 처리합니다. README 기준으로 4억 6,900만 건 이상 주소, 39개국 지원, 지도 클릭 기반 reverse geocoding, H3 타일 기반 조회 최적화까지 포함합니다. (GitHub)이런 도구는 특히 다음 독자에게 도움이 됩니다. 지도 서비스나 위치 검색 UI를 만드는 프론트엔드 개발자, 지오스페이셜 데이터 처리 흐름을 이해하고 싶은 개발자, 서버 비용 없이 데모나 프로토타입을 만들고 싶은 팀입니다. 공개된 저장소 ..

협업 도구는 이미 많습니다. 그런데 대부분은 결국 “채팅창 + 문서 + 보드” 조합으로 흘러갑니다. DeskRPG는 여기서 한 걸음 더 나가, 브라우저 안의 2D 픽셀 아트 오피스를 협업 인터페이스로 삼고, 그 안에 AI NPC, 태스크 진행, 회의, 맵 편집까지 붙입니다. 단순한 장식이 아니라, 협업 경험 자체를 공간 기반으로 재구성하려는 시도라고 볼 수 있습니다. (GitHub) GitHub - dandacompany/deskrpg: 2D pixel art multiplayer virtual office game — create characters, join channels, chat with AI N2D pixel art multiplayer virtual office game — create ch..

이 글은 Claude Code를 처음 프로젝트에 붙일 때 많은 팀이 비슷하게 겪는 문제를 어떻게 줄일 수 있는지 정리한 글입니다. 특히 “두 번째 세션부터 컨텍스트가 사라진다”, “에이전트에게 많이 맡겼더니 결과가 서로 충돌한다”, “하드 룰은 개발하다가 뒤늦게 떠오른다” 같은 문제를, 시작 단계에서 구조화하는 방법에 초점을 맞춥니다.공개된 저장소 기준으로, AlexZio00/claude-code-skills는 Claude Code용 실전형 스킬 모음이며 현재 README에서 확인되는 핵심 스킬은 /project-init입니다. 이 스킬은 코드를 쓰기 전에 인터뷰를 통해 CLAUDE.md와 DEVELOPMENT_ROADMAP.md를 생성하는 방식으로 프로젝트의 기본 원칙을 먼저 고정하자는 접근을 취합니다..

이 글은 GitHub 레포지토리 graphify를 기준으로, 이 도구가 왜 필요한지부터 핵심 개념, 동작 방식, 설치 방법, 실무 활용 포인트까지 한 번에 정리한 글입니다. 공개된 README와 아키텍처 문서상 확인되는 범위에서 설명합니다. (GitHub)요즘 AI 코딩 도구를 쓰다 보면 비슷한 문제가 자주 생깁니다. 파일은 많고, 문서와 코드와 이미지가 섞여 있고, 모델은 매번 원본 파일을 다시 훑느라 느리고 비싸고 맥락을 놓칩니다. graphify는 이 문제를 “파일 모음”을 질의 가능한 지식 그래프로 바꾸는 방식으로 풀려는 도구입니다. (GitHub)특히 이 도구는 Claude Code, Codex, OpenCode, OpenClaw, Factory Droid 같은 AI 코딩 어시스턴트와 함께 쓰는..

이 글은 VoiceStar가 무엇인지, 왜 기존 제로샷 TTS보다 한 단계 더 주목받는지를 정리한 글입니다. 특히 “목소리만 비슷하게 복제하면 끝 아닌가?”가 아니라, 원하는 길이에 맞춰 음성을 만들고, 학습 때 본 것보다 더 긴 구간까지 안정적으로 생성하는 문제를 어떻게 다루는지에 초점을 맞춥니다. (arXiv)최근 TTS는 품질만으로는 차별화가 어렵습니다. 실무에서는 발화 길이 제어, 긴 문장 안정성, 말이 밀리거나 끊기지 않는 정렬, 빠른 테스트 환경이 더 중요해집니다. VoiceStar는 이 지점에서, 논문 기준으로 제로샷 TTS에서 duration control과 extrapolation을 동시에 달성한 첫 모델로 소개됩니다. (arXiv)이 글은 이런 분께 도움이 됩니다.제로샷 TTS를 처음 ..

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 ..

이제는 AI 한 명이 아니라, 협업하는 AI 팀을 설계할 때다불과 얼마 전까지만 해도 개발자에게 필요한 AI는 “질문에 잘 답하는 챗봇 하나”였습니다. 그런데 2026년의 흐름은 확실히 다릅니다. 지금 커뮤니티가 주목하는 건 더 똑똑한 단일 모델이 아니라, 역할이 다른 여러 에이전트를 어떻게 조합하고 협력시킬 것인가입니다. dev.to에서 화제가 된 CopilotKit + LangGraph 조합은 바로 이 지점을 겨냥합니다. 하나의 거대한 프롬프트로 모든 걸 해결하려는 대신, 요약 에이전트, 질의응답 에이전트, 코드 생성 에이전트를 분리하고 그래프 형태로 연결해 실서비스에 가까운 구조를 만듭니다. LangGraph는 장기 실행·상태 관리·복구 가능한 워크플로를 위한 오케스트레이션 프레임워크이고, Copi..

AI 코딩 도구를 오래 써본 개발자일수록 어느 순간 비슷한 문제를 겪습니다.모델이 똑똑하지 않아서가 아니라, 너무 많은 터미널 출력이 컨텍스트를 잡아먹기 때문입니다.git status, cargo test, npm install, docker logs 같은 명령은 사람에게도 장황한데, LLM에게는 더 치명적입니다. 중요한 건 실패 원인 한 줄인데, 실제로는 수백 줄의 부가 로그가 같이 들어갑니다. RTK는 바로 그 지점을 찌릅니다. 명령 자체를 바꾸는 것이 아니라, 명령 출력이 LLM에게 전달되기 전에 압축하고 정리하는 프록시 계층을 둬서 세션을 더 길게, 더 싸게, 더 안정적으로 만드는 도구입니다. RTK는 Rust로 작성된 단일 바이너리 CLI이며, 저장소 설명 기준으로 일반적인 개발 명령에서 LLM..

GPT-4급 API 없이도 된다9B 로컬 모델을 멀티스텝 에이전트로 바꾼 10가지 아키텍처 최적화작은 모델은 원래 “말은 그럴듯하게 하지만 끝까지 일을 완수하진 못하는” 경우가 많습니다.특히 로컬 환경에서 돌리는 7B~9B급 모델은 채팅은 가능해도, 파일을 읽고, 툴을 부르고, 중간 결과를 정리하고, 다시 다음 행동을 선택하는 에이전트형 작업으로 들어가면 금방 흔들립니다.그런데 최근 한 실험이 꽤 흥미로운 메시지를 던졌습니다.더 큰 모델로 갈아타지 않고도, 그리고 비싼 API를 붙이지 않고도, 아키텍처를 잘 설계하면 9B 로컬 모델도 실제 작업을 끝내는 에이전트처럼 동작할 수 있다는 겁니다. 작성자는 qwen3.5:9b를 NVIDIA RTX 5070 Ti에서 돌리며, 프롬프트 구조화·툴 출력 압축·메모리..

AI 코딩 도구가 좋아질수록 역설적으로 팀의 개발 방식은 더 산만해진다.누군가는 Claude Code를 쓰고, 누군가는 Cursor를 쓰고, 또 누군가는 Codex나 OpenCode를 쓴다. 문제는 모델 성능이 아니라 프로젝트 맥락이 계속 흩어진다는 것이다. 규칙은 CLAUDE.md에 있고, 작업 문맥은 이슈에 있고, 지난 세션의 결정은 채팅창에 남아 있고, 다음 날 다시 열면 AI는 또 처음부터 설명을 요구한다.Trellis는 바로 이 문제를 겨냥한다. 새로운 에이전트 모델이 아니다. 더 똑똑한 IDE도 아니다. 대신 AI가 프로젝트를 이해하는 방식 자체를 파일과 워크플로로 구조화한다. 한마디로 말하면, “프롬프트를 잘 쓰는 법”이 아니라 “AI가 팀의 개발 프로세스를 따라오게 만드는 법”에 가깝다. ..

AI 코딩 에이전트가 좋아졌다고 해서, 바로 팀으로 일도 잘하는 것은 아닙니다.오히려 실무에서는 더 어려운 문제가 남습니다.“어떤 역할로 에이전트를 나눌지”, “어떤 순서로 협업시킬지”, “각 에이전트에게 어떤 스킬을 줘야 할지”, “정말 이 구성이 성능을 높였는지 어떻게 검증할지” 같은 문제입니다. Harness는 바로 이 지점에 들어옵니다. 이 프로젝트는 새로운 에이전트 런타임을 만드는 도구가 아니라, 도메인별 에이전트 팀과 스킬을 설계·생성하는 메타 스킬로 설계되어 있습니다. Claude Code 안에서 “이 프로젝트용 하네스를 만들어줘”라고 말하면, .claude/agents/와 .claude/skills/ 구조를 자동으로 만들어 주는 식입니다. (GitHub) GitHub - revfactor..

AI 코딩 에이전트가 점점 똑똑해지면서, 이제 문제는 “에이전트가 코드를 잘 짜는가”가 아니라 “그 에이전트를 팀 안에서 어떻게 운영할 것인가”로 넘어가고 있습니다. 채팅창에서 한 번 요청하고 끝나는 수준이 아니라, 이슈를 받고, 상태를 바꾸고, 댓글을 남기고, 실제 로컬 코드베이스에서 작업까지 수행하는 존재로 다뤄야 하기 때문입니다. Multica는 바로 그 지점을 겨냥합니다. 이 프로젝트는 AI를 보조 도구가 아니라 프로젝트 관리 시스템의 정식 팀원으로 끌어올리려는 시도입니다. (GitHub) multica/README.md at main · multica-ai/multicaContribute to multica-ai/multica development by creating an account on..

LLM이 텍스트를 범용적으로 다루기 시작한 뒤, 개발자들은 자연스럽게 같은 질문을 던지게 됐습니다. “시계열에도 GPT 같은 기반 모델이 가능할까?” TimesFM은 그 질문에 꽤 실용적인 답을 내놓은 프로젝트입니다. 전통적인 예측 모델처럼 데이터셋마다 새로 학습시키는 대신, 이미 사전학습된 시계열 파운데이션 모델을 가져와 바로 예측에 쓰는 흐름을 보여줍니다. (GitHub)이 저장소는 Google Research가 공개한 시계열 예측용 오픈소스 구현체입니다. 최신 공개 버전 기준으로 TimesFM 2.5를 중심으로 하고 있고, PyTorch와 Flax 백엔드를 모두 염두에 둔 구조를 가지며, Hugging Face에서 사전학습 체크포인트를 불러와 추론하는 방식으로 사용됩니다. 저장소 README는 이것..

오디오 생성은 이미지 생성보다 훨씬 까다롭습니다.이미지는 한 번에 2D 공간을 보면 되지만, 오디오는 아주 긴 시간축, 미세한 파형 변화, 장기 구조, 샘플레이트 변환, 텍스트 조건부 생성까지 한꺼번에 해결해야 합니다. 그래서 많은 프로젝트가 특정 태스크 하나에만 집중합니다.그런데 audio-diffusion-pytorch는 조금 다르게 접근합니다.이 프로젝트는 “텍스트로 음악 만들기” 같은 데모용 모델 하나를 내놓는 대신, 오디오 생성 실험에 필요한 공통 부품을 라이브러리 형태로 정리해 둡니다. 무조건 생성기만 있는 것이 아니라, 무조건 생성, 텍스트 조건부 생성, 업샘플링, 보코더, 오토인코더, 인페인팅까지 하나의 PyTorch 인터페이스로 묶어 둔 점이 이 프로젝트의 핵심입니다. (GitHub) ..

AI 코딩 에이전트 시대에 더 무서운 변화는 “새 기능을 빨리 붙이는 것”이 아닙니다.진짜 변화는 오래된 소프트웨어의 설계 한계를 더 이상 존중하지 않아도 된다는 데 있습니다.Cloudflare의 EmDash가 흥미로운 이유가 바로 여기 있습니다. WordPress는 여전히 웹의 거대한 비중을 차지합니다. 2026년 4월 기준 W3Techs 통계에서 WordPress는 전체 웹사이트의 약 43%대, 알려진 CMS 중 약 60% 안팎을 차지합니다. 그런데 그 성공의 대가로, 플러그인과 테마가 코어와 너무 깊게 얽힌 구조도 함께 굳어졌습니다. EmDash는 이 문제를 “운영 잘하자” 수준으로 덮지 않고, 애초에 플러그인이 위험해질 수밖에 없는 실행 모델 자체를 폐기합니다. (W3Techs)이 프로젝트가 왜 ..

@mariozechner/pi-coding-agent가 제공하는 pi CLI는 확장(extensions) 으로 동작을 바꿀 수 있습니다. 서드파티 패키지 pi-subagents 도 “npm 패키지 + package.json의 pi 메타데이터 + ExtensionAPI” 조합으로 구현된 확장입니다.이 문서는 확장이 무엇인지, 파일·패키지 구조, pi-subagents가 하는 방식, SDK에 끼워 넣는 방법까지 한 번에 정리합니다.공식 세부 스펙은 upstream pi-mono 의 extensions.md · packages.md 를 함께 보세요.1. 확장이란 무엇인가TypeScript 모듈 하나(또는 디렉터리의 index.ts)가 기본 내보내기(default export) 로 함수를 내보냅니다.그 함수는 ..

https://9to5mac.com/2026/03/30/apple-steps-up-crackdown-on-vibe-coding-apps-pulls-anything-from-the-app-store/ Apple pulls vibe coding app ‘Anything’ from the App Store - 9to5MacApple pulled vibe coding app ‘Anything’ from the App Store last week, citing a self-containment rule from its App Review Guidelines.9to5mac.com 1️⃣ 공식 이유: App Store 구조 자체를 깨기 때문애플이 근거로 든 건 App Review Guideline 2.5.2입니다.“..

4.1일자 추가 ComfyUI SeeThrough 가 오픈소스로 나옴SeeThrough 프로젝트를 ComfyUI로 이식한 버전입니다. 단일 2D 캐릭터 이미지를 눈, 머리카락, 팔다리 등 개별 구성 요소로 분할하여, Live2D 리그를 위한 단일 이미지 분해를 가능하게 합니다. https://github.com/jtydhr88/ComfyUI-See-through정적인 2D 캐릭터를 움직이게 만드는 일은 생각보다 “애니메이션”보다 먼저 “노가다”가 시작됩니다. 머리카락을 따고, 옷을 나누고, 팔 뒤에 가려진 몸통을 상상해서 메우고, 장신구가 어디 앞에 와야 하는지 다시 정리해야 하죠. 문제는 이 과정이 창의적인 작업이라기보다, 숙련된 사람이 오래 붙잡고 있어야 하는 반복 노동에 가깝다는 점입니다.See-t..