BLOG
직접 써보고,
이해한 것을 기록합니다.
원문과 코드를 읽고, 작동 원리를 풀어, 다음 개발 결정을 돕습니다.
최신 분석AlphaProof Code: Signal 증명에서 사람이 여전히 책임지는 것오늘의 브리핑
2026년 11월 10일 AI 데일리 브리핑- 01Vercel agent-desktop: 픽셀 좌표 대신 접근성 트리로 데스크톱을 조종하는 CLI
- 02GoogleChrome Modern Web Guidance: 코딩 에이전트의 낡은 웹 구현을 modern-api로 대체하는 CLI
- 03Glasswing 7개월 차: 37,966건 발견 중 217건 수정, 유지보수 부담은 유지보수 담당자에게
한날에 공개된 분석을 하나의 흐름으로 묶었습니다.
먼저 읽을 글
FEATURED ARTICLEMaxxBench: 테스트를 통과한 에이전트는 바뀐 요구사항도 지킬까
파일명에 소문자 조건 하나를 더하면 정답이 달라집니다. 벤치마크 점수 차이보다 중요한 것은 에이전트가 어떤 계약을 지켰는지입니다.
최근 글
RSS 구독 ↗AlphaProof Code: Signal 증명에서 사람이 여전히 책임지는 것
650만 줄의 Lean 증명보다 중요한 명세와 신뢰 가정을 살펴보고, 역사적 버그 재도입이 검증하는 범위를 구분한다.
AI EngineeringGoogleChrome Modern Web Guidance: 코딩 에이전트의 낡은 웹 구현을 modern-api로 대체하는 CLI
LLM 훈련 데이터에 낡은 코스가 방대하다면, 에이전트는 불필요하게 무거운 JavaScript를 생성한다. Modern Web Guidance는 250개 modern web feature와 203개 real-world use case를 로컬 임베딩으로 검색해 컨텍스트 윈도우에 주입하는 CLI다.
AI CodingHerdr CKD: Worktree 격리와 독립 검토는 다른 문제다
Herdr CKD의 Maker·Checker·Core 구조를 README 기준으로 분석하고, 다중 에이전트 평가에서 결함 탐지·반복 비용·통합 검증을 분리한다.
AI EngineeringNotion·Fireworks 사고: 사용자 라벨이 없어도 채팅은 민감하다
Notion 공식 공지의 통지 시점과 영향 범위를 구분하고, 추론 API 외에 분석·분류 경로에서 보존되는 채팅 데이터를 점검한다.
AI EngineeringStrands Decider의 티켓 비용 98% 절감: 모델보다 먼저 볼 평가 조건
Amazon의 E4B 전환 사례에서 가동률, 문맥 절단, 신뢰도 임계값과 DUAL 배포가 비용과 품질 판단에 미치는 영향을 분석한다.
AI EngineeringVercel agent-desktop: 픽셀 좌표 대신 접근성 트리로 데스크톱을 조종하는 CLI
스크린샷과 픽셀 매칭 대신, OS 접근성 트리를 JSON으로 읽어 요소별 참조 ID로 작동한다. Vercel Labs가 Apache-2.0으로 공개한 이 CLI는 AI 에이전트의 데스크톱 자동화를 좌표가 아닌 의미 단위로 바꾼다.
AI EngineeringGlasswing 7개월 차: 37,966건 발견 중 217건 수정, 유지보수 부담은 유지보수 담당자에게
Anthropic의 Project Glasswing이 7개월 만에 37,966개 발견을 보고했지만, 수정은 217건에 불과하다. 중복 1,654건, 철회 419건. OSS Scanner로 검증 부담이 유지보수 담당자에게 이전되었고, curl 프로젝트의 실제 평가 결과는 claimed 94.2% true positive rate와 크게 다르다.
AI EngineeringClaude Agent ACP 0.101: 세션 복원과 작업 관측은 다른 계약이다
0.101의 유휴 압축·모드 복원·v2 출력 스트리밍을 코드 변경과 연결합니다. 버전·프로토콜별 회귀 시나리오를 제안합니다.
AI Engineeringe-means: k-means를 10분의 1 epoch로 이기는 이동평균 업데이트
k-means는 1957년의 알고리즘이지만 여전히 풀배치로 돌아간다. e-means는 최신 딥러닝의 이동평균과 스케일링 법칙을 가져와 epoch 자체를 줄인다.
AI EngineeringFlide: 9.5배보다 먼저 확인할 상태 재사용의 조건
Flide의 공통 상태 분기와 모델별 비교 기준을 분석합니다. 속도보다 먼저 확인할 것은 독립 실행과의 결과 일치성입니다.
AI CodingGitHub Agentic Engineering: 코드 다음의 병목을 설계하는 법
GitHub의 Plan·Build·Verify·Observe 가이드를 검토하고, 코드 생성량 대신 검토 대기와 배포 후 피드백을 관리하는 기준을 제안합니다.
AI EngineeringTPU 8tx와 8i Max: 칩이 아니라 시스템을 파는 구글의 에이전트 인프라
8tx는 8t와 같은 실리콘을 쓰고, 8i Max는 8i 두 개를 한 패키지에 올린다. 구글이 파는 것은 칩이 아니라 시스템 봉투다.
AI EngineeringMuse Ember: 1M 컨텍스트와 $0.14/작업이 바꾸는 모델 라우팅
Muse Ember는 '가장 똑똑한 모델'이 아니라 '반복 작업을 가장 싸게 처리하는 모델'로 설계됐다. 라우팅 정책의 단위를 비용/성공 작업으로 바꿔야 한다.
AI EngineeringNext-Concept Modeling: 31배라는 수치 뒤의 생성 순서
계층 내부를 병렬 생성하는 NCM의 구조와 H100 측정 조건을 읽고, 생성 단계 수와 실제 지연시간의 차이를 설명합니다.
AI EngineeringNota AI의 1.58비트: 30B 모델을 10GB로 줄이고 89.4%를 되찾는 법
1.58비트는 파일 크기의 마법이 아니다. 60GB를 9.6GB로 줄인 뒤, 0점이 된 모델을 89.4%까지 되살린 회복 절차가 핵심이다.
AI EngineeringOptics: 113번의 복구 성공이 테스트 정답을 뜻하지 않는 이유
Qwen3.5-2B LoRA의 앱별 교차 검증과 Pixel 4a 실험을 분석합니다. 복구 모델과 테스트 정답 판정을 분리해야 하는 이유입니다.
AI Engineeringraea 0.1.0: React로 쓰고 GPU로 굽는 영상 엔진의 경계
한 장면을 React 컴포넌트로 쓰고, 같은 파일을 영상·게임·프레임 검사로 돌린다. raea 0.1.0의 구조와 측정값, 그리고 아직 검증되지 않은 경계를 분리합니다.
AI Coding승인한 명령이 비밀정보가 될 때: 에이전트 설정 파일의 수명
실행을 허용했다는 결정과 명령을 저장·공개해도 된다는 결정은 다릅니다. 비밀정보 검사는 코드 밖의 에이전트 산출물까지 따라가야 합니다.
Software EngineeringGitHub Rubicon: 5,000개 에이전트보다 중요한 참조 하나의 경합
초당 7,200회 푸시는 병합 능력의 수치가 아닙니다. 저장할 데이터와 순서를 합의할 상태를 나누면 병목이 보입니다.
AI EngineeringLoreKit의 메모리 제안: 기억을 읽기 전에 유효성을 설명할 수 있는가
어제 맞았던 메모를 오늘도 적용하려면 근거가 필요합니다. 메모리 검색률보다 먼저 기록의 범위와 수명을 설계하세요.
AI CodingMaxxBench: 테스트를 통과한 에이전트는 바뀐 요구사항도 지킬까
파일명에 소문자 조건 하나를 더하면 정답이 달라집니다. 벤치마크 점수 차이보다 중요한 것은 에이전트가 어떤 계약을 지켰는지입니다.
AI CodingClaude에서 Pi로: 코딩 에이전트를 바꿀 때 모델보다 먼저 고정할 것
프롬프트가 짧다고 일이 더 빨리 끝나는 것은 아닙니다. 도구 구성과 검증 비용을 고정해야 하네스 전환의 효과를 볼 수 있습니다.
AI Coding오래된 TODO가 코딩 에이전트를 딴길로 보낸다: Google 'Agent Distraction' 분석
세션의 13%가 버그 참조 TODO에 노출됐고, 그중 6%에서 에이전트가 그 버그를 쫓았습니다. 사람은 건너뛰는 주석을 에이전트는 '할 일'로 읽습니다.
AI Engineering에이전트 메모리는 얼마나 저장하느냐보다 어떻게 정리하느냐: Anthropic 'The components of agent memory' 분석
메모리를 붙이면 점수가 오르지만 모델마다 폭이 다르고, 틀린 노트는 모든 세션에 퍼집니다. Anthropic 글에서 설계에 쓸 수 있는 것만 추렸습니다.
AI CodingClaude Code 2.1.319: 승인 대기 대신 거부하는 설정과 MCP 백그라운드 작업, 무엇을 테스트할까
승인 프롬프트를 기다리는 대신 거부하고 다음 턴으로 넘어가는 설정이 생겼습니다. 무인 실행 하네스라면 동작이 달라지는 지점을 먼저 확인하세요.
AI CodingCodex 0.167·Copilot CLI 1.0.107·Gemini CLI 0.67·Kilo 7.8.27: 이번 주 CLI 에이전트 릴리스에서 실제로 바뀐 것
새 기능 셋과 '변경 없음' 하나. 릴리스 노트가 실제로 말하는 것과 말하지 않는 것을 구분해 읽었습니다.
AI EngineeringFirecracker CVE-2026-122192: 스냅숏 복원 VM을 쓰는 에이전트 샌드박스가 점검할 것
영향 조건은 좁습니다. 스냅숏에서 복원한 VM, File 메모리 백엔드, balloon 또는 virtio-mem 장치가 겹칠 때입니다. 내가 그 구성인지부터 확인하세요.
AI EngineeringInkling 2 Small: 594B MoE 코딩 모델의 벤치마크를 우리 저장소에서 검증하는 법
벤치마크는 모두 발표한 쪽의 측정입니다. 평가 조건이 effort 0.99, 최대 100만 토큰 궤적이라는 점부터 읽어야 합니다.
AI Engineering2만 1천 달러로 학습한 이미지 모델 P-JiT: 비용 숫자가 말해 주는 것과 말해 주지 않는 것
$21,038은 GPU 대여비 기준입니다. 평가는 검증 손실과 샘플 갤러리뿐이고, 텍스트 렌더링은 아예 못합니다.
AI CodingClaude Code의 User-Agent 이메일 노출 이슈: 2.1.317 보호 모드가 다룬 것과 남은 틈
에이전트가 보내는 HTTP 요청은 개발자 눈에 잘 보이지 않습니다. 이 이슈는 그 요청 헤더가 개인정보를 실어 나를 수 있다는 점을 보여줍니다.
Software EngineeringGitHub Copilot 런타임을 Rust로 옮긴 방법: 80만 줄 재작성에서 읽을 수 있는 것
Node.js를 없앤 이유는 단순합니다. 그보다 흥미로운 것은 한 번에 갈아엎지 않고 모듈 단위로 바꾼 방식과, 원문이 밝힌 규모입니다.
AI EngineeringOllama v0.40.14: OpenAI 호환 API에서 모델의 샘플링 기본값을 존중해야 하는 이유
클라이언트가 temperature를 보내지 않으면 어떤 값이 쓰이는지에 따라 같은 모델의 답이 달라집니다. v0.40.14는 그 기본값을 모델이 가진 값으로 되돌렸습니다.
AI EngineeringAnthropic AI for Science: 과학 연구에 Claude를 쓰는 패턴과 한계
20개 과학 기관과 파트너십, 약물 개발 가속화 초기 단계, Genesis Mission 3년간 1.5억 달러. Claude가 과학 연구에 쓰이는 패턴을 정리합니다.
AI EngineeringGPT-6 Cyber: 모델이 직접 취약점을 찾고, exploitable 한 것만 검증하는 구조
ExploitGym 48.5%, 99.93% 범위 준수, 948개 Linux exploit, 81개 Firefox 취약점. 숫자보다 중요한 건 모델이 어디까지를 '범위'로 인정하는가입니다.
AI EngineeringDaybreak Red AWS GovCloud: 정부 보안 팀을 위한 Frontier 모델 접근
GPT-5.6 Cyber를 AWS GovCloud (US-East)에서 Bedrock로 제공. Daybreak Red 승인 + AWS provisioning 필요. 추론 데이터는 학습에 사용되지 않습니다.
AI EngineeringImages 2.6: 50% 빠른 생성, GIF 스프라이트 시트, API 이미지 마크업
주 40억 장, 50% 빠른 생성, 6초 저품질. 숫자보다 중요한 건 character consistency와 editing round를 줄이는 것입니다.
AI EngineeringMIT CSAIL — 신경망 가중치 0.016% 수정으로 성능 40%p 점프
전체 가중치의 0.016%만 수정해 점수를 40%p 높인다는 주장은 통계적 노이즈일 가능성도 있다. 1차 출처 확인 전, 발표된 수치만 정리한다.
AI EngineeringOpenAI이 Pierre를 인수하는 이유: 에이전트 시대의 소스 컨트롤
OpenAI이 Pierre Computer Company를 인수합니다. Codex 앱에서 이미 쓰이는 Trees와 Diffs 라이브러리의 소유주가 바뀌는 것일까요, 에이전트 시대의 소스 컨트롤 표준을 다시 쓰는 것일까요?
AI Engineering로컬 Qwen 27B로 가중치만 보고 게임을 3개 맞혔다
로컬 27B 모델로 46~65분 추론해 3/4 성공. Freeway 실패 원인과 로컬 추론 비용은 실제 도입을 판단하는 핵심 데이터다.
AI EngineeringAstra가 가중치를 읽고 쓴다? 실험 표 하나에 숨겨진 8가지 기술
headline은 '단순히 가중치를 읽은 것'이지만, 실제headline 실험은 Python 코드를 실행하고 모델을 50회 돌립니다. 다른 실험 방법의 결과를 한 번에 발표한 이유를 살펴봅니다.
Software EngineeringGitHub Actions, 12월부터 pull_request_target가 기본적으로 차단됩니다
GitHub이 12월 2일 public 저장소에서 pull_request_target를 기본적으로 차단합니다. 11월 9일과 16일 brownout 기간에 영향을 받는 워크플로를 확인하고, workflow file targeting으로 특정 워크플로만 허용하는 방법을 정리합니다.
AI EngineeringMIT CSAIL — AI가 신경망 가중치 0.016%만 직접 수정
GPT-6 Astra로 Qwen3.5-0.8B 가중치 131,072개 수정, MATH-500 7.9% → 48.1%. 공식 발표문 확인 불가, 1차 출처 보류.
AI EngineeringNVIDIA Auto Ontology: 벡터 검색이 실패하는 지점에서 시작하는 검색
Auto Ontology는 유료 엔터프라이즈 제품이며 공식 오픈소스 리포지토리가 없습니다. 대신 Aiven의 커뮤니티 데모에서 실제 동작 방식을 확인하고, 벡터 검색과 ontology 검색의 구조적 차이를 비교합니다.
AI CodingOctomind는 왜 같은 모델로 24/25을 풀까: 모델보다 하네스가 중요한 이유
모델 이름만으로는 코딩 에이전트의 실제 성능을 판단할 수 없습니다. Octomind의 benchmark는 동일한 glm-5.2 모델로 하네스 A가 24문제, 하네스 B가 19문제를 푸는 차이를 보여줍니다.
Software EngineeringPostgreSQL 19 RC 1: AI 버그 제보 증가 속, 1,169개 수정 커밋이 던지는 질문
PostgreSQL 19 RC 1이 10월 15일 출시되었습니다. AI 도구로 발견된 버그가 수정 커밋을 724개에서 1,169개로 늘렸다는 분석은 확정적 검증이 아닙니다. RC 1의 실제 변경 사항과 GA 11월 19일 예정 시점을 확인합니다.
AI EngineeringCua (Computer-Use 2.0): 에이전트가 컴퓨터를 '사용'하는 방법
에이전트가 마우스를 움직이는 시대를 넘어, 백그라운드에서 컴퓨터를 조작하는 인프라가 등장했습니다.
AI CodingHeadroom (78k★): AI 에이전트의 컨텍스트를 압축하는 프록시
에이전트의 컨텍스트 윈도우를 효율적으로 쓰는 방법. 프록시 기반 압축과 verbosity steering이 만나는 지점.
AI EngineeringHindsight (58k★): 에이전트 메모리가 학습하는 방법
단순 벡터 검색을 넘어, 에이전트 메모리가 경험을 쌓고 모델을 형성하는 biomimetic 시스템.
Software Engineeringnibnib: 마이크로컨트롤러용 4bpp 이미지 압축, 6 사이클에 픽셀 두 개
6 사이클이라는 예산 안에서 픽셀 페치, 팔레트 룩업, 스토어를 모두 처리해야 하는 임베디드 환경의 절박함이 만든 포맷.
AI EngineeringSuperagent SDK: AI 에이전트 보안, API가 아닌 코드에 심는 이유
에이전트 보안은 API로 막을 수 없습니다. 코드 안에 직접 심어야 합니다.
AI CodingAI 코딩 비용 1.9배 차이: 프레임워크를 바꾸기 전에 확인할 분모
Nolan Lawson의 12개 스택 실험에서 API 환산 비용과 성공 표본을 구분합니다. 1.86배의 의미, 재작성 손익분기점, 팀에서 비교할 평가 설계를 설명합니다.
AI ProductivityChatGPT·Codex 사용량 통합 예고: 12월 전후에 비교할 작업 기록
OpenAI가 예고한 Plus·Pro·Business 사용량 통합에서 확정된 범위를 확인하고, 토큰·API 가격·구독 허용량을 섞지 않는 비교 기록법을 제안합니다.
AI CodingOpenQodex의 별도 리뷰어: 승인보다 먼저 확인할 변경 스냅샷
OpenQodex의 작성·발견·검증 단계를 해설하고, 리뷰 완료와 무결함의 차이, 변경 스냅샷 연결, 팀에서 측정할 추가 결함 발견율을 정리합니다.
AI EngineeringTrigger.dev 환경변수 노출: 키 교체가 끝나도 확인할 실행 주체
Trigger.dev의 11월 1일 공지에서 확인된 사실과 미확인 범위를 구분하고, 자격증명 교체 뒤 작업·재시도·로그를 확인하는 대응 표를 제안합니다.
AI EngineeringJEPA가 증명하는 것: 플라톤 표현 가설을 수식으로 다시 쓰는 이유
다른 모달리티로 학습한 모델이 같은 표현으로 수렴하는가. 플라톤 표현 가설을 명제가 아닌 정리로 바꾸는 JEPA의 증명을 따라갑니다.
Software EngineeringChatGPT 공유 링크 취약점: MathLive postMessage 체인으로 계정 탈취한 이유
수학 키보드 라이브러리와 iframe CSP 우회가 만나면 공유 링크가 계정 탈취 경로가 됩니다. 10월 26일 $5천 달러 버그 바운티로 패치된 사연을 따라갑니다.
AI EngineeringMemdoor가 daemon으로 돌리는 이유: 에이전트 간 마름모꼴 통신을 로컬에서 재현해 보기
에이전트가 서로 직접 말하지 않고, 데몬을 통해 메시지를 주고받는 구조가 왜 필요할까요. memdoor의 설계와 로컬 재현을 따라갑니다.
AI CodingHerdr는 데스크톱 앱이 아니다: 여러 코딩 에이전트의 터미널 수명을 읽는 법
창을 닫아도 작업이 계속되는 것과, 재부팅 후 실행 중이던 프로세스가 복원되는 것은 전혀 다른 이야기입니다.
AI CodingRepo Transplant가 Claude Code에 던지는 질문: URL 한 줄과 문장 하나로 기능을 다시 찾는 법
다른 저장소의 URL과 설명 한 줄로, 기존 코드의 기능을 찾아 다시 빌드할 수 있을까. repo-transplant의 아이디어와 로컬 재현을 따라갑니다.
AI EngineeringLangGraph SDK 0.4.11이 고친 것은 실행이 아니라 스트림의 기억이다
에이전트가 작업을 끝냈는데 화면이 그 사실을 놓칠 수 있습니다. 이번 수정은 모델 실행이 아니라 이벤트 스트림의 재개 지점을 다룹니다.
AI EngineeringLean 창시자가 말한 AI 코드의 빈칸: ‘검증됐다’보다 먼저 물을 세 가지
증명이 통과해도 원하는 동작을 증명한 것은 아닐 수 있습니다. AI 코드 시대에 남는 일은 코드 작성보다 명세를 소유하는 일입니다.
AI EngineeringNESformer: 6502 CPU를 Qwen3.5 가중치에 ‘컴파일’한다는 것
학습이 아니라 컴파일이다. 모델의 상태 행렬을 메모리 셀로 쓰는 방식과, 실제 게임기 대비 남는 속도 격차를 읽어봅니다.
AI CodingProspero가 C++로 다시 만든 코딩 하네스: 메모리보다 먼저 볼 것은 종료 조건
하네스가 밤새 멈춰 있는 이유는 모델이 아니라 기다림에 있습니다. Prospero가 택한 타임아웃과 프로세스 정리 규칙을 따라가 봅니다.
AI Engineeringcc-token-ledger가 보여주는 것: 날짜·에이전트·모델별 토큰 사용량 테이블을 직접 만들어 보기
에이전트별로, 모델별로, 날짜별로 토큰 사용량을 나누어 보면 예상과 다른 지점이 보입니다. cc-token-ledger의 아이디어와 로컬 재현을 따라갑니다.
Software EngineeringCursor의 Claude Code 확장 침해: 업데이트와 호스트 복구는 다른 일이다
모델의 도구 승인을 강화해도 변조된 확장을 막지는 못합니다. 설치 이력과 호스트 증거를 함께 확인해야 하는 이유입니다.
AI EngineeringGemini 4 Carbon의 두 가지 59점: 지능 1위가 코딩 에이전트 1위는 아니다
같은 59라도 서로 다른 지수입니다. 모델·하네스·추론 설정이 함께 바뀌는 순위를 실제 개발 도구 선택에 사용하는 방법입니다.
AI EngineeringYC의 Minecraft 에이전트 50개: 메시지 5,900건으로 알 수 없는 것
대화가 저장됐다는 사실과 일이 완료됐다는 사실은 다릅니다. Minecraft 실험을 실제 코드의 상태 관리 문제로 옮겨 읽습니다.
AI EngineeringCopilot Automations의 자기 개선: 수용률이 올라가도 리뷰는 나빠질 수 있다
쉽게 수용되는 의견만 남기면 지표는 좋아질 수 있습니다. 운영 피드백을 학습 신호로 쓰기 전에 분모와 놓친 결함을 기록하세요.
AI EngineeringFoundry Copilot harness: 재시작되는 에이전트와 한 번만 생성할 보고서
프로세스를 다시 띄우는 기능만으로 보고서 중복은 사라지지 않는다. 관리형 런타임 도입 전에 정할 작업 ID와 복구 책임.
AI EngineeringGemini 4 Carbon 보안 점수 읽기: 88.2%·54.8%·71.0%의 분모는 다르다
세 점수의 평균은 보안 성능이 아닙니다. 발견, 재현, 수정이 어떤 증거로 연결되는지 확인해야 합니다.
AI EngineeringGitHub Agentic Workflows 정식 출시: .lock.yml에서 확인할 권한 경계
에이전트가 읽기 전용이어도 워크플로 전체는 쓸 수 있습니다. 생성된 YAML에서 누가 무엇을 실행하는지 확인하세요.
AI EngineeringGitHub AI 앱 보안 스캐닝: PR 경고와 도구 실행 권한은 별개다
프롬프트 인젝션 경고를 읽는 것과 실제 전송을 차단하는 것은 다른 일입니다. 모델 밖의 권한 검사를 확인하세요.
AI CodingCopilot Fusion GA: ‘절반의 비용’을 우리 작업에서 검증하는 방법
초안이 싸도 승격이 잦으면 전체 비용은 커집니다. Fusion의 발표 수치를 팀의 절감률로 바꾸기 전에 기록할 것들.
AI CodingThinkRail이 에이전트마다 git worktree를 주는 이유: 병렬 작업의 충돌은 어디서 나는가
worktree는 파일 덮어쓰기를 막아 줄 뿐, 설계 충돌은 막지 못합니다. 두 에이전트가 같은 SPEC.md를 고치면 어떻게 되는지 실행해 봤습니다.
AI EngineeringLangGraph 1.2.18: 저장된 체크포인트와 클라이언트가 본 상태의 간격
체크포인트를 저장했다고 클라이언트도 최신 상태를 안다는 뜻은 아닙니다. 마지막 이벤트와 스냅샷 주기를 함께 검토할 이유.
AI Engineering로컬에서 돈다는 것과 안전하다는 것은 다르다: PaperPilot의 localhost 게이트웨이를 소스로 확인해 봤다
'모든 출처 허용'이라는 지적은 제가 본 소스와 달랐습니다. 다만 접두사 검사라는 다른 허점이 있었습니다. 어떻게 확인했는지 정리합니다.
AI EngineeringUnlimited-OCR 2: 페이지 윈도를 줄이면 RAG의 근거도 달라진다
메모리가 일정하다는 설명만으로 100페이지 파싱을 승인할 수 없다. 윈도 경계의 표와 원문 페이지 추적을 함께 검사해야 한다.
AI Engineering도구 호출 스키마 정확도 92%가 100%가 된 방법: Ubicloud의 vLLM 제약 디코딩 사례를 읽는 법
100%가 된 것은 도구 호출의 형식 정확도입니다. 같은 팀이 업스트림으로 옮기자 91%로 돌아간 이유가 이 글의 핵심입니다.
Software EngineeringBrotli CVE-2026-111497: import하지 않아도 Python HTTP 클라이언트가 영향받는 이유
코드에 import brotli가 없어도 패키지가 설치돼 있으면 HTTP 클라이언트가 디코더를 씁니다. 확인할 버전과 순서를 정리했습니다.
AI Engineering거절된 요청이 남의 KV 캐시를 읽었다: Cloudflare GLM-5.3 사고에서 배울 점검 항목
컨텍스트 길이는 104만 토큰인데 KV 풀은 68만 토큰이었습니다. 거절돼야 할 요청이 HTTP 200으로 남의 데이터를 본 경로를 따라갑니다.
AI Engineering탐지 규칙을 쓰라고 했더니 외부 업로드를 시도했다: Cohere가 본 Qwen3.8-Flash-Next와 에이전트 격리
모델은 보안 평가 중 /tmp 목록을 확인하고 외부 저장소로 PUT 요청을 보냈습니다. 막은 것은 모델 설정이 아니라 컨테이너 벽이었습니다.
AI CodingFarol: AI 코드 리뷰 뒤에 PR의 어디부터 읽을지 정하는 정적 분석
변경된 함수 하나가 어느 화면과 작업에 닿는지 알면 리뷰 순서가 달라집니다. 단, 점수는 장애 확률이 아닙니다.
AI EngineeringGitHub Copilot Fusion: 모델 교체보다 실행 계층이 중요해진다
GitHub Copilot Fusion은 단일 모델 코딩 어시스턴트에서 다중 모델 오케스트레이션으로의 전환을 의미합니다. 모델 자체가 아니라, 어떤 모델이 어떤 환경에서 어떤 도구로 어떤 권한으로 실행되는지가 중요합니다.
AI Engineeringgpu-unlock: RTX 30 BF16 157 TFLOPS 주장, LLM 추론에서는 어디까지 의미 있나
행렬곱 성능이 두 배 가까이 늘어도 토큰 생성 속도는 그대로일 수 있습니다. 숫자가 측정된 조건과 병목을 나누어 읽습니다.
AI Engineering1.7B 모델의 BFCL V4 71.39, 어디까지 믿고 어디에 쓸까: Liquid AI LFM3-1.7B 모델 카드 읽기
도구 호출과 지시 따르기에서는 강하고, 지식·코딩에서는 약합니다. 모델 카드의 표 26줄을 세어 보면 쓸 곳이 보입니다.
AI CodingType Server Protocol 읽기: Pylance가 타입 검사기를 갈아 끼울 수 있게 만든 JSON-RPC 계약
TSP의 핵심은 타입 질의보다 스냅샷입니다. 낡은 스냅샷에는 -32802가 돌아오고, 클라이언트는 새 스냅샷으로 다시 물어야 합니다.
AI Engineering1억 8천만 줄의 증명보다 중요한 것: Anthropic×Theorem 결과를 읽는 법
‘123개 라이브러리를 검증했다’는 문장은 ‘버그가 없다’와 같지 않습니다. 증명의 가치는 명세와 전제에 있습니다.
AI Engineering에이전트마다 microVM, 그런데 비밀은 샌드박스 밖에: Google Agent Compute Engine 해설
핵심은 microVM이 아니라 ‘샌드박스 안에 훔칠 비밀이 없다’는 설계입니다. 권한은 여전히 밖에 있습니다.
AI CodingKimi K3.1 Pro의 65.7%: 숫자보다 먼저 벤치마크의 하네스를 확인해야 하는 이유
65.7%와 66.4%는 동일 하네스에서 다시 측정한 비교가 아닙니다. 모델 교체 전 실패 비용까지 세는 방법을 정리합니다.
AI Engineering에이전트가 DNS로 외부와 통신한 2시간 44분: OpenAI 격리 강화에서 배울 것
모니터는 12분 만에 잡았고 사람은 15분 만에 확인했다. 실행은 2시간 44분 뒤에야 멈췄다. 격리는 탐지가 아니라 정지 경로의 문제입니다.
AI EngineeringClaude Duet: 먼저 말을 거는 에이전트의 핵심은 승인 경계다
에이전트가 먼저 일할수록 중요한 것은 대화 UI가 아니라, 어떤 행동을 언제 멈추고 누구에게 승인받는가다.
AI EngineeringClaude Security의 연속 스캔: '고침' 표시와 실제 배포 사이의 간격
연속 스캔은 탐지의 문제가 아니라 상태 관리의 문제입니다. '고침'은 코드 수준의 주장이고, 배포 증거는 별도입니다.
Software EngineeringLiteLLM 1.107.0 공급망 사고: Git 태그가 깨끗해도 wheel은 안전하지 않다
Git 태그는 깨끗했습니다. PyPI에 올라간 wheel은 달랐습니다. 실행되는 artifact를 검증하지 않으면 소스 리뷰는 안전을 보장하지 못합니다.
AI CodingOpenAI CLI v1.40.0: 새 도구가 아니라 API 작업을 셸에 고정하는 방법
v1.40.0은 두 가지 작은 변경을 담은 포인트 릴리스입니다. 중요한 것은 그 아래에 있는 안정적인 API 명령 표면입니다.
AI EngineeringOpenAI 모델이 Google Cloud에 오기 전에 확인할 것: private preview의 경계
이 발표는 모델 성능 뉴스가 아니라 조달과 거버넌스의 변화입니다. 일반 제공과 private preview를 먼저 구분해야 합니다.
AI EngineeringOpenAI 에이전트가 모니터링을 약화시킨 두 사고: 작업 성공과 안전 준수를 분리하는 법
에이전트는 작업을 끝냈고, 모니터는 돌았습니다. 사람에게 가는 알림만 꺼졌습니다.
Software EngineeringPHP 8.5.12 긴급 패치: php2shell RCE는 왜 앱 코드 밖에서 터지는가
이 취약점은 애플리케이션 코드가 아니라 PHP 요청 수명주기 안에 있습니다. 업데이트만이 완전한 해결책입니다.
AI EngineeringDeepInfer 공개: DeepSeek 추론 엔진에서 실제로 열린 것과 빠진 것
공개된 것은 완성된 서비스가 아니라, 모델을 빠르게 돌리는 부품과 그 설계도다.
AI EngineeringWhatsApp 도움말에 숨은 AI 지시문: 프롬프트 인젝션보다 먼저 볼 것
화면에 보이지 않는 문장이 모델 입력에는 들어갔다. 문제는 그 문장을 누가, 어떤 권한으로 읽었는가다.
AI Productivity주니어 기술 채용 27%→9%, 숫자보다 중요한 변화는 따로 있습니다
한 회사의 숫자를 노동시장 전체의 법칙으로 읽으면 안 됩니다. 하지만 채용 기준이 바뀌는 신호는 읽을 수 있습니다.
Software EngineeringGitHub Git 인증 문제: 에이전트 시대의 인프라 취약점
GitHub의 Git over HTTPS 인증 문제는 작은 인프라 업데이트처럼 보이지만, 병렬 에이전트 개발이 증가하는 시점에서는 중요한 신호입니다. fetch·push 재시도, 백오프, 중복 실행 방지를 점검해야 하는 이유를 설명합니다.
AI Engineering모델을 바꾸지 않고 에이전트를 고치는 두 개의 루프
성능을 올리는 방법이 모델 교체만은 아닙니다. 하네스를 고치는 루프에는 어떤 조건이 필요할까요.
AI Engineering생각은 잠재 공간에서, 행동은 텍스트로: HybridAgents가 바꾸는 에이전트 비용 구조
모든 생각을 토큰으로 말하지 않아도 된다면, 에이전트의 비용과 감사 가능성은 어떻게 바뀔까요.
AI Coding여러 코딩 에이전트를 한 화면에 모으면 무엇이 좋아지고, 무엇이 위험해지나
여러 에이전트를 한 화면에서 관리하는 편리함 뒤에는, 기본 권한과 원격 접근이라는 결정이 숨어 있습니다.
AI Engineering209M 파라미터 시계열 모델, ‘1위’보다 먼저 확인할 것
작은 모델이 벤치마크 1위를 했다는 말은, 내 시계열에서도 1위라는 뜻이 아닙니다.
AI ProductivityAI 비서는 환불을 받아오지 못한다 — 6개 에이전트가 15일 동안 한 일
목표를 끝까지 추구한다는 능력은, 멈출 줄 모른다는 위험과 같은 동전의 양면이었습니다.
AI EngineeringDeepSeek Search·Fetch API: 에이전트에 최신 웹을 붙이는 값싼 방법
검색과 본문 추출이 토큰이 아니라 요청 단위로 과금된다. 에이전트에게 웹을 붙이는 계산법이 바뀐다.
AI EngineeringJev와 트롤리 딜레마: 빠른 결정 모델은 윤리관을 가질 수 있는가
빠르고 저렴한 결정 모델이 생사의 선택을 만났을 때, 답을 정한 것은 윤리가 아니라 프레임이었다.
AI EngineeringLean 4.35: AI가 만든 증명을, 여러 커널로 다시 검사한다
AI에게 증명을 맡기는 시대에 남는 질문은 하나다. 그 증명을 누가, 무엇으로 다시 검사하는가.
AI Coding리눅스 커널은 AI 사용 표기를 왜 걷어냈나 — 기준은 도구가 아니라 이해
AI를 썼는지는 더 이상 커밋 메시지에 남지 않습니다. 코드를 이해하는지는 여전히 남습니다.
Software EngineeringPele: Mermaid 다이어그램을 CSS로 꾸미는 경량 SVG 렌더러
LLM이 뱉은 Mermaid 한 줄을 웹에 그대로 얹으려면, 가볍고 테마를 따르는 렌더러가 필요하다.
AI Productivity개발자의 일은 코드 검토에서 QA·설계로 이동한다
코드가 빨라질수록 남는 질문은 하나다. 나는 그 코드를 계속 이해하고 있는가.
Software EngineeringPwnEscape: AI 에이전트 샌드박스에서 호스트 커널까지, 18년 묵은 가정 하나
microVM 벽은 멀쩡했습니다. 무너진 것은 그 벽이 아니라, 2008년부터 당연하게 여겨 온 커널의 가정 하나였습니다.
AI EngineeringSakana AI의 Agentic Scientist: task.md 하나로 실험·Ablation·논문까지
새 모델이 아니라 오케스트레이션 계층입니다. 코딩 에이전트를 실험자로 부리는 순서와 봉인 절차가 이 시스템의 본체입니다.
AI CodingSphinx: AI 코드 이해도 질문과 Git 훅의 경계
퀴즈를 통과한 코드도 중복 실행될 수 있습니다. 실패 조건을 설명하는 능력과 배포를 통제하는 장치를 나누어 봅니다.
AI Engineering웹사이트가 AI 에이전트에게 문을 닫기 시작했습니다
에이전트의 가치는 접근할 수 있는 곳의 수에 비례합니다. 그 수가 지금 줄고 있습니다.
AI CodingAI가 쓴 코드를 어떻게 검토할까: Claude Code 팀의 코드 리뷰 6계층
리뷰를 없앤 게 아니다. 사람이 읽는 일을 기계로 옮기고, 되돌리기 쉽게 만들었을 뿐이다.
AI EngineeringDeepSeek V4.1 Flash 1017: 코딩 에이전트 점수는 왜, 얼마나 올랐나
모델은 그대로, 날짜만 바뀌었다. 그런데 터미널 작업 완료율은 31.2에서 42.3으로 뛰었다.
AI ProductivityFLUX 3 Image Klein: 5.6B 오픈 웨이트, 8GB GPU에서 돌아가는 이미지 모델
이미지 모델의 경쟁이 '얼마나 잘 그리나'에서 '어디서 돌아가나'로 옮겨가고 있다.
AI Engineeringllmspeed: GPU를 사기 전에 로컬 LLM 속도를 '느껴보는' 도구
로컬 LLM의 성능은 '모델이 똑똑한가'가 아니라 '메모리에 들어가고, 대역폭이 받쳐주는가'로 결정된다.
AI ProductivityUltramarine 1 Flash: '작업당 0.13달러'를 말하는 지식 노동 모델
정답이 없는 업무를 어떻게 학습시킬까. 그 답이 '작업당 0.13달러'라는 숫자로 돌아왔다.
AI Productivity8초면 끝난다: Krea 3가 바꾸는 이미지 편집의 속도와 비용
편집 품질 경쟁이 끝나고, 수정 사이클의 속도와 비용 경쟁이 시작됐다.
AI Engineering24B 중 2B만 깨어난다: Liquid AI의 온디바이스 에이전트 모델 LFM2.5-24B-A2B
24B의 지식, 2B의 속도. 로컬 에이전트의 균형점이 어디인지 보여주는 모델.
AI Engineering816B 모델이 책상 위로: Muse Spark Open과 맥 스튜디오 4대의 로컬 추론
816B가 책상 위에 올라왔다. 단, 맥북 한 대로는 아니다.
AI Engineering모델은 그대로, 하네스는 스스로 진화한다: 'Self-Evolving Agent Harness' 논문 읽기
에이전트 개선의 병목은 지능이 아니라 검증이다.
AI Coding게임 자체가 하네스다: AI가 게임을 이해하게 만드는 설계
AI가 게임을 못 고치는 건 모델 탓이 아니다. 게임이 AI에게 자신을 설명하지 못해서다.
AI Productivity90페이지 보고서가 90초 만에 발표자료가 된다 — 근거까지 함께
빠른 생성보다 어려운 건 원문과 숫자가 일치하는 것. 발표자료 자동화의 진짜 조건.
AI Engineering양식이 바뀌어도 스스로 배우는 문서 처리 에이전트 8종
새 공급사의 양식이 와도 템플릿을 만들지 않는다. 에이전트가 규칙을 만들고, 실패하면 고쳐서 저장한다.
Software Engineering경고를 배정하면 CodeQL로 재검증까지: Agentic Autofix 정식 제공
AI가 보안 경고를 고치는 시대. 다만 '고쳤다'의 증거가 무엇인지까지 봐야 한다.
AI CodingHydraFusion Max: '모델 고르기'를 그만두는 코딩 에이전트의 업데이트
이제 선택은 모델이 아니라 흐름이다. 단계마다 다른 모델과 강도를 쓰는 코딩 에이전트의 현재.
AI Engineering에이전트가 클라우드 보안을 고치게 하려면: Tamnoon Tami의 안전 경계 설계
경고 1,400만 건을 분석한 에이전트가 프로덕션을 고친다. 관건은 모델이 아니라 경계다.
AI EngineeringMoE 서빙 10%는 모델이 아니라 커널에서 나왔다
큰 모델 경쟁 뒤에서 커널 경쟁이 돈다. H200에서 처리량 10%, 첫 토큰 9%를 깎은 세 가지 손질.
AI CodingGemini 4 Argon 확대 제공: 종합 1위가 코딩 1위는 아니다
종합 1위 모델이 모든 코딩 시험에서도 1등은 아니다. Argon의 성적표를 업무별로 쪼개 읽는 법.
Software EngineeringAnthropic 키 실수 커밋, 이제 푸시 전에 막힌다
AI 에이전트가 커밋하는 시대, 키 유출은 사람이 아니라 플랫폼이 막아야 한다.
AI EngineeringGrok 4.7 추론 강도 실험: xhigh 18전승과 low의 1/8 토큰
다 생각하면 맞추지만 8배가 든다. 추론 강도를 에이전트 전체가 아니라 요청마다 고르는 법.
AI Engineering모델을 바꾸지 않고 AI 비용 90%를 줄인 9단계 파이프라인
비싼 모델이 답이 아니었다. 필요한 스키마만 고르는 9단계가 토큰 93%를 깎은 이유.
AI EngineeringAI 에이전트 시대의 랙 한 대: AMD Helion을 읽는 법
에이전트 인프라는 GPU만으로 안 된다. 도구 실행용 CPU 3만 개와 토큰 라우터가 한 랙에 들어온 이유.
AI EngineeringClaude 추론을 훔치는 공격을 1/100로 줄인 방법
모델 보안은 이제 인증을 넘어 추론 과정 지키기로. 10~100배 감소라는 숫자의 의미와 오탐 0.1%의 무게.
AI EngineeringTV 박스 15대로 AI를 돌린다는 것의 의미
아직 실제 복제 AI는 없다. 하지만 저성능 기기 15대가 하나의 모델을 돌린 실험이 IoT 보안의 전제를 바꾸는 이유.
AI CodingCopilot 관측 가능성의 새 기준: 필요한 것만 수집하기
AI 코딩 도구를 쓰면서도 소스코드 노출은 줄이고 싶다면. Copilot 텔레메트리를 항목별로 나누어 거두는 법.
AI CodingMuse Wonder는 왜 ‘오래 일하는 능력’을 파는가
코드 한 줄이 아니라 일을 끝까지 해내는 능력이 경쟁이 됐다. Muse Wonder의 기억과 집중을 내 작업으로 검증하는 법.
AI Engineering에이전트 자동결제를 운영으로 옮기는 법: AgentCore payments 세션·한도·감사
사는 결정은 에이전트에게, 쓰는 한도는 인프라에게.
AI EngineeringGPT-6.1 Sol Ultrafast: 빨라진 토큰과 6배 요금을 같이 보는 법
속도를 사는 선택은 감이 아니라 측정으로.
AI Engineering에이전트는 고쳐서 좋아지지 않는다, 돌려서 좋아진다: Kore.ai Autoloop
프롬프트 한 줄이 아니라 실패 경로를 고친다.
AI Engineering글 대신 확률을 내놓는 API: OpenAI Decisions API와 GPT-6 Luna
묻는 게 정해져 있으면 답도 정해진 모양이어야 한다.
AI EngineeringRAG에서 권한이 새면 답도 샌다: Quick·Bedrock의 실시간 ACL 검증
검색 정확도만큼 중요한 건 못 보는 문서를 안 보여주는 일.
AI EngineeringAWS DevOps Agent에 Review가 생겼다: 장애 조사 보고서를 채점하는 법
에이전트가 쓴 장애 분석 보고서의 품질을 검증하는 운영 방식이 중요해지고 있다.
AI EngineeringAWS Security Agent, 생성형 AI 앱을 위한 별도 침투 테스트 범위를 두다
AI 앱의 보안 검증이 웹 취약점에서 모델과 도구 사이의 실행 경계까지 넓어지고 있다.
AI CodingCopilot for JetBrains, 모델과 MCP 실행을 조직 차원에서 통제하다
에이전트가 어떤 모델로 시작하고 어떤 도구를 자동으로 켜는지가 팀의 설정이 되는 시대다.
AI EngineeringClaude가 경찰 제보 양식을 제출했다: 에이전트의 엉뚱한 실행을 막는 법
지시를 어긴 게 아니라, 금지하지 않은 걸 실행했다. 에이전트 사고는 거기서 시작된다.
AI EngineeringHaiku 5.5를 일하게 만드는 법: 분류·요약·서브에이전트 100건 실험
가격표가 아니라 배치표다. 싼 모델은 쓰는 게 아니라 엮는 것이다.
AI EngineeringClaude 사용 정책 개정, 새 모델이 아니라 실행 규칙이다
모델이 더 오래 일할수록, 허락과 기록이 제품이 된다.
Software EngineeringCodeQL 2.27.2로 PR에서 잡기: C++ 정규식·Rust 비동기·JS 워크플로 분석
AI가 짜준 코드도 머지 전에 기계가 한 번 더 읽는다.
AI CodingCopilot 코드 리뷰, 이제 조직이 돈 내고 문단속을 한다
AI 리뷰는 공짜처럼 보였지만, 청구서와 출입 명부는 따로 있었다.
AI CodingCopilot 로컬 샌드박스 정식 출시: /sandbox enable부터 켜야 하는 이유
에이전트가 명령을 실행하는 시대, 코딩 실력만큼 실행 공간이 중요하다.
AI Engineering확률 99%여도 자동 실행하면 안 된다: Decision AI 도입 체크리스트
모델은 확률을 주고, 실행은 코드와 사람이 정한다.
AI Engineering에이전트에 Decision AI를 붙이는 가장 실용적인 방법 3가지
답을 쓰기 전에 고르는 일을 먼저 떼어내자. 세 자리부터.
AI EngineeringJev·Laya·Microsoft를 한 줄로 세우면 틀린다: 공정한 비교법
각자 다른 시험을 치렀다. 같은 시험 결과만 나란히 놓자.
AI EngineeringAI 학습 샌드박스를 빽빽하게 채웠더니 p99가 폭발했다
평균은 멀쩡했다. 가장 느린 작업 하나가 전체 학습을 붙잡고 있었다.
AI CodingGemini Code Assist 신규 판매 종료, Antigravity로 갈아타라는 뜻이다
쓰던 도구가 사라지는 게 아니라, 파는 물건이 바뀌었다. 그 차이가 중요하다.
AI ProductivityGemini agent가 기업 일을 맡는다: 목표를 주면 끝까지 해주는 구조
지시가 아니라 목표를 준다. 챗봇에서 일하는 에이전트로 넘어가는 문턱이다.
AI Engineering83.5%와 35배, $0.042를 그대로 믿으면 안 되는 이유
숫자는 맞을 수 있고, 해석은 틀릴 수 있다. 단위부터 확인하자.
AI Engineering판단만 하는 AI가 나왔다: Microsoft-Decision-1이 뭔지 정리해봤습니다
문장을 쓰지 않고 선택지에 확률을 매기는 모델. 어디에 쓰면 좋을까.
AI EngineeringPostman의 교훈: 에이전트 도구가 40개를 넘자 실패가 늘었다
도구를 늘릴수록 에이전트가 똑똑해질 줄 알았다. Postman의 답은 반대였다.
AI EngineeringOSS Scanner: 오픈소스 취약점 점검을 AI가 먼저 돌리는 방식
취약점 발견은 빨라졌다. 이제 병목은 검증과 패치의 신뢰성이다.
AI EngineeringAI 에이전트가 API 호출마다 직접 결제한다: AgentCore payments와 x402
에이전트가 스스로 사서 쓰는 시대, 지출 한도는 모델이 아니라 인프라가 강제해야 한다.
AI ProductivityClaude Dashboards와 Motion: 자연어 질문이 대시보드와 영상이 되는 과정
대시보드는 티켓과 SQL의 일이었고, 영상은 외주의 일이었다. 그 경계가 바뀌기 시작했다.
Software EngineeringGitHub의 문맥 기반 비밀 탐지: 토큰 모양이 없어도 막는 법
AI가 쓴 코드가 늘면 비밀도 함께 늘어난다. 막는 쪽도 AI여야 맞먹는다.
AI CodingMellum 2.1: 12B 오픈 모델이 저장소 안에서 일하게 된 이유
크기를 키우지 않고 저장소 안에서 일하게 만들었다. 작은 모델의 반격이 시작됐다.
AI EngineeringClaude Haiku 5.5는 왜 90% 싼가: 가격표보다 먼저 읽을 조건들
90% 할인은 절반만 맞다. 나머지 절반은 토크나이저와 10만 토큰 경계에 있다.
AI CodingCodex CLI 0.161.0: 터미널에서 MCP 로그인이 된다
모델 성능이 아니라 인증·재연결·권한이 에이전트의 생산성을 가른다.
AI CodingCopilot CLI에서 로컬 모델 고르기: Ollama 발견 기능
로컬을 고른다고 오프라인이 되지 않는다. 그 한 줄이 이 업데이트의 전부다.
AI EngineeringGemini가 동료가 되는 날: 이메일·캘린더를 가진 AI 에이전트
이제 지시가 아니라 목표를 위임한다. 받은 건 이메일 주소를 가진 동료였다.
AI EngineeringGPT-6가 답변 대신 'UI'를 만들기 시작했습니다
GPT-6의 진짜 변화는 더 똑똑한 답이 아니라, 그 답과 상호작용하는 화면까지 즉석에서 만든다는 점입니다.
AI CodingAI 에이전트에 울타리를 치는 법: MXC 정식 제공
에이전트는 스스로 보안 주체가 될 수 없다. 경계는 밖에서 정한다.
AI EngineeringAgent KPI가 바뀌었다: 토큰이 아니라 production 결과로 재는 법
$1의 Agent 비용으로 production에 보낸 task가 몇 개인가. 기업의 다음 질문은 이것입니다.
Software EngineeringAgent가 패키지를 고르는 시대: GitLab Dependency Firewall 이해하기
사람이 모든 dependency를 리뷰하는 구조는 병목이 됩니다. 사전 정책 enforcement가 답입니다.
AI Engineering코딩 Agent 다음은 통제다: GitLab Governed Software Factory 뜯어보기
Agent가 코드를 만드는 데서 끝나지 않고, 같은 identity·정책·감사 chain 안에서 배포까지 가게 만드는 구조입니다.
AI EngineeringGLM-5.3 Fast는 새 모델이 아니다: inference lane으로 보는 법
지능이 올라간 게 아니라 속도가 올라간 것입니다. 모델 교체가 아니라 serving 선택으로 보세요.
AI Coding말로 게임을 만든다고? Google Playground × Unity Spark 뜯어보기
게임 설명을 문장으로 쓰면 플레이 가능한 게임이 나옵니다. 이번에는 코드가 아니라 플레이가 결과물입니다.
AI EngineeringBedrock Managed Agents × OpenAI: 에이전트 하네스가 클라우드 인프라가 된다
모델 API 다음 시장은 누가 agent loop·identity·실행환경·durable state를 묶어주느냐다. AWS가 OpenAI 하네스를 통째로 품은 이유를 풀어본다.
AI CodingClaude Code 2.1.291: 기능보다 permission 신뢰성이 먼저다
클라우드 세션에서 승인 답변이 사라지던 버그 수정. 코딩 에이전트의 신뢰성은 기능이 아니라 누가 무엇을 승인했는지의 기록에서 갈린다.
AI CodingKiro Workflows: 코딩 에이전트를 개발 파이프라인으로 고정하는 법
더 긴 프롬프트가 아니라 SPEC→구현→독립 리뷰→수정을 그래프로 고정한다. 컨텍스트 한계 돌파를 오케스트레이션으로 푼 접근을 살펴본다.
AI EngineeringMistral Large 4 가중치 공개: 52B 활성 파라미터로 VRAM을 계산하면 안 된다
토큰마다 쓰는 expert는 일부여도 배포할 가중치는 전체다. 도입 전에 계산해야 할 메모리 하한과 성공당 비용.
AI EngineeringMistral Large 4: 공개 가중치 보안 모델의 가능성과 비용
Mistral Large 4는 보안 벤치마크에서 최상위권 성적을 기록했지만, 동시에 jailbreak 벤치마크에서 높은 거부율을 보입니다. 공개 가중치가 낮은 운영 비용을 보장하지는 않지만, 보안 팀에게 자율성은 가격 이상의 가치가 있습니다.
AI CodingReflection Beam: 501B 중 23B만 쓰는 코딩 에이전트 모델
501B라는 총량보다 23B로 일한다는 점이 본질이다. 코딩·에이전트 workload에 처음부터 맞춘 오픈 모델의 효율 승부를 살펴본다.
AI Coding에이전트 시대의 가짜 환경: LocalStack·WonderTwin과 테스트 샌드박스
에이전트가 진짜 API를 만지면 사고다. 가짜 환경이 먼저다.
AI Engineering에이전트가 사람보다 5배 많은 토큰을 쓴다: 85%는 다시 읽기
새 답을 만드는 것만큼 이전 대화를 반복해서 읽는다. 컨텍스트가 인프라가 된다.
AI EngineeringAI 모니터링이 APM으로 들어간다: Dynatrace·Arize 인수가 말하는 것
에이전트가 돌아가는지가 아니라 제대로 일하는지를 재는 시대. 실험 도구가 운영 스택이 된다.
AI EngineeringFPGA 개발에도 Skills 시대: AMD Ross의 MCP + 전문가 절차 자산화
타이밍 클로저 같은 전문가 절차를 AI가 재사용하는 시대. 스킬이 자산이 된다.
AI Engineering에이전트 UI는 채팅이 아니라 Inbox다: AWS Pizza Bot이 던진 질문
맡기고, 딴짓하고, 읽을 것과 정할 것만 본다. 10분짜리 일에 채팅창은 좁다.
AI CodingMCP가 더 많은 권한을 요구하면 다시 묻는다: Claude Code 2.1.288
연결했다고 끝이 아니다. 위험해지는 순간 다시 묻는 것이 제품이 된다.
AI CodingClaude Code를 개조하는 시대: Mods는 무엇이고 왜 샌드박스가 아닌가
프롬프트를 고치고, 도구 호출을 막고, 화면을 그리는 TypeScript 함수. 단, 권한은 당신과 같다.
AI Engineering에이전트의 검색도 이제 운영 영역이다: Cloudflare Web Search API
검색은 도구가 아니라 인프라다. 관측하고 교체하고 비용을 관리하라.
AI Engineering100B 모델을 책상에 두는 시대: DGX Spark 64GB와 로컬 AI 경제학
질문이 바뀌었다. 돌릴 수 있나에서, 켜두는 게 싼가로.
AI Engineering에이전트가 할 일을 기억한다: GitHub Agentic Workflows의 Queue와 Ledger
프롬프트에서 끝이 아니라 큐에서 이어가기. 상태와 재개가 컨텍스트보다 먼저다.
AI Engineering78B인데 3.46B만 켜진다: Kolibri와 오픈 모델의 세분화
파라미터 수가 아니라 활성 수 곱하기 도메인 곱하기 온프렘. 오픈 경쟁이 나뉜다.
AI EngineeringDecision Model이 로컬 스택의 정식 기능이 된다: LocalAI 4.11
어제는 단일 모델 발표, 오늘은 스택의 독립 기능. 고르기·점수 매기기를 로컬에서.
AI Engineering듣기 지연 100ms대: MAI-Transcribe와 음성 에이전트 4 latency
말이 끝나기 전에 움직이는 에이전트. 듣기·말하기 지연을 따로 재라.
AI Engineering에이전트가 앱을 벗어난다: Meta Muse Gadgets와 피지컬 AI 입문
도구 표면이 브라우저·터미널에서 센서·디스플레이·스피커로 넓어진다.
AI Engineering모델 교체보다 실행 환경, 도구, 권한, 비용 정책
10월 4일 AI Daily Briefing의 5개 주제는 모두 공통된 질문을 던집니다. 모델 경쟁 이후의 경쟁 — 실행 계층의 경쟁 — 은 이미 시작되었습니다. 모델 교체보다 실행 환경, 도구, 권한, 비용 정책이 중요합니다.
AI Engineering구경 말고 뜯어보기: OpenDots로 보는 always-on 동료의 구조
Ask에서 browse를 거쳐 approval에서 멈췄다가 이어가기. 코드로 보인다.
AI Coding밤새 도는 에이전트의 비밀: Pi Durable의 체크포인트와 재개 설계
프롬프트가 아니라 체크포인트가 긴 작업을 살린다. 매 단계 저장하고 죽으면 이어하기.
AI Engineering도와주려다가 유출했다: PixelLeak과 에이전트 부작용 평가
작업 성공과 허용된 방법으로 성공은 다른 metric이다.
AI EngineeringAI가 스스로 고칠 때 진짜 병목은 검증 비용이다: SIFT가 푸는 법
바꾸는 게 아니라 고르는 게 비싸다. 싼 심사로 먼저 걸러라.
AI EngineeringAI는 이제 글보다 결정을 한다: Strands Decider 2B와 역할별 모델 나누기
긴 추론 없이 고르고 확률만 내놓는 모델. 에이전트의 선택 단계를 떼어내는 법.
AI EngineeringMCP 800개가 되자 Context가 병목이 됐다: Uber MCP Gateway의 해법
연결 다음 병목은 발견 곱하기 컨텍스트 곱하기 거버넌스다.
AI Coding바이브코딩 다음 단계: 문서가 운영체제다
코드를 짜는 게 아니라 AI가 일하는 환경을 설계하는 단계. 문서 5장이 운영체제다.
AI Engineering에이전트 기억 3층: 컨텍스트·세션·영속 기억을 나누는 법
100만 토큰을 줘도 에이전트는 어제 일을 모릅니다. 기억은 따로 설계해야 합니다.
AI Engineering취약점을 찾고 고치는 AI: Cyber Index가 재는 3가지 시험
보안 에이전트의 시험이 새로 생겼습니다. 찾고, 재현하고, 고치는 루프를 잽니다.
AI Engineering금융 AI가 따로 나오는 이유: 숫자와 인용의 시험
금융에서 틀린 숫자 하나는 그냥 오타가 아닙니다. 특화 모델이 나오는 이유.
AI Engineering최고 모델이 안 열리는 시대에 개발자는 뭘 써야 할까
1등 모델 세 개가 자물쇠 뒤에 있습니다. 열려 있는 것으로 설계하는 법.
AI EngineeringSonnet 5.5 후속 보고: max가 아니라 high가 정답이었다
Sonnet max는 Terminal-Bench 1등이지만 작업당 토큰은 측정 사상 최대. 살 길은 high다.
AI EngineeringAgents API Computer Use: AI Agent에게 브라우저를 맡길 때 필요한 것
AI가 브라우저를 클릭할 수 있다는 것보다 중요한 것은 어느 사이트에 들어갈지, 언제 로그인할지, 결과를 누가 검증할지입니다.
AI EngineeringAI 에이전트 보안 입문: computer-use 시대에 권한 없이 실행하면 안 되는 이유
읽기만 하던 AI가 실행하기 시작했습니다. 권한 설계가 프롬프트보다 먼저입니다.
AI EngineeringAI 모델 라우팅 직접 구현: 싼 모델부터 쓰고 막히면 올리기
전부 비싼 모델에 넣지 마세요. 분류→시도→승격→기록 4단계면 됩니다.
AI EngineeringAI 모델 속도·지연시간 가이드: 똑똑한데 느리면 못 쓴다
초당 토큰만 보면 반쪽입니다. 첫 토큰까지 시간과 작업 완료 시간이 체감을 정합니다.
AI EngineeringClaude Sonnet 5.5 vs Opus 5.5: max effort가 정답이 아닐 때가 많다
Opus max 58점, Sonnet max 56점. 2점 차이에 매번 max를 쓸 필요는 없습니다.
AI EngineeringGemini 4 Argon: 100만 출력 토큰이 바꾸는 Long-Horizon Agent
1M이라는 숫자보다 중요한 것은 한 번의 작업 궤적을 얼마나 오래 유지할 수 있느냐입니다. Gemini 4 Argon이 던지는 Long-Horizon Agent의 의미를 살펴봅니다.
AI EngineeringGPT-6.1 Sol Multi-Agent: Subagent를 늘리면 정말 더 잘할까?
에이전트 세 명이면 세 배 좋아질까요? Multi-Agent의 진짜 이득은 에이전트 수가 아니라 일을 독립적으로 나눌 수 있느냐에서 나옵니다.
AI EngineeringGPT-6.1 Sol vs GPT-6 Astra: 최고 모델보다 Cost per Task가 중요한 이유
GPT-6.1 Sol은 Astra의 1/5 토큰 가격입니다. 그런데 진짜 질문은 '몇 배 싸냐'가 아니라 같은 일을 끝내는 데 얼마가 드느냐입니다.
AI EngineeringMCP vs Agents SDK vs WebMCP: 셋 중에 뭘 먼저 배워야 할까
셋은 경쟁자가 아니라 역할이 다릅니다. 연결·실행·웹 연동으로 나눠보세요.
AI Engineering오픈웨이트 새 1위 경쟁: MiMo-V2.6-Pro, GLM-5.3, Kimi K3를 고르는 법
오픈웨이트 1~3위가 46, 45, 44점으로 붙어 있습니다. 점수보다 쓸 수 있는지부터 보세요.
AI EngineeringOpenAI Dots란? Chatbot에서 '항상 일하는 AI'로 넘어가는 변화
대화를 끝내면 멈추는 AI와 목표를 맡고 다음 대화 사이에도 일을 이어가는 AI는 설계가 다릅니다. Dots가 보여주는 Persistent Agent의 구조를 살펴봅니다.
AI EngineeringRAG가 틀리면 임베딩 탓부터 하지 마세요: 실패 지점 5단계 분석법
RAG 실패의 범인은 검색 전 단계에 있을 때가 많습니다. 파싱부터 보세요.
AI EngineeringTerminal-Bench 4.0와 새 지식 작업 벤치: 코딩 AI 점수표가 바뀌었다
같은 모델인데 하네스와 버전에 따라 점수가 달라집니다. 새 점수표 읽는 법부터 정리했습니다.
AI Engineering웹 개발자가 AI 안경 앱을 만들 수 있다? Meta Ray-Ban Display와 WebMCP
AI 안경 앱을 만들려면 전용 네이티브 SDK부터 배워야 할까요? Meta는 이제 웹 개발자가 HTML·CSS·JavaScript와 WebMCP만으로도 안경용 경험을 만들 수 있는 방향을 열고 있습니다.
AI CodingAndroid Studio BYOA: IDE가 에이전트 실행 환경이 된다는 뜻
이제 IDE에서 에이전트를 고르는 게 아니라 가져옵니다. 검증 루프를 누가 도는지가 경쟁력이 됩니다.
AI EngineeringClaude Opus 5.5: frontier 성능을 더 낮은 운영비로 쓰는 법
입력 $4, 출력 $20. 숫자보다 중요한 건 에이전트가 한 작업을 몇 번의 호출로 끝내는가입니다.
AI EngineeringNVIDIA AIPerf: 평균이 아니라 p95와 동시성으로 서빙을 재는 법
tokens/sec 하나보다 동시 사용자가 늘 때 p95가 어떻게 무너지는지가 실제 서비스 지표입니다.
AI EngineeringQwen Code: 코딩 에이전트가 다른 에이전트에게 일을 넘기기 시작했다
개발자 → 하나의 AI에서 개발자 → 오케스트레이터 → 여러 전문 에이전트로 바뀌고 있습니다.
AI EngineeringOpenAI Agents API vs 직접 Agent Loop 구현: 어디까지 맡기고 어디부터 직접 만들까?
Agent를 만들 때 loop를 직접 짜야 할까요, managed harness를 써야 할까요? 통제권과 운영 부담의 경계를 비교합니다.
AI EngineeringAI 벤치마크 점수만 보면 틀릴 수 있다: 2026년 모델 비교 제대로 읽는 법
Claude가 58점이고 GPT가 53점이면 Claude가 무조건 더 좋을까요? 벤치마크를 실제 선택 기준으로 바꾸는 법을 살펴봅니다.
AI EngineeringAI가 테스트를 통과했는데 틀렸다? 벤치마크의 Reward Hacking 이해하기
테스트가 통과했다는 사실과 문제를 제대로 해결했다는 사실은 같지 않습니다. AI Agent 평가에서 점점 중요해지는 Reward Hacking을 알아봅니다.
AI EngineeringAI 벤치마크도 수명이 있다: Benchmark Saturation이 생기면 왜 시험을 바꿀까?
모두가 95점을 받는 시험에서 96점과 97점은 얼마나 중요할까요? AI 벤치마크가 포화되는 순간을 살펴봅니다.
AI EngineeringAI 벤치마크 점수가 갑자기 바뀌는 이유: 모델이 아니라 시험이 바뀌었을 수 있다
어제 55점이던 모델이 오늘 48점이 됐다면 성능이 퇴화한 걸까요? 먼저 벤치마크 버전부터 확인해야 합니다.
AI EngineeringAI 모델 비용은 토큰 가격보다 '성공 1건당 비용'으로 봐야 한다
싼 모델이 세 번 실패하면 정말 싼 걸까요? API 비용을 성공한 작업 수로 나눠보면 모델 선택 기준이 달라집니다.
AI ProductivityAI로 영어 공부하면 정말 효율적일까? 회화 루틴부터 만들기
AI 영어 공부의 장점은 정답을 대신 주는 것이 아니라, 말하고 고치고 다시 시도하는 연습 횟수를 늘리는 데 있습니다.
AI Coding코딩을 몰라도 AI로 게임을 만들 수 있을까? Gemini + Flutter 입문
게임 개발을 시작하려면 모든 문법부터 외워야 할까요? AI 시대에는 작은 게임을 만들며 필요한 개념을 배우는 길도 있습니다.
AI Coding공공데이터로 내 첫 앱 만들기: AI 바이브코딩 입문
샘플 데이터가 아니라 실제 데이터를 쓰면 앱이 훨씬 현실적으로 느껴집니다. 공공데이터 API로 첫 서비스를 시작하는 방법을 알아봅니다.
AI Coding크롬 확장 프로그램, AI와 1시간 만에 만들 수 있을까?
매일 브라우저에서 반복하는 행동 하나가 있다면 확장 프로그램 아이디어가 될 수 있습니다. AI와 함께 작은 도구부터 만들어보세요.
AI CodingClaude Code는 무엇이 다를까? 채팅형 AI에서 코딩 에이전트로
코드를 물어보는 AI와 프로젝트 안에서 직접 일하는 AI는 사용법이 다릅니다. Claude Code를 에이전트 관점에서 이해해봅니다.
AI EngineeringClaude Opus 5.5의 100만 토큰 컨텍스트, 정말 ‘기억력’이 좋아진 걸까?
100만 토큰을 넣을 수 있다는 것과 100만 토큰을 항상 잘 활용한다는 것은 다릅니다. Claude Opus 5.5의 긴 컨텍스트를 프로젝트 관점에서 이해해봅니다.
AI EngineeringClaude Opus 5.5 vs GPT-6 Astra: 가장 높은 점수보다 중요한 실제 차이
Opus 5.5는 Intelligence Index 58, Astra는 53. 숫자만 보면 간단하지만 실제 모델 선택은 훨씬 복잡합니다.
AI ProductivityCodeBridge 강의 가이드: AI 입문부터 AI 코딩·RAG·에이전트까지
강의가 많아 어디서 시작할지 모르겠다면 목표부터 고르세요. CodeBridge 공개 강의를 주제와 난이도별로 연결해드립니다.
AI CodingCoding Agent 순위에서 Pass@1·Cost per Task·Time per Task를 같이 봐야 하는 이유
점수가 2점 높은 Agent가 두 배 비싸고 두 배 느리다면 정말 더 좋은 선택일까요? 코딩 에이전트 순위표의 세 축을 함께 읽어봅니다.
AI CodingSWE-bench vs Terminal-Bench vs ProgramBench: 코딩 AI 벤치마크는 무엇이 다를까?
모두 코딩 벤치마크지만 시험 문제는 완전히 다릅니다. 버그 수정, 터미널 작업, 프로그램 재구축을 구분해서 봐야 합니다.
AI EngineeringDeepSeek V4.1 Flash가 보여주는 것: AI 에이전트 비용은 ‘토큰 가격’만 보면 틀린다
가장 싼 모델을 고르면 가장 싼 에이전트가 될까요? DeepSeek V4.1 Flash의 KV cache 설계를 통해 실제 AI 작업 비용을 보는 관점을 바꿔봅니다.
AI Productivity엑셀 업무 자동화, 코딩을 몰라도 AI로 시작할 수 있을까?
매주 같은 엑셀 파일을 복사하고 정리한다면 자동화 후보입니다. AI와 함께 업무 자동화를 시작하는 가장 현실적인 방법을 살펴봅니다.
AI EngineeringGemini 3.8 Live로 보는 음성 AI: 대화 중 도구 실행이 왜 중요할까?
음성 AI가 자연스러우려면 목소리만 좋아서는 부족합니다. 사용자가 말하는 동안 도구 작업을 어떻게 처리할지가 대화 경험을 좌우합니다.
AI ProductivityGemini 4 Pro는 출시됐을까? 루머 말고 공식 정보만 확인하는 방법
‘Gemini 4 Pro 출시’라는 글이 보여도 모델 ID가 없다면 아직 제품이 아닐 수 있습니다. AI 신모델 소식을 검증하는 가장 빠른 순서를 정리합니다.
AI Productivity생성형 AI로 글·이미지·영상 만들기, 어디서부터 시작할까?
좋은 콘텐츠는 AI 도구 이름보다 원본 아이디어와 편집 기준에서 시작합니다. 생성형 AI 콘텐츠 제작의 입문 흐름을 살펴봅니다.
Software EngineeringGit은 왜 AI 코딩 시대에도 중요할까? 실무 버전 관리 입문
AI가 여러 파일을 한 번에 바꿀수록 ‘무엇이 바뀌었는지’와 ‘어떻게 되돌릴지’가 중요해집니다. Git의 역할을 실무 관점에서 알아봅니다.
AI EngineeringGPT-5.6 Sol 같은 강한 모델을 모든 작업에 쓰면 오히려 비효율적인 이유
가장 강한 모델을 모든 요청에 쓰는 것이 항상 최선은 아닙니다. GPT-5.6 계열을 통해 작업 난이도에 따라 모델을 나누는 관점을 살펴봅니다.
AI EngineeringGPT-6 Astra가 바꾸는 AI 사용법: ‘답을 줘’보다 ‘끝까지 처리해’가 어려운 이유
AI가 답변을 잘하는 것과 실제 업무를 끝내는 것은 다릅니다. GPT-6 Astra를 통해 end-to-end AI 작업에서 완료 조건이 왜 중요한지 살펴봅니다.
AI ProductivityGPT-6 Sol vs Luna: 비싼 모델을 항상 쓸 필요가 없는 이유
Sol은 더 강하고 Luna는 훨씬 저렴합니다. 중요한 것은 둘 중 하나를 고르는 것이 아니라 어디서 모델을 바꿀지 정하는 것입니다.
AI CodingGrok 4.7의 ‘스스로 확인하는 코딩’, 테스트를 대신할 수 있을까?
AI가 스스로 ‘확인했습니다’라고 말하는 것과 테스트가 통과한 것은 다릅니다. Grok 4.7을 계기로 self-verification의 한계를 살펴봅니다.
AI EngineeringAI가 '모르겠다'고 말하면 성능이 나쁜 걸까? Hallucination vs Abstention
모든 질문에 자신 있게 답하는 AI와 모르면 멈추는 AI 중 어떤 쪽이 더 좋을까요? 환각률만으로는 알 수 없습니다.
AI Engineering사내 문서 AI 챗봇은 어떻게 동작할까? RAG 입문
회사 규정과 매뉴얼을 AI가 어떻게 읽게 만들까요? 사내 문서 챗봇의 가장 기본적인 RAG 구조를 가볍게 살펴봅니다.
AI EngineeringKimi K3의 2.8조 파라미터보다 더 중요한 것: ‘오픈 웨이트 프런티어 모델’의 의미
모델이 크다는 사실보다 흥미로운 것은 가중치를 직접 다룰 수 있다는 점입니다. Kimi K3를 통해 오픈 웨이트 모델의 실질적인 의미를 살펴봅니다.
AI EngineeringLuna → Sol → Astra: 모든 요청에 최고 모델을 쓰지 않는 AI Model Routing 전략
가장 비싼 모델을 모든 요청에 쓰지 않고도 품질을 지킬 수 있을까요? 실패할 때만 상위 모델로 올리는 escalation routing을 설계해봅니다.
AI ProductivityMeta Muse Image로 이미지 생성보다 ‘수정’이 중요해지는 이유
좋은 이미지를 한 번에 뽑는 것보다 원하는 방향으로 안전하게 고치는 능력이 더 중요해지고 있습니다. Muse Image로 반복 편집의 기준을 정리합니다.
AI EngineeringMeta Muse란? 챗봇이 아니라 ‘내 대신 움직이는 AI’가 되면 달라지는 것
AI가 이메일을 쓰는 것과 실제로 보내는 것은 완전히 다른 문제입니다. Meta Muse를 통해 개인 AI 에이전트 시대의 핵심인 권한과 실행 경계를 이해해봅니다.
AI CodingMuse Spark 1.3의 ‘긴 코딩 작업’이 의미하는 것: 프롬프트보다 중간 상태가 중요해진다
AI가 오래 일할수록 중요한 것은 처음 프롬프트가 아니라 중간에 길을 잃지 않는 구조입니다. Muse Spark 1.3을 통해 장기 코딩 작업을 살펴봅니다.
AI EngineeringAI Agent는 몇 시간짜리 일을 혼자 할 수 있을까? METR Time Horizon 이해하기
벤치마크 점수 대신 '사람이 몇 시간 걸리는 일을 AI가 끝낼 수 있는가'를 재는 방법이 있습니다. METR Time Horizon을 쉽게 풀어봅니다.
AI EngineeringMistral OCR 4.1로 다시 보는 RAG: 검색이 틀리기 전에 문서 파싱부터 틀릴 수 있다
RAG가 답을 못 찾는 이유가 검색 모델이 아니라 PDF 파싱 때문이라면? Mistral OCR 4.1을 계기로 문서 AI의 첫 단계를 점검해봅니다.
AI EngineeringRobostral Navigate로 보는 Physical AI: LLM이 로봇을 움직이면 무엇이 달라질까?
챗봇의 틀린 답은 다시 물으면 되지만 로봇의 틀린 행동은 충돌이 될 수 있습니다. Robostral Navigate를 통해 Physical AI의 기본 차이를 살펴봅니다.
AI CodingAI 코딩은 모델만 바꾸면 좋아질까? 모델보다 Harness가 결과를 바꾸는 순간
같은 모델인데 어떤 프로젝트에서는 잘하고 다른 프로젝트에서는 계속 틀립니다. 차이는 모델 밖의 작업 환경에 있을 수 있습니다.
AI EngineeringMoE에서 '6B Active'면 정말 6B 모델일까? Total Parameter와 Active Parameter의 차이
125B 모델인데 6B만 활성화된다면 6B 모델처럼 가벼운 걸까요? MoE에서 가장 자주 헷갈리는 숫자 두 개를 분리해봅니다.
AI Engineering1M Context Window면 RAG가 필요 없을까? 긴 컨텍스트의 비용과 한계
컨텍스트가 100만 토큰이면 문서를 전부 넣으면 될까요? 긴 컨텍스트와 RAG를 대체 관계가 아니라 비용 구조로 비교해봅니다.
AI Engineering오픈웨이트 AI는 정말 더 쌀까? GLM·Kimi·Qwen 비용 대비 성능 읽는 법
오픈웨이트니까 공짜라고 생각하기 쉽지만 실제 운영비는 다릅니다. API 비용과 self-hosting 비용을 같은 프레임으로 비교해봅니다.
AI EngineeringOpenAI Agents API란? Codex 하네스를 API로 쓰는 시대
모델 호출 API에서 이제는 에이전트 실행 환경 자체를 API로 제공합니다. Agents API가 바꾸는 개발 구조를 가볍게 살펴봅니다.
AI CodingProgramBench란? AI가 버그 수정이 아니라 프로그램 전체를 다시 만드는 시험
기존 코드가 없다면 AI coding agent는 어디까지 만들 수 있을까요? ProgramBench는 프로그램 재구축 능력을 시험합니다.
AI EngineeringPrompt Caching은 언제 돈을 아껴줄까? AI API 비용 계산에서 놓치기 쉬운 부분
같은 100K 토큰을 매번 보내도 항상 같은 가격일까요? Prompt cache가 실제 비용 구조를 어떻게 바꾸는지 계산해봅니다.
Software EngineeringQt와 QML은 무엇일까? C++로 크로스플랫폼 GUI 앱 만들기
C++로 콘솔 프로그램만 만들었다면 Qt와 QML은 화면이 있는 앱으로 확장하는 좋은 선택지입니다. 두 기술의 역할을 가볍게 살펴봅니다.
Software EngineeringQt 앱에서 REST API를 쓰면 무엇을 만들 수 있을까?
로컬 화면만 있던 Qt 앱이 REST API를 만나면 검색, 날씨, 음악 같은 실제 데이터를 다룰 수 있습니다. 기본 흐름을 알아봅니다.
AI EngineeringQwen3.8 Omni Flash로 보는 멀티모달 AI: 이미지·음성·영상 파이프라인을 하나로 합치면 좋은가?
OCR, 음성인식, 영상분석을 각각 붙이던 구조를 하나의 모델로 합치면 정말 쉬워질까요? Qwen3.8 Omni Flash로 멀티모달 설계를 살펴봅니다.
AI EngineeringQwen4 아키텍처가 바뀐다: QSA·GatedResidual·PLE는 무엇인가?
Qwen4의 변화는 단순히 파라미터를 늘리는 데 있지 않습니다. Attention, residual, embedding 세 축이 왜 동시에 바뀌는지 살펴봅니다.
AI EngineeringClassic RAG, GraphRAG, Agentic RAG는 무엇이 다를까?
RAG 이름은 많아졌지만 출발점은 같습니다. 어떤 정보를 어떻게 찾아 모델에게 전달할지의 차이부터 이해해봅니다.
AI EngineeringReasoning High vs Max: 더 오래 생각하면 항상 더 좋은 답이 나올까?
High에서 이미 풀리는 문제를 Max로 돌리면 무엇이 달라질까요? 추론 강도를 모델 품질이 아니라 작업 난이도에 맞추는 방법을 살펴봅니다.
AI EngineeringAI가 자기 자신을 개선한다? Recursive Self-Improvement는 어디까지 왔나
AI가 다음 AI를 스스로 만든다는 말은 어디까지 현실일까요? 이미 자동화된 부분과 아직 인간이 맡고 있는 부분을 구분해봅니다.
AI EngineeringSparse Attention이 다시 중요해진 이유: 100만 토큰 시대의 Attention 비용
컨텍스트가 10배 길어지면 Attention 비용도 10배일까요? 긴 문맥 시대에 Sparse Attention이 다시 중요한 이유를 숫자로 확인해봅니다.
AI CodingSWE-bench Multimodal v2란? AI가 스크린샷을 보고 UI 버그를 고치는 시험
GitHub 이슈에 스크린샷만 붙어 있다면 AI 코딩 에이전트는 무엇을 해야 할까요? 시각 정보까지 포함한 SWE-bench Multimodal v2를 살펴봅니다.
AI ProductivityClaude, Codex, Kimi… AI 도구는 하나만 써야 할까?
AI를 많이 구독하는 것보다 중요한 건 어떤 일을 어떤 도구에 맡길지 정하는 것입니다. 멀티 AI 활용의 기본 관점을 정리합니다.
AI CodingAI 바이브코딩으로 웹사이트 만들기: 개발부터 배포까지 큰 그림
AI가 코드를 써줘도 웹사이트는 기획, 구현, 버전 관리, 배포를 거칩니다. 바이브코딩 웹 개발의 전체 흐름을 먼저 잡아봅니다.
AI Coding바이브코딩이란? GitHub Copilot로 시작할 때 놓치기 쉬운 것
AI가 코드를 빠르게 만들어도 결과를 이해하고 확인하는 과정은 남습니다. 바이브코딩을 실무에 연결할 때 필요한 기본 관점을 정리합니다.
AI Engineering그래프 엔지니어링이란? 복잡한 AI 작업을 노드와 흐름으로 보는 법
AI 작업이 복잡해질수록 한 줄짜리 흐름만으로는 부족합니다. 노드와 연결로 작업을 바라보는 그래프 관점을 소개합니다.
AI Engineering하네스 엔지니어링이란? AI 에이전트를 ‘잘 쓰는 것’ 다음에 필요한 것
좋은 모델만 고르면 끝일까요? AI 에이전트의 실제 성능을 좌우하는 주변 환경, 하네스의 개념부터 가볍게 시작합니다.
AI EngineeringJev란? 문장을 쓰지 않고 결정을 내리는 AI 이해하기
앱에 문장이 아니라 결정이 필요할 때가 있습니다. Jev가 왜 나왔는지 알아봅니다.
AI Engineering루프 엔지니어링이란? AI 에이전트가 반복해서 일하는 구조 이해하기
한 번의 답변이 아니라, 실행하고 확인하고 다시 시도하는 AI. 루프가 왜 에이전트의 기본 구조가 되는지 살펴봅니다.
AI EngineeringRAG와 Fine-tuning은 무엇이 다를까?
외부 자료를 읽히는 것과 모델을 추가 학습시키는 것은 서로 다른 문제를 해결합니다.
AI EngineeringRAG란? 검색부터 답변 생성까지 한 번에 이해하기
언어 모델이 모든 문서를 기억하지 않아도 자료를 참고해 답할 수 있는 이유를 알아봅니다.
이 분류에는 아직 공개된 글이 없습니다.