

Amazon Bedrock AgentCore Runtime을 쉽고 빠르게 시작하기
Amazon Bedrock AgentCore Runtime으로 AI 에이전트를 프로토타입에서 프로덕션까지 빠르게 배포하는 방법을 소개했습니다. SDK, Starter Toolkit, FastAPI 예시와 함께 세션 격리, 프로토콜 지원, 운영 포인트를 설명했습니다.


Amazon Bedrock AgentCore Runtime으로 AI 에이전트를 프로토타입에서 프로덕션까지 빠르게 배포하는 방법을 소개했습니다. SDK, Starter Toolkit, FastAPI 예시와 함께 세션 격리, 프로토콜 지원, 운영 포인트를 설명했습니다.


Cursor AI를 활용해 Backend API를 빠르게 구성하는 방법을 소개했습니다. FastAPI와 AWS EC2 예시로 테스트와 피드백을 통한 개선 포인트도 함께 다뤘습니다.

Yappi로 FastAPI 서버의 병목을 찾아 성능을 개선한 사례를 다뤘습니다. JSON 직렬화와 변환 경로를 줄여 CPU 사용률과 응답 시간을 크게 낮췄습니다.

해커톤에서 AI 채용 도우미 AIVA를 만들며 이력서와 과제 분석, 코드 실행 검증까지 실험했습니다. 프롬프트 설계와 캐싱, 토큰 제한을 고민하며 AI 시대 개발자의 자세도 함께 성찰했습니다.


티오더가 Amazon Bedrock과 MCP로 운영 플랫폼을 구축한 사례를 소개했습니다. 자연어 기반 도구 호출과 알람 자동 요약으로 장애 대응과 운영 효율을 높였습니다.


Kubeflow로 추천 시스템의 데이터 수집, 학습, 서빙, 튜닝까지 전체 흐름을 구성한 사례를 소개했습니다. 오프라인 추론 전환과 파이프라인 자동화로 응답 속도와 운영 효율을 개선했습니다.

RAG는 외부 문서를 검색해 LLM 답변에 반영하는 방식으로, 최신성 부족과 환각 문제를 보완했습니다. 실전 적용 시에는 데이터 품질, 검색 성능, 지연 시간, 보안까지 함께 고려해야 했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


Poetry와 UV를 실제로 비교하며 속도와 사용성을 점검했습니다. UV는 더 간결했지만 극적인 차이는 아니어서 신규 프로젝트부터 시험 도입하는 접근이 적합했습니다.


UV를 PIP 대체 도구로 소개하며 설치와 기본 사용법, 주요 명령어를 정리했습니다. 가상환경 자동화와 빠른 성능, 의존성 및 Python 버전 관리 기능을 함께 설명했습니다.


FastAPI의 Depends()로 의존성 주입을 적용하는 방법을 설명했습니다. 비즈니스 로직과 구현체를 분리해 유연성과 테스트 용이성을 높이는 구조를 소개했습니다.


FastAPI와 SQLite로 사용자 관리 API를 빠르게 만들고, 모듈화된 구조로 기능을 분리하는 방법을 소개했습니다. 의존성 주입과 예외 처리, 자동 문서화를 활용해 유지 보수성과 프로토타이핑 속도를 높였습니다.


FastAPI 프로젝트에서 service와 router를 분리해 결합도를 낮추는 구조를 소개했습니다. 모듈 독립성과 테스트 용이성을 높여 유지보수성과 확장성을 개선하는 방법을 정리했습니다.


쿠버네티스로 검색추천 시스템을 컨테이너화하고 미디어 에이전트 서비스에 적용한 사례를 소개했습니다. 클러스터 구성, 배포, 모니터링, 운영 이슈 대응까지 함께 정리했습니다.


LLM 기반 대화형 애플리케이션을 위한 자체 프레임워크 Aide 개발 과정을 소개했습니다. 멀티턴 대화와 Workflow 추상화로 복잡성을 줄이고 확장성을 높인 점을 정리했습니다.