

AI에게 도메인을 가르치다 두 번 갈아엎은 이야기 — LLM Wiki + RAG 혼합기
LLM Wiki 검색을 색인, 본문 임베딩, 요약 임베딩과 FTS5 혼합 방식으로 개선했습니다. 의미 검색과 약어·식별자 정확 검색을 분리해 비용과 검색 품질 문제를 다뤘습니다.


LLM Wiki 검색을 색인, 본문 임베딩, 요약 임베딩과 FTS5 혼합 방식으로 개선했습니다. 의미 검색과 약어·식별자 정확 검색을 분리해 비용과 검색 품질 문제를 다뤘습니다.


Amazon OpenSearch Service로 다국어 이력서 검색 파이프라인과 인덱싱 구조를 재설계했습니다. 전처리, 정규화, 임베딩 입력 전략이 검색 정확도를 크게 좌우했습니다.

AI 코딩 도구로 개발 속도는 빨라졌지만 이해가 따라가지 못하는 인지 부채를 다뤘습니다. 개발자와 조직이 무엇을 잃고 있는지 패널 토론과 함께 살펴보았습니다.

GS SHOP이 영상 이해 모델과 생성형 AI를 조합해 숏픽 추천을 Hybrid 구조로 고도화했습니다. 소구 포인트 기반 임베딩으로 추천 품질과 전환 성과를 함께 개선했습니다.


Amazon Bedrock AgentCore의 Policy, Evaluation, Observability를 결합해 기업용 Agent 운영 체계를 설명했습니다. 정책 제어, 품질 평가, 실시간 추적의 역할과 연계를 정리했습니다.

Git 릴리스 자동화를 예제로 MCP와 에이전트 스킬의 차이를 비교했습니다. 반복 작업은 스킬로 표준화하고, 외부 연동은 MCP로 분리하는 접근을 제안했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

AI가 위지윅 에디터 성능 개선을 반복 실험하도록 Auto Research 루프를 구성했습니다. 실제 체감 성능을 반영하는 벤치마크와 점수표 설계가 핵심이라는 점을 확인했습니다.

AI에게 에디터 성능 개선을 맡겨 Auto Research 루프를 실험했습니다. 평가 지표 설계가 핵심이었고, 실제 체감 성능에 맞는 벤치마크가 중요하다고 정리했습니다.
배포 내역을 정형화해 Notion에 쌓고, LLM으로 비개발자도 읽을 수 있는 릴리즈 노트를 자동 생성했습니다. 별도 인프라 없이 기존 도구만으로 커뮤니케이션 비용을 줄인 사례입니다.


Amazon ElastiCache for Valkey의 벡터 검색으로 Interactive AI 스토리텔링 플랫폼의 이미지 응답 속도와 비용 효율을 개선했습니다. CESC와 LLM 검증, 폴백 전략으로 맥락 기반 캐싱과 몰입 경험을 강화했습니다.

캐치테이블은 전사 AI 해커톤을 위해 이틀간 업무를 멈추고 몰입 환경을 마련했습니다. 사전 교육과 실습, 인프라 지원을 통해 AI를 업무 핵심 파트너로 확산하려 했습니다.


비엔지니어 환경에서 Claude Code ROI를 측정하는 4가지 베이스라인 지표를 소개했습니다. 로컬 로그와 ccusage 분석으로 토큰, 비용, 도구 사용, 메시지 패턴을 기준점으로 삼는 방법을 설명했습니다.
![[넷츠프레소 x AI 에이전트] 쉬워졌지만, 더 강해졌습니다](https://cdn.prod.website-files.com/69d764b1be3398a43fb536b5/6a86c623986f740709aab467_CR_insights_Product_B.webp)

AI 에이전트 단독 양자화의 비용·검증·디바이스 호환성 문제를 분석했습니다. 넷츠프레소 파이프라인으로 재현 가능한 모델 최적화와 배포를 제안합니다.


EKS Auto Mode와 Bifrost, Langfuse를 조합해 자체 관리형 Agentic AI 플랫폼을 구축하는 방법을 소개했습니다. 멀티모델 라우팅과 2계층 관측성으로 운영 안정성과 비용 최적화를 함께 확보했습니다.