
Semantic Search 만으로는 번역 품질이 해결되지 않았던 이유
Semantic Search로는 번역 키의 용어 일관성을 충분히 살리기 어려웠습니다. 문장 유사도보다 정확한 용어 재사용에 맞춰 검색 방식을 바꾸는 것이 더 효과적이었습니다.

Semantic Search로는 번역 키의 용어 일관성을 충분히 살리기 어려웠습니다. 문장 유사도보다 정확한 용어 재사용에 맞춰 검색 방식을 바꾸는 것이 더 효과적이었습니다.

Semantic Search만으로는 번역 용어 일관성을 해결하기 어려웠습니다. 저자는 키워드 추출과 Tolgee 재검색 방식으로 접근을 바꿨습니다.

실제 유저 반응으로 LLM의 재미를 평가하기 위해 A/B 테스트, MAB, 리더보드를 활용했습니다. 세 방식의 편향과 리스크를 보완하며 모델 탐색부터 최종 배포 검증까지 설계했습니다.

삼성전자 사내 검색 환경을 개선하기 위해 Agentic Search 구조를 선택한 배경을 다뤘습니다. 다양한 RAG 실험과 설계 고려 사항을 함께 정리했습니다.


업스테이지와 래블업이 독자 AI 파운데이션 모델 1차수 평가 통과 과정을 공유했습니다. 대규모 GPU 인프라 운영과 학습 최적화, 자동 복구 체계가 핵심이었습니다.

에이전트 루프는 새로운 이론보다 기존 반복문과 상태 관리 패턴의 재조합에 가깝다고 정리했습니다. 채널톡은 질문 응답용 Loop와 액션 처리용 Task를 분리해 종료 조건과 안전성을 보강했습니다.

에이전트 루프를 Ralph Loop, OpenClaw 사례로 살펴보며 반복과 종료 설계의 중요성을 정리했습니다. 질문 응답과 작업 처리를 분리하고, maxTurns 같은 안전장치를 두는 접근을 제안했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

BDA 2.0 서비스와 자연어-SQL 변환 기반 LLM 에이전트의 탄생 배경을 소개했습니다. 도메인 전문가와 개발자의 협업으로 도메인 특화 에이전트를 만드는 과정을 다뤘습니다.


Kiro Subagent와 멀티 에이전트 구성을 활용해 개발 워크플로우를 구조화하는 방법을 소개했습니다. 코드 리뷰, QA, 문서화를 분리해 품질과 보안을 체계적으로 높이는 흐름을 설명했습니다.

RAG가 단순 검색을 넘어 개인 데이터와 실시간 컨텍스트를 통합하는 방향으로 진화하고 있음을 설명했습니다. Personal Context RAG를 실현하기 위한 접근의 필요성도 함께 제시했습니다.
무신사가 LLM 기반 코드 리뷰를 GitHub Actions와 Composite Action으로 표준화해 전사 인프라로 구축했습니다. 봇 노이즈 정리와 팀별 유연성을 함께 확보해 운영 가능한 AI 리뷰 체계를 만들었습니다.


Astronomer Agents로 Airflow 작업의 작성, 테스트, 디버깅 방식이 달라질 수 있음을 소개했습니다. 또한 마이그레이션과 데이터 웨어하우스 분석까지 지원하는 핵심 기능을 설명했습니다.

AI-RAN 시대를 대비해 기지국 내 AI 모델의 추론 가속화와 On-Site Training을 연구하는 글입니다. 엣지 환경에 맞는 모델 적용과 현장 학습 가능성을 다룹니다.


2명이 7주 동안 AI-DLC와 Kiro, Claude Code, Linear를 조합해 Agentic AI 플랫폼을 구축했습니다. 문서화와 이슈 추적으로 모호한 요구를 구체화하고 개발 생산성을 높인 사례입니다.