

조직에서 AI 코딩 솔루션 도입, 어떻게 시작할까?
조직에서 AI 코딩 솔루션을 도입할 때는 성능보다 보안, 비용, 통합성을 먼저 검토해야 했습니다. 파일럿으로 검증한 뒤 팀 환경에 맞는 도구를 단계적으로 확산하는 접근이 중요했습니다.
새로운 기술 블로그가 추가되었어요


조직에서 AI 코딩 솔루션을 도입할 때는 성능보다 보안, 비용, 통합성을 먼저 검토해야 했습니다. 파일럿으로 검증한 뒤 팀 환경에 맞는 도구를 단계적으로 확산하는 접근이 중요했습니다.

금융 용어를 AI가 쉽게 설명하고 관련 상품까지 추천하는 사전 서비스를 만들었습니다. 응답 지연은 캐싱으로 줄이고, 프롬프트 구조화를 통해 원하는 형식의 답변을 유도했습니다.

AI 코딩 도구의 결제 연동 정확도를 높이기 위해 토스페이먼츠가 MCP 서버를 구현한 과정을 공유했습니다. 문서 청크화와 BM25 검색으로 맥락을 제공해 Hallucination을 줄이고 연동 품질을 개선했습니다.


Co-STORM은 여러 AI 에이전트의 협력적 담화를 통해 사용자가 미지의 정보를 발견하도록 돕는 정보 탐색 시스템을 소개했습니다. 평가에서는 기존 검색 엔진과 RAG 기반 방식보다 깊이와 참신성에서 더 좋은 결과를 보였습니다.

똑쿼리는 사내 데이터와 문서를 자연어로 조회하는 서비스로, 슬랙 기반 채팅 에이전트에서 LangGraph 기반 구조로 고도화했습니다. Router 패턴과 RAG 개선을 통해 응답 속도와 정확도를 높였고, OpenWebUI로 사용자 경험도 개선했습니다.


생성형 AI 에이전트의 핵심인 ReAct 패턴과 LangChain 기반 도구 활용 방식을 정리했습니다.현업 적용을 위해 도메인 지식, 프롬프트, Tool 설계, QA까지 함께 고려해야 했습니다.


데브시스터즈가 제2회 엔지니어링 데이 - Data를 열고 데이터 조직의 고민과 사례를 공유했습니다. 로그 파이프라인, 준실시간 처리, 게임 DW 공통화와 데이터 활용 경험을 소개했습니다.


LLM을 문학 번역 평가자로 쓰는 연구를 소개하며, 기존 지표보다 인간 판단에 가까운 성과를 보였다고 분석했습니다. 다만 문화적 맥락과 미묘한 뉘앙스까지 완전히 대체하지는 못해 인간 평가의 보완이 필요하다고 정리했습니다.


Langchain과 Langgraph의 create_react_agent 차이를 프롬프트 처리와 Tool Call 방식 중심으로 비교했습니다. 상용 LLM과 MCP 환경에는 Langgraph가 유리하고, Private LLM에는 Langchain을 고려할 수 있음을 정리했습니다.

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.


AI 도구와 파일시스템 MCP로 개인 맞춤형 학습 앱을 빠르게 기획하고 구현한 사례를 소개했습니다. 망각곡선 기반 복습과 데이터 생성까지 자동화해 프로토타입 완성 속도를 높였습니다.


Amazon Bedrock과 Amazon Nova를 적용해 사진 기반 AI 콘텐츠 생성 구조를 개선했습니다. 컨테이너를 경량화하고 처리 시간을 크게 줄여 빠르고 효율적인 서비스 운영을 가능하게 했습니다.