

Ambient Agent의 시대가 온다
Ambient Agent가 챗봇 중심 에이전트의 한계를 넘어 자율 실행과 장기 워크플로우를 가능하게 한다고 설명했습니다. 다만 민감한 업무에서는 Human-in-the-loop와 보안, 데이터 품질 관리가 중요하다고 정리했습니다.


Ambient Agent가 챗봇 중심 에이전트의 한계를 넘어 자율 실행과 장기 워크플로우를 가능하게 한다고 설명했습니다. 다만 민감한 업무에서는 Human-in-the-loop와 보안, 데이터 품질 관리가 중요하다고 정리했습니다.

BERT 기반 SPLADE 모델의 대규모 실시간 서빙 최적화 방법을 소개했습니다. FlashTokenizer와 전/후처리, 추론 최적화로 레거시 GPU 성능을 끌어올린 사례입니다.


LLM 환각의 원인과 완화 전략을 정리하고, 최근 논문 3편의 실험 결과를 바탕으로 신뢰성 향상 방향을 소개했습니다. 불확실성 인식, 외부 지식 활용, 자체 검증을 함께 고려하는 설계가 중요하다고 설명했습니다.


AI 검색 엔진 PAAS의 구조와 도입 배경, 그리고 딥서치와 멀티모달로의 확장 방향을 정리한 글입니다. 검색 기능을 AI Agent의 기반으로 보고 MCP와 모바일 실행까지 가능성을 제시했습니다.
여행 상품의 소개글과 코스 설명에서 일정 정보를 추출해 정형화된 데이터로 만들었습니다. 이를 바탕으로 도시와 기간에 맞는 테마별 여행 플래너 서비스를 실험했습니다.


Amazon Bedrock을 활용해 경로 최적화 AI 에이전트 TOAST를 구현한 사례를 소개했습니다. 자연어 입력, 다중 에이전트 구조, 시각화와 재최적화를 통해 활용성을 높였습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


Gemma 3n의 멀티모달 온디바이스 특징과 오디오·이미지 입력 예제를 소개했습니다. 다양한 입력 방식을 활용해 오프라인 환경에서도 응용할 수 있음을 보여주었습니다.

Context Engineering을 기존의 context 관리 실천과 Linear MCP 도입 사례로 설명했습니다. 티켓 메타데이터와 상태 연동으로 계획, 소통, 구현을 통합하는 방식을 공유했습니다.

Ray를 활용해 GPU Util 100% 배치 처리와 확장 가능한 모델 서빙 아키텍처를 소개했습니다. Ray Serve와 vLLM 기반 LLM 추론 파이프라인 및 운영 사례도 다뤘습니다.


IaC로 정의한 Kubernetes 클러스터를 Mermaid Chart로 시각화하는 방법을 소개했습니다. LLM을 활용해 다이어그램 코드를 만들고 편집·공유하는 흐름도 함께 다뤘습니다.

Cursor와 MCP로 유저챗 대응과 PR 리뷰를 자동화해 반복 업무 시간을 크게 줄인 사례를 소개했습니다. 업무 절차를 문서화하고 파이프라인화해 AI가 분석과 리뷰를 돕도록 구성했습니다.

토스뱅크 인턴들이 변수명 추천 플러그인과 민감정보 마스킹 플러그인을 만든 경험을 소개했습니다. DRI 문화와 수평적 협업 속에서 문제를 정의하고 해결하며 성장한 과정을 정리했습니다.


Amazon Bedrock과 MCP로 기업 AI 에이전트가 공통 도구를 표준화해 쓰는 중앙 허브 구조를 소개했습니다. 분산 개발과 중앙 거버넌스를 결합해 확장성, 보안, 운영 효율을 높이는 방식입니다.

사내 노션과 슬랙 지식을 연결하는 RAG 기반 챗봇 라포위키 개발 과정을 소개했습니다. 내부 용어집, 메타데이터, 청크 임베딩으로 검색 정확도와 최신성을 높였습니다.