
첫 개발자 컨퍼런스, 이렇게 만들었습니다
채널톡 첫 개발자 컨퍼런스의 기획과 운영 과정을 공유했습니다. 사전 녹화와 실시간 Q&A로 완성도와 참여도를 함께 높인 점이 인상적입니다.

채널톡 첫 개발자 컨퍼런스의 기획과 운영 과정을 공유했습니다. 사전 녹화와 실시간 Q&A로 완성도와 참여도를 함께 높인 점이 인상적입니다.


n8n과 Open WebUI를 연결해 간단한 챗봇 워크플로우를 구성하는 방법을 소개했습니다. Webhook과 N8N Pipe로 입력과 응답을 주고받고, 향후 RAG와 MCP로 확장할 계획입니다.

Google A2A 프로토콜의 개념과 작동 방식을 소개하고 MCP와의 차이를 정리했습니다. 여러 AI 에이전트가 공통 표준으로 협업하는 구조를 설명했습니다.

HITL은 AI가 1차 판단을 하고 사람이 검토·보완하는 협업 구조를 다뤘습니다. 정확도와 신뢰성을 높이기 위해 금융, 의료, 고객 응대에 우선 적용하는 방식을 소개했습니다.


Slack과 Gemini를 연동해 에러 원인과 조치 방안을 제안하는 Jarvis를 구축했습니다. MCP로 코드·로그 맥락을 보강해 운영 대응 시간을 줄였습니다.


생성형 AI와 Slack, Datadog, Git 연동으로 에러 로그 분석 자동화를 구현했습니다. MCP와 프롬프트 개선을 통해 운영 대응 속도를 높이고 분석 품질도 개선했습니다.

단일 LLM의 한계를 보완하는 멀티에이전트 오케스트레이션과 A2A, MCP의 역할을 정리했습니다. 또한 뉴스 검색·요약 예제로 에이전트 협업 구조를 설명했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


당근페이는 Bedrock 기반 Text-to-SQL에서 메타데이터와 샘플 쿼리, 용어 사전을 체계적으로 수집·관리하는 방식을 소개했습니다. 또한 검색 최적화와 SFT, MCP 확장으로 정확도와 활용 범위를 넓혀갈 계획을 공유했습니다.

슬랙에서 사내 용어를 검색해 한글과 영어로 답변하는 BH-Glossary 봇 개발 과정을 소개했습니다. LLM과 RAG를 활용한 구현 방식과 향후 운영·확장 방향도 함께 정리했습니다.


사내 멀티 LLM 플레이그라운드를 구축해 여러 모델을 한곳에서 비교하고 체험할 수 있게 했습니다. 이를 바탕으로 프롬프톤을 열어 서비스 캐릭터 페르소나 설계와 프롬프트 엔지니어링 경험을 확산했습니다.

네이버 홈피드의 개인화 추천 구조와 랭킹 고도화 과정을 소개했습니다. LLM, 리트리버, 랭커를 활용해 클릭과 만족도, 다양성을 함께 개선했습니다.


바이브 코딩과 Gemini, Firebase, Discord로 개인용 AI 러닝 코치를 만들었습니다. 훈련 계획 추천과 완료 체크를 구현하며 여러 이슈를 수정해 완성했습니다.


Amazon Bedrock Guardrails의 한국어 개인정보 검출 지원과 활용 방법을 소개했습니다. ApplyGuardrail API로 이름, 주소, 전화번호 등 다양한 민감정보를 탐지하는 예시를 보여주었습니다.


멀티모달 LLM과 AI Agent 흐름을 바탕으로 Computer Use Agent의 개념과 연구 사례를 정리했습니다. 웹 UI 조작과 자동화 가능성을 중심으로 WebShop, LiteWebAgent, AgentQ를 소개했습니다.