프롬프팅에서 워크플로로, AI로 프런트엔드 개발 생산성 끌어올리기
프런트엔드 개발의 병목을 컨텍스트 통합 문제로 보고, AI를 프롬프트가 아닌 워크플로로 활용하는 방법을 설명했습니다. 계획-구현-검증-PR까지 닫힌 루프를 만들면 재작업을 줄이고 품질을 높일 수 있다고 정리했습니다.
#LLM#프런트엔드
54005분
필터 1
Git 커밋 로그로 주간 업무 정리 자동화하기 — Obsidian + Confluence + Claude Code
매주 Git 커밋 로그를 자동 수집해 Obsidian과 Confluence로 주간 업무 정리를 자동화한 사례를 소개했습니다. 50분 걸리던 작업을 5분으로 줄이고, 멱등한 발행과 정기 실행까지 구성했습니다.
#Git#Obsidian
148005분
ODW #4: 코파일럿에서 파일럿으로, 에이전틱 코딩으로 구현부터 PR까지 자동화
에이전틱 코딩으로 구현부터 PR까지 자동화한 워크숍 사례를 소개했습니다. Jira·Confluence 연계와 단계별 명령어로 실무 적용성을 높인 점이 핵심입니다.
#GitHub Copilot#Claude
80005분
ODW #2: ADK로 싱글/멀티 에이전트를 개발해 사내 시스템과 통합
ADK로 싱글·멀티 에이전트를 만들고 MCP로 사내 시스템과 연동한 워크숍 내용을 소개했습니다. 작은 자동화부터 시작해 팀 전체로 AI 활용을 확산하는 방법을 공유했습니다.
#LLM#MCP
58005분
SRE 팀의 반복 작업을 10분의 1로 줄인 SRE 봇 개발기
SRE 반복 작업과 문의 대응을 Slack 워크플로 중심의 봇으로 자동화한 개발기입니다. 배포와 일반 요청 처리 시간을 크게 줄이고 운영 가시성도 높였습니다.
#SRE#Slack
104005분
기획서에서부터 Jira 태스크 업로드까지, Tasky
기획서에서부터 Jira 태스크 업로드까지, Tasky
Confluence 기획서를 기반으로 Jira 티켓을 자동 생성하는 AI 워크플로우 Tasky를 소개했습니다.\nPRD 표준화와 태스크 세분화로 품질을 높이고 준비 시간을 줄인 사례입니다.
#Confluence#Jira
60005분
사내 DB 관리 규정을 AI로 적용하다 : Amazon Bedrock 기반 DBA 리뷰봇 개발기
사내 DB 관리 규정을 AI로 적용하다 : Amazon Bedrock 기반 DBA 리뷰봇 개발기
사내 DB 관리 규정을 바탕으로 DDL 요청을 1차 검토하는 Bedrock 기반 리뷰봇을 개발했습니다. 20% 처리 속도 개선과 함께 DBA의 반복 업무와 커뮤니케이션 비용을 줄였습니다.
#Amazon Bedrock#LLM
79005분
코드 리뷰 봇으로 시작된 팀 문화의 변화
코드 리뷰 봇으로 시작된 팀 문화의 변화
코드 리뷰 봇으로 개인별 미처리 MR을 알려주고 리뷰어를 자동 배정해 리뷰 지연을 줄였습니다. 이후 휴가자 알림, 스크럼 문서, 온콜 관리까지 확장하며 팀 문화를 개선했습니다.
#Kotlin#Spring Boot
136005분
Q CLI를 활용한 RDS Aurora 운영업무 자동화
Amazon Q Developer CLI와 MCP로 RDS Aurora 일일 점검 리포트를 자동화한 사례를 소개했습니다. 자연어 기반 분석, Confluence 기록, cron 연계를 통해 운영 효율을 높인 구성입니다.
#Amazon Q Developer CLI#RDS
57005분
AI 데이터 분석가 ‘물어보새’ 그 다음 – 3부. Agent로 더 넓고 깊은 지식 공유하기
AI 데이터 분석가 ‘물어보새’ 그 다음 – 3부. Agent로 더 넓고 깊은 지식 공유하기
물어보새를 사내 지식과 업무를 아우르는 멀티 에이전트 서비스로 확장한 과정을 소개했습니다. 지식 확장, 메모리, Tracing, ReAct로 검색과 맥락 유지, 자율 실행을 강화했습니다.
#LLM#RAG
45005분
구성원 인터뷰 - 프로덕트 디자이너 SJ님
포스타입 UX팀 프로덕트 디자이너의 업무와 협업 방식, 최근 개선 사례를 소개한 인터뷰입니다. 사용자 경험 개선과 팀 내 성장 문화, 디자이너로서의 성장 목표를 전했습니다.
#UI/UX#Figma
90005분
SSG.COM 사내 Agent 개발기
사내 Confluence 문서를 자연어로 찾는 LLM Agent 개발 과정을 소개했습니다. 검색 쿼리 생성, 요약, 캐싱, OCR 등 운영 최적화 포인트도 다뤘습니다.
#LLM#NLP
240005분