QA 에이전트 — 코드는 AI가 짜는데, 품질 테스트는 아직도 사람이?
QA 에이전트 — 코드는 AI가 짜는데, 품질 테스트는 아직도 사람이?
AI 코딩 확대로 테스트 범위 설계와 검증 부담이 커지는 문제를 짚었습니다.\nPrivate LLM 기반 QA 에이전트로 조직 지식 기반 테스트 설계를 제안합니다.
#LLM#QA ACE
300
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
경신홀딩스의 AX 도입을 위한 에이전트 플랫폼 구축: Amazon Bedrock AgentCore로 사내 데이터를 연결하고 에이전트를 운영하기
Amazon Bedrock AgentCore로 사내 데이터 연결·에이전트 실행·공유를 통합한 AX 플랫폼을 구축했습니다. MCP, 승인 워크플로, 사용량 관측으로 보안과 재사용성을 강화했습니다.
#Amazon Bedrock#AgentCore
000
AWS Agentcore와 Strands Agent를 활용한 AI 서버 구축기
AWS Bedrock AgentCore Runtime과 Strands Agents로 LLM 기능을 통합한 AI 서버 구축 방식을 소개했습니다.\nEKS 프록시, 단일 이미지 다중 Runtime, 관측성·평가·배포 운영 결정을 설명합니다.
#AWS Bedrock AgentCore#Strands Agents
000
MCP 서버와 에이전트 호스트, 왜 둘로 나누었는가
MCP 서버와 에이전트 호스트를 책임과 통제 경계에 따라 분리한 설계를 설명했습니다. 승인 제안·폼 정의의 소유권을 서버로 모아 ID 노출과 조용한 실패를 줄였습니다.
#MCP#LLM
2700
조직을 위한 AI 에이전트는 어떤 형태일까? Amazon Quick Hands-on Day 현장
Amazon Quick으로 사내 데이터와 업무를 연결하는 AI 에이전트 실습을 소개했습니다. 보안 거버넌스와 자연어 기반 분석·자동화 기능을 함께 다뤘습니다.
#Amazon Quick#AWS
2200
![[AI활용] AI 자동화, 어디서부터 시작해야 할까?](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2FcAcFmf%2FdJMcahe9vTc%2FAAAAAAAAAAAAAAAAAAAAAGez10WfLr3yT3n6j14Cv2U6wVRl6T4mu1tV_TTHoCCk%2Fimg.png%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1793458799%26allow_ip%3D%26allow_referer%3D%26signature%3D9S0GuPdSl86IyhbBHsmKNnI4f%252Fs%253D)
[AI활용] AI 자동화, 어디서부터 시작해야 할까?
반복 입력 업무의 암묵지를 찾아 AI 자동화 대상으로 정의한 과정을 소개했습니다. 하드코딩 대신 룰셋을 데이터로 분리해 유지보수 가능한 팀 시스템으로 전환했습니다.
#LLM#자동화
3000
LLM이 만든 SQL을 믿고 실행하기까지: A2A 기반의 대화형 BI 애플리케이션 개발기
A2A 역할 분리와 온톨로지 기반 RAG로 대화형 BI의 지표 해석 근거를 보강했습니다.\nQuery Guardrail의 RLS·CLS 검증으로 LLM 생성 SQL의 실행 안전성을 통제했습니다.
#LLM#SQL
4300
Jev로 판단하고 AWS DevOps Agent로 조사하는 AI 팀원 만들기
Jev와 AWS DevOps Agent를 결합한 Slack DevOps 봇의 판단·조사 구조를 소개했습니다.\n규칙보다 팀 지식과 피드백을 활용해 품질을 높이고 관리형 에이전트 한계를 보완했습니다.
#AWS#EKS
3300
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
코드 생성에서 개발 라이프사이클 전체를 AX로
AI 코드 생성 확산에 맞춰 테스트와 운영 분석까지 자동화하는 AX 개발 흐름을 제안했습니다. 기존 테스트 도구와 AI를 연결해 운영 문제를 테스트로 환류하는 방식을 설명합니다.
#LLM#자동화
4400
Jev로 AI 글 냄새 잡기 - 판정 모델을 교정 파이프라인 세 곳에 붙인 기록
Jev를 원고 교정·문체 탐지·자동 발행 점검에 적용해 조건부 활용 방식을 검증했습니다. 문단 판정은 Jev, 반복 규칙은 코드, 사실 검증은 별도 단계로 분리해야 합니다.
#Jev#LLM
15100
[클로바시선 #58] 속도와 비용의 열쇠: 멀티모달 AI 학습을 갉아먹는 ‘이미지 토큰 불균형’ 이야기
[클로바시선 #58] 속도와 비용의 열쇠: 멀티모달 AI 학습을 갉아먹는 ‘이미지 토큰 불균형’ 이야기
이미지 토큰 편차로 발생한 멀티모달 학습 GPU 부하 불균형을 분석했습니다. Pack 재배치와 통신 오버랩으로 품질 저하 없이 처리량을 13.3% 높였습니다.
#LLM#멀티모달
900
MCP server 개발기
Spring AI로 사내 REST API를 MCP 도구로 노출하는 서버 구축 과정을 정리했습니다.\n프로토콜 처리는 위임하고 도구 설계·설명·인증을 핵심 과제로 제시했습니다.
#MCP#Spring AI
3300
[신청 중] AI 제품을 만들 때, 자체 모델과 검색엔진은 언제 필요할까요?
실제 AI 제품에서는 모델 성능뿐 아니라 검색 품질과 속도, 사용자 경험까지 함께 고려해야 합니다. 이번 밋업에서는 자체 모델 학습과 검색엔진 고도화 사례를 공유합니다.
#ML#검색
4100
[AI 트렌드] 모델은 사는 것, 자산은 쌓는 것 — Domain Data와 Harness
[AI 트렌드] 모델은 사는 것, 자산은 쌓는 것 — Domain Data와 Harness
AI 시대의 진짜 자산은 모델이 아니라 현장에서 쌓이는 도메인 데이터와 하네스라고 설명했습니다. 업의 본질은 그대로지만, 프로세스를 바꾸는 힘이 경쟁력을 만든다고 정리했습니다.
#LLM#data
3000