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
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
![[플랫폼설계] DevOps에서 Platform Engineering으로: kt cloud의 여정](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2F3eXsA%2FdJMcahzmu0O%2FAAAAAAAAAAAAAAAAAAAAAGlu_Br7rCfjyoHda8-UNLGTHlsj3uFL1o0vFqg4oqIo%2Fimg.png%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1793458799%26allow_ip%3D%26allow_referer%3D%26signature%3Dt%252Fc5pKpdKn%252BSkCQkstQSRHVZ6ms%253D)
[플랫폼설계] DevOps에서 Platform Engineering으로: kt cloud의 여정
개발자의 인지 부담을 줄이기 위해 골든 패스와 Platform Portal 설계 방향을 정리했습니다.\nGitOps·정책 자동화와 RAG 기반 AI 도우미로 개발자 경험을 개선합니다.
#Platform Engineering#GitOps
4600
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
케클s피드 9월호｜kt cloud summit 2026, 고객의 AX를 현실로 만드는 인프라 전략
AI 서비스 운영을 위한 AIDC 전력·클라우드·Composite AI 전략을 소개했습니다. RAG, 모델 선택, 추론 메모리 최적화와 MCP 활용 방안도 다뤘습니다.
#cloud#MCP
1000
AI 에이전트 시대 문서중앙화 — 에이전트 도입 전, 데이터는 이렇게 관리하세요!
AI 에이전트 시대 문서중앙화 — 에이전트 도입 전, 데이터는 이렇게 관리하세요!
AI 에이전트 도입 전 최신 문서, 접근 권한, 변경 이력을 통합 관리해야 하는 이유를 설명했습니다.\n문서중앙화를 통해 잘못된 정보 참조와 권한 침해, 근거 추적 불가 위험을 줄이는 방안을 제시합니다.
#AI 에이전트#RAG
200
![[기술분석] AI 추론 메모리 병목과 서버 아키텍처 변화](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2Fc8tfwX%2FdJMcacxVUQ3%2FAAAAAAAAAAAAAAAAAAAAALTSd9GQw-ZYzh3nwWWhOuVAZGdZCBNas2i_fdjpo3vH%2Fimg.png%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1790780399%26allow_ip%3D%26allow_referer%3D%26signature%3DHm2u1JCa%252FDvSBgcpro4ptcOZqeQ%253D)
[기술분석] AI 추론 메모리 병목과 서버 아키텍처 변화
장문 컨텍스트와 RAG, AI 에이전트 확산으로 추론 병목이 메모리와 데이터 이동 경로로 옮겨가고 있습니다. GPU 중심 설계보다 HBM, DRAM, SSD를 함께 보는 계층형 아키텍처가 중요하다고 설명했습니다.
#LLM#RAG
2000
Strands Agents와 Amazon Bedrock AgentCore을 이용한 발전설비진단 구현하기
Strands Agents와 Bedrock AgentCore로 발전설비 진단 보조 에이전트를 구성한 사례를 소개했습니다. 판단 절차와 데이터 조회를 분리하고 검색·응답을 따로 평가한 점이 핵심입니다.
#Strands Agents#Amazon Bedrock
700
딥테크 스타트업과 함께하는 AX 여정 | 오픈이노베이션 기술교류회 현장
딥테크 스타트업의 PoC와 AX 도입을 지원하는 가비아 AWS의 기술교류회 현장을 소개했습니다.\nAgentic AI 4-Layer 구조와 비용·마이그레이션 대응 방안을 함께 정리했습니다.
#AWS#LLM
2500
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
AI 시대 문서중앙화 — RAG의 성패는 LLM이 아닌 ‘데이터’에서 갈립니다
AI 시대 문서중앙화 — RAG의 성패는 LLM이 아닌 ‘데이터’에서 갈립니다
RAG가 기대만큼 답하지 못하는 문제를 다룹니다. 성공 요인을 LLM보다 문서 중앙화와 데이터에서 찾습니다.
#RAG#LLM
100
Amazon Aurora PostgreSQL에서 pgvector를 프로덕션 환경으로 운영하기
Aurora PostgreSQL에서 pgvector를 프로덕션 RAG에 운영하는 방법을 정리했습니다. HNSW 선택, 거리 함수, 메모리 계획, 관측성까지 실무 기준으로 설명했습니다.
#PostgreSQL#pgvector
2800
How Documents Find Developers at Toss
토스 프론트엔드 팀은 문서를 찾는 대신 문서가 개발자에게 찾아오게 만드는 시스템을 구축했습니다. RAG 챗봇과 자동 문서화 봇으로 지식의 축적과 검색을 연결했습니다.
#RAG#LLM
5800
LLM은 왜 Graph DB를 필요로 할까?
LLM은 왜 Graph DB를 필요로 할까?
LLM은 문서 유사성뿐 아니라 데이터 간 관계를 함께 활용할 때 더 유용해졌습니다. Graph DB는 이런 관계 정보를 제공해 GraphRAG와 AI Agent의 탐색 범위를 넓혀줬습니다.
#LLM#Graph DB
9100
토스증권 추천과 검색은 어떻게 진화하고 있을까?
토스증권은 추천을 배치 중심에서 실시간 루프로, 검색을 키워드 기반에서 RAG와 그래프 RAG로 확장했습니다. 모델 성능뿐 아니라 데이터 갱신, 후보 선택, 운영 관측이 품질을 좌우한다고 정리했습니다.
#검색#RAG
8100
채널톡이 글로벌 상담 Agent를 GPT-5.6 Luna로 갈아탄 이유
글로벌 상담 AI Agent의 메인 모델을 GPT-5.6 Luna로 바꾼 이유를 자체 벤치마크로 설명했습니다. 공개 리더보드보다 실제 워크로드에서의 품질, 비용, 속도를 함께 보고 전환했습니다.
#LLM#벤치마크
8100