SLM 기반 Agentic AI: Planner–Caller–Generator 구조 설계와 성능 분석
SLM 기반 P–C–G 구조로 Agentic AI의 역할을 분리해 효율성과 안정성을 높였습니다. 한국어 도구 활용 환경에서 GPT-4o-mini 수준의 성능과 토큰 절감 효과를 확인했습니다.


SLM 기반 P–C–G 구조로 Agentic AI의 역할을 분리해 효율성과 안정성을 높였습니다. 한국어 도구 활용 환경에서 GPT-4o-mini 수준의 성능과 토큰 절감 효과를 확인했습니다.

쿠버네티스 Health Check를 통해 장애를 자동 감지하고 재시작·트래픽 차단으로 대응하는 방법을 정리했습니다. Probe 종류와 구현 방식, 운영 시 주의점까지 함께 다뤘습니다.

Python으로 HWP 본문 Section을 읽고 문단, 글자 모양, 문단 모양, 제어문자를 순서대로 파싱하는 방법을 설명했습니다. 샘플 파일을 통해 실제 서식과 파싱 결과가 일치함을 확인했습니다.

HWPX 본문 구조와 section.xml·header.xml의 참조 관계를 Python으로 파싱하는 과정을 설명했습니다.문단과 run, 서식 정보를 연결해 텍스트·표·그림을 추출하는 방법을 다루었습니다.

n8n의 오픈소스·자체 호스팅 강점과 코드 확장성을 바탕으로 서비스 자동화 전략을 정리했습니다. API와 MCP를 결합한 하이브리드 구조로 단순 업무와 복잡한 비정형 문제를 함께 다루는 방법을 제시했습니다.

단일 LLM 중심에서 벗어나 특화 모델을 조합하는 AI 아키텍처 전환을 설명했습니다.비용, 지연 시간, 정확성, 보안 한계를 줄이기 위한 오케스트레이션 전략을 정리했습니다.

모노레포와 멀티레포의 차이와 도입 사례를 비교하며, 프로젝트 특성에 맞는 구조 선택 기준을 정리했습니다. 또한 빌드 최적화와 초기 설정 자동화를 통해 개발 생산성을 높인 경험을 소개했습니다.

실시간 웹한글 편집의 I/O 병목과 블로킹 한계를 해결하기 위해 WebFlux와 Project Reactor로 전환했습니다. 블로킹 작업 분리, 커스텀 스케줄러, graceful shutdown, Context 추적으로 안정성과 관찰성을 높였습니다.

생성형 AI 합성 데이터의 개념과 활용 가능성을 논문, 도구, 사례를 통해 살펴보았습니다. 아직 한계는 있지만 품질 검증과 테스트 자동화 측면의 가능성도 함께 확인했습니다.

MS Office의 Startup Boost가 핵심 구성 요소를 미리 로드해 실행 지연을 줄이는 방식을 소개했습니다. 한컴오피스도 초기 로딩과 실행 속도 개선을 통해 사용자 경험을 높일 필요가 있다고 짚었습니다.

AI와 실시간으로 협업하는 바이브 코딩의 개념과 핵심 도구, 워크플로를 정리했습니다. 자연어 기반 개발의 장점과 함께 대규모 프로젝트, 비용, 라이선스 같은 우려도 함께 다뤘습니다.

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 코딩 어시스턴트의 시장 동향과 국내외 도입 사례, 모델·솔루션 비교를 한 번에 정리했습니다.파일럿 검증을 거쳐 성능, 보안, 비용을 함께 고려한 점진적 도입 전략을 제안했습니다.

QA를 사후 검수가 아닌 장애 예방과 신뢰 설계를 위한 전략으로 설명했습니다. 리스크 기반 테스트와 전 주기 장애 대응 체계를 사례와 함께 정리했습니다.

휴리스틱 평가 10원칙을 QA 관점의 사용성 테스트 항목으로 재해석한 글입니다. 기능 품질을 넘어 경험 품질까지 검증 범위를 넓혀야 한다는 점을 강조했습니다.

VLM의 개념과 최신 기술 동향, 주요 기업의 개발 흐름을 종합적으로 정리했습니다. 문서 AI 도입 시 특화 모델과 데이터 전략, 인프라 비용을 함께 고려할 필요가 있습니다.

Python의 `olefile`과 `zlib`로 HWP `DocInfo`를 읽고, 레코드 헤더를 분해해 문서 속성·BinData·글꼴 정보를 파싱하는 방법을 설명했습니다. 또한 가변 길이 데이터와 확장 크기 처리로 HWP의 레코드 기반 구조를 이해할 수 있게 정리했습니다.

HWPX를 ZIP 기반 XML 포맷으로 보고 Python 내장 라이브러리로 메타정보를 추출하는 방법을 설명했습니다. 문서 시작 번호, 커서 위치, 바이너리 목록을 `Document` 객체로 구조화하는 흐름을 다뤘습니다.
