SealedSecret을 활용한 Kubernetes Secret 관리 및 GitOps 통합
Kubernetes GitOps에서 Secret을 안전하게 다루기 위해 SealedSecret 활용 방안을 소개했습니다. 암호화 저장과 클러스터 복호화로 보안과 운영 효율을 함께 확보하는 방법을 설명했습니다.


Kubernetes GitOps에서 Secret을 안전하게 다루기 위해 SealedSecret 활용 방안을 소개했습니다. 암호화 저장과 클러스터 복호화로 보안과 운영 효율을 함께 확보하는 방법을 설명했습니다.

Co-STORM은 여러 AI 에이전트의 협력적 담화를 통해 사용자가 미지의 정보를 발견하도록 돕는 정보 탐색 시스템을 소개했습니다. 평가에서는 기존 검색 엔진과 RAG 기반 방식보다 깊이와 참신성에서 더 좋은 결과를 보였습니다.

생성형 AI 에이전트의 핵심인 ReAct 패턴과 LangChain 기반 도구 활용 방식을 정리했습니다.현업 적용을 위해 도메인 지식, 프롬프트, Tool 설계, QA까지 함께 고려해야 했습니다.

Windsurf를 독립형 IDE와 플러그인 형태로 사용하는 방식으로 소개했습니다. 특히 기존 IDE를 유지하면서 가볍게 AI 도움을 받는 사용 경험을 공유했습니다.

LLM을 문학 번역 평가자로 쓰는 연구를 소개하며, 기존 지표보다 인간 판단에 가까운 성과를 보였다고 분석했습니다. 다만 문화적 맥락과 미묘한 뉘앙스까지 완전히 대체하지는 못해 인간 평가의 보완이 필요하다고 정리했습니다.

사내 PPT 분석기 Chat PPT를 만든 LLMops 구현 과정과 운영 팁을 공유했습니다. 보안 제약 대응, VLM·LLM 연계, 품질 개선 반복이 핵심이었습니다.

Langchain과 Langgraph의 create_react_agent 차이를 프롬프트 처리와 Tool Call 방식 중심으로 비교했습니다. 상용 LLM과 MCP 환경에는 Langgraph가 유리하고, Private LLM에는 Langchain을 고려할 수 있음을 정리했습니다.

AI 도구와 파일시스템 MCP로 개인 맞춤형 학습 앱을 빠르게 기획하고 구현한 사례를 소개했습니다. 망각곡선 기반 복습과 데이터 생성까지 자동화해 프로토타입 완성 속도를 높였습니다.

WWDC 2025에서 소개된 패스키 통합 인증 프레임워크를 요약했습니다. 회원가입부터 동기화, 자동 전환, 기기 간 이전까지의 개선점을 정리했습니다.

웹뷰 인터페이스를 통해 네이티브 앱과 웹이 어떻게 양방향으로 소통하는지 정리했습니다. 또한 명명 규칙, 보안, 성능 관점의 설계 가이드와 주요 함수 예시를 소개했습니다.

LLM을 코드 리뷰 자동화에 활용해 반복적인 피드백과 대기 시간을 줄이는 방법을 소개했습니다. CI/CD 연동 예시와 함께 장점, 한계, 도입 시 주의점을 정리했습니다.

In-house 데이터를 활용해 웹 검색의 한계를 보완하고, RAG 기반으로 검색 정확도와 응답 품질을 높이는 전략을 소개했습니다. 도메인별 검색 인프라와 질의 분석, 랭킹 최적화로 후속 액션까지 연결하는 구조를 설명했습니다.

추론 모델 학습용 데이터 레시피를 실험 중심으로 정리한 글입니다. 어려운 질문 선별, 다중 답변 생성, 데이터 확장이 성능 향상에 중요하다고 설명했습니다.

ConfigMap 변경을 수동 재시작 없이 반영하기 위해 GitOps 구조로 분리했습니다. Argo CD와 Reloader를 조합해 자동 동기화와 자동 재시작을 구성했습니다.

OpenAI Realtime API와 Go의 channel, goroutine을 활용해 실시간 음성 챗봇을 구현하는 구조를 소개했습니다.기존 STT-LMM-TTS 순차 처리의 한계를 줄이고 WebSocket 스트림을 단순화하는 방법을 설명했습니다.

IntelliJ 사용자가 Cursor 대안을 찾다가 Claude + MCP 연동을 선택한 사례를 소개했습니다. IDE를 바꾸지 않고도 코드 지원과 외부 툴 연계를 활용하는 방법을 설명했습니다.

iOS 이미지 리소스를 파일명 규칙 기반 스크립트로 자동 정리하는 방법을 소개했습니다. 수작업 교체와 설정 부담을 줄여 실수를 줄이고 반복 작업을 크게 줄였습니다.

Langchain 없이 Python으로 ReAct 기반 LLM Agent를 직접 구현하는 예제를 소개했습니다. 프롬프트 설계와 멀티턴 흐름에 따라 함수 호출 결과가 달라질 수 있음을 보여줬습니다.
