설계 문서를 중심으로 AI가 코드·테스트·테스트 UI를 생성하는 DDVC 방식의 3일 MVP 실험을 소개했습니다. RAG 시스템 사례를 통해 문서 동기화, 로그, 단계적 검증의 중요성을 설명합니다.
v0.dev로 인터랙티브 목업을 빠르게 제작해 기획·디자인·개발 협의를 구체화했습니다. 페이지 단위 활용과 초기 코드 구조화, 신중한 기능 삭제가 중요하다고 정리했습니다.
Cursor와 TDD로 Swift Macro를 구현하는 과정을 소개했습니다. 테스트 작성부터 LLM 코드 생성, 검증, 리팩토링까지의 실무 흐름을 보여주었습니다.
토스 쇼핑이 수백만 사용자와 상품을 다루기 위해 멀티 스테이지 추천 시스템을 설계한 방식을 소개했습니다. Retrieval, Ranking, Re-ranking으로 개인화와 비즈니스 목표를 함께 맞췄습니다.
Google의 A2A와 MCP가 각각 에이전트 협업과 도구 연결을 어떻게 담당하는지 설명했습니다. 두 프로토콜을 함께 써서 멀티 에이전트 AI 시스템의 실용성을 높이는 방향을 소개했습니다.
MCP 기반 AI 시스템의 보안 위협을 문헌 조사로 분류하고 분석했습니다. 정책 연동, 문맥 무결성, 위임 통제, 감사 구조를 묶은 MCP PAM을 제안했습니다.
MCP 기반 AI 시스템의 보안 위협을 문헌 조사로 정리하고 4가지 핵심 위험 유형으로 분류했습니다. 정책 연동, 문맥 무결성, 위임 통제, 감사 추적을 묶은 MCP PAM 아키텍처를 제안했습니다.
MCP 기반 AI 시스템의 보안 위협을 문헌 조사로 정리하고, 4가지 핵심 위협 유형과 대응 전략을 제시했습니다. 또한 이를 통합하는 MCP PAM 보안 아키텍처를 제안했습니다.
LLM 추론 최적화와 Reasoning 모델 파인튜닝 방법론을 다루는 글입니다. 딥시크-R1과 S1 논문을 바탕으로 관련 접근을 소개했습니다.
데이터가 AI의 기반이라는 점을 프로젝트 경험을 바탕으로 정리했습니다. 메타스토어, 중간지 DB, RAG와 Memory를 통한 실험과 앞으로의 방향도 소개했습니다.
Meta Llama 4 토크나이저의 한국어 효율과 주요 특성을 비교 분석했습니다. 독자 토크나이저, 강화된 챗 템플릿, 스페셜 토큰 구성도 함께 살펴봤습니다.
Cursor와 Playwright를 결합해 QA 테스트를 프롬프트로 자동 생성하는 사례를 소개했습니다. 테스트 케이스 추출, 코드 수정, 리포트 생성까지 LLM으로 자동화하는 흐름을 다뤘습니다.
지식 증류가 student 성능 개선뿐 아니라 LLM 추론 속도 향상에도 활용된다는 점을 정리했습니다. speculative decoding과 SKD 같은 최신 방법으로 성능과 효율을 함께 높이는 흐름을 설명했습니다.
MCP 환경에서 AI가 실제 실행 주체가 되면서 기존 보안 체계의 한계를 짚고, 실행 시점 통제를 위한 MCP PAM을 제안했습니다. AI-SPM의 탐지 기능과 MCP PAM의 실시간 차단을 비교하며 자율 접근제어 필요성을 설명했습니다.
