LLM을 이용한 서비스 취약점 분석 자동화 #2
LLM과 MCP, SAST를 결합해 서비스 취약점 분석 자동화 구조를 구현한 과정을 소개했습니다. 토큰 비용과 지속 가능성을 줄이기 위해 오픈 모델과 에이전트 분업도 적용했습니다.
새로운 기술 블로그가 추가되었어요
LLM과 MCP, SAST를 결합해 서비스 취약점 분석 자동화 구조를 구현한 과정을 소개했습니다. 토큰 비용과 지속 가능성을 줄이기 위해 오픈 모델과 에이전트 분업도 적용했습니다.


AWS Bedrock Converse API로 멀티 모델 에이전트를 Streamlit과 Lambda로 구현한 사례를 정리했습니다. 모델 선택, 스트리밍, 도구 호출, 서버리스 연동 흐름을 함께 소개했습니다.
오프라인 핏 경험을 온라인까지 이어가기 위해 초기에는 외부 LLM으로 빠르게 검증했습니다. 이후 비용과 차별화 한계를 보고, 체형 데이터를 자산화하는 자체 AI 전략으로 전환했습니다.

복지 포인트 서비스에서 보안, 대용량 처리, 일정 제약을 함께 해결한 개발 사례였습니다. 비동기 처리와 OGG 연동, GPT 기반 영수증 인식으로 현실적인 선택을 정리했습니다.

라포랩스가 40~50대 고객을 위한 커머스 플랫폼으로 AI 기반 개인화와 추천 전략을 강화했습니다. 패션을 넘어 뷰티·리빙·식품까지 확장하며 라이프스타일 플랫폼으로 성장하고 있습니다.
AI 업무 툴이 반복 업무를 줄이고 주업무 집중 시간을 늘리는 흐름을 소개했습니다. 직장인의 일하는 방식을 바꾸는 도구로서의 변화를 다뤘습니다.


AWS에서 NVIDIA Cosmos WFM을 활용해 Physical AI용 합성 데이터를 생성하는 방법을 소개했습니다. 실시간 EKS 배포와 배치 AWS Batch 배포의 두 가지 프로덕션 아키텍처를 비교했습니다.

금융보안 AI 경진대회에서 24GB 단일 GPU 제약 아래 LLM 파이프라인을 설계하고 우수상을 수상한 과정을 정리했습니다.\n모델 선정부터 CPT, RAG, 양자화, 출력 제어까지의 선택 이유와 성능 개선 결과를 공유했습니다.


Claude Code Hooks로 프롬프트 대신 설정 파일 기반 정책 강제를 설명했습니다. 파일 수정, 위험 명령 차단, 모니터링 등 실전 활용 패턴도 함께 다뤘습니다.

Software 3.0 시대의 Claude Code를 기존 layered architecture 관점으로 풀어낸 글입니다. 또한 HITL, 토큰 관리, 스킬 설계의 실무 포인트를 정리했습니다.


AWS Lambda와 Amazon Bedrock, Claude Agent SDK로 멀티 에이전트 Orchestrator-Worker 구조를 구현하는 방법을 소개했습니다. S3 공유 저장소와 Sonnet/Opus 분리를 통해 제약 대응과 비용 최적화를 함께 다뤘습니다.

수억 건의 보안 신호 속에서 실제 위협을 찾아내기 어려운 문제를 다뤘습니다. AI를 활용해 보안 모니터링 방식을 바꾸는 방향을 소개했습니다.