하나의 프롬프트, 세 개의 두뇌
하나의 프롬프트, 세 개의 두뇌
하나의 프롬프트로 세 AI를 역할 분담해 인프라 운영을 자동화한 사례를 소개했습니다. 작업 난이도에 따라 모드를 바꾸고 교차 검증을 넣어 속도와 안전성을 함께 높였습니다.
#Claude#Gemini
900
AI 기술 블로그 최신 글
필터 0
코딩 에이전트를 활용한 취약점 수집·생성 자동화로 가드레일 모델 고도화
LLM 가드레일의 오탐 문제를 줄이기 위해 코딩 에이전트 기반 자동화 테스트 파이프라인을 구축했습니다. 카테고리별 입력 생성과 평가를 분리해 취약점 탐색과 모델 고도화를 반복 가능하게 만들었습니다.
#LLM#prompt injection
13000
Claude Code /loop, Hooks, Auto memory로 점검 자동화 루프 만들기
Claude Code의 `/loop`, Hooks, Auto memory를 연결해 점검 자동화 루프를 구성하는 방법을 설명했습니다. 설정 검증과 커밋 차단, 세션 간 맥락 유지까지 한 흐름으로 묶는 설계와 주의점을 다뤘습니다.
#Claude Code#자동화
21100
![[트렌드 리포트] 공공 AX가 생각보다 느린 이유 - 기술이 아니라 구조](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2FbsVknC%2FdJMcagkx00s%2FAAAAAAAAAAAAAAAAAAAAACD8Dz8_5fGM9FXnP6sV4CblmkyQ5eFzLTPDh1Q_7z54%2Fimg.png%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1774969199%26allow_ip%3D%26allow_referer%3D%26signature%3DEhXPU1xJtHAEOTvDWHXx1rXmNEE%253D)
[트렌드 리포트] 공공 AX가 생각보다 느린 이유 - 기술이 아니라 구조
공공 AX가 느린 이유를 기술보다 데이터·조직·인프라 구조에서 찾았습니다. 실제 서비스 확산을 위해 거버넌스와 DR을 포함한 인프라 전략이 필요하다고 설명했습니다.
#AX#cloud
6400
지능형 Physical AI 구축: Strands Agents, Bedrock AgentCore, Claude 4.6, NVIDIA GR00T, Hugging Face LeRobot으로 엣지에서 클라우드까지
엣지와 클라우드를 결합해 Physical AI를 설계하는 방법을 소개했습니다. 로컬 제어와 클라우드 추론, 공유 메모리, 시뮬레이션 학습의 역할을 설명했습니다.
#AWS#LLM
3800
9개월 걸릴 시스템 이관을 하룻밤 만에: 레거시 코드를 AI의 학습 자료로 바꾸다
9개월 걸릴 시스템 이관을 하룻밤 만에: 레거시 코드를 AI의 학습 자료로 바꾸다
레거시 코드를 AI의 학습 자료로 바꿔 9개월 걸릴 시스템 이관을 하룻밤 만에 초안까지 생성했습니다. 모호한 목표 대신 정밀한 완료 기준을 주고 사람과 AI가 역할을 나눠 협업했습니다.
#test#API
16800
![[Tech Series] kt cloud AI 검색 증강 생성(RAG) #4 : 임베딩(Embedding)과 벡터 인덱싱 기술](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2Fn6a0Z%2FdJMcacWKKeh%2FAAAAAAAAAAAAAAAAAAAAAIdjQntIXbTdvMG54_-sZ7V6TbWffZFi4hNxV3nyIWrO%2Fimg.png%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1774969199%26allow_ip%3D%26allow_referer%3D%26signature%3DrVslgOQRjGesCsglq1mAxQlFuFo%253D)
[Tech Series] kt cloud AI 검색 증강 생성(RAG) #4 : 임베딩(Embedding)과 벡터 인덱싱 기술
RAG에서 임베딩과 벡터 인덱싱의 원리, 모델 선정 기준, 최적화 기법을 정리했습니다. 특히 한국어 환경에서는 다국어 적합성과 메모리 비용을 함께 검증해야 한다고 설명했습니다.
#RAG#임베딩
9700
AskON: 코드를 검색 가능한 지식으로
AskON: 코드를 검색 가능한 지식으로
대규모 코드베이스를 자연어로 검색할 수 있게 만든 RAG 기반 코드 지식화 플랫폼 AskON을 소개했습니다. 정적 분석, 호출 그래프, 임베딩, 증분 인덱싱으로 코드 검색과 답변 품질을 높인 사례입니다.
#RAG#검색
7100
AI Native 전환, 그리고 마이리얼트립 인사·홍보 조직이 내린 결정
AI Native 전환, 그리고 마이리얼트립 인사·홍보 조직이 내린 결정
마이리얼트립은 인사·홍보 조직이 먼저 AI Native 문화를 체화해야 한다고 판단했습니다. 개발 경험이 없는 구성원들도 2주 만에 채용, 온보딩, PR 업무를 AI로 개선했습니다.
#AI Native#GitHub
11300
별점 뒤에 숨겨진 리뷰의 온도, LLM으로 한 끗 차이가 다른 추천 만들기
별점 뒤에 숨겨진 리뷰의 온도, LLM으로 한 끗 차이가 다른 추천 만들기
LLM으로 리뷰의 진심을 점수화해 별점만으로는 보이지 않던 맛집 변별력을 높였습니다. 지식 증류와 개인화 리랭킹을 더해 추천 품질과 전환율을 함께 개선했습니다.
#LLM#지식 증류
10600
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.
#LLM#보안
18800
AWS Bedrock Converse API와 도구 활용: 멀티 모델 에이전트 구현하기
AWS Bedrock Converse API로 멀티 모델 에이전트를 Streamlit과 Lambda로 구현한 사례를 정리했습니다. 모델 선택, 스트리밍, 도구 호출, 서버리스 연동 흐름을 함께 소개했습니다.
#AWS#bedrock
8400
AI를 쓰는 회사 vs AI를 만드는 회사
AI를 쓰는 회사 vs AI를 만드는 회사
오프라인 핏 경험을 온라인까지 이어가기 위해 초기에는 외부 LLM으로 빠르게 검증했습니다. 이후 비용과 차별화 한계를 보고, 체형 데이터를 자산화하는 자체 AI 전략으로 전환했습니다.
#LLM#prompt
10400
[26년 3월] 정부 행정망 안에서 네이버를 쓴다?
[26년 3월] 정부 행정망 안에서 네이버를 쓴다?
공공 행정망의 안전한 생성형 AI 협업 환경과 국방·제조 AI 협력 소식을 소개했습니다. 제조 AI 활용 가이드와 GPU 데이터센터 인프라도 함께 다뤘습니다.
#네이버웍스#LLM
500