네이버 D22026년 10월 27일AIAI 시대의 개발자를 꿈꾸는 학생 개발자에게AI 시대 개발자는 에이전트를 관리하며 방향 설정과 배포 책임을 맡게 된다고 설명했습니다. 소통·맥락 수집·검증 체계와 종합적 판단 역량의 중요성을 강조했습니다.#AI 에이전트#LLM#코드 리뷰12601AI 시대의 개발자를 꿈꾸는 학생 개발자에게
토스2026년 10월 27일AI손가락 튕기기로 LLM 비용 줄이기SNAP은 LLM 로그를 작업별로 분류하고 소형 모델 학습 후보를 자동 발굴했습니다. 신뢰도 기반 폴백으로 품질을 유지하며 검증된 요청부터 LLM 비용을 줄였습니다.#LLM#fine-tuning#Airflow6500
카카오2026년 10월 28일AI팀이 신뢰할 수 있는 AI 분석 환경 만들기: 추천팀의 컨텍스트 설계추천팀은 AI 에이전트가 지침 문서를 바탕으로 SQL을 작성하고 Hadoop에서 분석하도록 구성했습니다. 로그 접근 방법과 분석 기준을 컨텍스트로 설계해 신뢰 가능한 분석 환경을 만들고자 했습니다.#AI 에이전트#SQL#Hadoop5000
무신사2026년 10월 27일AI대AI시대에 일하는 방식의 변화에 대한 고찰AI 코딩 에이전트 병렬 작업에서 병목이 코딩이 아닌 인간의 판단·책임으로 옮겨감을 돌아봤습니다. 판단 대기 작업을 제한하고 컨텍스트 외부화와 검증 자동화를 적용했습니다.#Claude Code#Git#코드 리뷰6900대AI시대에 일하는 방식의 변화에 대한 고찰
오늘의집2026년 10월 29일AI오늘의집 Self-Service Data Analytics 구축기데이터 거버넌스와 업무 맥락을 기반으로 AI 셀프서비스 분석 환경을 구축했습니다. 라우팅·역질문·평가 체계로 신뢰성을 높이고 데이터 요청 문의를 약 95% 줄였습니다.#LLM#RAG#SQL4300
채널톡2026년 10월 29일AI요즘 뜬다는 FDE, 왜 Voice AI랑 싸우고 있을까?Voice ALF의 반복 전화 QA를 고객 역할 AI와 텍스트 기반 실행기로 자동화했습니다. 실행 기록 기반 평가로 상담 흐름을 검증하고 직접 통화 부담을 줄였습니다.#음성 AI#STT#TTS3300
미리디2026년 10월 28일AI채팅으로 디자인하는 AI, 실제로 쓸까? — A/B 테스트와 사용자 행동 분석기AI 디자이너 MVP의 A/B 테스트와 발화 분석으로 이탈 원인을 기능 미지원·응답 지연으로 구분했습니다. 도구별 우선순위와 캔버스 맥락 활용 가설을 도출해 응답시간 개선과 제품 방향 논의에 반영했습니다.#LLM#AI 에이전트#A/B 테스트3300채팅으로 디자인하는 AI, 실제로 쓸까? — A/B 테스트와 사용자 행동 분석기
당근마켓2026년 10월 21일AI모델만 바꿨는데 LLM 비용이 3배가 된 이유모델 교체 뒤 자동 프롬프트 캐시 구분점 정책 변화로 비용이 3.2배 증가한 원인을 분석했습니다. 고정부 경계에 명시 구분점을 두고 히트율과 비용을 운영 지표로 관리했습니다.#LLM#prompt#cache10900모델만 바꿨는데 LLM 비용이 3배가 된 이유
데보션2026년 10월 30일AI블로그 발행 MCP를 직접 만들며 확인한 AI 에이전트 실무 원칙 - 구성요소부터 사람 승인까지블로그 발행 MCP 구현 경험으로 AI 에이전트의 구성요소와 단계적 도입 원칙을 정리했습니다. 운영 한계, 권한·데이터 거버넌스, 사람 승인 설계의 중요성을 설명합니다.#MCP#LLM#Claude3000
AWS2026년 11월 2일AICJ올리브네트웍스의 LLM Gateway 구축 – 모델 접근, 비용 통합 관리분산된 LLM 호출을 중앙 게이트웨이로 통합해 인증·비용·데이터 정책을 적용했습니다. EKS 기반 확장 구조와 CLI 자동화로 안정적인 전사 AI 사용 환경을 구축했습니다.#LLM#AWS#Amazon EKS2700