Amazon Braket으로 양자-고전 하이브리드 알고리즘 실행하기 (1편)
Amazon Braket에서 양자-고전 하이브리드 잡을 생성하고 실행하는 방법을 소개했습니다. 콘솔 기반과 코드 기반의 차이, 런타임과 디바이스 선택 흐름도 함께 설명했습니다.

Python 태그가 달린 국내 IT 기업 기술 블로그 글을 최신순으로 모았습니다.
20개 표시
Amazon Braket에서 양자-고전 하이브리드 잡을 생성하고 실행하는 방법을 소개했습니다. 콘솔 기반과 코드 기반의 차이, 런타임과 디바이스 선택 흐름도 함께 설명했습니다.

Skill 품질 편차를 줄이기 위해 6섹션 30항목 Rubric과 자동 평가 시스템을 설계했습니다. 결정적 결함은 규칙 검사로, 의미 품질은 LLM 판정으로 나누어 관리했습니다.

Airflow DAG 파싱 최적화는 메트릭 기반 측정과 설정 튜닝, 코드 위생 점검이 핵심입니다. 특히 Airflow 3.x의 설정 이동과 ignore 문법 변경을 함께 확인해야 했습니다.

매주 Git 커밋 로그를 자동 수집해 Obsidian과 Confluence로 주간 업무 정리를 자동화한 사례를 소개했습니다. 50분 걸리던 작업을 5분으로 줄이고, 멱등한 발행과 정기 실행까지 구성했습니다.

Git 릴리스 자동화를 예제로 MCP와 에이전트 스킬의 차이를 비교했습니다. 반복 작업은 스킬로 표준화하고, 외부 연동은 MCP로 분리하는 접근을 제안했습니다.

내부 PyPI 프록시 앞단에 얇은 프록시를 두어 CodeArtifact를 PyPI처럼 사용하도록 구성했습니다. 또한 PEP 691의 upload-time을 활용해 cooldown 정책을 중앙에서 적용했습니다.
LiteLLM 공급망 공격을 계기로 사내 PyPI 프록시에 쿨다운 정책을 도입했습니다.\nPEP 503과 PEP 691을 함께 활용해 최근 업로드 패키지를 필터링하고 전사에 일괄 적용했습니다.
Claude Code의 Checkpoints와 /rewind로 코드와 대화를 시점별로 되돌리는 방법을 설명했습니다. Tasks 상태와 Bash 변경은 추적되지 않으므로 Git 커밋이 필요하다고 정리했습니다.

AI 코딩 에이전트를 대규모로 평가하기 위한 멀티 에이전트 하네스 설계를 다뤘습니다. 마크다운 지침과 JSON Schema로 재현성을 확보하고 기능과 깊이를 분리해 채점했습니다.
Python 기반 AI API Gateway에서 FastAPI와 Robyn의 성능을 비교했습니다.\n고부하 상황의 지연 안정성과 연결 생존력에서 Robyn의 장점을 확인했습니다.
마이리얼트립 T&A실은 위키, KPI, FP&A, Slack을 AI로 묶어 매일 자동 브리핑하는 Control Tower를 만들었습니다. 리더는 반복 수집과 분류를 맡기고 판단과 액션에만 집중하는 구조로 바뀌었습니다.
Slurm의 내부 구조와 Job 처리 흐름을 중심으로 HPC 스케줄러 활용법을 정리했습니다. 대화형·배치·배열 작업과 QOS, Fairshare, 선점, 의존성 연결까지 실무 패턴을 설명했습니다.

프로덕션급 Multi-Agent 시스템에서 Context Window 한계를 넘기 위한 4계층 Context Engineering 기법을 소개했습니다. 멀티 에이전트 격리, 프롬프트 제어, 파일 외부화, 검증과 안전장치로 품질과 비용을 함께 다뤘습니다.

TwelveLabs Marengo 3.0 비디오 임베딩을 AWS에서 저장·검색하는 두 벡터 DB를 비교했습니다. OpenSearch Serverless와 S3 Vectors의 성능, 비용, 활용 시점을 정리했습니다.

Astronomer Agents는 Airflow API와 로그를 활용해 Dag 개발, 테스트, 디버깅을 돕는 AI 도구입니다. 또한 마이그레이션과 데이터 분석까지 지원해 운영 효율을 높였습니다.

드림어스컴퍼니 V컬러링팀 Jane의 음악 취향과 플레이리스트를 소개한 인터뷰입니다. 아시아 아티스트 중심의 편안한 곡들과 콘텐츠 운영 이야기를 함께 담았습니다.
kt cloud가 사내 공모전에서 Dev Agent 활용 사례를 공유했습니다. 기획부터 구현까지 AI를 적용해 업무 효율과 프로세스 고도화를 확인했습니다.
3개 서비스에 맞는 SLO와 모니터를 데이터 기반으로 표준화하고, 배포 중 Error Budget이 소진되지 않도록 자동화했습니다. 오탐을 줄이고 실제 비즈니스 실패를 더 정확히 탐지하는 운영 체계를 구축했습니다.
에이전트 루프는 새로운 이론보다 기존 반복문과 상태 관리 패턴의 재조합에 가깝다고 정리했습니다. 채널톡은 질문 응답용 Loop와 액션 처리용 Task를 분리해 종료 조건과 안전성을 보강했습니다.
에이전트 루프를 Ralph Loop, OpenClaw 사례로 살펴보며 반복과 종료 설계의 중요성을 정리했습니다. 질문 응답과 작업 처리를 분리하고, maxTurns 같은 안전장치를 두는 접근을 제안했습니다.