Agno로 AI 에이전트 만들기 — Gemini와 내장 툴로 직접 돌려봤다
phidata에서 리브랜딩한 Agno v2.6.17을 샌드박스에 설치하고, Calculator·Wikipedia·구조화 출력·멀티 에이전트 팀까지 실제 실행 로그와 함께 검증했습니다. output_schema vs output_model 혼동, deprecated 모델 ID, Team API 변경점 등 실제로 마주친 트랩도 정직하게 기록합니다.
jangwook.net
Kim Jangwook
Personal technical notes on AI agents, automation, developer tools, and the process of building software.
Latest Notes
Recent writing by language
The root page stays intentionally small. Choose a language, then read the full archive and related posts there.
한국어
AI 에이전트, 자동화, 개발 도구, 소프트웨어 제작 과정을 한국어로 기록합니다.
Ollama 구조화 출력 실전 — Pydantic으로 로컬 LLM 응답을 타입 안전하게 받는 법
Ollama 0.3+의 JSON schema 강제 모드와 Pydantic을 연결해 로컬 LLM 응답을 타입 안전하게 파싱하는 실전 가이드. 직접 측정한 결과, 구조화 출력은 일반 텍스트보다 6배 빠르고 파싱 성공률이 100%에 가깝다.
sentence-transformers로 RAG 임베딩 직접 실험하기 — 한국어 쿼리 정확도가 67% 떨어지는 이유
all-MiniLM-L6-v2를 로컬에서 설치해 코사인 유사도, 미니 RAG, 다국어 모델 비교까지 직접 측정했다. 영어 최적화 임베딩 모델로 한국어 RAG를 구축하면 정확도가 67% 하락한다는 실측 결과와 해결책을 공유한다.
English
Personal notes on AI agents, automation, developer tools, and building software.
Building AI Agents with Agno — I Actually Ran It with Gemini and Built-in Tools
I installed Agno v2.6.17 (formerly Phidata) in a sandbox and ran Calculator, Wikipedia, structured output, and multi-agent team features with real execution logs. Includes honest account of the traps I fell into: output_schema vs output_model, deprecated model IDs, and Team API naming changes.
Ollama Structured Outputs in Practice — Getting Type-Safe JSON from Local LLMs with Pydantic
A hands-on guide to Ollama's JSON schema enforcement with Pydantic for type-safe local LLM responses. Measured: 6x faster with near-100% parse success.
Testing RAG Embeddings Hands-On with sentence-transformers — Why Korean Queries Drop Accuracy by 67%
Ran all-MiniLM-L6-v2 locally and compared English vs multilingual embeddings on Korean RAG queries. The accuracy gap was bigger than expected, with real logs.
日本語
AIエージェント、自動化、開発ツール、ソフトウェア開発の記録です。
AgnoでAIエージェントを作る — GeminiとビルトインツールでPythonエージェントを実際に動かした
phidataからリブランドされたAgno v2.6.17をサンドボックスで検証。Calculator・Wikipedia・構造化出力・マルチエージェントチームまで実際の実行ログと共に記録。output_schema vs output_model の混同、非推奨モデルID、Team API変更点など実際に遭遇したトラップも正直に残す。
Ollama構造化出力実践ガイド — PydanticでローカルLLMのレスポンスを型安全に受け取る方法
Ollama 0.3+のJSONスキーマ強制モードとPydanticを組み合わせ、ローカルLLMのレスポンスを型安全にパースする実践ガイド。 直接測定した結果、構造化出力は通常テキストより6倍速く、パース成功率もほぼ100%。
sentence-transformersでRAG埋め込みを直接実験 — 韓国語クエリで精度が67%落ちる理由
all-MiniLM-L6-v2をローカルで動かし、コサイン類似度・ミニRAG・多言語モデル比較まで直接測定した。英語最適化の 埋め込みモデルで韓国語RAGを構築すると精度が67%低下するという実測結果と解決策を共有する。
简体中文
记录 AI 代理、自动化、开发工具和软件构建过程。
用 Agno 构建 AI Agent — 结合 Gemini 与内置工具的实战运行记录
在沙盒中安装并验证了从 phidata 更名的 Agno v2.6.17，包含 Calculator、Wikipedia、结构化输出和多智能体团队的实际执行日志。同时诚实记录了亲历的各种陷阱：output_schema 与 output_model 混淆、废弃的模型 ID、Team API 参数变更。
Ollama结构化输出实战指南 — 用Pydantic安全解析本地LLM的JSON响应
将Ollama 0.3+的JSON Schema强制模式与Pydantic结合，实现本地LLM响应的类型安全解析。 实测结果：结构化输出比普通文本快6倍，JSON解析成功率接近100%。
用sentence-transformers实测RAG嵌入 — 韩语查询准确率为何下降67%
在本地安装all-MiniLM-L6-v2，直接测量余弦相似度、运行迷你RAG，并比较英语与多语言嵌入模型。 用英语优化模型构建韩语RAG系统时，准确率下降67%的实测结果与解决方案。