ARCHIVE
아카이브
기존에 공개한 글을 원래 주소 그대로 보관합니다.
과거의 글에는 작성 당시의 기술과 관점이 담겨 있습니다.
356개 글 · 7 / 12 페이지
· KO
컨텍스트 엔지니어링: 프로덕션 AI 에이전트를 만드는 핵심 기술
프롬프트 엔지니어링을 넘어, 컨텍스트 엔지니어링이 왜 2026년 프로덕션 AI 에이전트 개발의 핵심 역량이 됐는지를 4가지 실패 패턴과 5가지 핵심 기법을 통해 Engineering Manager 관점에서 정리한다.
· KO
Karpathy의 autoresearch — 단일 GPU로 밤새 100개 ML 실험을 자율 수행하는 시대
Andrej Karpathy가 공개한 autoresearch는 AI 에이전트가 밤새 자율적으로 ML 실험을 반복하는 630줄짜리 오픈소스 도구입니다. EM 관점에서의 R&D 팀 활용 전략을 분석합니다.
· KO
LLM이 익명성을 무너뜨린다 — 대규모 온라인 신원 추적의 현실과 방어 전략
LLM을 활용한 대규모 온라인 익명 해제(Deanonymization) 연구를 분석하고, 엔지니어링 리더가 알아야 할 조직 보안 대응 전략을 제시합니다.
· KO
AI Reliability Engineer: 2026년 팀 패러다임과 Centaur Pod 모델
주니어 개발자의 역할이 AI Reliability Engineer(ARE)로 진화하고 있다. Centaur Pod 팀 구조, Code Audit 채용 방식, Defect Capture Rate 지표까지 — EM이 지금 당장 실행해야 할 AI 네이티브 팀 설계 전략
· KO
Claude가 Firefox에서 22개 CVE를 발견하다 — AI 보안 감사의 새로운 패러다임
Anthropic의 Claude Opus 4.6이 2주 만에 Firefox에서 22개 CVE를 발견한 사례를 분석하고, AI 기반 보안 감사가 엔지니어링 조직에 가져올 변화를 CTO/EM 관점에서 정리합니다.
· KO
멀티에이전트 스케일링의 과학 — Google이 밝힌 "더 많은 에이전트"의 역설
Google Research의 180개 설정 정량 실험이 밝힌 멀티에이전트 역설 — 순차 작업에서 39〜70% 성능 저하, 에러 17.2배 증폭, 87% 예측 정확도의 의미를 EM 관점으로 분석합니다.
· KO
RoguePilot — GitHub Copilot 프롬프트 인젝션 취약점과 AI 코딩 도구 보안 전략
GitHub Codespaces에서 발견된 RoguePilot 취약점 분석과 AI 코딩 도구의 패시브 프롬프트 인젝션 위험, EM이 팀에 적용해야 할 보안 가이드라인을 정리합니다.
· KO
A2A + MCP 하이브리드 아키텍처: 2026년 멀티에이전트 프로덕션 전략
Google A2A는 에이전트 간 통신을, Anthropic MCP는 도구·컨텍스트 연결을 담당합니다. 두 프로토콜은 경쟁이 아닌 상호보완 관계로, EM/CTO 관점의 역할 분리와 2026년 멀티에이전트 프로덕션 운영 전략을 정리합니다.
· KO
Cursor Agent Trace — AI가 작성한 코드를 추적하는 오픈 표준이 등장하다
Cursor가 발표한 Agent Trace 0.1.0 오픈 사양을 실무 관점에서 분석합니다. git blame이 보여주지 못하는 AI 코드 기여를 파일·라인 수준에서 추적하고, 코드 리뷰 최적화·컴플라이언스 감사·팀 AI 활용도 측정에 즉시 활용하는 EM·CTO 가이드입니다.
· KO
이종 LLM 아키텍처로 에이전트 플릿 비용 90% 절감하기
대형 모델이 계획하고 소형 모델이 실행하는 Plan-Execute 패턴. EM/CTO가 에이전트 플릿을 운영할 때 반드시 알아야 할 이종 모델 아키텍처 비용 최적화 전략을 실전 수치와 함께 분석한다.
· KO
Tool-R0: 제로 데이터로 도구 사용 AI 에이전트를 훈련하는 Self-Play RL 프레임워크
arXiv 최신 논문 Tool-R0는 학습 데이터 없이 Self-Play 강화학습만으로 LLM의 도구 호출 능력을 92.5% 향상시킨다. Generator-Solver 공진화 구조와 EM 관점 실무 시사점을 분석한다.
· KO
Bayesian Teaching: LLM 확률적 추론 훈련법 — Google 연구 분석
Google이 Nature Communications에 발표한 Bayesian Teaching 연구는 LLM이 새 정보를 받을 때 확률적으로 믿음을 업데이트하도록 훈련하는 방법론이다. AI 에이전트의 불확실성 처리 방식을 근본적으로 개선할 이 연구를 EM 관점에서 분석한다.
· KO
Deloitte 2026 Agentic AI 운영 전략 — 89% 실패 원인과 EM 프레임워크
Deloitte Tech Trends 2026 보고서가 밝힌 사실 — 전 세계 기업 11%만 Agentic AI를 프로덕션에서 운영 중입니다. 89%가 실패하는 원인은 기술이 아닌 운영 모델. EM·VPoE가 즉시 쓸 수 있는 Delegate·Review·Own 프레임워크를 소개합니다.
· KO
MCP 보안 위기 — 60일 만에 30개 CVE, 엔터프라이즈 하드닝 가이드
MCP(Model Context Protocol)의 공격 표면이 급속 확대되고 있습니다. 30개 CVE 분석, 3계층 공격 모델, 엔터프라이즈 보안 하드닝 체크리스트를 정리합니다.
· KO
ADL(Agent Definition Language) — AI 에이전트 거버넌스의 OpenAPI가 등장하다
AI 에이전트의 역할·권한·허용 도구를 선언적으로 정의하는 ADL 사양이 공개되었습니다. OpenAPI가 REST API를 표준화했듯, ADL은 에이전트 아키텍처 전체를 표준화합니다. 핵심 필드 구조 분석과 EM·CTO가 즉시 적용할 수 있는 거버넌스 도입 전략을 정리합니다.
· KO
Cognitive Debt: Anthropic이 경고하는 AI 코딩 시대의 새로운 부채
Anthropic 2026 Agentic Coding Trends Report가 경고하는 새로운 개념 "Cognitive Debt" — AI 코딩 도구를 쓸수록 팀의 이해력이 조용히 침식되는 현상. 엔지니어링 매니저가 지금 당장 실천해야 할 실전 대응 전략을 분석합니다.
· KO
2026년 엘리트 AI 엔지니어링 조직을 만드는 법: 3인 팀이 50명을 이기는 구조
HN Top 랭킹을 달성한 엘리트 AI 엔지니어링 문화 분석. 매출/인당 $3.48M vs $610K의 5.7배 격차가 생기는 이유와 EM이 실천해야 할 Taste × Discipline × Leverage 공식
· KO
Olmo Hybrid — Transformer + Linear RNN 하이브리드로 데이터 효율 2배 달성
AI2의 Olmo Hybrid는 Transformer와 DeltaNet(Linear RNN)을 3:1로 결합해 동일 정확도를 49% 적은 토큰으로 달성합니다. 어텐션과 Linear RNN 하이브리드가 학습 효율을 높이는 원리와 LLM 개발자를 위한 실무 시사점을 분석합니다.
· KO
AI 코딩 도구가 만드는 편의 루프 — TypeScript 급등과 언어 선택의 구조적 변화
GitHub Octoverse 데이터로 AI 코딩 도구의 편의 루프 효과를 심층 분석합니다. TypeScript 66% 급등과 Python 1위 등극의 구조적 이유를 EM·CTO 관점에서 풀어보고, AI 시대에 흔들리지 않는 기술 스택 의사결정 프레임워크를 제시합니다.
· KO
Meta Llama 4 완전 분석 — Maverick·Scout의 오픈소스 AI가 엔터프라이즈 전략을 바꾼다
Meta Llama 4 Maverick(400B MoE)과 Scout(10M 컨텍스트)의 아키텍처, 벤치마크, 비용 구조를 분석하고, 엔지니어링 조직이 오픈소스 AI 전략을 어떻게 재정립해야 하는지 CTO/EM 관점에서 정리한다.
· KO
NIST AI 에이전트 보안 표준 — EM이 지금 준비해야 할 프레임워크
NIST AI Agent Standards Initiative의 핵심 내용과 Engineering Manager가 팀 내 AI 에이전트 보안을 체계적으로 강화하기 위한 단계별 체크리스트를 정리합니다. 접근 제어, 감사 로그, 가드레일 설계까지 실전 대응 전략을 제시합니다.
· KO
AI 에이전트 워크플로우를 메타 도구로 최적화하기: AWO 프레임워크 실전 가이드
arXiv 논문 기반 Agent Workflow Optimization(AWO) 프레임워크를 분석합니다. 반복적 도구 호출 패턴을 메타 도구로 컴파일하여 LLM 호출 12% 절감, 성공률 4% 향상을 달성하는 방법을 소개합니다.
· KO
Claude Cowork 엔터프라이즈 출시 — 개발자 도구에서 전사 생산성 플랫폼으로
Anthropic Claude Cowork 엔터프라이즈 버전의 핵심 기능 분석. Plugin Marketplace, MCP 커넥터, Excel·PowerPoint 통합, 관리자 대시보드 — CTO와 IT 리더가 전사 AI 도입 전에 반드시 파악해야 할 전략과 체크리스트.
· KO
Deep-Thinking Ratio: LLM 추론 비용을 50% 줄이는 새로운 측정 지표
"길게 생각하면 좋다"는 AI 상식을 뒤집는 Google·UVA 공동 연구. DTR(Deep-Thinking Ratio)를 활용하면 추론 품질을 유지하면서 LLM 추론 비용을 50% 절감할 수 있습니다. 연구 방법론·실험 결과·프로덕션 DTR 기준 설계법까지 총정리합니다.
· KO
MCP가 오픈 표준이 되었다 — Linux Foundation 합류와 엔지니어링 팀을 위한 도입 로드맵
Anthropic이 MCP를 Linux Foundation에 기부하고 OpenAI, Google, Microsoft가 합류했습니다. 76%의 기업이 도입을 검토 중인 지금, EM/VPoE가 알아야 할 실전 도입 전략을 정리합니다.
· KO
MIT EnCompass: AI 에이전트에 검색 알고리즘을 접목해 정확도 40% 향상시키기
MIT CSAIL이 개발한 EnCompass 프레임워크로 AI 에이전트의 실행 경로에 검색 전략을 적용해 신뢰성과 정확도를 획기적으로 높이는 방법을 실무 관점에서 분석합니다.
· KO
Jira AI 에이전트와 MCP — Engineering Manager가 준비해야 할 것들
Atlassian이 Jira에 AI 에이전트를 도입하고 MCP를 전면 채택했습니다. EM 관점에서 팀 운영 변화와 실무 대응 전략을 정리합니다.
· KO
LLM 코딩 하니스 최적화 — 모델이 아닌 하니스를 바꿔 15개 모델 성능 향상
LLM 코딩 도구에서 모델 선택보다 하니스(편집 포맷, 도구 인터페이스) 최적화가 5〜14% 더 높은 성능을 가져온다. Grok Code Fast를 6.7%에서 68.3%로 10배 향상시킨 실사례로, 하니스 엔지니어링의 실체와 EM·CTO를 위한 실무 전략을 정리한다.
· KO
AI 모델 증류 공격의 실태 — CTO가 알아야 할 IP 보호 전략
DeepSeek·MiniMax의 1,600만 건 Claude 증류 공격 실태를 분석하고 기업 CTO·EM을 위한 실무 대응 전략을 제시합니다. AI API 지적재산 보호, 벤더 보안 평가 기준, 오픈소스 모델 출처 검증, 조직 AI 거버넌스 체계 구축 방법까지 다룹니다.
· KO
Anthropic vs 펜타곤 — AI 거버넌스 시대에 CTO가 준비해야 할 벤더 전략
Anthropic의 펜타곤 군사 AI 요구 거부 사태를 분석하고, CTO/VPoE가 AI 벤더 의존 리스크와 거버넌스 전략을 어떻게 수립해야 하는지 실전 가이드를 제시합니다.