AI 에이전트 · 도구
-
빔 서치(Beam Search)란? 그리디 디코딩과 차이와 챗봇이 샘플링을 더 쓰는 이유
빔 서치는 매 스텝 후보를 여러 개 남기고 점수를 누적해 고르는 디코딩이고, 그리디는 한 토큰만 고릅니다. 챗봇이 샘플링을 더 쓰는 이유와 언제 빔이 맞는지를 정리합니다.
-
Ollama 사용법은? 설치부터 로컬 LLM 첫 실행과 API 호출까지
Ollama 사용법은 리눅스에 Ollama를 설치해 로컬 서버(ollama serve)를 띄운 뒤, 언어 모델을 받아 명령줄(ollama run)이나 로컬 REST API(127.0.0.1:11434)에서 curl로 호출하는 흐름입니다.
-
CNN과 LLM 차이? 이미지 분류에서 작은 전용 모델이 거대 언어 모델을 이기는 이유
CNN과 LLM 차이는 이미지 분류 문제를 풀 때 전용 분류기를 쓸지 범용 생성 모델을 쓸지 결정하는 핵심 기준입니다. 합성곱 신경망(CNN)과 멀티모달 LLM이 피부 병변 사진 분류 과제를 모델 구조와 학습 방식 관점에서 어떻게 다르게 처리하는지, 소규모 실험 결과와 한계, 작업별 선택 기준까지 정리합니다.
-
위치 인코딩(Positional Encoding)이란? 트랜스포머가 단어 순서를 아는 방법과 RoPE 차이
위치 인코딩(Positional Encoding)은 트랜스포머(Transformer)가 문장 속 단어 순서를 구분할 수 있도록 각 토큰에 위치 정보를 넣어 주는 방법입니다. 이 글에서는 트랜스포머에 단어 순서 정보가 필요한 이유부터 사인·코사인 위치 인코딩, 학습형 위치 임베딩, 그리고 회전 행렬로 상대 위치를 반영하는 RoPE(Rotary Position Embedding)의 원리와 차이를 정리합니다.
-
배치 정규화와 레이어 정규화 차이? 트랜스포머가 LayerNorm을 쓰는 이유
배치 정규화와 레이어 정규화는 깊은 신경망 학습에서 층마다 값의 분포를 안정시키는 정규화 기법입니다. 두 기법이 평균·분산을 묶는 축의 차이, 미니배치·추론 동작 차이, 트랜스포머에서 LayerNorm을 쓰는 이유를 정리합니다.
-
옵티마이저란? SGD·모멘텀·Adam 차이와 처음 고를 때
옵티마이저는 역전파로 구한 기울기로 가중치를 갱신하는 규칙입니다. SGD, 모멘텀, Adam, AdamW의 차이, 손실 지형에서의 이동 방식, 처음 실험할 때 고르는 기준을 정리합니다.
-
교차 엔트로피(Cross-Entropy) 손실이란? 분류 모델이 MSE 대신 쓰는 이유
교차 엔트로피는 분류 모델이 정답 클래스에 부여한 확률을 평가하는 로그 손실입니다. 정답 확률에 따른 -log(p) 변화, softmax와의 연결, MSE 대신 쓰는 이유, LLM 다음 토큰 학습까지 정리합니다.
-
추측 디코딩(Speculative Decoding)이란? 작은 모델이 초안을 쓰면 LLM 답변이 빨라지는 이유
추측 디코딩은 작은 초안 모델이 다음 토큰 여러 개를 먼저 제안하고 큰 모델이 한 번에 검증해 수락하는 추론 가속 기법입니다. memory bound인 이유, 배치·수락률에 따른 한계, 품질 유지 원리를 정리합니다.
-
학습률(Learning Rate)이란? 손실이 튀거나 줄지 않을 때 조정하는 방법
학습률은 경사 하강법에서 가중치를 한 걸음에 얼마나 옮길지 정하는 하이퍼파라미터입니다. 손실이 튀거나 거의 줄지 않을 때의 원인, 값을 고르는 방법, 학습률 스케줄러와 워밍업을 정리합니다.
-
RLHF란? 보상 모델·PPO·DPO로 LLM 출력을 사람 선호에 맞추는 방법
RLHF는 사람이 고른 비교 데이터로 보상 모델을 학습한 뒤 PPO 강화학습으로 언어 모델을 조정하는 정렬 기법입니다. 보상 모델 학습, KL 페널티, 보상 해킹, DPO와의 차이를 정리합니다.
-
활성화 함수란? ReLU·GELU·시그모이드 차이와 고를 때
활성화 함수는 선형 층 사이에 비선형성을 넣어 깊은 신경망이 직선 결정 경계를 넘어 복잡한 관계를 배우게 합니다. 시그모이드·ReLU·GELU의 정의와 모양, 기울기 소실과의 관계, 출력층·은닉층에서 고르는 기준을 정리합니다.
-
형식 검증(Formal Verification)이란? 테스트·퍼징과 차이와 LLM이 증명을 쓸 때
형식 검증은 명세를 수학적으로 적고 증명 검사기로 모든 입력 범위에서 규칙 준수를 확인하는 방법입니다. 테스트·퍼징과 달리 보편적 주장을 증명하지만 명세·기계 모델이 현실과 다르면 버그 없음을 뜻하지 않습니다. LLM이 증명 작성을 대행할 때 달라지는 점과 Rocq·ASan·C++26 Contracts와의 관계를 정리합니다.
-
지식 증류(Knowledge Distillation)란? 큰 모델로 작은 모델을 학습시킬 때 양자화와 차이
지식 증류는 크고 잘 학습된 교사 모델의 클래스 확률(소프트 타깃)을 목표로 더 작은 학생 모델을 학습시키는 방법입니다. 하드 라벨만 쓰는 것과의 차이, 온도 조절, 양자화와의 구분, 활용 시점을 정리합니다.
-
AI 역량 평가의 사후 Q&A는 무엇을 확인하나? 대비하는 다섯 가지 습관
AI 역량 평가의 사후 Q&A는 과제 제출 후 결과물과 판단 근거를 설명하고, 그 설명이 실제 구현과 맞는지 대조하는 단계입니다. 주로 작동 원리와 실패 가능성을 설명할 수 있는지(인지)를 봅니다. 작업 중 왜를 기록하고, 약점→위험→다음 검증 순으로 답하는 연습 등 다섯 가지 습관이 대비에 도움이 됩니다.
-
역전파(Backpropagation)란? 신경망이 기울기로 가중치를 고칠 때 동작 원리
역전파는 다층 신경망이 출력과 정답의 차이를 출력층에서 입력층으로 거꾸로 전달하며, 연쇄 법칙으로 각 가중치의 기울기를 구하는 절차입니다. 순전파·손실·역전파·가중치 갱신의 네 단계, 기울기의 의미, 연쇄 법칙 예제, 경사 하강법과의 차이를 정리합니다.
-
AI 코딩 에이전트의 세 가지 부채란? 기술·의도·인지 부채와 줄이는 습관
AI 코딩 에이전트에 일을 맡기면 코드는 빨리 생기지만, 기술 부채만이 아니라 무엇을 왜 만드는지가 적히지 않는 의도 부채와 팀이 시스템을 이해하지 못하게 되는 인지 부채가 함께 쌓일 수 있습니다. 요구사항을 하나씩 끌어내고, 범위를 적고, 번호로 대조하고, 왜를 기록하고, 작게 나눠 맡기는 습관이 세 부채를 줄입니다.
-
LLM 신뢰도 점수란? 모델에게 확신도를 물어보면 안 되는 이유와 보정(Calibration)
LLM 신뢰도 점수는 에이전트가 답변을 그대로보낼지 사람에게 넘길지 결정할 때 찾는 값이지만, 모델에게 직접 확신도를 물어 얻은 숫자는 그 자체로 믿기 어렵습니다. 왜 그런지, 보정(calibration)이 무엇인지 정리합니다.
-
AI Native와 AI 리터러시란? 차이와 키우는 방법
AI 리터러시는 EU AI Act 등 공공 문서에 정의된 이해·판단·책임 있는 사용 역량이고, AI Native는 공식 정의 없이 AI를 기본 전제로 일하고 시스템을 설계하는 말로 쓰입니다. 공개 문서를 바탕으로 차이, 역량 단계, 업무 예시, 키우는 방법을 정리합니다.
-
잠재 추론(Latent Reasoning)이란? LLM이 글로 쓰지 않고 생각할 때 CoT와 차이
잠재 추론은 중간 생각을 토큰으로 쓰지 않고 마지막 층 hidden state를 다음 입력으로 다시 넣어 내부에서 생각을 잇는 방식입니다. CoT는 생각이 글로 남지만 토큰을 더 쓰고, 잠재 추론은 토큰을 덜 쓸 수 있으나 감사가 어렵습니다. Hybrid Reasoning Agents 논문을 바탕으로 도구 호출과 해석 가능성을 정리합니다.
-
과적합(Overfitting)이란? 학습 손실은 내려가는데 검증 손실이 오를 때 해결 방법
과적합은 모델이 학습 데이터에 지나치게 맞춰져 새로운 데이터에서는 제대로 예측하지 못하는 상태입니다. 학습 손실은 계속 내려가는데 검증 손실이 오르기 시작하면 과적합을 의심해야 합니다. 손실 곡선 읽기, 진단, 조기 종료·정규화·드롭아웃 등 해결 순서를 정리합니다.
-
LLM 추론 프레임워크란? vLLM·llama.cpp 같은 서빙 엔진을 고를 때 차이
LLM 추론 프레임워크는 학습된 가중치를 읽어 요청을 받고 토큰을 만드는 실행 엔진입니다. 서버형(vLLM 등)과 로컬형(llama.cpp 등)의 차이, 고르는 기준, 모델사 자체 엔진을 내는 이유를 정리합니다.
-
Grok 4.8이란? 2.5T 파라미터와 C++ 학습 스택이 의미하는 것
Grok 4.8에 대해 공식적으로 확인되는 것은 일론 머스크의 X 게시글뿐입니다. 2.5T 파라미터의 메모리 규모(감 잡기), RL 단계의 일반적 의미, C++ 스택을 쓰는 일반적인 이유를 정리합니다.
-
NPU와 GPU 차이점은? 구조·용도·전력으로 쉽게 비교
NPU와 GPU 차이는 설계 초점의 차이입니다. GPU는 범용 병렬 프로세서이고 NPU는 신경망 MAC 연산용 전용 가속기입니다. 구조, 학습·추론, 전력과 용도를 초보자·임베디드 개발자 눈높이로 비교합니다.
-
기계적 해석가능성(Mechanistic Interpretability)이란? 뉴런 하나가 여러 개념을 담는 다의성과 차이
기계적 해석가능성은 XAI 귀인(히트맵)과 달리 신경망 내부의 뉴런·특징·회로를 역설계하는 연구 분야입니다. 다의성, 중첩(superposition), 희소 오토인코더(SAE), 최근 작업 가설까지 정리합니다.
-
AI 기초 개념과 AI 활용 문제 풀이, 하루 전 최종 정리
개념 한 장 요약, O/X 함정 10개, 문서·데이터 AI 활용 풀이 순서, 연습 실수 체크리스트를 모아 시험 전날 아침 30~40분 복습용으로 정리한 글입니다.
-
SK하이닉스 AI 해커톤 1차 예선 후기 (짧게)
SK하이닉스 AI 해커톤 1차 예선을 보고 문제 내용 없이 느낀 점만 짧게 정리한 후기입니다. 객관식, AI 활용 문제, 준비 글 링크까지.
-
AI 기초 개념 예상 객관식 28문제 2편: 같은 개념을 다른 각도로 물으면 답할 수 있을까?
1편과 겹치지 않는 AI 기초 객관식 28문제를 10개 묶음으로 정리했습니다. 같은 개념을 다른 각도로 묻고, 문제 아래 토글로 정답과 해설을 확인할 수 있습니다.
-
AI 기초 개념 정리와 직접 만든 예상 문제 28개: 헷갈리는 개념은 어떻게 구분할까?
블로그 AI 공부 글을 근거로 15개 주제의 핵심 개념·헷갈리기 쉬운 비교를 정리하고, 주제마다 직접 만든 객관식 28문제와 정답·해설을 붙였습니다.
-
문서·데이터 기반 AI 활용 문제, 이렇게 접근한다 (프롬프트 한 턴 공식)
규정 PDF·마스터 표·로그를 LLM에 붙여 판정·건수·금액 문제를 풀 때, 질문 원문·한 턴 프롬프트·출력 축소·다른 경로 검산·경계 대조까지 정리한 실무형 접근법입니다.
-
WSL이란? Windows에서 AI 에이전트를 WSL로 돌리면 더 안정적인 이유
WSL 2는 Windows 위 경량 VM에서 실제 Linux 커널을 구동합니다. AI 에이전트 도구가 전제하는 Bash·POSIX 경로·실행 권한·대소문자 구분을 WSL에서 맞추는 방법, 파일 위치, 설치 명령, WSL 3.0 주장 검증을 정리합니다.
-
AI 시험, 어떻게 준비해야 할까? 공부하며 배운 것과 시험 환경 체크리스트
온라인으로 진행되는 AI 시험을 안정적으로 준비하려면 체계적인 학습 루프와 온라인 감독 환경 사전 점검이 함께 이루어져야 합니다. 첫째, 개념을 쉬운 말로 설명하고, 퀴즈를 풀며, 해설을 확인하기 전에 내 답을 먼저 쓴 뒤 비교하는 루프를 반복합니다. AI에게 작업을 맡길 때는 공통·조건·검산·형식의 4단계 루틴을 습관화합니다. 둘째, 초대받은 시험 링크로 이용하는 모니토(Monito) 앱을 미리 설치하고 카메라와 마이크 권한을 허용하며, 스마트폰 거치대, 방해 금지 모드, 충전기를 사전에 준비합니다. 셋째, 어떠한 경우에도 부정행위는 시도하지 마시고 응시하는 시험의 공식 안내를 가장 먼저 확인하고 따라야 합니다.
-
음성 인식(STT)이란? 음성이 텍스트가 되는 원리와 온디바이스 STT 차이
음성 인식 STT는 연속적인 아날로그 소리 파형을 1초에 16,000개의 숫자(16 kHz)로 샘플링하고, 사람의 청각 특성을 반영한 2D 멜 스펙트로그램으로 변환한 뒤 Transformer 인코더-디코더 모델이 텍스트 토큰을 순차적으로 예측해 글자로 바꾸는 기술입니다. 대규모 서버 자원을 활용하는 클라우드 방식과 달리, 온디바이스 음성 인식은 기기 내부에서 경량화된 모델을 직접 구동합니다. 따라서 네트워크 지연 없이 오프라인에서도 동작하며 음성 데이터가 외부로 유출되지 않는 반면, 기기의 연산 성능과 메모리 용량에 따른 모델 크기의 제약을 받습니다.
-
프롬프트·컨텍스트·하네스·그래프 엔지니어링, 뭐가 다를까?
프롬프트 엔지니어링은 LLM에게 줄 지시문을 쓰고 구성하는 일, 컨텍스트 엔지니어링은 지시문 바깥의 도구 정의·검색 결과·대화 기록·메모리까지 포함해 모델이 보는 정보 전체를 고르고 관리하는 일입니다(Anthropic 정의). 하네스 엔지니어링은 모델을 둘러싼 실행 환경(도구, 루프, 검증, 권한, 상태)을 설계하는 일이고, 그래프 엔지니어링은 LangGraph처럼 작업을 노드·엣지·공유 상태로 이뤄진 그래프로 짜서 흐름을 고정하는 접근입니다. 뒤의 두 용어는 표준 정의가 없는 최근 용어라서, 이 글은 실제로 쓰이는 용법을 출처와 함께 정리합니다.
-
혼자 AI로 제품을 만들 때 '조직'은 어떻게 꾸리고 어떤 단계로 굴릴까?
혼자 AI로 제품을 만드는 사람들이 공개한 사례를 보면 공통 구조가 있습니다. 사람은 맨 위에서 방향·제품 결정·승인·고객 관계를 맡고, 그 아래 조율 에이전트가 일을 나눠 역할별 에이전트(제품, 개발, 검증, 마케팅·지원)에 넘깁니다. 공식 문서(Anthropic, OpenAI, CrewAI)는 공통적으로 에이전트 하나로 시작하고, 필요할 때만 역할과 계층을 늘리라고 권합니다. 다만 1인 창업 사례는 모두 본인이 쓴 글이라 독립적으로 검증된 근거는 아직 약합니다.
-
임베딩(Embedding)이란? 단어를 벡터로 바꿔 의미를 비교하는 원리
임베딩(Embedding)은 단어 같은 데이터를 의미가 담긴 숫자 벡터로 바꾸는 방법입니다. 벡터로 바꾸면 두 단어의 뜻이 얼마나 비슷한지를 거리나 각도로 계산할 수 있고, 각도로 비교하는 대표적인 방법이 코사인 유사도입니다.
-
Day5~7: AI의 한계, Embedding·RAG 구조, AI Agent와 Tool Calling
Hallucination은 LLM이 사실을 검색하지 않고 그럴듯한 다음 토큰을 확률로 예측하기 때문에 생깁니다. RAG는 관련 문서를 찾아 Context에 넣는 전체 방식이고, Agent는 LLM이 도구를 고르고 결과를 보고 다음 행동을 스스로 정하는 반복입니다.
-
MoE(Mixture of Experts)란? Dense 모델과 차이와 메모리 부담
MoE는 FFN 하나 대신 여러 전문가 FFN을 두고, 라우터가 토큰마다 일부(top-k) 전문가만 골라 계산하는 구조입니다. 토큰당 연산은 일부 전문가만 하지만 모든 전문가를 메모리에 올려 둬야 해 용량 부담이 큽니다.
-
프로그래머스 AI 활용평가 체험 후기: 코딩하듯 AI를 쓰면 왜 막힐까?
프로그래머스 AI 활용평가 체험을 직접 풀어 봤더니 절반 조금 넘게 맞혔습니다. 쉽게 생각했는데, 이러다간 떨어지겠다는 생각이 들었습니다. 코딩할 때처럼 처음부터 AI에게 물어본 게 문제였고, 이제는 "AI는 손이고 머리는 나다"라는 원칙으로 준비하고 있습니다.
-
토큰과 컨텍스트 윈도우란? LLM이 글자를 세는 방식과 길이 제한이 생기는 이유
LLM 토큰은 모델이 텍스트를 처리하는 기본 단위이고, 컨텍스트 윈도우는 한 번의 요청에서 모델이 다룰 수 있는 토큰 수의 최대 한도입니다. 토큰 수는 인코딩과 언어에 따라 달라지고, 화면에 보이지 않는 추론 토큰도 그 한도 안의 공간을 차지합니다.
-
사전학습·파인튜닝·RLHF 차이: LLM은 어떤 단계로 만들어지나?
사전학습·파인튜닝·RLHF 차이는 LLM이 만들어지는 단계에 있습니다. 일반적으로 사전학습은 다음 토큰 예측으로 Base 모델을, 파인튜닝/SFT는 지시–응답 예시로 지시를 따르는 모델을, RLHF는 사람 선호를 반영해 대화형 모델을 만듭니다.
-
SK하이닉스 AI 해커톤 2026이란? 서류 합격 후기와 1차 예선 각오
SK하이닉스 AI 해커톤 2026은 학력·전공·연차와 무관하게 AI 활용 능력을 결과물로 증명하는 개인 참가 대회입니다. 저는 AI 에이전트와 함께 임베디드 검증을 무인화한 경험을 포트폴리오로 내서 서류를 통과했고, 지금은 10월 1차 예선을 준비하고 있습니다.
-
Temperature와 Top-p란? LLM 답변이 매번 달라지는 이유
LLM의 temperature와 top-p는 다음 토큰을 고르는 방식을 조절하는 파라미터입니다. temperature는 확률 분포의 모양을, top-p·top-k는 후보 범위를 바꾸며, 샘플링을 쓰면 같은 질문에도 답이 달라질 수 있습니다.
-
양자화(Quantization)란? FP16·INT8·INT4 차이와 LLM 메모리가 줄어드는 이유
LLM 양자화는 가중치를 더 적은 비트로 근사해 메모리와 읽어야 할 데이터량을 줄입니다. FP16·INT8·INT4의 바이트 차이와, Decode가 memory-bound일 때 그 효과가 커지는 이유를 정리합니다.
-
로컬 AI 박스와 API 구독, 비용 부담은 언제 갈리나?
사람 속도의 반복 업무이고 데이터가 나가도 되며 한도를 기다려도 되면 API 구독으로 충분합니다. 데이터가 남거나, 왕복 지연이 루프를 깨거나, 같은 호출이 한도에 반복해서 막힐 때 로컬 박스가 후보입니다. 하드웨어 전에 재시도와 긴 컨텍스트부터 줄입니다.
-
에이전트 브라우저 자동화, MCP 실패 후에만 쓸까
커넥터(MCP) 우선·브라우저 폴백 분기 기준. MCP를 먼저 쓰는 이유, 브라우저로 넘어갈 신호, 로그인/2FA는 사람 핸드오프만. 요금·발명 UI 경로 없음.
-
Claude Sonnet 5.5는 Opus 5.5와 코딩에서 언제 바꾸나?
일상 코딩은 Sonnet 5.5, 판단과 장기 작업은 Opus 5.5에 두는 기준과, 옮길 때 thinking·between_tools가 어떻게 바뀌는지만 정리합니다. 가격·벤치·속도 수치는 넣지 않습니다.
-
GitHub Copilot Chat vs Cursor Agent, 역할 어떻게 나누나
같은 리포에서 Copilot Chat(인라인·IDE 보조채팅)과 Cursor Agent(멀티파일 에이전트) 역할을 나누는 기준. 요금·후기 숫자·발명 UI 없음.
-
AI 에이전트 컨텍스트 예산, 세션이 길 때 무엇을 요약하나
긴 에이전트 세션에서 매 턴 남길 최소 정보, progress 노트·체크리스트 위치, 재시작 프롬프트 예시. 요금·토큰·창 크기 숫자 없음.
-
AI 에이전트 시크릿 관리, rules에 키를 넣지 않는 법
Cursor rules·AGENTS.md에 키를 넣지 않는 법. .env·키체인·Cloud Secrets·allowlist 위치와 유출 점검 체크리스트만 정리합니다.
-
Slack MCP 에이전트, 읽기만 할지 보낼지 어떻게 나누나
Slack MCP를 에이전트에 붙일 때 읽기 전용으로 시작하는 법, 송신 확인 UX, 채널 invite가 필요한 이유. 요금·토큰·발명 UI 없음.
-
AI 에이전트 TDD 루프, 실패 테스트부터 고치게 하려면
AI 에이전트 TDD 루프를 red→green→refactor로 고정합니다. 실패 로그 넘기기, 한 사이클 성공 조건, 무한 수정 루프 끊기만 다룹니다. 가격·후기 없음.
-
Cursor Cloud Agent vs 로컬 Agent, 언제 무엇을 쓰나
Cursor Cloud Agent와 로컬 채팅 Agent를 갈라 쓰는 기준입니다. PR·장시간 작업은 클라우드, 대화형 수정은 로컬. 핸드오프만 정리합니다. 가격 없음.
-
Linear 이슈를 Cursor 에이전트 PR로 넘기는 방법
Linear 이슈에서 무엇을 복사해 Cursor 에이전트에 넘기고, PR 설명 템플릿과 리뷰 요청 시점만 정리합니다. 가격·후기 없음.
-
에이전트에게 flake가 아닌 실패만 재현하게 하려면?
재시도성 flake를 거르고 deterministic 실패만 재현·보고하게 프롬프트하는 howto. flake 신호 필터·최소 재현 명령·리포트 증거. Fowler quarantine·CI 로그 휴리스틱. 제휴 없음.
-
CLAUDE.md vs AGENTS.md, Cursor에선 어떻게 읽히나
Cursor가 CLAUDE.md와 AGENTS.md를 어떻게 읽는지, always-apply와 조건부 .mdc rule 차이, 팀 혼용 시 파일 배치만 공식 Rules 문서 기준으로 정리합니다. 요금 없음.
-
Cursor .cursor/agents와 rules는 역할을 어떻게 나누나?
Cursor .cursor/agents vs rules 책임 경계 howto. agents에 넣을 것, rules에 넣을 것, 겹치면 깨지는 것. 공식 Agents·Rules 문서 근거. 제휴 없음.
-
Cursor hooks 사용법, 에이전트 전후에 뭘 걸 수 있나
Cursor hooks 사용법을 에이전트 수명주기(before/after)·hooks.json·/create-hook 축으로만 정리합니다. 저장·커밋 가드 글과 겹치지 않게 공식 Hooks 문서를 따릅니다.
-
Cursor Skills와 Rules 차이, 언제 어떤 걸 쓰나
Cursor Skills와 Rules 차이를 공식 문서 기준으로 정리합니다. alwaysApply·globs 적용 시점과 /migrate-to-skills가 옮기는(안 옮기는) 대상을 결정 축으로만 다룹니다.
-
OpenAI Pro $200이 다시 열린다는데, 한도는 왜 절반처럼 보이나?
OpenAI Pro $200 구독이 2026-09-30 다시 열립니다. usage 산정이 바뀌어 API 달러로 보면 옛 한도의 절반처럼 보일 수 있는 이유, 그래도 한 달 전보다 더 일할 수 있다는 주장의 논리, 5시간 제한과 추가 혜택을 정리했습니다.
-
에이전트에게 ADR만 주고 구현하게 하려면?
에이전트 ADR 구현: 필수 섹션(MADR), 코드 범위 제한, 검증 단계. ADR만으로 구현을 위임하는 howto. 요금·제휴 없음.
-
git worktree 정리한 뒤 에이전트에게 넘기려면?
더러운 worktree를 정리·분리한 뒤 에이전트에 넘기는 체크리스트. 왜 먼저 정리하는지, 남은 dirty 표시. git-worktree(1) 근거. 제휴 없음.
-
에이전트 작업 후 git status 게이트를 강제하려면?
에이전트 git status 체크: 어디에 검사를 두는지, 더티 트리면 중단할지, 의도적 untracked 허용. git status --porcelain과 훅/커맨드 근거. 요금·제휴 없음.
-
ChatGPT Sol·Luna, 일주일 실무에 넣어보니 체감 차이는 이랬다
ChatGPT 모델 선택기에서 Sol·Luna로 표기된 옵션을 일주일간 업무에 번갈아 써 본 후기입니다. 무거운 추론은 Sol, 가벼운 일상 초안은 Luna가 “이 정도면 충분하다”고 느낀 지점과 아쉬웠던 점을 벤치마크 없이 체감 위주로 정리했습니다.
-
Claude Code /compact, 컨텍스트 줄일 때 무엇을 남기나
Claude Code compact 전 최소 정보, 재개 프롬프트, 파일로 남길 기준. /compact·/context·CLAUDE.md 재주입 근거. 요금·제휴 없음.
-
Claude Code Router란 무엇인가 / 어떻게 쓰나
Claude Code Router(CCR)는 Claude Code 같은 코딩 에이전트의 요청을 여러 provider와 모델로 나눠 보내 주는 로컬 라우터입니다. 언제 필요한지, 설정 개념, 모델 선택과 라우팅 확인 방법, 자주 틀리는 지점을 정리했습니다.
-
Cursor 커스텀 서브에이전트 — 어디에 정의하나?
Cursor 커스텀 서브에이전트 정의 howto. 파일 위치, 위임 시점, 부모 프롬프트에 남길 것. 공식 Subagents 문서 근거. 요금·제휴 없음.
-
Grok Bot에서 Cursor 같은 에이전트를 호출해 작업시키기
Grok Bot은 채팅 안에서 모든 코딩을 처리하지 않고, 레포 수정·PR 생성 같은 작업을 Cursor 스타일의 클라우드/로컬 에이전트에 위임할 수 있습니다. 위임의 의미, 좋은 작업 형태, 한계, 블로그·개발 운영 워크플로를 정리합니다.
-
herdr로 로컬 코딩 에이전트 돌릴 때 뭐부터 설정하나?
herdr로 로컬 코딩 에이전트를 처음 띄울 때는 오케스트레이션보다 작업 루트, 모델 설정 위치, 권한·금지 경로, 작업 전달 방식부터 정해야 합니다. 2026-09-27 기준 herdr 공식 문서를 바탕으로 첫 설정 체크리스트와 첫 주에 자주 하는 실수를 정리했습니다.
-
에이전트에게 rebase 충돌을 맡길 때 프롬프트는?
rebase 충돌 구간만 에이전트에 안전하게 위임하는 howto. 충돌 파일 넘기기, 성공 조건, 사람이 해야 하는 경우. git rebase 문서 근거. 요금·제휴 없음.
-
Claude Opus 5.5란 무엇인가 — 에이전트 코딩에서 Opus 5와 뭐가 다른가
Claude Opus 5.5(모델 ID claude-opus-5-5, 2026-09-22)는 코딩·에이전트 일상 드라이버를 Opus 5에서 갈아탈지 고민할 때 보는 후속작입니다.
-
Cursor @폴더 범위 — 언제 디렉터리를 넣나?
Cursor @-mention으로 파일 vs 폴더를 고르는 howto. 너무 넓은 범위 증상, 모노레포 최소 범위. 공식 @ mentions 문서 근거. 요금·제휴 없음.
-
GPT-6 Astra란 무엇인가 — 컴퓨터 사용 에이전트와 Critical 사이버 등급
GPT-6 Astra는 “챗이 똑똑해졌다”는 소식보다, 에이전트에게 OS·브라우저·장시간 작업을 맡길지를 결정할 때 보는 프론티어 컴퓨터 사용 모델입니다.
-
MCP로 사용자에게 되묻기 — elicitation은 언제?
툴 실패와 MCP elicitation(되묻기)의 차이, 최소 질문 스키마 설계, accept·decline·cancel·타임아웃 처리. MCP elicitation/create 스펙 근거. 요금·제휴 없음.
-
에이전트 stdout을 파일로 남기려면?
긴 에이전트 실행의 stdout/stderr를 재현 가능하게 남기는 howto. 리다이렉트 대상, 실패만 모으기, 다음 세션에서 읽는 법. shell redirect·tee 근거. 요금·제휴 없음.
-
.cursorignore로 인덱스를 어떻게 줄이나
.cursorignore로 대용량·시크릿·빌드 산출물을 Cursor 인덱스·에이전트 컨텍스트에서 빼는 howto입니다. .gitignore와의 차이, 빌드 산출물 패턴, 에이전트가 못 읽을 때 증상까지 정리합니다. 요금·후기는 없습니다.
-
멀티 에이전트로 PR 나누기, 브랜치 규칙을 어떻게 정하나
에이전트마다 브랜치를 쪼개고, 사람 리뷰 게이트를 두며, 겹치는 경로를 나눠 충돌을 줄이는 멀티 에이전트 PR 워크플로 howto입니다. 가격·개인 후기는 없습니다.
-
에이전트 코드 검색 전에 ripgrep을 쓰는 이유
전체 레포를 에이전트에 맡기기 전에 rg로 범위를 좁히는 howto. ripgrep glob·type과 에이전트 codebase search 차이, 결과를 프롬프트에 넣는 법. 요금·제휴 없음.
-
에이전트 출력 eval 체크리스트
머지 전 에이전트 출력을 기능·회귀 / 보안·시크릿 / 문서·커밋 메시지로 eval. agent-diff-review(읽기 순서)와 축 분리. 요금·제휴 없음.
-
issue→브랜치 네이밍 규칙 — 접두어·이슈 번호·충돌
에이전트가 issue에서 브랜치 이름을 일관되게 만들게 하는 규칙: 접두어, 이슈 번호, 충돌 시 대응. 흔한 git/GitHub 브랜치 관행 기준. 요금·제휴 없음.
-
MCP 도구 스키마, 에이전트가 덜 헷갈리게 쓰려면
MCP 도구 description·required·실패 메시지를 어떻게 쓰면 에이전트가 덜 헷갈리는지 정리합니다. 연결 실패 진단이 아니라 스키마 설계 howto입니다.
-
opencode 세션 이어쓰기, 중단 후 어떻게 재개하나
opencode에서 세션 ID를 찾고 --continue/--session으로 재개하는 방법과 /compact, --fork를 공식 CLI·TUI 문서 기준으로 정리합니다.
-
agent에게 API 스펙만 주는 법
에이전트에 OpenAPI만 넘겨 임의 엔드포인트·환각을 줄이는 법: 스펙 위치, 예시 응답, 환각 줄이기. OpenAPI 3.1 관행 기준. 요금·제휴 없음.
-
긴 작업 checkpoint, 중단 후 어떻게 이으나
에이전트 긴 작업의 checkpoint 파일 위치, 재개 프롬프트, 컨텍스트 유실 대응. context-budget·opencode resume과 축 분리. 요금 없음.
-
agent 금지 경로 deny 리스트 — secrets·vendor·우회 탐지
에이전트에 secrets/vendor 금지 경로 deny 리스트를 거는 법: .gitignore·.cursorignore·우회 탐지. 공개 ignore 관행 기준. 요금·제휴 없음.
-
에이전트 diff를 사람처럼 리뷰하려면
에이전트가 낸 diff를 사람 리뷰 체크리스트로 본다—먼저 볼 것, 테스트 없이 머지?, 롤백 기준. multi-agent-pr(브랜치·게이트)과 축 분리. 요금 없음.
-
patch 단위로 커밋 쪼개게 하기
에이전트가 큰 변경을 patch·논리 단위로 커밋 쪼개게 하는 규칙: 한 커밋 기준, 메시지 형식, 섞인 변경 분리. git add -p·원자적 커밋 관행 기준. 요금·제휴 없음.
-
Codex CLI와 Claude Code, 터미널 에이전트 역할은 어떻게 나누나
Codex CLI는 AGENTS.md·config.toml 샌드박스 축, Claude Code는 CLAUDE.md·permissions·훅·서브에이전트 축으로 나눕니다. 같은 레포에서는 브랜치·작업 단위를 가르고 IDE 에이전트와 삼각형을 만듭니다.
-
Cursor Notepads, 에이전트 컨텍스트에 어떻게 쓰나
Cursor 2.0에서 Notepads는 제거되었습니다. 예전에 Notepad에 넣던 재사용 컨텍스트는 Rules·Skills·Memories·AGENTS.md로 나눕니다. Notepad vs rules, 언제 만들지, 팀 공유만 정리합니다.
-
레포 맵을 에이전트에 주입하려면
에이전트에 넣을 repo map—어떤 파일·자동 생성·낡은 맵 갱신. prompt-layers(규칙 계층)와 Instant Grep(검색)과 축 분리. 요금 없음.
-
PR 본문을 에이전트에 쓰게 하려면
에이전트 PR 본문: 템플릿 칸·diff 요약·리뷰어 체크리스트. multi-agent-pr(브랜치)·linear-to-agent-pr(이슈 핸드오프)과 분리. 요금·제휴 없음.
-
AGENTS.md 최소 템플릿, 레포에 무엇을 먼저 적나
루트 AGENTS.md에 프로젝트 개요·빌드/테스트 명령·코드 스타일·보안 금지 네 블록만 먼저 둡니다. CLAUDE.md와는 명령을 공유하고, 길면 중첩 파일로 나눕니다.
-
Claude Code 권한·네트워크 허용, 프로젝트에서 어떻게 좁히나
프로젝트는 .claude/settings.json의 permissions.allow·deny와 WebFetch(domain:)·sandbox.network로 도구·네트워크를 좁힙니다. deny→ask→allow 순으로 평가되며 Cursor rules와 역할이 다릅니다.
-
CLI 한도 소진, 폴백 순서를 어떻게 정하나
AI CLI 한도 폴백—증상 확인, 모델 전환 기준, 작업을 깨끗이 끊는 순서. Spending·/usage·풀 UI만. 요금 숫자·후기 창작 없음.
-
flake 테스트만 재실행하는 루프
flake 테스트 에이전트: 재시도 한도·격리 방법·이슈화 기준. agent-test-gate(통과/중단 게이트)·agent-tdd-loop(작성 red→green)과 축 분리. 요금·제휴 없음.
-
monorepo에서 에이전트 루트 고르기
monorepo 에이전트 루트: cwd 선택·패키지 범위·잘못된 루트 증상. repo-map-inject(지형 맵 주입)과 축 분리. 요금·제휴 없음.
-
시스템·유저·프로젝트 프롬프트를 어떻게 나누나
에이전트 프롬프트 계층—어디에 무엇을 두고, 충돌 시 우선순위, 너무 길 때 쪼개는 법. Skills/Rules·commands 재탕·요금 없음.
-
서브에이전트에 일을 넘길 때 브리프는?
서브에이전트 위임 브리프—성공 기준, 넣을 컨텍스트, 결과 수신. context-budget(세션 요약)과 축 분리. Cursor Subagents 문서 기준. 요금 없음.
-
agent 출력에 테스트 게이트 걸기
에이전트 테스트 게이트: 어디에 검사할지, 실패 시 중단할지, CI와 중복은 무엇인지. agent-tdd-loop(작성 루프)·agent-eval-checklist(머지 eval)과 축 분리. 요금·제휴 없음.
-
Excel·스프레드시트에 AI 쓰기
시트는 정리·분류를 먼저 고정하고, 수식·피벗은 초안으로 받은 뒤, 합계·행 수·표본으로 검증합니다. 유료 시트 AI 요금은 적지 않습니다.
-
Google Drive·Docs에 AI 워크플로
Drive·Docs에서는 요약·초안을 작업 단위로 받고, 폴더 분류 규칙을 고정한 뒤, 공유·권한은 사람이 막습니다. 유료 부가 요금은 적지 않습니다.
-
회의록·이메일에 AI 쓰기
회의록은 구조(결정·미결·액션)를 고정하고, 메일 초안은 목적·수신·금지어를 나눈 뒤, 톤과 사실은 사람이 확인합니다.
-
검색만 하던 사람용 체크리스트 — 다음에 뭘 익히나
검색만 단계를 졸업하는 조건, 다음에 익힐 툴 순서, 에이전트를 고르는 기준을 체크리스트로 정리합니다. 요금·순위는 없습니다.
-
파일 정리·반복 업무를 에이전트에 맡기려면
규칙이 닫힌 반복만 맡기고, 로컬과 클라우드를 권한·백업 기준으로 고르며, 드라이런·샘플·롤백으로 실수를 막습니다.
-
Cursor Composer와 Agent, 언제 바꾸나
Composer는 Cursor 자체 agentic 모델, Agent는 도구를 돌리는 모드입니다. 같은 작업에서 언제 Composer를 고르고, 언제 Agent로 실행·전환할지 기준만 정리합니다. 가격 없음.
-
Cursor Background Agent vs 로컬, 언제 무엇을
Cursor Background Agent 워크플로: 백그라운드는 언제, 로컬과 차이, 결과 리뷰. weekly cursor-cloud-vs-local-agent(Cloud/PR VM)와 축 분리. 요금·제휴 없음.
-
.cursor/commands로 자주 쓰는 프롬프트를 명령으로?
Cursor 커스텀 슬래시 커맨드 파일은 어디에 두고, 인자는 어떻게 넘기며, rules와 무엇이 다른지 정리합니다. Skills 재탕·요금 없음.
-
Cursor Hooks, 저장·커밋 전에 에이전트 가드를 걸려면
프로젝트는 .cursor/hooks.json, 전역은 ~/.cursor/hooks.json에 둡니다. 포맷은 afterFileEdit, 셸 가드는 beforeShellExecution으로 나누고, 차단은 permission deny·exit 2·failClosed로 합니다.
-
git worktree로 에이전트 격리하려면
에이전트마다 링크드 worktree를 두고 브랜치를 전용으로 체크아웃하는 격리 howto입니다. 만드는 법, 브랜치 규칙, 머지 전 점검만 다룹니다. multi-agent-pr-workflow(PR·리뷰 축)와 다릅니다. 요금 없음.
-
herdr 패인에서 에이전트 상태가 멈출 때, 어디를 보나
사이드바 상태가 안 바뀌면 herdr agent explain으로 감지 근거를 확인하고, 클라이언트 detach와 서버 재시작을 구분한 뒤 pane/agent read로 로그를 봅니다.
-
MCP 인증 실패, needsAuth일 때 뭐 하나
서버는 보이는데 needsAuth·도구가 비면 연결 실패가 아니라 인증입니다. 증상, 재연결 순서, 빈 도구 목록만 정리합니다. 요금·토큰 값 없음.
-
MCP 리소스 vs 툴, 언제 무엇을
MCP resource와 tool 선택 축: resource는 언제, tool은 언제, 둘 다 있으면. mcp-tool-schema(스키마 설계)·mcp-auth-fail(needsAuth)과 분리. 요금·제휴 없음.
-
openclaw로 로컬 코딩 에이전트 붙이기, 최소 설정은
OpenClaw는 ~/.openclaw 설정·워크스페이스와 Gateway로 두고, 로컬 모델은 Ollama 네이티브 엔드포인트로 연결하며, coding-agent 스킬로 Claude Code·Codex·OpenCode에 코딩을 위임합니다.
-
에이전트를 실무에 어떻게 쓸까, 개요
검색창은 답을 찾고, 에이전트는 작업을 실행합니다. 맡길 일과 사람이 검수할 지점을 역할로 나눕니다.
-
PPT·슬라이드에 AI·에이전트 쓰기
슬라이드는 구성안을 먼저 고정하고, 원고와 불릿을 나눈 뒤, 디자인·수치·브랜드만 사람이 막습니다. 유료 PPT AI 가격은 적지 않습니다.
-
Orca CLI란? 설치하고 첫 명령까지
Orca CLI는 데스크톱 ADE와 함께 쓰는 orca 명령입니다. 공식 설치 후 command -v orca와 orca status --json으로 런타임을 확인합니다.
-
Orca CLI로 worktree·에이전트 병렬 돌리기
orca worktree create로 작업마다 git worktree를 만들고 --agent로 첫 터미널 에이전트를 고릅니다. 병렬은 파일 격리가 핵심입니다.
-
ChatGPT 검색만 하던 사람, 에이전트 지시로 바꾸려면
검색 문장을 목표·범위·완료 기준이 있는 작업으로 바꾸고, 실패하면 같은 목표를 좁혀 다시 지시합니다.
-
Cursor MCP 연결 실패, 서버가 안 보일 때 무엇을 보나
`mcp.json` 파일 위치를 다시 확인하고, Output 패널의 MCP Logs에서 에러 메시지를 읽습니다.
-
Claude Code 프로젝트 설정, 규칙과 도구 허용을 어떻게 고정하나
Claude Code 설정을 프로젝트에 고정하려면 .claude/settings.json(공유)과 .claude/settings.local.json(개인)에 permissions allow/ask/deny를 두고, /permissions·/statu…
-
Cursor Agent Ask Plan 모드, 언제 바꿔 쓰나
Cursor Agent 모드는 실제 코드를 편집할 때 사용하는 핵심 기능입니다. Cursor는 이외에도 코드 분석과 질문에 특화된 Ask 모드, 다중 파일 변경 계획을 수립하는 Plan 모드를 제공합니다. 이 글은 공식 문서를 기준으로 세 모드의 전…
-
cursor-mcp-json
Cursor MCP mcp.json 파일을 통해 서버를 연결하려면 올바른 위치에 서버 설정을 작성해야 합니다. 이 글은 Cursor 공식 문서를 기준으로 mcp.json 파일의 위치, 서버 항목 작성법, 연결 실패 시 점검 순서를 정리한 것이며, 세…
-
AGENTS.md와 CLAUDE.md 차이, 멀티 에이전트 규칙을 맞추려면
여러 AI 코딩 어시스턴트를 함께 쓸 때는 AGENTS.md CLAUDE.md 규칙 파일을 어떻게 설정하고, 한 레포지토리 안에서 내용을 맞춰야 할지가 문제가 됩니다. 이 글은 공식 문서를 기준으로 두 파일의 역할 차이, 동기화 방법, 충돌 시 우선…
-
herdr 워크스페이스 설정, 에이전트를 여러 개 나란히 두려면
herdr 워크스페이스는 프로젝트나 작업 단위로 탭과 패인을 묶어, 여러 에이전트를 패인에 나란히 띄우고 함께 관리할 수 있게 하는 최상위 컨테이너입니다. 이 글은 2026-09-16 기준 herdr 공식 문서 내용만 다룹니다.
-
AI 에이전트 실패를 블레임리스 포스트모템으로 보는 이유
에이전트 실패는 사람이나 모델의 탓이 아니라 프롬프트·권한·리뷰·도구 경계가 새는 시스템 결함으로 봐야 합니다. 블레임리스 포스트모템은 비난하지 않고 새는 지점을 찾아 재발 가능성과 영향을 낮추는 방법입니다.
-
herdr 후기, 에이전트를 여러 개 띄울 때
여러 에이전트를 동시에 띄울 때 herdr를 사용하는 기본적인 설치와 사용법을 정리했습니다.
-
에이전트를 여러 개 쓸 때 tmux가 유용한 이유
여러 코딩 에이전트를 동시에 돌릴 때 tmux가 유용한 이유는, SSH가 끊겨도 세션이 서버에 남고 패인마다 작업을 나눠 로그를 유지한 채 다시 붙을 수 있기 때문입니다.