AI

코딩 에이전트에게 일을 맡길수록 팀의 공유 멘탈 모델이 침식되는 인지 부채가 쌓입니다. 주문 취소 예제로 기능 하나에 숨은 의사결정 구조를 드러내고, Evaluability와 Controllability라는 두 기준으로 사람이 쥘 결정과 AI에게 넘길 결정을 가르는 방법을 설명합니다.

AI로 전문가의 판단과 소프트웨어 개발 비용이 빠르게 낮아지면서 경쟁 우위가 어디로 이동하는지 살펴봅니다. 조명과 표계산의 역사, 전기 모터의 교훈으로 새로운 해자와 딥테크 기회를 짚고, 엔지니어의 대응 방향부터 노동·불평등·정책 논쟁까지 다룹니다.

테스트 철학, 기본 전략과 설계, 운영 원칙부터 AI 에이전트 시대의 독립 검증까지 Classicist TDD 기반의 언어 공통 테스트 전략 20가지 원칙을 정리합니다.

AI 코딩 에이전트를 에디터형(Cursor, Copilot), CLI형(Claude Code, Codex), 자율형(Devin, Jules)으로 분류하고 자율성·비용·인덱싱·MCP 지원 기준으로 비교합니다.

Anthropic이 설계하고 OpenAI 등이 채택한 MCP의 아키텍처, Host/Client/Server 역할, Tools·Resources·Prompts 기본 요소, 동작 순서, 설계 가이드를 구체적인 지원 현황 표와 함께 정리합니다.

OpenAI CEO Sam Altman이 Three Observations에서 제시한 AGI의 가능성, AI 비용 하락 법칙, 소프트웨어 에이전트의 미래, 자본·노동 재편에 대한 핵심 주장을 번역·정리합니다.

LangChain/LangGraph 시리즈 3편. LangGraph의 상태 관리 구조, 체크포인터를 이용한 멀티턴 대화 이력 유지, Tool Calling 기반 웹 검색 AI 에이전트 구현 방법을 코드와 함께 설명합니다.

LangChain 시리즈 2편. LCEL의 파이프 연산자로 Chain을 구성하는 방법, RunnableParallel·RunnableLambda로 복수 Chain을 연결하는 방법, with_structured_output으로 LLM 출력 품질을 높이는 방법을 코드와 함께 설명합니다.

LangChain으로 LLM 애플리케이션을 개발할 때 필수적인 프롬프트 작성법, 모델 정의 방법(Gemini·OpenAI·Anthropic 등), invoke/stream 실행 패턴을 코드와 함께 단계별로 설명합니다.

Part Affinity Fields 기반 Bottom-Up 방식으로 실시간 다인 자세 추정을 수행하는 논문을 리뷰하고, Chainer로 FMS 동작 인식 모델을 직접 구현한 과정을 설명합니다.

TensorFlow 2.0(tf.keras)으로 뉴럴 네트워크 학습을 구현합니다. 손실 함수, SGD 최적화, 학습률 설정부터 배치 학습, 조기 종료, 모델 평가까지 코드와 시각화로 단계별 설명합니다.

TensorFlow 2.0(tf.keras)으로 뉴럴 네트워크를 단계별로 구현합니다. 뉴런 구조, 활성화 함수, 정규화의 원리를 Playground 시각화와 Python 코드로 함께 설명합니다.