Software-Engineering

사용자가 자연어 질의를 입력한 뒤 최종 답변을 받을 때까지 각 컴포넌트가 어떤 순서로 동작하는지 정리한 글입니다. 이 글은 시리즈의 첫 글입니다. 각 구성 요소를 왜 그렇게 선택했는지, 실험 과정에서 무엇이 달라졌는지는 이어지는 글에서 다룹니다. 단일 NL2SQL의 한계와 라우팅 구조 NL2SQL을 실운영 환경에 처음 적용하면 같은 문제를 반복해서 만납니다. DDL만으로는 T_CUST_MST 같은 약어 테이블이 무슨 의미인지, “순매출"이 어떤 산식인지 LLM이 파악·추론하지 못합니다. 공개 벤치마크가 아무리 올라가도 실제 엔터프라이즈 환경에서는 정확도가 절반 이하라는 보고가 꾸준히 나옵니다. 같은 종류의 오답은 데이터셋을 바꿔도 사라지지 않습니다. ...

AI가 코드 대부분을 작성하는 상황을 가정하고, 개발자에게 남는 설계·검증·운영 책임과 제품 담당자의 역할 변화를 짚습니다.

새로운 직장이나 승진 후 자신을 증명하려다 고립과 번아웃에 빠지는 시니어 엔지니어의 악순환을 살펴보고 작은 작업과 신뢰로 회복하는 방법을 정리했습니다.

모호한 프롬프트 대신 AI 코딩 에이전트의 판단 과정을 23개의 작고 독립적인 스킬로 분해하여 운용하는 프로젝트 구조를 소개합니다.

AI 에이전트의 불필요한 코드 양산과 구조 파괴를 방지하고 최소한의 코드로 정교하게 작업하도록 돕는 ponytail 스킬을 소개합니다.

오픈AI가 실시간 저지연 음성 인식을 지원하는 GPT-Live-Transcribe와 대용량 오디오를 34배 속도로 처리하는 GPT-Transcribe 모델 2종을 공개했습니다.

실시간 소셜 피드 스트리밍과 LLM Agent 오케스트레이션을 결합한 구조적 특징과 파이프라인 제약 사항을 정리합니다.

Claude Code, Cursor 등 다양한 AI 코딩 에이전트의 로컬 세션을 자동 탐색하고 토큰 사용량과 비용을 한눈에 추적하는 오픈소스 도구 AgentsView를 소개합니다.

AI 코딩 에이전트의 하네스와 루프 시스템이 실제로 소프트웨어 개발 효율을 높이는지 비용과 성능 관점에서 객관적으로 평가하는 CopyEval 벤치마크를 소개합니다.

DataNexus를 개발하면서 Claude Code와 Codex를 함께 사용하고 있습니다. Claude Code가 라우터 로직을 수정하는 동안 별도 터미널에서는 Codex로 빠진 테스트를 보완합니다. 처음에는 두 에이전트가 같은 작업 디렉토리를 사용했습니다. 같은 파일을 동시에 수정하면서 충돌이 생겼고, 한 에이전트가 의존성 버전을 바꾸면 다른 터미널에서 진행 중이던 빌드가 실패했습니다. 충돌할 때마다 git stash로 변경 사항을 임시 보관했지만 두 에이전트를 동시에 실행할 수는 없었습니다. 하나의 작업이 끝난 뒤 다음 에이전트를 실행했습니다. git worktree로 에이전트 작업 공간 분리 일반적인 브랜치 전환은 작업 디렉토리 하나에서 체크아웃할 브랜치만 바꿉니다. git worktree를 쓰면 같은 저장소의 브랜치마다 별도 디렉토리를 둘 수 있습니다. git clone을 여러 번 할 필요도 없습니다. 각 worktree는 커밋 기록과 Git 메타데이터를 공유하고, 작업 파일만 별도 디렉토리에 둡니다. 어느 worktree에서 커밋하든 기록은 같은 저장소에 쌓입니다. ...

Claude Code에 추가된 /checkup 명령어를 소개합니다. 불필요한 리소스를 정리하고 CLAUDE.md를 최적화하여 프로젝트 환경을 효율적으로 관리하는 방법을 정리했습니다.

AI 에이전트가 무한 루프에 빠지거나 비용을 초과하지 않도록 목표, 검증, 예산, 중단 조건, 승인 절차를 설계하는 루프 엔지니어링 도구를 소개합니다.

단순 프롬프트 입력을 넘어 정지 조건이 충족될 때까지 스스로 작업을 반복하는 코딩 에이전트 루프 설계의 네 가지 핵심 기준과 작동 방식을 알아봅니다.

Claude Fable 5의 뛰어난 자율성과 지능을 극대화하고자 기존의 장황한 프롬프트 지시와 가드레일을 줄이고 인프라 및 제어 방식을 재설계하는 구체적인 가이드를 정리했습니다.

AI 에이전트의 신뢰성을 높이기 위해 단순 프롬프팅을 넘어 검증 루프를 설계하고, 루브릭 평가와 회고 메커니즘을 결합하는 루프 엔지니어링 기법을 소개합니다.

Claude Code로 좋은 결과물을 얻으려면 자신이 ‘모르는 것(unknowns)‘을 먼저 파악해 정확히 전달해야 합니다. 네 가지 유형의 모르는 것과 구현 전·중·후에 사각지대를 좁히는 실용 기법을 정리했습니다.

Claude Code가 지원하는 네 가지 에이전트 루프 제어 방식과 토큰 제어, 코드 품질 관리 방법을 소개합니다.

AI 도입으로 엔지니어링과 제품 기획의 경계가 허물어지고 있습니다. 미래의 협업 방식은 직군이 아닌 다섯 가지 작업 성향을 중심으로 재편됩니다.

에이전틱 코딩을 주제로 한 실전 기술 스터디 운영 방식을 공유합니다. 클로드 코드를 활용해 프로젝트 적용과 자동화된 기록 문화를 만드는 과정을 다룹니다.

AI 엔지니어링 패러다임이 프롬프트에서 컨텍스트, 하네스, 루프 단위로 확장되는 흐름을 짚고 결국 끝까지 남는 인간의 영역인 안목의 중요성을 다룹니다.

Claude Code의 Skills를 전역으로 관리하면 컨텍스트 윈도우가 낭비됩니다. 원본 파일을 창고에 두고 프로젝트마다 symlink를 연결해 유지보수 부담을 줄이고 효율을 높입니다.

기술적 요구사항과 비즈니스 목표가 충돌하는 환경에서 엔지니어가 직면하는 과제와 이를 해결하는 전략적 접근 방식을 다룹니다.

AI 에이전트가 앱 기능을 분석하고 테스트와 오류 수정을 반복하는 자동화 QA 루프 워크플로우를 다룹니다.

별도 앱 설치 없이 모바일 브라우저만으로 맥을 트랙패드, 키보드, 스트림덱으로 활용하는 오픈소스 프로젝트 MacPilot의 아키텍처와 구현 방식을 분석합니다.

단순 업무를 에이전트에 맡기고 밤새 피드백을 학습해 제품을 개선하는 AI-native 기업의 새로운 운영 모델과 엔지니어의 역할 변화를 살펴봅니다.

글로벌 빅테크 기업이 대규모 환경에서 검증하고 오픈소스로 공개한 AI 코드 리뷰 도구 ‘open-code-review’의 하이브리드 설계와 비용 절감 방안을 소개합니다.

AI 프로덕트 요구사항 정의서(PRD)가 기존 소프트웨어 명세와 달라야 하는 이유를 짚고 핵심인 평가 계획(Eval Plan) 설계와 리스크 관리법을 제안합니다.

에이전트 코딩 작업의 무질서한 흐름을 방지하고 계획부터 검토, 출시까지 명시적인 단계와 산출물로 고정하는 개발 하네스 도구를 소개합니다.

무작정 NoSQL로 전환하는 대신 PostgreSQL 아키텍처 한계를 극복하며 20억 사용자 규모로 확장한 인스타그램의 엔지니어링 전략을 분석합니다.

로컬 메모리와 클라우드 서비스를 결합해 데스크톱 환경에서 매끄럽게 작동하는 개인용 AI 에이전트 OpenHuman의 특징과 아키텍처를 분석합니다.

번거로운 수동 입력 대신 로컬 SQLite와 MCP를 활용해 투자 데이터를 관리하는 firma를 소개합니다. 터미널 환경에서 대화형으로 자산을 운용하는 쾌적한 경험을 공유합니다.

자체 30문항에서는 정확도 80%를 기록했지만 BIRD 공개 벤치마크 50문항에서는 56%였습니다. 9번의 실험 끝에 ‘후보 여러 개 만들어서 고르기’ 가설을 세 방향에서 모두 폐기했습니다. 남은 과제는 스키마 이해와 방법론이었습니다.

순정 상태 유지, settings.json 3줄로 풀 추론 강제, 시스템 아키텍처 설계에 집중하는 것이 Claude Code 성능을 실질적으로 높이는 방법입니다.

LLM 에이전트와 파이썬 환경에 최적화된 증권사 API 공식 샘플 코드의 구조를 분석합니다.

구독료 부담을 덜어주면서도 강력한 기능을 제공하는 네이티브 기반 오픈 소스 macOS용 도구 macshot을 살펴봅니다.

상품 마스터 DB의 데이터가 어떤 파이프라인을 거쳐 HTML 의 JSON-LD가 되는지 정리합니다. 3단계 파이프라인 구조와 SSR 기반 자동 배포 아키텍처를 다룹니다.

법령 XML을 직접 파싱하면 표 구조가 깨지고 전처리에 반나절이 빠집니다. 법망은 JSON으로 정제된 데이터를 바로 주는 API로, 그 과정을 미리 해결해놓은 서비스입니다.

100만 건 엑셀 다운로드에서 OOM 없이 스트리밍 처리하는 Spring Boot 라이브러리. 어노테이션 하나로 보일러플레이트를 걷어냅니다.

고쳐달라는 말만 반복하다 보면 이미 아는 문제 안에서만 맴돕니다. 전문가 페르소나를 투입하면 보이지 않던 사각지대가 드러나고, 어떤 시점에 누구를 부를지 감각이 생기면 토큰도 아낍니다.

에이전트에게 Planning을 통째로 맡기면 프로덕션에서 루프를 돌다 멈추는 문제가 생깁니다. OpenAI 가이드는 그 문제를 명시적 워크플로우 제어로 풉니다.

AI 에이전트에게 디자인 지침서를 먼저 읽히고 슬라이드를 만들게 하는 방식인데, 결과물 품질이 눈에 띄게 일정해집니다.

n8n으로 자동화 파이프라인을 짜다 보면 아이템 흐름과 에러 처리에서 막히는 지점이 생깁니다. 그 지점들을 실무 경험 기반으로 정리한 영상입니다.