AI

AI 개발자가 알아야 할 데이터베이스: RDB, Vector DB, Graph LLM 기반 서비스에서는 기존의 관계형 데이터베이스만으로는 해결하기 어려운 문제들이 생기죠. 오늘은 AI 개발자 관점에서 세 가지 데이터베이스의 기본 개념과 특징을 정리해보겠습니다. 1.

Claude Code는 Anthropic이 제작한 CLI 기반 LLM 에이전트 시스템으로, TypeScript/Bun 런타임 위에서 동작한다. 핵심 메커니즘은 while(true) 기반의 에이전틱 루프로, Claude API에 스트리밍 호출을 보내고, 응답에서 tool

LangChain, RAG, LangGraph — LLM 애플리케이션의 뼈대를 이해하기 ChatGPT가 세상에 나온 뒤 LangChain, RAG, 그리고 LangGraph 에대해 많이 들어봤을겁니다 셋은 서로 경쟁 관계가 아니라 층(layer)이 다른 도구입니다

시리즈 1편. Claude Code에 붙일 MCP 서버 다섯 개를 만들었다. 각 MCP의 상세 구현은 이후 편에서 하나씩 풀고, 이 글은 왜 시작했고, 다 만들고 나서 어떤 패턴이 보였는지를 정리한다.처음에는 하나로 끝낼 생각이었다. 회사에서 Bitbucket으로 PR

MCP를 다섯 번 만들고 나서 (2) — bitbucket-mcp: 가장 작고 깔끔했던 첫 번째 > 시리즈 2편. 첫 번째로 만든 bitbucket-mcp를 파헤친다. 구조적으로는 다섯 개 중 가장 단순하지만, 이 글에서 계속 돌아가게 될 4분리 패턴(HTTP / 도

이 글은 WelfareAI 프로젝트의 AI 백엔드 구조를 정리한 글이다.핵심은 단순하다. "LLM 하나에 모든 걸 맡기지 않고", 질문 유형에 따라 실행 경로를 나누고, 벡터 검색과 그래프 검색을 조합하고, 결과를 추적 가능하게 만든다.이 프로젝트의 AI 계층은 다음

LLM 개발에서 AI-Ready Data가 중요한 이유 — 메타데이터와 시멘틱 데이터 이야기 "비싼 AI를 썼는데도 우리 회사 챗봇은 왜 이렇게 바보 같죠?" "RAG 붙였는데 엉뚱한 문서만 가져와요." "Text-to-SQL 붙였더니 매출을 이상하게 집계해요."

MCP를 다섯 번 만들고 나서 (3) — jira-mcp: ADF 왕복과 두 개의 REST > 시리즈 3편. 두 번째로 만든 jira-mcp를 파헤친다. 2편의 bitbucket-mcp에서 확립한 4분리 골격을 여기서는 3분리로 줄였다. 왜 줄였는지가 첫 번째 이야기

MCP를 다섯 번 만들고 나서 (4) — confluence-mcp: 쌍둥이를 만든다는 것 > 시리즈 4편. 세 번째로 만든 confluence-mcp를 파헤친다. jira-mcp와 거의 똑같이 생겼다. 인증도 같고, 파일 구조도 같고, CLI도 같다. 그래서 이 글

MCP를 다섯 번 만들고 나서 (5) — postman-mcp: 필요한 복잡도를 받아들이기 > 시리즈 5편. 네 번째로 만든 postman-mcp를 파헤친다. 지금까지 셋(bitbucket/jira/confluence)은 전부 stateless였다. 이 친구는 다르다

MCP를 다섯 번 만들고 나서 (6) — swagger-mcp, 그리고 시리즈를 끝내며 > 시리즈 6편, 마지막 편. 다섯 번째로 만든 swagger-mcp를 파헤친다. 이 편은 사실 절반만 swagger-mcp 이야기다. 나머지 절반은 다섯 개 MCP를 다 만들고