알아보자

Swagger에 대해 알아보자

근참쌤과 자바 돌아보기

도커는 고래

여행 계획을 세워보아요.

러스트의 알파이자 오메가인 소유권, 소유권 이전, 복사

네트워크 어렵당

도커 네트워크

암시적과 명시적에 대해서 알아보자

백엔드 필수인 것들을 알아보자

SOLID를 알아보자

백엔드 개발을 하다 보면 "SQL과 ORM 중 어떤 걸 써야 하지?"라는 고민을 피할 수 없습니다. 두 기술은 각각의 장점과 한계를 가지고 있으며, 적절한 균형감 있는 활용이 중요합니다. 이번 글에서는 백엔드 개발자에게 SQL과 ORM이 왜 중요한지, 언제 어떤 것을

오에스 좋아하세요?

오에스 좋아하세요?

Code 영역: 실행한 프로그램의 코드가 저장되는 메모리 영역입니다.Data 영역: 프로그램의 전역 변수와 static 변수가 저장되는 메모리 영역입니다.Heap 영역: 프로그래머가 직접 공간을 할당(malloc)하거나 해제(free)하는 동적 메모리 영역입니다.Sta

우리는 사실 쓰레드였다는거임

프로그래밍을 하다 보면 예상치 못한 크래시나 이상한 동작을 경험한 적이 있을 것입니다. 특히 C로 개발할 때 말이죠. 이런 문제의 주범 중 하나가 바로 댕글링 포인터(Dangling Pointer)입니다. 댕글링 포인터는 이미 해제된 메모리를 가리키는 포인터를 의미하며

우리는 역사상 가장 많은 선택지를 가진 세대를 살아가고 있다. 스마트폰 하나면 수백만 개의 앱을 다운받을 수 있고, 스트리밍 서비스에는 수만 편의 영화와 드라마가 준비되어 있으며, 온라인 쇼핑몰에서는 클릭 몇 번으로 전 세계의 상품을 주문할 수 있다. 커리어 선택의 폭

현대 사회를 살아가는 우리는 인류 역사상 가장 풍요로운 시대에 살고 있다. 슈퍼마켓에 가면 수백 종류의 시리얼이 진열되어 있고, 넷플릭스에서는 수만 개의 영화와 드라마를 선택할 수 있으며, 온라인 쇼핑몰에서는 같은 제품의 수십 가지 변형을 비교할 수 있다. 스마트폰 앱

스프린트의 기본 개념애자일과 스크럼의 이해스프린트의 구성 요소스프린트 프로세스 상세 가이드효율적인 스프린트 운영을 위한 핵심 전략스프린트 실패 요인과 해결 방법스프린트 관리 도구와 활용법스프린트 성과 측정과 개선조직별 스프린트 적용 사례스프린트 도입 및 정착 로드맵스프

요즘 “AI를 업무에 붙인다”는 말은 누구나 한다. 근데 막상 실무로 들어가면, 한 가지를 바로 체감하게 된다.AI를 잘 쓰는 팀은 모델 성능보다 워크플로우를 잘 설계한다.나도 처음엔 그냥 ChatGPT 탭 여러 개 열어놓고 질문하는 방식으로 시작했다. 그런데 프로젝트

카카오톡 기술 얘기하다 보면 한 번쯤 나오는 단어가 있다. LOCO.이름만 보면 기관차 같은데, 실제로는 카카오톡의 실시간 메시징 동작을 이해할 때 자주 언급되는 내부 통신 계층 관련 키워드다.이 글에서는 아래를 중심으로 정리한다.LOCO가 정확히 무엇으로 알려져 있는

A2A(Agent2Agent)는 이름 그대로 에이전트와 에이전트가 상호작용할 수 있게 만드는 구조적 접근이다.핵심은 단순하다.https://codelabs.developers.google.com/intro-a2a-purchasing-concierge?hl=ko

Apify를 한 문장으로 정리하면 이렇다.크롤링 코드를 “운영 가능한 작업 단위”로 바꿔주는 플랫폼크롤링을 처음 할 때는 보통 로컬에서 Python/Node 스크립트를 만든다. 처음 며칠은 잘 돌아간다. 그런데 주기 실행, 실패 복구, 로그 확인, 결과 저장, 팀 공유

이번 글에서 말하는 Arrow 1.0은 Kotlin 라이브러리 Arrow가 아니라,The Rundown AI에 소개된 QuiverAI의 SVG 생성 모델(Arrow 1.0) 맥락이다.핵심만 먼저 정리하면:Arrow 1.0은 디자인 카테고리 도구로 소개됨SVG 생성이 강

NotificationListener가 알림 수신SessionManager가 방 세션 캐싱BotManager가 JS 스크립트 관리SessionReplier가 실제 회신 전송이 글은 이 4개를 역할, 동작 순서, 실패 지점, 개선 포인트 기준으로 자세히 설명한다.카톡봇

데이터 팀이나 로그저장할때 가장 자주 나오는 질문 중 하나: > “우리 분석 엔진 뭐 써야 해?” 그리고 가장 자주 나오는 답: > “그건 케바케…” 맞는 말이긴 한데, 너무 무책임하다. 이 글에서는 케바케를 줄이기 위해 선택 기준을 구조화해서 정리한다. 핵심

Kimi AI(Moonshot AI)와 그 에이전트 버전 KimiClaw는 바이럴 마케팅으로 급부상했지만, 실제로는 과대평가된 거품 성격이 강합니다. 중국산 저비용 모델의 쇼크로 포장된 현상은 지속 가능성이 낮습니다.데모 최적화, 실전 실패Kimi K2 시리즈는 벤치마

이거 나는 3만원에 5장샀다 이게 써보니까 너무 사용량이 많이 남는다 그래서 나는 최대한 굴릴방법을 찾기로 했다.

LLM의 그럴듯함에 속지 마라 잘 쓰는 문장과 맞는 답은 전혀 다른 문제다 LLM을 오래 쓰다 보면 이상한 순간이 온다. 틀린 답을 봤는데도, 처음 읽을 때는 맞는 말처럼 느껴지는 순간이다. 문장은 매끈하고, 구조는 논리적이고, 말투는 차분하다. 그래서 사람은 자꾸

모바일 자동화가 팀에서 오래 못 가는 이유는 대개 비슷하다.도구가 나빠서가 아니라, 자동화를 “화면 클릭 모음”으로 만들기 때문이다.버튼 하나 누르고, 입력창 하나 누르고, 다음 화면 가고, 또 누르고.처음엔 돌아간다. 그런데 화면 문구가 바뀌고, 로딩이 조금 느려지고

Playwright를 처음 보면 보통 “E2E 테스트 도구”로 들어온다. 그런데 조금만 더 써보면 느낌이 바뀐다. 이건 단순히 버튼 눌러보는 테스트 러너가 아니라, 브라우저를 재현 가능한 방식으로 조작하고, 페이지에서 데이터를 읽고, 네트워크까지 같이 관찰하는 도구에

업로드중..Paperclip는 데모가 아주 잘 나오는 프로젝트다.README 첫 문장부터 “If OpenClaw is an employee, Paperclip is the company”라고 말하고, 제품 정의 문서에서도 자신을 “autonomous AI compani

처음 openai/symphony를 보면 또 하나의 에이전트 프레임워크처럼 보인다. 그런데 README와 SPEC을 읽어보면 성격이 꽤 다르다. OpenAI는 Symphony를 “프로젝트 일을 격리된 자율 구현 실행으로 바꾸는 시스템”으로 설명한다.데모에서는 다음과 같

업로드중..처음 openclaw/openclaw를 보면 “메신저에서 쓰는 개인 AI 비서”처럼 보인다. README도 그렇게 말한다. OpenClaw는 내 기기에서 직접 돌리는 personal AI assistant이고, 사용자가 이미 쓰고 있는 채널들—WhatsApp

처음 PostHog를 보면 보통 “오픈소스 제품 분석 툴” 정도로 이해하기 쉽다.하지만 지금의 PostHog는 그보다 훨씬 넓다.공식 문서 기준 PostHog는 다음 기능들을 하나의 플랫폼 안에 묶는다.Product AnalyticsWeb AnalyticsSession

나는 여러 기술과 제품을 분석해오면서 자연스럽게 한 가지 질문에 오래 머물게 됐다.이 기술로 무엇을 할 수 있는가.물론 중요한 질문이다.하지만 지금의 나는 그 질문보다,무엇이 이 기술을 만들었는가를 더 오래 본다.왜 이런 도구가 나왔는지,왜 이런 인터페이스가 필요해졌는

이번 주 GeekNews만 봐도 흐름이 선명하다.gogcli, gws, mogcli 같은 도구가 한꺼번에 보였고, 공통점도 분명했다.전부 “사람도 쓰지만 AI 에이전트가 쓰기 좋게 만든 CLI”라는 점이다.예를 들어gws → humans and AI agents를 위

agent-safehouse.dev를 처음 보면 반응이 두 가지로 갈린다.“오 이거 괜찮은데?”“굳이? 가상화도 없고 그냥 정책 레이어 아닌가?”사실 두 반응 모두 틀리지 않다.공식 문서를 보면 Safehouse는 스스로를 VM 대체제라고 주장하지 않는다.오히려 이렇게

처음 이 소식을 들으면 보통 이렇게 받아들인다.“아, 이제 Xcode에도 Claude가 들어왔구나.”틀린 말은 아니다. 하지만 이걸 단순히 IDE 안에 채팅창 하나 더 붙은 일로 보면 핵심을 놓치게 된다.Apple은 Xcode 26.3에서 agentic coding을

karpathy/autoresearch는 그냥 AI 에이전트가 AI를 학습하고 강화하는 거야? 처음 karpathy/autoresearch를 보면 약간 SF 같다. README도 일부러 그런 톤으로 시작한다. 하지만 실제로는 “AI가 스스로 초지능이 되어 자기 자신을

예전에는 AI를 무서워한다는 말이 조금 추상적이었다.모델이 더 좋아진다,코드를 더 잘 짠다,글을 더 그럴듯하게 쓴다,사람처럼 말한다.이런 건 분명 놀랍지만, 어딘가 아직은 “도구의 발전”처럼 느껴졌다.그러니까 무서움도 막연했다.대단하긴 한데, 아직은 내가 쓰는 무언가

개발하다 보면 가장 무서운 사고 중 하나가 비밀값(secret) 유출이다.API 키, 클라우드 토큰, DB 비밀번호, 개인키 같은 값이 코드나 커밋 히스토리에 한 번 들어가면, 나중에 지워도 이미 외부에 복제됐을 수 있다.Gitleaks와 TruffleHog는 바로 이

업로드중..처음 getomnico/omni를 보면 “사내용 ChatGPT 같은 서비스인가?”라고 생각하기 쉽다.하지만 README와 문서를 자세히 보면 Omni의 핵심은 단순한 챗 UI가 아니다.Omni는 스스로를 다음처럼 정의한다.Workplace AI Assista

D4Vinci/Scrapling을 처음 보면 보통 “또 하나의 웹 스크래핑 라이브러리인가?” 싶다.하지만 README와 문서를 조금만 더 보면 방향이 꽤 다르다.Scrapling은 스스로를 다음처럼 설명한다.단일 요청부터 대규모 크롤링까지 처리하는 adaptive we

문학적 프로그래밍(Literate Programming)은 이름만 들으면 조금 거창하게 들리지만, 핵심은 의외로 단순하다.컴퓨터에게 맞는 순서로 코드를 쓰는 대신,사람에게 설명하기 좋은 순서로 프로그램을 쓰자.이 개념은 1984년 Donald Knuth가 제안했다. 그

프론트엔드에서 툴팁은 늘 사소해 보이는 문제였다.작은 박스 하나 띄우면 끝날 것 같지만, 실제 서비스에 넣으면 금방 복잡해진다.마우스에서는 잘 뜨는데 키보드 포커스에서는 안 뜨고스크린 리더에서는 두 번 읽히거나 아예 안 읽히고Esc로 닫히지 않거나포커스 흐름이 엉키고o

요즘 “웹페이지에 AI를 붙인다”는 말은 흔하다.보통은 챗봇 위젯을 넣거나 FAQ 답변을 자동화하는 정도를 떠올린다. 하지만 Alibaba의 page-agent는 방향이 조금 다르다.이 프로젝트는 단순 챗 UI가 아니라 웹페이지 안에서 직접 버튼을 누르고, 입력하고,

Cloudflare가 최근 발표한 /crawl API는 겉으로 보면 꽤 인상적인 기능이다.단일 API 호출로 웹사이트 전체를 순회하고 콘텐츠를 수집할 수 있기 때문이다.하지만 발표 이후 커뮤니티 반응을 보면 단순히 “좋은 기능이다”로 끝나지 않는다.사람들이 동시에 흥미

이거의 5배정도를 먹은것같음.처음 openai/symphony를 보면 꽤 설렌다.이슈 트래커를 읽고 작업마다 워크스페이스를 만들고 에이전트를 실행하고 코드 구현과 검증을 자동으로 수행한다README도 Symphony를 이렇게 설명한다.프로젝트 일을 격리된 자율 구

개발을 하다 보면 이런 생각이 한 번쯤 든다.진짜 끝까지 최적화하려면주석도 없애고, 파일도 전부 하나로 합치는 게 제일 빠른 거 아닐까?직관적으로는 맞는 것처럼 보인다.쓸데없는 걸 다 덜어내고, 코드도 한 덩어리로 만들면 프로그램이 더 가벼워질 것 같기 때문이다.하지만

나는 가끔 이런 생각을 한다.프로그래밍도, 소프트웨어도, 웹사이트도 결국은현실을 옮겨 적은 것에 불과한 것 아닐까.웹사이트는 가게를 닮았다.장바구니는 쇼핑 카트를 닮았고 결제 페이지는 계산대를 닮았고 리뷰는 입소문을 닮았고 프로필은 명함이나 얼굴을 닮았다 처음엔

lightpanda-io/browser를 처음 보면 꽤 눈에 들어온다.공식 README부터 Lightpanda를 헤드리스 용도로 처음부터 만든 오픈소스 브라우저라고 설명하고, JavaScript 실행, 일부 Web API 지원, 그리고 CDP를 통해 Playwright

요즘 AI 코딩 도구는 많지만, 대부분은 “코드를 더 빨리 쓰게 해주는 보조 도구”에 가깝다. 반면 CodeSpeak는 공식적으로 자신을 LLM 기반 차세대 프로그래밍 언어라고 소개한다.핵심은 자동완성의 개선이 아니라, 개발자가 직접 유지해야 하는 대상을 긴 소스코드에

데이터는 넘치는데, 정작 그 데이터를 제대로 쓰는 조직은 많지 않다. 대부분의 기업은 이미 방대한 데이터를 쌓아두고 있지만, 실제 분석은 데이터팀이나 전문 인력에 의존하는 경우가 많다. 그래서 현업이 필요한 순간에 바로 인사이트를 얻기 어렵고, 의사결정은 늘 한 박자

요즘 AI 툴 얘기하면 다들 비슷하다.“코드 좀 잘 써준다”, “자동완성 잘 된다”, “문서 요약 빨라진다”.근데 데빈은 결이 다르다.이건 옆에서 한 줄 추천해주는 보조 도구 느낌이 아니라, 일 자체를 받아서 끝까지 밀어붙이는 쪽에 가깝다.공식 소개부터 세다. Cogn

프로그래밍 언어를 공부하다 보면 꼭 한 번쯤 듣게 되는 이름이 있다. 바로 Elixir(엘릭서). 이름만 보면 무슨 판타지 게임에서 마나 채워주는 물약 같지만, 사실 엘릭서는 동시성 처리에 강하고, 장애에 잘 버티고, 서버 개발에 아주 잘 맞는 함수형 프로그래밍

Scala를 처음 배우면 언어 문법보다 먼저 마주치는 게 하나 있다.바로 sbt다.터미널에서 sbt run, sbt test, sbt compile 같은 명령을 자주 보게 되는데,처음엔 그냥 “Scala 실행기인가?” 정도로 생각하기 쉽다.그런데 실제로는 그보다 훨씬

우리는 너무 자연스럽게 이렇게 생각한다.sleep(1) → 1초 기다림근데 진짜로 누가 1초를 세고 있을까?언어? 런타임?아니면 CPU가 속으로 “하나… 둘…” 하고 있을까?결론부터 말하면:❌ 프로그래밍 언어는 “초를 세지 않는다”✅ OS + 하드웨어 타이머 + 스케줄

이번에 푼 문제는 suninatas의 Proc 8이다.로그인 페이지가 하나 주어지고, 올바른 계정 정보로 로그인하면 로그인 되는 문제이다.문제 URL:http://suninatas.com/challenge/web08/web08.asp처음에는 전형적인 브루트포스

며칠 전 퍼진 Archyde 기사의 제목은 꽤 강렬합니다. “Dog’s Cancer Cure via ChatGPT & mRNA Vaccine Offers Hope for Humans”. 제목만 보면 ChatGPT가 강아지의 암 치료제를 설계했고, 그 결과 실제로 암을

한 줄 요약Unsloth Studio는 로컬 브라우저 UI 안에서 모델 실행, 데이터셋 생성, 학습, 결과 비교, 모델 export까지 묶어주는 오픈소스 베타 도구다. 공식 문서는 이를 “no-code web UI”로 소개하며, GGUF/safetensors 실행, 5

XML은 낡았다고 생각하기 쉽다. 그런데 2026년 3월 13일 올라온 “XML is a Cheap DSL”은 꽤 다른 얘기를 한다. IRS의 Tax Withholding Estimator(TWE)와 Fact Graph 사례를 바탕으로, XML이 단순 설정 포맷을 넘어

최근 AI agent 런타임을 보면 기능은 풍부하지만, 그만큼 무겁고 복잡해진 경우가 많다. NullClaw는 이 흐름과 꽤 반대편에 서 있다. 공식 README는 이 프로젝트를 Zig로 작성된 “fully autonomous AI assistant infrastruc

“프로그래밍 언어는 왜 늘 영어여야 할까?”Han은 이 질문을 꽤 진지하게 밀어붙인 프로젝트다.최근 GeekNews에서 Han이라는 프로젝트를 봤다. Han은 모든 키워드를 한국어로 작성하는 정적 타입 프로그래밍 언어이고, Rust로 구현된 컴파일러와 인터프리터를 함께

좋은 시스템은 화려한 기능 위에 서 있는 것처럼 보이지만, 실제로는 보이지 않는 기반 위에서 버틴다.2026년 3월 2일 Meta는 Investing in Infrastructure: Meta's Renewed Commitment to jemalloc라는 글을 통해 j

어떤 제국이 있었다. 그곳의 지도 제작술은 너무 정교해져서, 도시만 한 지방 지도와 지방만 한 제국 지도를 지나 마침내 제국과 정확히 같은 크기의 지도를 만든다. 하지만 후대 사람들은 그 거대한 지도를 더 이상 유용하다고 여기지 않았고, 결국 태양과 겨울바람 속에 방치

AI 코딩이 좋아질수록 “이제 개발자는 코드를 덜 쓰고, 명세만 더 잘 쓰면 되는 것 아닌가?”라는 기대도 함께 커진다.실제로 OpenAI의 Symphony는 팀이 코딩 에이전트를 직접 붙잡고 있지 않아도, 일을 더 높은 수준에서 관리할 수 있게 해준다고 설명한다.RE

AI에게 “조건 맞으면 바로 결제해줘”라고 말하는 순간, 문제는 단순한 추천을 넘어선다.핵심은 이것이다.이 결제가 정말 사용자 의도인가?어디까지 에이전트에게 권한을 준 것인가?문제가 발생하면 책임은 누구에게 있는가?이 질문을 해결하기 위해 등장한 것이 AP2(Agent

생성형 AI는 이제 텍스트, 이미지, 코드까지 만들어낸다.하지만 실제 서비스에서는 “좋은 답변”보다 더 중요한 게 있다.\-> 사용자가 바로 행동할 수 있는 인터페이스A2UI(Agent-to-User Interface)는 이 문제를 해결하기 위해 등장한 프로토콜이다.에

요즘 에이전트 기반 서비스를 만들다 보면, 생각보다 복잡한 문제가 하나 등장한다.LLM 호출 자체보다 더 어려운 건 “에이전트가 지금 무엇을 하고 있는지”,그리고 그 과정을 사용자에게 어떻게 보여줄 것인지다.AG-UI는 바로 이 문제를 해결하려는 시도다.AG-UI는 A

음악 파일을 카라오케처럼 즐기려면 보통 보컬 분리, 가사 싱크, 재생 UI가 각각 다른 도구에 흩어져 있다.Nightingale은 이 과정을 하나로 묶은 오픈소스 데스크톱 앱이다.\-> 한마디로 정리하면“내 음악 라이브러리를 AI 노래방으로 바꿔주는 앱”Nighting

대화형 AI가 상품을 "추천"하는 단계는 이미 익숙해졌다. 이제 중요한 건 그 다음이다. 사용자가 검색과 대화를 하다가 바로 결제까지 이어질 수 있으려면, AI 플랫폼과 각 쇼핑몰이 서로 다른 방식으로 따로 붙는 구조부터 바뀌어야 한다. Google이 2026년 1월

2026년 3월 기준 visacli.sh는 Visa가 “Command Line Commerce”라는 이름으로 공개한 베타 도구다.핵심 아이디어는 단순하다.개발 중 필요한 유료 리소스를, CLI 안에서 바로 결제하고 사용한다.지금까지 개발 흐름은 이랬다.서비스 가입카드

디자인 툴은 오랫동안 닫힌 생태계에 가까웠다. 파일 포맷은 쉽게 접근하기 어렵고, 자동화는 제한적이며, 협업은 특정 서비스에 종속되는 경우가 많았다. OpenPencil은 이 구조를 정면으로 바꾸려는 시도를 하고 있는 프로젝트다.OpenPencil은 오픈소스 디자인 에

AI 코딩 도구가 좋아질수록 개발 생산성은 모델 자체보다 작업 환경에 더 크게 좌우된다.실제로 개발을 하다 보면 코드 작성보다 더 많은 시간을 쓰는 건 창 전환, 파일 이동, 명령 실행, 오류 수정 같은 반복 작업이다. 이 과정에서 발생하는 작은 불편들이 누적되면 전체

AI 에이전트를 제대로 쓰기 시작하면 바로 부딪히는 문제가 있다."외부 API를 어떻게 붙일 것인가"Gmail, Slack, GitHub, 각종 LLM API…결국 전부 인증이 필요하다.대부분 이렇게 한다.\-> 에이전트에게 그대로 넘긴다로그에 찍힘프롬프트 인젝션에 털

개발을 하다 보면 한 번쯤은 이런 말을 들어봤을 것이다."우리도 이거 직접 써보자"이걸 조금 더 멋있게(?) 표현한 말이 바로 Dogfooding(도그푸딩)이다.도그푸딩(Dogfooding)은자신이 만든 제품을 스스로 사용하는 것을 의미한다.원래 표현은“자기 개 사료를

GeekNews에 올라온 「SaaS의 미래는 Agentic」을 읽고 가장 먼저 든 생각은 이것이었다.이 글은 SaaS의 문제를 기능 부족으로 보지 않는다.이미 SaaS는 충분히 강력하다.그럼에도 불구하고 여전히 피곤한 이유는 따로 있다.사용자가 직접 UI를 돌아다녀야

요즘 개발 환경을 보면 한 가지 질문이 자연스럽게 떠오른다.굳이 C나 C++을 배워야 할까?Python, JavaScript, Go, Rust처럼 더 안전하고 생산적인 언어들이 넘쳐나는 시대다.메모리 관리도 자동이고, 개발 속도도 훨씬 빠르다.그렇다면 왜 여전히 많은

컨테이너를 쓰기 시작하면 로그가 금방 불편해진다. 처음에는 docker logs -f 한 줄이면 끝난다. 그런데 컨테이너가 늘어나고, 서비스가 나뉘고, 장애가 여러 곳에서 동시에 터지기 시작하면 터미널 몇 개를 번갈아 보는 방식은 바로 한계를 드러낸다. 최근 GeekN

LiteLLM 공급망 공격 소식을 처음 보면, "파이썬 패키지 하나가 뚫렸구나" 정도로 읽히기 쉽다. 그런데 이번 사건은 그보다 훨씬 크다. LiteLLM은 여러 LLM 공급자를 하나의 OpenAI 스타일 인터페이스로 묶어주는 오픈소스 라이브러리이자 AI Gateway

emulate는 처음 보면 단순한 API 모킹 도구처럼 보인다. 하지만 저장소와 공식 문서를 읽어보면 이 프로젝트가 겨냥하는 지점은 조금 다르다. emulate는 Vercel Labs가 만든 로컬 API 에뮬레이터로, CI 환경이나 네트워크가 차단된 샌드박스에서 Ver

터미널은 여전히 개발자의 가장 강력한 작업 공간이지만, 아이러니하게도 가장 자주 부딪히는 문제는 복잡한 로직이 아니라 “가끔 쓰는 명령어가 생각나지 않는다”는 데 있다. GeekNews에 소개된 pls는 바로 이 지점을 겨냥한 도구다. 작성자는 포트를 점유한 프로세스를

앱에서 링크를 눌렀을 때 사용자는 보통 두 가지로 느낀다.하나는 크롬이나 사파리 같은 브라우저가 따로 뜨는 경우, 다른 하나는 앱 안에서 바로 웹 페이지가 열리는 경우다.그런데 개발 관점에서는 이걸 보통 세 가지로 나눈다.외부 브라우저로 열기앱 내 브라우저 탭으로 열기

이번 글에서는 1번과 24번을 간단하게 정리해본다.정답 값 자체는 적지 않고, 왜 그런 방식으로 풀리는지만 남겨두려고 한다.학습용 풀이입니다.처음 화면만 보면 level : 1 같은 문구만 보여서 별 단서가 없어 보인다.그런데 view-source를 확인해보면 핵심 조

LLM에게 답변만 맡기는 시대는 이미 지나가고 있다. 이제는 카드, 차트, 폼, 테이블 같은 UI 자체를 모델이 구성하게 만들려는 시도가 많다. 문제는 여기서부터다. 보통 JSON이나 JSON Patch 계열 포맷으로 구조를 넘기게 되는데, 길고 장황해지고 스트리밍 중

코딩 에이전트를 써보면 금방 드는 생각이 있다. 이제 문제는 “모델이 뭘 할 수 있느냐”보다 “그 능력을 얼마나 일관되게 끌어내느냐”에 더 가깝다는 점이다. harness가 눈에 띄는 이유도 바로 여기에 있다. 이 프로젝트는 또 하나의 에이전트를 추가하는 도구가 아니라

AI 코딩 도구를 떠올리면 보통 이런 그림이 먼저 나온다.내 PC에 설치한다터미널이나 IDE에서 실행한다책상 앞에 앉아서 작업한다그런데 cokacdir는 이 익숙한 흐름을 조금 다른 방향으로 밀어붙인다.이 도구를 한 줄로 설명하면 이렇다.텔레그램 채팅을 그대로 AI 코

https://www.google.com/search?q=jetbrains+polars&oq=jetbrains+polars&gs_lcrp=EgZjaHJvbWUyBggAEEUYOTIGCAEQRRg5MgYIAhBFGDzSAQg4MDY2ajBqMagCALACAA&s

바탕화면에 애니메이션 캐릭터를 띄우고 싶었다. 흔히 "데스크탑 마스코트"라고 부르는 것.macOS용 앱을 찾아봤다. 선택지가 몇 가지 있었다.Wallpaper Engine (Steam, $3.99) — Windows 최강자. macOS 버전은 없음Lively Wallp

3월 31일, Anthropic는 Claude Code 2.1.88 배포 과정에서 내부 TypeScript 코드가 들어 있는 소스맵 파일을 함께 공개해 버렸다. 이후 공개 보도를 통해 이 파일이 50만 줄이 넘는 Claude Code 내부 구현을 사실상 복원 가능한 수

맥에서 ollama run을 자주 쓰는 사람이라면 이번 변화는 꽤 크게 느껴질 만하다. Ollama는 2026년 3월 30일, Apple Silicon에서 MLX 기반 실행 경로를 preview로 공개했고, GitHub 최신 릴리즈 v0.19.0도 Apple Silic

Claude Code 유출을 보고 제일 먼저 든 생각은 “와, 미래다”가 아니라 “아, 결국 이런 식으로 굴리는구나”였다. Anthropic은 이번 일을 릴리스 패키징 실수로 인한 소스 유출이라고 설명했고, 외부로 나온 건 Claude Code 제품 코드였지 고객 데이

모바일 앱에서 라우팅은 단순히 “화면을 바꾸는 기능”이 아니다.사용자가 앱 안에서 어디로 이동하고, 어떤 흐름으로 작업을 이어가며, 외부 링크를 통해 어떤 화면으로 진입하는지까지 포함하는 전체 구조에 가깝다.React Native에서 이 구조를 어떻게 잡느냐에 따라 코

요즘 AI 코딩 도구를 보면 대부분 “얼마나 잘 코드를 짜느냐”에 초점이 맞춰져 있다. 그런데 gstack은 방향이 조금 다르다. 이 프로젝트는 새 모델도 아니고 새 IDE도 아니다. Garry Tan이 공개한 오픈소스 워크플로 패키지로, README는 이를 “Clau

최근 Claude Code를 둘러싼 화제는 거의 전부 소스코드 유출에 쏠려 있다. 실제로 Anthropic은 Claude Code 2.1.88 릴리스에 내부 소스맵과 디버그 파일이 잘못 포함되면서 50만 줄이 넘는 내부 코드가 외부에 노출됐다고 인정했고, 이를 해킹이

도구를 제대로 이해하는 가장 빠른 방법은 기능표를 읽는 게 아니라, 그 도구를 만든 사람이 자기 도구를 어떻게 쓰는지 보는 것이다. 2026년 1월 2일, Claude Code를 만들었다고 밝힌 Boris Cherny는 X 스레드에서 자신의 개인 설정을 공개했다. 흥미

먼저 전제를 조금 바로잡아야 한다. 코틀린이 자바를 전체 JVM 시장에서 완전히 넘어섰다고 말하긴 어렵다. 2025년 RedMonk 순위에서 Java는 3위이고 Kotlin과 Scala는 둘 다 14위권에 묶여 있다. Stack Overflow 2025 설문에서도 프로

요즘 바이브 코딩으로 UI를 만들다 보면 금방 부딪히는 문제가 있다.기능은 빠르게 나오는데, 화면마다 톤이 달라지고 버튼 모양, 여백, 색감이 계속 흔들린다. 결국 “코드는 AI가 짜주는데 디자인 일관성은 누가 책임지지?”라는 질문이 남는다.VoltAgent/aweso

최근 ChatGPT 관련해서 이상한 사건이 하나 있었습니다.사용자가 코딩 성능 이야기를 하면 “성능 고블린” 같은 표현이 나오고, 사진 스타일을 추천할 때는 “dirty neon flash goblin mode” 같은 말이 튀어나왔습니다.문제는 사용자가 고블린을 물어본

멀티모달 AI를 보면 종종 이상한 장면을 마주한다.이미지 안에 무엇이 있는지는 꽤 잘 설명한다.사람, 버튼, 표, 화살표, 지도, 미로 같은 요소를 보고 말로 풀어내는 능력은 빠르게 좋아졌다.그런데 막상 “그중 정확히 어느 것인가”를 계속 추적하게 만들면 성능이 흔들린

Transformer를 공부하다 보면 결국 한 번은 Attention의 비용 문제를 만나게 된다.Transformer의 강점은 문장 안의 토큰들이 서로를 직접 바라볼 수 있다는 점이다.하지만 이 구조는 시퀀스가 길어질수록 비용이 급격히 커진다.일반적인 self-atte

DeepSeek V4 논문을 읽고 나서 가장 먼저 든 생각은 이거였다."이 논문은 단순히 더 똑똑한 모델을 만들었다는 이야기가 아니다.긴 문맥을 진짜 제품 수준으로 쓰기 위해 비용 구조를 다시 설계한 논문에 가깝다."요즘 LLM 경쟁은 단순히 벤치마크 점수를 올리는 방

긴 컨텍스트 LLM의 병목을 정면으로 건드린 SubQ 이야기요즘 LLM을 실제 서비스에 붙이다 보면 자주 마주치는 문제가 있다.모델이 똑똑한 것과 별개로, 넣을 수 있는 정보의 양에는 한계가 있다. 코드베이스 전체, 수개월치 PR 기록, 긴 계약서 묶음, 연구 논문 수

요즘 AI 업계에서 꽤 흥미로운 단어가 나오고 있다.Tokenmaxxing처음 보면 프롬프트 엔지니어링 용어처럼 보인다.“토큰을 최대한 아껴 쓰는 기술인가?”라고 생각할 수도 있다.하지만 실제 의미는 조금 다르다.Tokenmaxxing은 쉽게 말해 AI 토큰을 많이 쓰

요즘 AI를 이야기할 때 거의 빠지지 않는 단어가 있다.TransformerChatGPT, BERT, GPT 계열 모델, 번역 모델, 요약 모델, 이미지 생성 모델까지.현대 AI의 많은 흐름은 Transformer 위에서 움직인다.그리고 그 Transformer를 세상

Google이 Gemma 4 모델군에 Multi-Token Prediction, 줄여서 MTP drafter를 공개했다.제목만 보면 단순한 성능 개선처럼 보인다.Gemma 4가 미래 토큰을 예측해서 최대 3배 빨라졌다그런데 이건 모델이 갑자기 더 똑똑해졌다는 이야기라기

최근 Anthropic이 Claude에 적용한 infinite-length conversations가 꽤 흥미로운 주제로 떠올랐다.국내에서는 이것을 “무한 컨텍스트 윈도우”라고 부르는 경우가 많다.말만 들으면 Claude가 이제 무제한으로 모든 대화를 기억하고, 아무리

AI를 이해할 때 같이 보면 좋은 개념이 하나 있다. 바로 Agent Swarm이다.Agent Swarm은 말 그대로 하나의 AI 에이전트가 모든 일을 혼자 처리하는 대신, 여러 개의 하위 에이전트가 역할을 나눠 동시에 작업하는 구조를 말한다. 어떤 에이전트는 검색을

LLM을 쓰다 보면 가장 불안한 순간이 있다.모델이 모르는 내용을 모른다고 말하지 않고, 그럴듯한 문장으로 틀린 답을 만들어내는 순간이다. 우리는 이것을 보통 환각 hallucination이라고 부른다.지금까지 환각 문제는 주로 데이터, 학습 목표, RLHF, RAG,

AI 도구를 쓰다 보면 한 가지 한계를 자주 느낀다.하나의 AI에게 모든 일을 맡기면 편하긴 하지만, 작업이 복잡해질수록 결과가 애매해진다.리서치도 해야 하고, 문서도 만들어야 하고, 발표자료도 만들어야 하고, 데이터 분석도 해야 하고, 이미지나 영상까지 필요하다면 하