에이전트의 성장은 스킬 수가 아니라 학습 파이프라인에서 결정된다
에이전트 경험을 실행 기록, 지식, 실행 스킬로 분리하고 검증된 변화만 다시 운영에 반영하는 방법을 설명한다.
블로그
AI와 도구, 그리고 웹을 만드는 이야기를 적어요.
무료 결과는 공유되고, 더 깊은 질문은 결제된다
AI 유틸에서 무료 자기표현과 유료 관계·비교 질문을 분리해 공유와 수익화를 함께 검증하는 방법을 다룬다.
에이전트의 성능은 모델이 아니라 업무 환경과 verifier에서 결정된다
AI 에이전트의 품질을 모델 답변이 아니라 업무 환경, 권한, 완료 조건, 검증 규칙으로 평가하는 방법을 정리한다.
Text-to-SQL의 다음 단계는 모델이 아니라 스키마 그래프다
Text-to-SQL 품질을 높이는 핵심은 더 큰 모델보다 질문에 필요한 스키마 관계만 골라 컨텍스트로 컴파일하는 데 있다.
바이브코딩의 다음 단계는 코드 생성이 아니라 퍼징이다
AI가 코드를 쓰는 시대, 개발자의 경쟁력은 더 많은 코드를 생성하는 것이 아니라 예상 밖 입력으로 결과를 검증하는 데서 나온다.
AI 코딩 에이전트의 세션은 왜 재사용 가능한 작업 자산이어야 하는가
AI 코딩 세션을 검색 기록이 아니라 다음 작업을 바로 시작할 수 있는 검증 가능한 작업 자산으로 바꾸는 방법을 정리한다.
AI 시대, 모든 전문직은 어떻게 엔지니어처럼 일하게 되는가
Engineerification은 코딩 교육이 아니라 전문직의 일을 저장소·명세·테스트·피드백 루프로 바꾸는 업무 구조의 변화다.
AI 에이전트는 왜 요청이 없을 때부터 어려워지는가
지속형 에이전시의 핵심은 계속 생각하는 능력이 아니라 상태·비용·중단을 설계하는 일이다.
AI 시대, 문서의 진짜 문제는 중복이 아니라 최신성이다
AI가 문서를 빠르게 만들수록 필요한 것은 또 하나의 검색창이 아니라 문서의 관계와 최신성을 판정하는 실행 표면이다.
AI 제품의 진짜 해자는 모델이 아니라 업무 환경과 평가셋이다
오픈 모델이 빠르게 교체되는 시대, AI 제품이 쌓아야 할 업무 환경·중간 표현·평가셋의 설계 원칙을 정리한다.
로컬 LLM은 모델 선택이 아니라 실행 환경 설계 문제다
24GB GPU라는 현실 제약에서 로컬 LLM의 비용, 프라이버시, 성능, 검증을 함께 설계하는 법을 정리한다.
AI가 쓴 글을 무시하는 시대, 신뢰는 문체가 아니라 편집 증거로 만든다
AI 글의 신뢰는 사람이 쓴 것처럼 보이는 문체보다 목적, 근거, 불확실성, 편집 과정을 확인할 수 있는 구조에서 만들어진다.
무료 AI 도구를 찾는 문제는 목록이 아니라 무료 조건 검증이다
AI 도구의 ‘무료’를 체험판·크레딧·월간 한도·로컬 실행으로 나누면, 탐색 서비스의 핵심은 목록이 아니라 검증 가능한 조건이 된다.
AI 번역의 진짜 난제는 문장이 아니라 레이아웃이다
문서 번역에서 중요한 것은 문장 변환을 넘어 표·수식·페이지 구조를 보존하는 결과물이다.
AI 시대, 가장 강한 팀은 48시간 안에 작은 목욕탕을 여는 팀이다
AI 코딩 시대의 차별화는 거대한 플랫폼보다 작은 문제를 빠르게 해결하고 실제 신호로 다음 버전을 만드는 루프에서 나온다.
AI 코딩 시대, 가장 먼저 만들어야 할 것은 테스트 환경이다
AI가 코드를 빨리 쓰는 시대일수록 운영 데이터를 건드리지 않고 버그를 재현하는 실행 환경이 제품의 일부가 된다.
AI 코딩 시대, 제품 판단은 왜 새로운 개발자의 일이 되는가
코드 생성 비용이 내려간 뒤에는 무엇을 만들지, 누구를 위해 만들지, 어떻게 검증할지 결정하는 능력이 제품 성패를 가른다.
AI 에이전트는 왜 항상 가장 강한 모델을 써서는 안 되는가
작업 모델과 advisor 모델을 분리하면 품질·비용·되돌리기 어려운 결정을 함께 설계할 수 있다.
프라이빗 AI는 왜 보안 정책이 아니라 실행 경계가 되어야 하는가
동형암호와 프라이빗 컴퓨팅이 AI 서비스의 신뢰 모델을 어떻게 바꾸는지, 작은 제품에 적용할 수 있는 실행 경계를 정리한다.
AI 에이전트의 성능은 모델 크기보다 실행 환경에서 만들어진다
post-training과 현실적인 작업 환경이 AI 에이전트의 실제 성능을 어떻게 바꾸는지 살펴보고, 작은 AI 기능을 과업 단위로 평가하는 방법을 정리한다.
AI 에이전트 코드 리뷰는 왜 더 빠른 결정이 더 나은 리뷰를 뜻하지 않는가
에이전틱 코드 리뷰의 속도와 품질을 분리하고, 변경 위험에 맞는 검증 표면을 설계하는 방법을 정리한다.
AI 에이전트의 실력은 고정된 스킬보다 학습하는 하네스에서 갈린다
장기 실행 에이전트는 프롬프트를 잘 쓰는 것만으로 성장하지 않는다. 실패를 기록하고 실행 구조를 갱신하는 작은 자기개선 루프가 필요하다.
MCP 서버의 진짜 역할은 API 연결이 아니라 실행 경계다
에이전트가 운영 판단을 수행하려면 MCP는 API를 노출하는 데서 멈추지 않고 상태·정책·권한·완료 증거를 설계해야 한다.
AI 제품은 설치가 아니라 첫 과업에서 활성화된다
AI 제품의 진짜 온보딩은 설치 완료가 아니라 사용자가 첫 유용한 결과를 만드는 순간부터 시작된다.
AI 에이전트 시대, 테스트는 전부가 아니라 위험 레인에 투자해야 한다
AI 에이전트가 코드를 빠르게 바꾸는 시대에 모든 변경을 같은 깊이로 테스트하지 않고, 실패 비용과 변경 빈도에 따라 검증 예산을 배분하는 방법을 정리한다.
AI 자동화의 완료는 왜 API 응답이 아니라 실제 결과인가
AI 자동화에서 접수 응답과 실제 외부 결과를 구분하고, 상태 추적과 검증 증거를 제품의 기본 단위로 설계하는 방법을 정리한다.
AI 에이전트의 마지막 보안 경계는 왜 인간 승인이 아닌가
AI 에이전트의 명령을 사람이 승인해도 위협은 새어 나간다. 최신 검증기 사례와 연구 신호를 바탕으로 승인보다 강한 검증 스택을 설계하는 방법을 정리한다.
작은 모델이 비싼 모델을 이기는 조건은 검색 루프다
4B 오픈 모델이 더 비싼 모델과 검색 성능을 겨룬 사례를 통해, AI 제품의 비용을 낮추는 핵심이 모델 선택이 아니라 반복 검색과 검증 루프 설계에 있음을 살펴본다.
AI-native 조직은 왜 Skill보다 Eval에서 시작하는가
AI에게 업무를 맡기는 조직은 Skill을 늘리기 전에 결과를 판정하고 개선하는 Eval 루프부터 설계해야 한다.
AI 시대, 구현보다 검증이 비싸진다
AI가 코드를 만드는 비용은 내려갔지만, 그것이 실제로 존재하고 작동하는지 증명하는 비용은 올라갔다. 가짜 취약점과 에이전트 하네스 사례로 검증 중심의 제품 설계를 살펴본다.
AI 에이전트 보안은 왜 차단보다 사건 리플레이로 검증해야 하는가
에이전트의 도구 호출과 침해 경로를 다시 재생하는 실행 증거가 보안과 품질을 어떻게 바꾸는지 정리한다.
AI 에이전트는 왜 샌드박스보다 신원을 먼저 설계해야 하는가
에이전트가 샌드박스를 벗어나도 피해가 확산되지 않게 만드는 identity-first 실행 경계의 기본 원칙을 정리한다.
AI 코딩 에이전트 시대, 코드 리뷰는 위험 레인으로 재설계해야 한다
AI가 코드를 빠르게 만드는 시대에 코드 리뷰를 없애거나 전수 유지하는 대신, 변경 위험도와 시스템 맥락에 따라 검증 비용을 배분하는 방법을 정리한다.
AI 에이전트는 왜 모델보다 effort 설계로 갈리는가
같은 모델을 써도 하네스, 검증 깊이, context loading, loop 설계에 따라 체감 품질이 완전히 달라진다.
AI 에이전트는 탐색에 쓰고, 반복은 코드로 고정해야 한다
에이전트는 불확실한 일을 맡길수록 강해진다. 반대로 반복 작업을 계속 LLM에 맡기면 비용과 오류가 같이 커진다.
AI 에이전트는 왜 중복 실행을 먼저 잡아야 하는가
중복 실행은 느린 에이전트를 만드는 작은 버그가 아니라, 비용·신뢰·디버깅 시간을 같이 갉아먹는 운영 문제다. idempotency, completion state, replay 가능한 로그로 잡는 방법.
AI 에이전트는 왜 모델보다 effort를 먼저 봐야 하는가
같은 모델이라도 effort 설정과 검증 예산이 다르면 결과가 달라진다. 에이전트 운영의 핵심은 더 똑똑한 모델이 아니라 더 적절한 작업 예산이다.
AI 코딩 에이전트는 왜 실행 증거를 먼저 남겨야 하는가
좋은 에이전트는 답을 잘하는 것보다 무엇을 실행했고 무엇을 검증했는지 남긴다. source of truth, log, replay, local-first 흐름이 제품 신뢰를 만든다.
실제 돈을 다루는 AI 에이전트는 왜 운영 로그를 공개해야 하는가
실전 에이전트는 결과보다 운영 증거로 신뢰를 만든다. 분업된 agent team, replay 가능한 log, source of truth, proof-of-work가 왜 기본 문법이 되는지 정리한다.
설명 순서가 제품의 첫 온보딩이 되는 이유
복잡한 AI 제품은 기능보다 먼저 보여줄 층, 경계, 종료 조건을 정해야 신뢰가 생긴다. Claude Code, browser-local SQL→ERD, loop engineering은 같은 온보딩 원리를 만든다.
AI 제품은 왜 검증 순서를 먼저 보여줘야 하는가
Claude Code의 8개 레이어, 브라우저 안에서 끝나는 SQL→ERD, loop engineering은 모두 사용자가 '어디서 확인하고 언제 끝나는지'를 먼저 알게 할 때 더 강해진다.
아키텍처 다이어그램은 왜 첫 신뢰 문장이 되는가
AI 제품은 기능을 나열하기 전에 어디서 돌고, 어디서 멈추고, 무엇이 남는지 보여줘야 한다. 레이어 설명, 업로드 없음, 종료 조건은 같은 신뢰 문법이다.
브라우저 안에서 끝나는 도구가 더 빨리 신뢰를 얻는 이유
민감한 입력을 다루는 AI 유틸은 기능보다 먼저 경계를 보여줘야 한다. 브라우저 내부 처리, 레이어 분리, 검증 가능한 종료 조건이 같이 있어야 사용자가 안심하고 시작한다.
AI 코딩 에이전트의 스킬은 왜 점진적으로 공개되어야 하는가
스킬, 훅, 프롬프트, 서브에이전트, MCP를 한 번에 다 보여주기보다, 사용자가 지금 필요한 층만 먼저 보게 해야 컨텍스트와 신뢰를 함께 지킬 수 있다.
AI 제품은 왜 신뢰 표면을 먼저 보여줘야 하는가
복잡한 AI 제품은 기능표보다 실행 경계, 검증 조건, export 가능한 결과물을 먼저 보여줄 때 더 빨리 이해되고 더 빨리 팔린다.
Claude Code architecture를 8개 레이어로 설명해야 하는 이유
복잡한 AI 코딩 에이전트는 모델보다 레이어와 종료 조건으로 팔린다. Claude Code, local-first SQL→ERD, loop engineering이 같은 구조를 보여준다.
업로드하지 않는 도구가 먼저 팔리는 이유
SQL→ERD, Claude Code 구조 설명, 루프 엔지니어링이 공통으로 보여주는 것은 기능보다 경계와 종료 조건이 먼저라는 점이다.
AI 루프는 자동화가 아니라 종료 조건 설계다
루프는 오래 도는 게 아니라, 언제 끝나야 하는지가 분명해야 제품이 된다. Claude Code architecture, no-upload SQL→ERD, loop engineering을 하나의 종료 계약으로 묶는다.
AI 코딩 에이전트의 해자는 모델이 아니라 레이어 오케스트레이션이다
Claude Code architecture의 8개 레이어, 브라우저 local-first 유틸, loop engineering은 같은 말을 한다. 좋은 AI 제품은 모델 성능보다 레이어 책임 분리와 검증 루프로 설계해야 한다.
AI 제품은 왜 레이어로 설명해야 하는가
복잡한 AI 제품은 기능 목록보다 레이어 구조로 설명할 때 이해와 전환이 빨라진다. Claude Code architecture와 loop 엔지니어링, local-first 유틸 사례로 정리한다.
SQL을 붙여넣으면 ER 다이어그램이 나오는 이유
사용자는 스키마를 업로드하고 싶어하지 않는다. 브라우저 안에서 즉시 보고, 드래그하고, 내보내는 흐름이 왜 제품의 신뢰와 전환을 동시에 올리는지 살펴본다.
MCP 한 줄이 SaaS 등록 폼을 대체하는 순간
서비스 등록은 더 이상 폼을 채우는 일이 아니라, AI에게 말해 연결하는 일이 된다. MCP와 connector-first 흐름이 글로벌 유틸의 유통 마찰을 어떻게 줄이는지 살펴본다.
첫 화면은 최소 결정셋이어야 한다
좋은 제품은 첫 진입에서 모든 옵션을 펼치지 않는다. progressive disclosure와 default effects를 묶어, 첫 화면은 최소 결정셋이고 기본값은 행동 설계라는 관점으로 정리한다.
Drive 폴링으로는 에이전트 협업이 안 된다
Google Drive는 협업 문서와 스냅샷 저장소로는 좋지만, 에이전트의 실시간 턴을 굴리는 버스가 되기에는 느리다. PostgreSQL 메일박스, LISTEN/NOTIFY, SSE/WebSocket으로 실행 레이어를 분리해야 한다.
AI 시대에는 의미가 보이는 프로젝트가 더 중요하다
AI가 코드를 싸게 만들어도 데이터 모델과 책임 범위가 보이지 않으면 프로젝트는 유지되지 않는다. 의미가 보이는 구조를 설계하는 법을 정리한다.
대시보드 하나로 카드·영상·리포트를 매일 만드는 팀의 구조
계속 바뀌는 데이터를 소셜 카드, 영상, 리포트, 공유 링크로 자동 변환하는 파이프라인과 사람 승인 지점을 설계한다.
Figma의 다음 전장은 디자인이 아니라 실행이다
캔버스, 코드, 모션, 에이전트 워크플로가 연결되며 디자인 도구의 경쟁은 결과를 실제로 실행하는 능력으로 이동하고 있다.
토큰 사용량은 늘었는데 성과가 그대로라면 봐야 할 것
호출 수와 자동화 건수는 성과가 아니다. 시간 절약, 오류 감소, 전환, 완료율로 AI KPI를 다시 설계하는 방법.
AI 에이전트에게 자유를 더 줄수록 사고가 커지는 이유
자율성은 능력치가 아니라 작업별 정책이다. 짧은 검토 루프, unknowns-first, 승인 게이트로 회복 가능한 자동화를 설계한다.
AI 스타트업의 해자는 코드가 아니라 고객 옆에서 생긴다
FDE, 24시간 커뮤니티 운영, 증거 기반 세일즈가 보여주는 현장형 AI 운영. 제품을 고객 워크플로에 붙여 학습시키는 법.
AI가 내린 답보다 ‘버린 답’을 봐야 하는 이유
메시지를 고친 순간 사라진 대화에는 중요한 판단 근거가 남아 있다. branch, replay, provenance를 AI 제품 UX로 만드는 법.
AI 결과를 믿게 만드는 건 ‘다시 돌릴 수 있음’이다
최종 답보다 입력, 실행 조건, 분기, 출처, replay가 신뢰를 만든다. 결과 페이지를 재현 가능한 작업 환경으로 바꾸는 법.
AI 유틸 50개를 만들려면 플랫폼부터 만들면 안 된다
미니앱을 빠르게 반복 출시하는 팀은 거대한 플랫폼보다 얇은 에이전트 키트, 공통 계약, 검증 루프를 먼저 만든다.
토큰 비용을 줄였는데 AI 제품이 더 나빠진 이유
토큰을 적게 쓰는 것보다 검증 가능한 결과에 정확히 쓰는 것이 중요하다. 비용 예산을 검증 예산으로 바꾸는 실전 프레임.
AI를 팀원처럼 쓰고 싶다면 채팅창부터 버려야 한다
팀원형 AI에는 대화창보다 작업 보드, 상태, 권한, 검증 기준이 필요하다. 챗봇을 운영 가능한 작업자로 바꾸는 제품 구조.
에이전트의 ‘완료했습니다’를 믿으면 안 되는 이유
답변 종료와 작업 완료는 다르다. 멈춤 조건, verifier, context budget으로 AI가 실제로 일을 끝내게 만드는 루프 설계.
RAG가 검색 전에 실패하는 이유: PDF·표·권한을 누가 라우팅하는가
벡터DB보다 먼저 문서 파싱, 아키텍처, 비용, 검증 경로를 결정해야 한다. Standard·Graph·Agentic RAG를 고르는 실전 기준.
같은 모델인데 왜 어떤 에이전트는 끝까지 일하고, 어떤 에이전트는 멈출까
도구·권한·메모리·검증·비용 제한을 묶는 하네스가 같은 모델의 성능을 어떻게 운영 품질로 바꾸는지 살펴본다.
Slack은 왜 테스트 한 번에 $15–30를 쓰면서도 에이전트를 붙였을까
200개가 넘는 Slack 실험이 보여준 agentic testing의 역할과 비용. 클릭 경로가 아니라 사용자 목표를 검증해야 할 때를 구분한다.
모든 작업에 최고 모델을 쓰면 AI 운영이 망가진다
쉬운 일은 싸게, 위험한 일은 강하게, 애매한 일은 검증 가능하게. 모델 랭킹 대신 작업별 라우팅을 설계하는 법.
폴더 구조 하나가 AI 에이전트의 품질을 바꾸는 이유
context, inputs, workflow, outputs, review를 나누면 프롬프트는 짧아지고 검증은 선명해진다. 에이전트 작업장을 설계하는 법.
AI 에이전트가 회사 계정에 손대는 순간, 제품은 보안 시스템이 된다
개인 업무 봇이 팀 제품이 되는 순간 필요한 것은 더 큰 모델이 아니다. identity, permission, audit, memory를 제품 경계로 설계하는 법.
프롬프트를 고쳐도 에이전트가 계속 실패하는 이유
긴 작업에서 맥락이 사라지고 같은 실수가 반복된다면 프롬프트보다 루프를 봐야 한다. 파일·메모리·검증으로 지속 가능한 에이전트를 만드는 법.
AI 제품이 스스로 좋아지다 망가지는 가장 흔한 이유
생성자는 빨리 강해지지만 약한 평가자는 편법을 보상한다. hard verifier, replay set, release gate로 자기개선 루프를 지키는 법.
에이전트 10개를 돌려도 창업자의 일이 줄지 않는 이유
AI-native 창업자의 병목은 코딩이 아니라 문제 정의, 작업 분해, 신호 압축, 검증이다. 에이전트를 소음 없이 지휘하는 법.
가입도 대시보드도 없는 AI 도구가 돈을 버는 방식
한 가지 검색 의도를 즉시 해결하는 작은 AI 유틸이 광고, 템플릿, 소액결제로 인터넷 비즈니스가 되는 조건.