AI 에이전트
Agentic AI, LangGraph, 워크플로우와 자율형 에이전트의 설계·실험 기록을 모았습니다.
Agent를 위한 온톨로지는 전사 데이터 모델에서 시작하지 않는다
전사 데이터를 먼저 온톨로지로 묶기보다 Agent가 실제로 답해야 할 질문에서 필요한 개념과 관계를 좁혀 간다. GraphRAG와 자동 구축을 어디까지 적용할지도 함께 정리했다.
사내 AX 전담조직이 모든 Agent를 만들면 생기는 병목
중앙 AX팀이 업무별 Agent 구현까지 전부 소유하면 초기에는 빠르지만 운영 단계에서는 변경 대기열이 길어진다. 중앙팀과 업무조직이 각각 무엇을 소유해야 하는지 정리했다.
사용자 승인을 회수했지만 A2A Task는 계속 실행됐다
공식 A2A Python SDK 1.1.2로 서비스 승인 회수, 실행 중인 Task, 모의 ERP 쓰기가 자동으로 이어지지 않음을 재현했다. CancelTask와 외부 쓰기 직전 권한 검사는 서로 다른 제어였다.
나는 왜 새 Agent 서비스에 Router부터 두지 않는가
새 agent 프로젝트는 별도 Router나 Planner를 두기보다 primary agent 하나와 harness로 시작해 왔다. 반복되는 실패를 보고 agent 경계를 추가하는 기준을 정리했다.
FastMCP 사용자라고 모두 MCP Python SDK v2로 옮겨야 하는 건 아니었다
공식 SDK의 FastMCP는 mcp<2로 막아야 했고, 별도 패키지인 FastMCP 3은 서두를 이유가 없었다. 두 import 경로를 나눈 뒤 호환성과 운영 전환 지점을 직접 확인했다.
7일간 29억 토큰을 처리하고도 371등: 자가개선 에이전트의 국소 최적점
Codex 하네스는 약 7일간 29억 토큰을 처리하며 스스로 작업 방식을 개선했다. 하지만 개선할수록 더 안전한 작은 일에 갇혔다.
AI 시대, 아키텍처는 여전히 의미가 있을까?
소프트웨어 아키텍처 강의를 들으며 든 비전공자 AI 개발자의 두서없는 고민들
AI 개발자로서 신입분들에게 전하고 싶은 이야기
LangChain, LangGraph 기반 AI 개발 경험을 바탕으로 신입 개발자들에게 전하고 싶은 실무 팁과 마인드셋을 정리했습니다.
Antigravity 사용 후기: 출시부터 지금까지
Antigravity 출시 후 지금까지 사용해본 후기를 공유합니다. 장점, 단점, 그리고 앞으로의 기대까지 정리해봤습니다.
AI 에이전트의 진화: 프롬프트에서 컨텍스트 엔지니어링까지 (ACE를 곁들인)
GPT 등장 이후 AI 에이전트의 발전 흐름을 짚어보고, 모델 외부에서 성능을 향상시키는 최신 연구인 Agentic Context Engineering (ACE)을 소개합니다.
Agentic AI 개념 정리: 에이전트와 워크플로우의 스펙트럼
Agent, Workflow, Agentic AI의 개념을 정리하고, AI 엔지니어링 관점에서의 의의와 실제 적용 전략을 다룹니다.
AI 소설 쓰기 실험: 작업을 나누자 출력이 6~7배 길어졌다
GPT-4o mini 단일 호출은 약 1,800 토큰에서 멈췄다. 같은 주제를 LangGraph 작업으로 나눠 6~7배 긴 결과를 만든 과정과 측정 한계를 기록한다.