Blog Tag

AI 태그 글

AI 태그로 정리한 개발 기록 6개를 모았습니다. 실제 프로젝트에서 마주한 문제, 구현 과정, 운영 경험을 중심으로 정리합니다.

AI 시대의 개발자는 어디로 가야 할까 — FDE에서 찾은 방향
AI로 구현은 빨라졌는데, 무엇을 만들고 효과를 어떻게 확인할지는 여전히 어려워요. FDE라는 직무를 통해 제가 지향하는 개발자의 일하는 방식을 정리했어요.
2026년 9월 24일200
AI FDE 개발자 커리어
AI 사용 기록 3개월 반을 분석해봤더니 — 내가 일하는 방식이 바뀐 지점들
요즘 코드를 거의 안 들여다본다는 막연한 감각이 있었어요. 그래서 Claude Code·Codex 세션 기록 1,251건을 전부 DB에 모아서 분석해봤습니다. 입력 대 출력 209:1, 1번 지시에 7.3번 응답이라는 숫자가 나왔고, 그 숫자가 제 일하는 방식이 어디로 옮겨갔는지를 설명해줬어요.
2026년 9월 20일100
AI Agent Claude Code Codex Workflow 회고
RAG 시리즈 4편 — 운영에서 만나는 RAG, 임베딩 파이프라인 4경로와 비용 통제
1~3편이 '검색을 어떻게 잘하느냐'였다면 4편은 운영의 시각이에요. 임베딩을 어떻게 채우고, 실패하면 어떻게 회복하고, 비용을 어떻게 통제하느냐. 실제 운영에서 만난 임베딩 파이프라인 4가지 경로, 리인덱싱 안전장치, 비용이 새는 자리 5곳까지 정리했어요.
2026년 6월 8일000
AI Backend Embedding LLM Operations RAG
RAG 시리즈 3편 — 고정 파이프라인 vs Tool Calling, LLM에게 검색을 맡기는 패턴
1편의 6단계 고정 파이프라인은 '안녕하세요'에도 LLM을 4번 호출해요. Tool Calling은 LLM에게 검색 도구를 쥐여주고 자율적으로 선택하게 해서 비용을 질문 복잡도에 비례시키는 패턴이에요. 두 방식의 비교, 도구 3종 설계, description 작성법, 안전장치와 함정을 정리했어요.
2026년 6월 7일000
AI Backend LLM OpenAI RAG ToolCalling
RAG 시리즈 2편 — 청크를 어떻게 자르고 임베딩할 것인가, 정확도 올리는 6가지 입력 가공
RAG 정확도가 안 나올 때 모델 교체나 파인튜닝부터 떠올리지 마세요. GPU 없이 OpenAI 임베딩만으로도 파인튜닝 효과의 85~90%를 낼 수 있어요. 시맨틱 청킹·메타데이터 주입 임베딩·쿼리 확장·Qdrant 사전 필터·Parent-Child 청킹·HyDE 6가지 입력 가공 기법을 정리했어요.
2026년 6월 1일000
AI Backend Embedding LLM Qdrant RAG
RAG 시리즈 1편 — RAG가 뭐고 왜 쓰는가, 기본 파이프라인 6단계
RAG 데모는 30분이면 만들지만 운영용은 다릅니다. 실제 서비스에서 쓰는 6단계 파이프라인(질문 분석 → 다중 검색 → 관련성 검증 → 컨텍스트 빌딩 → 응답 생성 → 답변 검증)과 하이브리드 검색·RRF까지 1~3년차 개발자 시점에서 정리했어요.
2026년 5월 31일1000
AI Architecture Backend LLM RAG

AI 시대의 개발자는 어디로 가야 할까 — FDE에서 찾은 방향

AI 사용 기록 3개월 반을 분석해봤더니 — 내가 일하는 방식이 바뀐 지점들

RAG 시리즈 4편 — 운영에서 만나는 RAG, 임베딩 파이프라인 4경로와 비용 통제

RAG 시리즈 3편 — 고정 파이프라인 vs Tool Calling, LLM에게 검색을 맡기는 패턴

RAG 시리즈 2편 — 청크를 어떻게 자르고 임베딩할 것인가, 정확도 올리는 6가지 입력 가공

RAG 시리즈 1편 — RAG가 뭐고 왜 쓰는가, 기본 파이프라인 6단계