최신 LLM과 기법을 통해 AI 에이전트를 구축해봐도 어딘지 조금 멍청하게 동작을 했던 경험이 있을 것입니다. 2026년 5월 현 시점에서 내 부족한 AI에이전트에게 무엇을 추가하면 성능이 급격히 상승할까요? 이미 만들어진 전문영역 AI Agent에게 더 성능좋은 LLM, AI Agent 설계 변화, 다양한 테스트를 통한 오작동 감소 등으로 큰 변화를 이룰 수 있을까요? 저는 현시점에서 지식그래프를 활용한 '온톨로지' 구축이 가장 자신있게 내놓을 수 있는 답 같습니다. 현 시점에서 AI 기술은 '도구'에 가깝고, 중요한 것은 이 도구들을 기존 전문화된 데이터와 어떻게 연결학고 활용하여, 내 비지니스 문제를 해결하는 것이라고 생각합니다. 개인이 AI시대에 생존할 수 있는 꽤 괜찮은 방법 중 하나가 자신이..

최근 랭그래프(LangGraph)를 활용한 멀티 에이전트 AI 서비스나 복잡한 공공 데이터를 다루는 데이터 기획 실무를 하다 보면 큰 고민에 빠지게 됩니다. 바로 '데이터 간의 숨겨진 맥락과 관계를 시스템에 어떻게 이해시킬 것인가' 하는 문제입니다.본 내용은 패스트캐퍼스에 '온톨로지 기반 프로덕트 레벨 AI Agent 서비스 구축' 공부하고 남긴 글입니다. 우리가 널리 사용하는 관계형 데이터베이스(RDB)는 스키마가 잘 짜여 있어 빠르고 안정적입니다. 하지만 현실 세계의 복잡한 네트워크를 표현하기 위해 수많은 테이블을 쪼개고 무거운 조인(Join) 연산을 걸어야 하는 한계가 있습니다.이번 글에서는 단순히 데이터를 저장하는 것을 넘어, 데이터 스스로 관계를 맺고 지식을 도출하는 기술인 온톨로지(Ontolo..

안녕하세요! 오늘은 데이터 관리와 AI 서비스 기획에서 아주 중요한, 하지만 종종 오해받곤 하는 '온톨로지(Ontology)'에 대해 이야기해보려 합니다. 본 내용은 패스트캐퍼스에 '온톨로지 기반 프로덕트 레벨 AI Agent 서비스 구축' 공부하고 남긴 글입니다. 많은 분이 "데이터베이스(DB)가 있는데 왜 굳이 온톨로지를 써야 하나요?"라고 묻습니다. 결론부터 말씀드리면, 데이터베이스는 '사실'을 저장하는 도구이고, 온톨로지는 그 사실의 '의미'를 정의하는 모델링 철학이기 때문입니다.1. DB가 대답하지 못하는 질문들우리가 흔히 쓰는 DB는 "무엇이 있는가(What)"를 찾는 데는 최고의 도구입니다. 하지만 사용자의 모호한 의도가 담긴 질문에는 당황하곤 하죠.사용자: "새벽에 쓰기 좋은 가벼운 노트북..

AI 기술이 발전하면서 우리는 AI에게 단순히 질문을 던지는 것을 넘어, AI가 스스로 코드를 짜고 복잡한 업무를 수행하는 '에이전트(Agent)' 시대를 맞이하고 있습니다. 하지만 AI 에이전트가 똑똑해질수록 새로운 고민이 생깁니다. "어떻게 하면 이 강력한 AI가 내 의도대로, 실수 없이 끝까지 일을 완수하게 만들 수 있을까?"이 질문에 대한 해답으로 최근 주목받는 개념이 바로 **하네스 엔지니어링(Harness Engineering)**입니다. 오늘은 프롬프트 엔지니어링의 한계를 짚어보고, 왜 우리가 하네스 엔지니어링으로 넘어가야 하는지, 그 핵심 철학과 적용 방법에 대해 알아보겠습니다. 참고로 블로그를 작성하면서 참고한 유튜브 영상을 공유합니다.https://youtu.be/DrekqeDlO1w?..

한빛미디어의 'AI에이전트 마스터 클래스' 챕터 7 내용의 일부를 정리했습니다.1. 에이전트 도구 사용 과정1) 사용자 질문 입력 -> 모델2) 모델 -> 도구들(action)사용자의 질문을 확인한 모델이 '지금은 도구를 써야겠다'고 판단합니다. 어떤 도구를 어떤 인자로 호출하지 action을 생성합니다. 주어진 도구들이 각자 어떤 역할을 수행하는지 확인하고, 현재 질문 내용을 토대로 도구를 사용할 것인지, 아니면 직접 답변을 생성할 것인지 결정합니다.3) 도구들 -> 모델(observation)도구가 실행된 뒤, 그 결과값을 반환합니다.(observation) 도구가 모델을 '관측'하는 것이 아니라, '모델이 도구의 실행 결과를 관찰한다'고 이해하면 됩니다. 4) 모델 -> 출력(fishsh)ahepf..

한빛미디어의 'AI에이전트 마스터 클래스' 내용의 일부를 정리했습니다. 1. 프롬프트프롬프트를 랭체인 문법에 맞춰 작성하는 방법1. PromptTemplate.from_template()langchain_core 패키지의 prompts 모듈로부터 Prompt Template 객체를 가져오는 법from langchain_core.prompts import PromptTemplateprompt = PromptTemplate.from_template("{topic}에 대해 {level} 수준으로 설명해 주세요.")print(prompt)"""input_variables=['level', 'topic'] input_types={} partial_variables={} template='{topic}에 대해 {l..

1. 예산안 검토 절차정부 예산안 보도 자료(8월말): 기획예산처 및 각 부처예결위공통요구자료(Ⅱ-1,Ⅱ-2,Ⅱ-3)(8월 중)분석 대상 사업 선별자료요구 및 업무협의보고서 작성(10월 중 완료)기초자료 확보부터 보고서 작성 확정까지 주이진 시간: 약 50~60일 단계업무정부 예산안 제출(9월 3일까지) 정부의 시정연설 소관 상임위 위원회 예비심사예산안 상정제안설명전문위원 검토보고서대체토론소위원회 심사보고서찬반토론의견(기한 내 의결하지 못할 경우 본회의 자동부의)국회예산정책처재정관련의정활동 지원(예산안 분석)10월 말에 각종 보고서 제공(예, [예산안분석시리즈Ⅰ] 2026년도 예산안 재정총량 분석, [예산안분석시리즈 IV] 2026년도 예산안 위원회별 분석 [정무위원회] 등)예산결산특별위원회 종합심사공청..

AI 개발 도구, 단순한 코드 생산을 넘어 '기획-생산-학습'의 선순환으로최근 개발 생태계에서 Claude, Cursor와 같은 AI 도구들은 강력한 코드 생산 도구로 확고히 자리 잡았습니다. 간단한 프롬프트 몇 줄만으로도 상당한 수준의 코드가 즉각적으로 생성되며, 과거와는 비교할 수 없을 정도로 개발 속도가 비약적으로 향상되었습니다.하지만 이러한 AI 도구를 단순히 '코드를 빠르게 찍어내는 자동화 도구'로만 소비한다면, 장기적인 관점에서는 오히려 치명적인 독이 될 수 있습니다. AI가 생성한 코드의 동작 원리를 온전히 이해하지 못한 채 실무 서비스에 그대로 적용하게 되면, 시스템의 복잡도만 통제 불능 상태로 높아지고 결국 막대한 기술 부채(Technical Debt)로 돌아오기 때문입니다. 진정한 전문..

LLM 서비스도 다 같은 서비스가 아닙니다. 1년 지나면 겉보기는 동일해도 LLM 서비스들의 성능과 기능에 차이가 많습니다.그래서 1년 전 LLM 최적 사용법이 현재는 아닐 수 있습니다. 오늘은 강수진 박사님이 티타임즈에서 설명했던 LLM 잘 쓰는 법을 정리하고자 합니다. https://youtu.be/3UMvC4YS6Yk?si=rukSfFobBlAuWBxe https://www.youtube.com/watch?v=kAjlJipOHR8&t=8s https://youtu.be/NgkyUXJWYiI?si=XQpJZxK1lv4-y_nW Anthropic Claude 핵심 연구 4가지1. 해석 가능성: On the Biology of a Larguage Model, AI 내부를 현미경으로 보다(2025....

이번에는 4주차 AI 에이전트 엔지니어링(한빛미디어) 인프런 스터디에 'Part3 신뢰할 수 있는 에이전트 운영과 거버넌스'를 정리했습니다.세부 섹션은 Chapter11 개선루프, Chapter12 에이전틱 시스템 보안, Chapter13 인간과 에이전트의 협업 입니다. Chapter11 개선루프이 장의 목표멀티 에이전트 시스템의 지속적 성장을 위한 피드백 주도 메커니즘- 문제: 복잡한 시스템의 실패는 불가피 -> 실패로부터 배울 수 있는가가 핵심- 해결책: 피드백 -> 실험 -> 학습의 연속 사이클- 핵심 개념: 강화학습처럼 관찰, 액션 보상의 반복을 시스템화- 조직 과제: 기술뿐 아니라 엔지니어링 DS,PM,UX간 정렬 필요- 3대 기둥: 피드백 파이프라인| 실험 프레임워크 | 지속 학습 지속적 개..