AI가 전사 알림을 두 번 죽이다
AI 에이전트의 실수, guardrail, 시스템 방어까지 120일의 기록, 그리고 99.981% 가용성.
기업 기술블로그의 AI Agent 관련 글 436개
AI 에이전트의 실수, guardrail, 시스템 방어까지 120일의 기록, 그리고 99.981% 가용성.
이 글은 영문 원본을 AI로 번역한 버전입니다. 요즘 업계에 이런 기대가 퍼져 있습니다. 언젠가 AI가 디자인 시스템을 만들어 줄 거라는 거죠. 프롬프트 하나 던지면 토큰, 컴포넌트, 인터랙션 패턴이 깔끔하게 나올 거라고요. 저는 정반대의 일이 벌어지고 있다고 생각합니다. 우리는 AI 에이전트가 사용할 디자인 시스템을 만들고 있습니다. 디자이너를 위한 것도…
— “단순 챗봇”을 넘어 “업무 실행자”가 되는 순간, 아키텍처의 성격이 바뀐다 요즘 많은 조직이 “사내 지식 챗봇(RAG)”을 넘어, 실제 업무를 수행하는 **AI 에이전트(Agent)**를 고민합니다.예를 들면 이런 것들입니다. “지난주 비용 급증 원인 분석하고, 최적화 PR까지 올려줘” “장애 티켓 열고, 원인 추정해서 관련 런북 실행해줘” “계정 권한 요청 들어온 거 검토하고 승인/반려 초안 작성해줘” “고객 문의 메일을 … [Deep
본 블로그 게시글은 AWS Blog의 영어 원문을 한글로 번역 및 일부 수정한 포스팅 입니다. 소개 컨택센터 리더들은 점점 더 복잡한 과제에 직면하고 있습니다: 고객은 모든 채널에서 즉각적이고 개인화된 서비스를 기대하는 반면, 상담원은 문제 해결을 위해 여러 시스템, KMS(Knowledge Management System)와 같은 지식 베이스나 시스템, 워크플로우를 동시에 다뤄야 합니다. 기존 접근 방식—각 시스템에 대한 커스텀 및 […]
Claude Code의 Tasks는 작업을 태스크 단위로 분할합니다. 이로써 각 세션의 컨텍스트 부담을 줄이고, 태스크 간 의존성을 정의하며, 여러 터미널에서 병렬로 실행해도 상태는 자동으로 동기화됩니다. 이 글은 Tasks의 등장 배경과 기존 Todos와의 차이, 실전 사용법을 다뤘습니다.
요즘은 "AI 써보셨어요?"라는 질문이 더 이상 특별하게 느껴지지 않습니다. 이미 많은 개발자들이 각자의 방식으로 ChatGPT나 Claude Code 같은 AI 도구를 업무에 활...
오프라인 리테일의 AI 혁신 대한민국 대표 백화점인 롯데백화점은 전국 수십 개 지점에서 프리미엄 쇼핑 경험을 제공하고 있습니다. 롯데백화점의 오프라인 매장 및 서비스 정보를 제공하는 롯데백화점 앱은 업계 최대인 약 700만 명의 가입자를 보유하고 있으며, 월간 활성 사용자 수(MAU)는 110만 명에 이릅니다. 롯데백화점은 이러한 디지털 접점을 더욱 강화하고 고객 경험을 한 단계 끌어올리기 위해 AI 기반의 […]
Copy & Paste에서 자율 코딩 에이전트까지: 조용한 변화의 시작 안녕하세요, 하이퍼엑셀 ML 팀 엔지니어 엄태서입니다. 개발자들 사이에는 이런 농담이 있습니다. “우리 일은 결국 문제를 구글에 검색하고, 첫 번째로 뜨는 링크를 눌러서, Stack Overflow에서 답을 복사해 붙여넣는 거 아니냐?” 어떤 면에서는 AI 코딩 도구의 등장이 우리가 하는 일을 완전히 바꾼 건 아닙니다. 다만 그 일을 훨씬 더 잘, 훨씬 더 빠르게 하게 만들
Tolgee, 에이전트, 그리고 “용어 일관성”의 현실
“2일 만에 AI 에이전트의 MVP를 만들 수 있을까요?” 2025년 12월, 웅진씽크빅과 함께 AWS AI-DLC 워크숍(Unicorn Gym)을 진행하면서 이 질문에 대한 답을 찾았습니다. 결론부터 말하면, 가능했습니다. AI-DLC(AI-Driven Development Life Cycle) 방법론을 적용하여 북큐레이터를 위한 AI 에이전트의 MVP를 단 2일 만에 완성했고, 약 한 달간의 고도화를 거쳐 2026년 1월 베타 서비스를 오픈
ALF 팀에서 Agentic Workflow 를 구성한 이야기
인포그랩은 AI 네이티브 기업으로 도약하며, 전사적으로 Claude Skills 개발을 장려하고 있습니다. 이 글은 글쓴이가 기술 블로그 리뷰 Skill을 만든 과정, 시행착오, 개선 경험을 다뤘습니다. ‘완성된 성공 사례’가 아닌, ‘진행 중인 실험’의 기록입니다.
자연어-SQL 변환 정확도가 높은 LLM 에이전트를 서비스하기 위해 기존에는 도메인 전문가의 지식을 바탕으로 각 도메인에 특화된 에이전트를 만드는 전문가-개발자 협업 과정이 필요했습니다. 하지만 이 방법은 하나의 에이전트 개발에도 많은 인력과 시간을 투입해야 하며, 데이터 변동에 대응하는 데 비효율적입니다. 이러한 문제점을 해결하기 위해 그 간의 에이전트 개발 경험을 토대로, 개발 지식이 없는 도메인 전문가도 누구나 웹 UI를 통해 도메인 특화
AI 코딩 어시스턴트의 발전으로 개발자들은 이제 자연어로 코드를 생성하고, 복잡한 시스템을 빠르게 구축할 수 있게 되었습니다. 하지만 이러한 편리함 뒤에는 중요한 질문이 남습니다: AI가 생성한 코드의 품질과 보안을 어떻게 체계적으로 보장할 수 있을까요? 이 글에서는 Anthropic의 Multi-agent 연구 결과를 살펴보고, Kiro의 Subagent 기능을 활용하여 코드 리뷰, QA, 문서화가 체계적으로 수행되는 개발 워크플로우를 구축하
들어가며 최근 저자들은 단 2명이서 7주 만에 Agentic AI 기반 플랫폼을 엔드투엔드로 구축했습니다. 디자이너도 없었고 기획자도 없었습니다. MCP(Model Context Protocol) 생성, AI Agent 생성부터 실시간 테스트 환경까지 갖춘 플랫폼이었고, 단순한 아이디어에서부터 실제 동작하는 웹 애플리케이션까지, 2주의 기획, 2주의 문서작업 및 세부 사항 협의, 3주의 개발 및 배포 기간이 소요되었습니다. 예전의 전통적인 개발
페이지 21 / 25 (총 436개)