Claude Code 토큰 비용 최적화하기 – 2부: 캐시 경제학과 Amazon Bedrock 조직 비용 관리
Claude Code를 조직에 도입하면 개인의 습관만으로는 답할 수 없는 질문이 남습니다. 자리를 비웠다 돌아오면 첫 응답이 왜 유난히 느리고 비싼지, Amazon Bedrock으로 사용하는 조직에서는 누가 얼마나 쓰는지를 어디서 확인할 수 있는지 같은 질문입니다. 이 글은 Claude Code 토큰 비용 최적화 시리즈의 2부입니다. 1부(비용 구조와 세션 습관)에서는 비용이 컨텍스트 크기에 비례하고 실제 지불 단가는 프롬프트 캐싱(prompt
비용과 성능을 한번에 - 언어 특화 토크나이저 도입기
같은 말을, 절반의 토큰으로
서버 개발자가 헥사코드를 몰라도 되게 만들기
안녕하세요, 카카오스타일 지그재그 전시BE파트 밀리입니다. 전시 개발자로서 혹시 이런 하루를 보내고 있나요?
Swift 6 어때요? (1): 스레드, 블록, 태스크
바이너리 좀 뜯어 봤습니다
LG CNS의 Agentic AI를 활용한 APQR 시스템 설계 및 자동화 구축 사례
본 블로그는 LG CNS 와 AWS 가 공동 작성하였습니다. 품질보증 담당자가 QMS, LIMS, SAP, EDMS를 오가며 자료를 모으고 APQR 리포트 한 건을 완성하는 데는 약 12시간이 걸렸습니다. 종근당과 LG CNS는 Agentic AI로 이 시간을 약 1시간으로 줄였습니다. LG CNS는 AWS 프리미어 파트너로, 다수의 대규모 엔터프라이즈 고객을 대상으로 SM(운영 유지보수)/AM(현대화)/Migration 서비스를 제공하고 있습
k6로 n8n 부하테스트 - worker를 8배 늘려도 처리량이 그대로인 이유
n8n Queue Mode에서 worker를 늘려도 처리량이 오르지 않는 이유를 k6와 Grafana로 측정했습니다. 슬롯 점유율 100%인데 CPU는 한 자릿수였던 원인은 task runner 한도였고, 러너 한도만 바꿔 처리량이 7.2배 차이 났습니다.
@Scheduled 한 줄로 버티다, 트리거를 밖으로 꺼낸 이야기
중복 실행과 유실을 넘어, 여러 pod가 작업을 나눠 갖는 스케줄 실행 구조로 전환하기까지
채널톡이 글로벌 상담 Agent를 GPT-5.6 Luna로 갈아탄 이유
공개 벤치마크 1위 모델이 아닌 리더보드에도 없는 모델을 선택했습니다.
WebFlux 전환 부하 테스트를 다시 쓴 이야기
LLM 서빙, 띄우는 것과 잘 띄우는 것 사이
비어 있는 캐시, 완벽한 알리바이, 사라진 처리량
데드락을 해결하려다, 락을 줄이게 된 이야기
전체 데이터를 브라우저에 두는 광고 대시보드 만들기
서버가 하던 필터링·정렬·검색·페이지네이션을 브라우저로 옮겼더니, 속도뿐 아니라 손대지 못하던 문제 네 개가 같이 풀렸습니다.
AI Agent를 위한 OpenSearch 검색 품질 평가하기 (Part 1)
요즘 RAG(Retrieval-Augmented Generation) 기반 AI Agent를 구축하는 프로젝트가 정말 많습니다. 사내 문서를 검색해 답하는 어시스턴트, 고객 문의를 처리하는 봇, 방대한 기술 문서에서 근거를 찾아주는 에이전트까지. 그런데 이런 프로젝트를 지원하다 보면 거의 같은 질문을 드리게 됩니다. “검색 품질은 어떻게 측정하고 계신가요?” 돌아오는 답은 대개 비슷합니다. “체감상 좋아진 것 같아요.” “몇 개 돌려봤는데 괜찮
Gemini 3.7 Flash — 3주 만의 후속작, 벤치마크로 뜯어보기
8월 13일 나온 Gemini 3.7 Flash를 차트와 자체 실측(TTFT 3.9s→1.34s)으로 정리했습니다. 에이전트 자동화 동급 1위, 실시간 챗은 설정 하나가 성패를 가릅니다.
[사례연구] 사내 개인용 개발환경 이미지 실험기 2부: 만들면서 마주친 것들과 풀어간 방법
.ktc-poster img { transition: transform .3s ease, box-shadow .3s ease; } .ktc-poster:hover img { transform: translateY(-4px); box-shadow:0 10px 22px rgba(0,154,135,0.22) !important; } .imageblock img { max-width:100% !important; height:auto !importan
‘결정적인 순간’의 UX 데이터를 분석하는 방법
일반적인 UX 데이터 분석은 일정 기간 동안 누적된 사용자의 행동을 살펴보는 식으로 이루어집니다. 때로는 하루, 때로는 한 달 간의 데이터를 확인하며 사용자의 전반적인 행동 패턴을 파악하는 것입니다. 하지만 누적된 결과보다 특정 순간의 행동 변화가 더 중요한 경우도 있습니다. 오전 10시에 신제품을 출시한다고 가정해봅시다. 오픈 직후 사용자들은 가장 먼저 어디에 관심을 보일까요? 10분 후 신제품 출시를… 더 보기 »‘결정적인 순간’의 UX 데
AI와 함께 OMS의 Writer connection을 15.9% 줄인 방법
AI의 작업 단위를 사람이 한 번에 검수할 수 있는 크기로 제한했습니다.
Laying the Rails Beyond WebView: Why Karrot Chose Lynx