에이닷 앱 성능 검증기: ＂빠르다＂를 숫자로 증명하기까지
에이닷 v4.0의 성능을 기능별 지표와 SLO로 나눠 객관적으로 검증했습니다.\nWebView, LLM, 비동기 작업 특성에 맞춘 기준과 측정 절차도 함께 정리했습니다.
#LLM#SLO
62005분
필터 1
Text2SQL은 왜 자꾸 틀릴까?
LLM 기반 Text-to-SQL의 오류 유형과 빈도를 정리하고, 기존 수리 방식의 한계를 분석했습니다. 규칙 기반 감지와 LLM 보조 수정을 결합한 MapleRepair의 실무적 효과를 소개했습니다.
#LLM#SQL
122005분
엔터프라이즈 AI 에이전트 성능 평가 가이드 \:\ 인포그랩 NEXA의 LLM-as-a-Judge 실전 적용 사례
엔터프라이즈 AI 에이전트는 전통적인 LLM 평가만으로는 충분히 측정하기 어려웠습니다. NEXA는 LLM-as-a-Judge로 도구 정확성과 효율성을 평가하는 방식을 적용했습니다.
#LLM#RAG
24005분
엔터프라이즈 AI 에이전트 성능 평가 가이드 \:\ 인포그랩 NEXA의 LLM-as-a-Judge 실전 적용 사례
엔터프라이즈 AI 에이전트는 전통적 LLM 평가만으로는 성능 측정이 어려워 전용 평가가 필요했습니다. NEXA는 Langfuse의 LLM-as-a-Judge로 도구 정확성과 효율성을 함께 평가했습니다.
#LLM#RAG
61005분
Qwen Code 에 코드 규칙을 적용해보기
Qwen Code에 `Qwen.md` 규칙을 적용해 회사 맞춤형 코드 수정을 유도하는 방법을 소개했습니다. 폐쇄망 환경에서도 규칙 기반 자동 수정을 활용하는 흐름을 보여주었습니다.
#LLM#Cursor
102005분
![[에이닷 4.0 QE 여정2] SPeCTRA 2.0 - 제5원소 Memory](https://devocean.sk.com/thumnail/2025/9/4/2c31238f96a0283c54b6415ae64ca78f9ec066e2fad0730076c9bef80f3b1956.png)
[에이닷 4.0 QE 여정2] SPeCTRA 2.0 - 제5원소 Memory
SPeCTRA 2.0에 Memory를 제5원소로 포함한 배경과 의미를 정리했습니다. 시퀀스·페르소나·시간 기반 검증과 Memory Safety 전략까지 소개했습니다.
#LLM#Memory
39005분
Context Engineering: AI 시대의 새로운 핵심 역량
Context Engineering을 LLM 성능을 높이는 핵심 역량으로 정리하고 Prompt Engineering과의 차이를 설명했습니다. Cursor AI와 Claude Code 사례를 통해 실무 적용 방식과 컨텍스트 관리 방법을 소개했습니다.
#LLM#prompt
110005분
Velopers 추천광고
쿠팡 파트너스
개발자를 위한 인기 상품을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발자#노트북#컴퓨터
무슨사이(MUSNSAI) AI 해커톤 운영기: AI와 함께, 코드가 워킹한다
무신사 엔지니어링이 AI 해커톤 무슨사이를 통해 사람과 AI의 협업 문화를 실험했습니다. 경쟁보다 학습을 강조하며 실제 개발과 운영에 AI를 녹여낸 사례를 소개했습니다.
#LLM#Cursor
192005분
PlayMCP: 제로부터 시작하는 MCP 플랫폼 개발
PlayMCP를 제로부터 개발한 소개 글입니다. AI가 자연스러운 대화를 구현하는 흐름 속에서 MCP 플랫폼 개발 배경을 설명합니다.
#MCP#LLM
108005분
수식없이 GPT(트랜스포머) 이해하기. 2편
GPT 기반 LLM의 추론 최적화와 양자화 개념을 설명했습니다. DeepSeek의 Latent Vector 기반 방식으로 KV Cache 메모리를 줄이는 사례도 다뤘습니다.
#LLM#KV Cache
71005분
차세대 AI 브라우저 ＇Comet＇의 주요 기능과 활용 방법
Perplexity AI의 브라우저 Comet 주요 기능과 활용 사례를 소개했습니다. AI 검색과 자동화가 강점이지만 일부 기능은 아직 보완이 필요했습니다.
#LLM#검색
142005분
챗봇 서비스 구축기
사람인 내부 데이터를 활용해 LLM 챗봇을 구축하고, RAG와 Function Calling으로 답변 정확도를 높였습니다. 또한 LangGraph와 멀티테넌시, 모니터링으로 운영성과 확장성을 함께 개선했습니다.
#LLM#RAG
90005분