

Python에서 Golang으로: 에이닷 에이전트 Workflow Engine 전환기
Python 기반 에이전트 워크플로우 엔진을 Golang으로 전환한 사례를 소개했습니다. 고루틴과 채널로 스트리밍과 병렬 오케스트레이션을 구현해 응답 시간과 인프라 효율을 개선했습니다.


Python 기반 에이전트 워크플로우 엔진을 Golang으로 전환한 사례를 소개했습니다. 고루틴과 채널로 스트리밍과 병렬 오케스트레이션을 구현해 응답 시간과 인프라 효율을 개선했습니다.


셀러팀이 ChatGPT와 Cursor로 반복 업무와 데이터 분석을 자동화한 사례를 소개했습니다. 주간 지표 처리와 파일 생성 시간을 크게 줄이며 내부 툴로 확장하고 있습니다.

상담사처럼 발화하는 TTS를 만들기 위해 한국어 적응, 단일 화자 미세조정, GRPO, DPO를 단계적으로 적용했습니다. 명료도와 상담사향 프로소디를 함께 개선하며 실제 전화 상담에 맞는 음성을 추구했습니다.

상담사처럼 말하는 한국어 TTS를 만들기 위해 데이터 학습, 명료도 개선, 선호도 기반 후학습을 단계적으로 적용했습니다. GRPO와 DPO로 상담사향 프로소디와 화자 일관성을 높인 과정을 소개했습니다.


AI 에이전트를 실제 개발 과정에 활용한 경험과 한계를 정리했습니다. 작은 작업부터 시작하고 맥락 문서화를 통해 활용도를 높이려는 방향을 제안했습니다.


생성형 AI를 업무에 내재화하는 과정을 단계별로 정리하고, 개발자 위치별 역할을 제안했습니다. 개인 활용을 넘어 조직 문화와 제도로 확산하려면 One Team 협력이 필요하다고 강조했습니다.


비정형 텍스트에서 구조화된 정보를 추출하는 LangExtract를 소개했습니다. 소스 그라운딩과 스키마 강제로 신뢰성과 재현 가능성을 높였습니다.
쿠팡 파트너스
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


Python으로 HWP 본문 Section을 읽고 문단, 글자 모양, 문단 모양, 제어문자를 순서대로 파싱하는 방법을 설명했습니다. 샘플 파일을 통해 실제 서식과 파싱 결과가 일치함을 확인했습니다.


HWPX 본문 구조와 section.xml·header.xml의 참조 관계를 Python으로 파싱하는 과정을 설명했습니다.문단과 run, 서식 정보를 연결해 텍스트·표·그림을 추출하는 방법을 다루었습니다.

Amazon Bedrock AgentCore로 Strands 에이전트를 배포하고 운영하는 실습 과정을 다뤘습니다. 로컬 테스트부터 클라우드 배포, 호출, 모니터링까지의 흐름을 정리했습니다.

마이리얼트립 AI Lab이 내부 바운티 ‘마리트 크몽’으로 반복 업무를 자동화한 사례를 소개했습니다. 이후 유지보수와 주도권 문제를 보완해 구성원이 직접 문제를 푸는 ‘AI 챔피언’ 제도로 발전시켰습니다.


LLM 활용이 늘며 프롬프트 인젝션과 개인정보 유출을 막는 AI 가드레일의 필요성을 정리했습니다. 입력·출력 검증 구조와 간단한 구현 예제로 실무 적용 방향도 제시했습니다.