Topics
Sunjae blog는 글을 단순 시간순보다 문제 영역과 운영 관점으로 읽는 편이 좋습니다. 아래 주제들은 공개 글의 현재 목차이자, 앞으로 글을 쌓아갈 기준입니다.
AI Agent Operations
Agent를 챗봇이 아니라 실행·검증·권한·로그·품질 루프가 있는 workflow system으로 봅니다.
- Agent Harness를 기능 목록으로 설계하면 놓치는 것
- 루프가 끝난 게 아니다: LangGraph의 State 관리에서 Graph Engineering으로
- GPT-5.6 가이드를 읽으며 다시 정한 것: effort를 올리기 전에 프롬프트부터 줄여보기
- MCP는 API를 대체하지 않는다
- 프롬프트 엔지니어링 다음은 루프 엔지니어링이다
- AI Agent의 문제는 환각이 아니라 경계 없는 단정이다
- AI Agent가 “완료했다”고 말했을 때, 무엇을 믿어야 할까
- AI Agent가 일하려면 채팅창보다 먼저 필요한 것
- AI Agent가 숫자를 틀릴 때, 프롬프트보다 먼저 고쳐야 할 것
- AI Agent가 도구를 쓰기 시작하면 보안은 어떻게 달라지나
- QA 에이전트는 답을 다시 읽는다고 검증자가 되지 않는다
- 도메인 AI Agent를 프롬프트만으로 만들 수 없는 이유
- Anthropic 사례에서 보이는 도메인 AI Agent 설계의 핵심
- 코딩 Agent를 자동완성처럼 보면 놓치는 것
- LLM을 덜 쓰기 위해 에이전트를 쓴다
RAG / Document Operations
RAG 실패를 모델 성능보다 문서 구조 보존, 파싱, chunking, citation, eval 문제로 진단합니다.
Product AI / UX / Infra
AI 기능을 제품에 붙일 때 필요한 인터페이스, latency, local-first 구조, resolver, 운영 인프라를 다룹니다.
- 작은 모델을 여러 번 돌리면 정말 저렴해질까?
- 왜 지금 생성형 영상 AI인가
- OpenAI는 실시간 음성을 어떻게 다시 설계했나
- 여러 모델의 협업을 하나의 모델처럼 제공한다면
- GEO는 SEO를 대체하지 않는다: Google 문서로 보는 AI 검색 최적화
- 테이블 데이터에도 GPT 같은 모델이 올까? Google TabFM 쉽게 보기
- MCP는 API를 대체하지 않는다
- AI 채팅 UX는 전체 응답 시간보다 첫 글자에서 갈린다
- 작은 모델을 비용 절감용으로만 보면 놓치는 것
- AI-native 회사는 조직도가 아니라 요청을 해결하는 시스템으로 움직인다
- LLM을 덜 쓰기 위해 에이전트를 쓴다
- AI Agent가 숫자를 틀릴 때, 프롬프트보다 먼저 고쳐야 할 것
Urban / Spatial AI
도시·공간 데이터에서 중요한 공간 단위, domain prior, 해석 가능성, 부동산/상권 데이터의 검증 경계를 다룹니다.
- 공간 예측 Agent에서 모델보다 먼저 설계해야 하는 것
- 생활권 점수만으로는 왜 실제 보행을 설명할 수 없을까: 접근성·보행환경·행동을 분리하는 법
- 도시 AI가 틀리는 이유: 그래프보다 중요한 것은 domain prior다
- SHAP은 무엇을 말하지만, GeoShapley는 어디서를 묻는다
- LLM을 덜 쓰기 위해 에이전트를 쓴다
AI Visual / Knowledge Artifacts
AI로 만든 산출물이 실제로 읽히고 재사용되려면 프롬프트보다 구조, 타입 선택, 검증 가능한 스킬이 중요합니다.