All I Need Is Data.

NVIDIA Auto Ontology: RAG와 무엇이 다르고, 데이터 에이전트에 왜 필요할까? 데이터베이스와 업무 개념을 연결한 온톨로지 그래프가 AI 에이전트로 이어지는 귀여운 일러스트 “지난 분기 수도권의 순매출은 얼마인가요?”라는 질문에 AI가 답하려면 단순히 관련 문서를 찾는 것만으로 부족할 수 있습니다. 주문, 환불, 지역 정보가 서로 다른 테이블에 있고, 회사마다 ‘순매출’의 계산 기준도 다르기 때문입니다. SQL이 실행됐다는 사실만으로 계산이 올바르다는 보장은 없습니다.NVIDIA의 Auto Ontology는 데이터베이스 위에 업무 용어, 계산식, 테이블 관계를 담은 의미 계층을 만들고, AI 에이전트가 이를 참고해 데이터를 ..

분석 기간: 2026-10-29 ~ 2026-11-04 · 독자용 상세 리포트 [AIW] 11/4 도구 호출을 늘리기 전에, 평가·권한·복구 경계를 코드로 고정할 때 요구사항 우선 렌즈최신 사용자 요구사항을 우선 적용했습니다: Python/LLM 서비스 개발자가 1~4주 안에 실험할 수 있는 SDK/runtime/eval/RAG/tooling · MCP/tool calling/workflow automation/agent framework 변화 · RAG/vector DB/inference/runtime/observability/deployment 변화 · 주요 provider 모델/API/pricing/rate limit/SDK/platform 변경 핵심 메시지 도구..

분석 기간: 2026-10-28 ~ 2026-11-03 · 독자용 상세 리포트 [AIW] 11/3 에이전트 품질은 자동화보다 권한·평가·복구 설계에서 갈린다 요구사항 우선 렌즈최신 사용자 요구사항을 우선 적용했습니다: Python/LLM 서비스 개발자가 1~4주 안에 실험할 수 있는 SDK/runtime/eval/RAG/tooling · MCP/tool calling/workflow automation/agent framework 변화 · RAG/vector DB/inference/runtime/observability/deployment 변화 · 주요 provider 모델/API/pricing/rate limit/SDK/platform 변경 핵심 메시지 [AIW] 1..

목차 최근 버전에서 무엇이 달라졌나?내 서비스라면 이것만 확인하면 된다실제로 달라진 것 1: 재개 정보가 두 번 반영되지 않는다실제로 달라진 것 2: ToolNode가 도구 정보를 알려준다계속 지켜야 할 것: 실행 주체와 개인정보테스트 결과는 어땠나?아직 남은 실험적용 순서5분 안에 다시 실행하기결론출처와 재현 자료 LangGraph 버전이 올라갈 때 무엇을 봐야 할까? 1.2.14 → 1.2.19를 같은 그래프와 테스트로 비교해 본 실무 기록릴리스 노트에는 fix, stream, checkpoint 같은 말이 가득하다. 하지만 서비스 개발자에게 중요한 질문은 하나다.그래서 내 코드와 운영 방식에서 무엇을 바꿔야 할까?이번 글은 모든 ..

분석 기간: 2026-10-27 ~ 2026-11-02 · 독자용 상세 리포트 [AIW] 11/2 에이전트 도입은 생성보다 검토 가능한 실행과 평가 설계가 먼저다 요구사항 우선 렌즈최신 사용자 요구사항을 우선 적용했습니다: Python/LLM 서비스 개발자가 1~4주 안에 실험할 수 있는 SDK/runtime/eval/RAG/tooling · MCP/tool calling/workflow automation/agent framework 변화 · RAG/vector DB/inference/runtime/observability/deployment 변화 · 주요 provider 모델/API/pricing/rate limit/SDK/platform 변경 핵심 메시지 에이전트..

분석 기간: 2026-10-26 ~ 2026-11-01 · 독자용 상세 리포트 [AIW] 11/1 모델 공개와 에이전트 평가, 실행 중 감시를 함께 살펴볼 때 요구사항 우선 렌즈최신 사용자 요구사항을 우선 적용했습니다: Python/LLM 서비스 개발자가 1~4주 안에 실험할 수 있는 SDK/runtime/eval/RAG/tooling · MCP/tool calling/workflow automation/agent framework 변화 · RAG/vector DB/inference/runtime/observability/deployment 변화 · 주요 provider 모델/API/pricing/rate limit/SDK/platform 변경 핵심 메시지 모델 공개와..

2026-10-01 ~ 2026-10-31 · 참고 리포트 46개 AI 개발자 레이더 2026-10: 신규 모델 경쟁과 공개 가중치, 에이전트 표준과 공급망 보안이 함께 부각된 핵심 태그: 신규 AI 모델, Meta Muse, 공개 가중치, 로컬 추론, 코딩 에이전트, 모델 API, 공급망 보안, 에이전트 평가, 데이터 보호, 개발자 도구 이번 월간 판단은 주간/월간 누적 TREND 메모에도 반영되어 다음 리포트의 장기 맥락으로 이어집니다. 이 리포트의 목적 이번 달 AI/LLM 흐름 중 Python/LLM 서비스 개발자가 실제 개발, 배포, 운영 의사결정에 참고할 신호를 선별하는 월간 리뷰입니다. 대상 독자: AI 기능을 제품이나 내부 도구에 붙..

목차 대화가 길어질수록 느려지는 LangGraph state, ArtifactRef로 가볍게 만들기이 작업을 시작한 실제 고민비슷한 문제를 다른 workflow 시스템은 어떻게 풀고 있을까이미 있는 기능인데 왜 이 라이브러리를 쓰는가가장 가까운 기존 기능은 Deep Agents다상황별로 무엇을 선택하면 되는가에이전트에서는 네 가지 문제를 구분해야 한다Agent SDK와 개발 플랫폼에서 보이는 패턴ChatGPT·Claude·Gemini·Grok과 중국계 챗봇의 제품 사례문제는 Redis가 아니라 반복해서 저장하는 state의 형태였다먼저 예시로 보기: 문서 3개 중 최근 2개만 사용하기state를 control plane과 data plane으로 나누기무엇을 만들었는가LangGrap..

잘 되던 AI 자동화는 왜 어느 날 편집 단계에서 멈췄나 체크포인트 기반 하네스를 재개 가능한 워크플로로 바꾼 경험처음에는 잘 작동했다.매일 새벽 AI 관련 자료를 수집하고, 최근 7일의 변화를 추려 한국어 리포트로 편집한 다음, 품질 검사를 거쳐 메일로 보내는 자동화였다. 원문은 raw에 남기고, 장기 지식은 wiki에 누적하고, 사람이 읽을 보고서는 processed에 만드는 구조였다. 수집과 편집, 검증, 발송을 분리했고, 약한 근거가 최종 메일에 섞이지 않도록 여러 품질 게이트도 두었다.그런데 어느 순간부터 이상한 일이 생겼다.수집은 끝나 있었다. SQLite에도 데이터가 들어갔고, 편집 패킷도 만들어졌다. 오류 로그에는 치명적인 예외가 없었다. 그런데 Reader HTML도, 메일도 나..

분석 기간: 2026-10-25 ~ 2026-10-31 · 독자용 상세 리포트 [AIW] 10/31 AI 개발자 레이더 2026-10-31: 에이전트를 운영하려면 모델보다 평가·권한·보안 경계부터 관리하라 요구사항 우선 렌즈최신 사용자 요구사항을 우선 적용했습니다: Python/LLM 서비스 개발자가 1~4주 안에 실험할 수 있는 SDK/runtime/eval/RAG/tooling · MCP/tool calling/workflow automation/agent framework 변화 · RAG/vector DB/inference/runtime/observability/deployment 변화 · 주요 provider 모델/API/pricing/rate limit/SDK/platform ..

분석 기간: 2026-10-24 ~ 2026-10-30 · 독자용 상세 리포트 [AIW] 10/30 AI 운영의 승부처가 모델 선택에서 평가·권한·비용 제어로 이동한다 요구사항 우선 렌즈최신 사용자 요구사항을 우선 적용했습니다: Python/LLM 서비스 개발자가 1~4주 안에 실험할 수 있는 SDK/runtime/eval/RAG/tooling · MCP/tool calling/workflow automation/agent framework 변화 · RAG/vector DB/inference/runtime/observability/deployment 변화 · 주요 provider 모델/API/pricing/rate limit/SDK/platform 변경 핵심 메시지 A..

NVIDIA Auto Ontology란? RAG와의 차이부터 레거시 DB 연동까지

AI 개발자 레이더 2026-11-04: 도구 호출을 늘리기 전에, 평가·권한·복구 경계를 코드로 고정할 때

AI 개발자 레이더 2026-11-03: Google의 스킬 평가부터 LangGraph의 스트림 복구까지, 에이전트의 품질과 권한을 설계할 때

LangGraph 버전이 올라갈 때 무엇을 봐야 할까? — 1.2.14와 1.2.19 실전 비교

AI 개발자 레이더 2026-11-02: Codex 보안 백포트부터 에이전트 UI 표준화까지, 실행 증거와 운영 경계를 설계할 때

AI 개발자 레이더 2026-11-01: 모델 가중치 공개부터 에이전트 평가까지, 실행 중 행동을 살펴볼 때

AI 개발자 레이더 2026-10: 빠른 모델과 로컬 추론, 에이전트 실행 경계와 검증을 함께 살펴본 달

무거워진 LangGraph State, ArtifactRef로 가볍게!

2026년 10월 AI 개발자 레이더: 모델 경쟁부터 에이전트 운영과 공급망 보안까지

수집은 끝났는데 왜 멈췄을까: AI 자동화 하네스를 재개 가능한 구조로 바꾼 경험

AI 개발자 레이더 2026-10-31: 에이전트를 운영하려면 모델보다 평가·권한·보안 경계부터 관리하라

AI 개발자 레이더 2026-10-30: 에이전트를 운영하려면 모델보다 평가·권한·비용부터 관리하라

AI 도구

AI 도구 사이드 패널

티스토리툴바