분석 기간: 2026-07-04 ~ 2026-07-10 · 독자용 상세 리포트
[AIW] 7/10 Model·Context.dev, 데이터 품질을 제품 경쟁력으로 끌어올림
요구사항 우선 렌즈
최신 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
오늘의 핫 뉴스
2026-07-10 기준 새로 눈에 띈 항목을 먼저 배치했습니다. 이후 섹션은 배경, 출처, 실행 항목 순서로 이어집니다.
#1 · Community · hnrss-frontpage · 2026-07-10
Prismata: Confining cross-site prompt injection in web agents
무슨 뉴스인가: Prismata 논문은 웹 에이전트가 서로 다른 사이트의 지시를 섞어 실행할 때 생기는 cross-site prompt injection을 격리하는 방식을 제안합니다. dynamic trust derivation, mechanical confinement, content redaction, capability restriction을 조합해 개발자 annotation 없이 공격면을 줄이는 방향을 설명합니다.
왜 지금 보나: 브라우저 에이전트나 업무 자동화 에이전트는 DOM, 로그인 세션, 외부 링크를 함께 다루기 때문에 단순 시스템 프롬프트만으로 권한 경계를 보장하기 어렵습니다. 이 연구는 tool schema, DOM redaction, action allowlist를 보안 회귀 테스트로 옮기는 기준을 제공합니다.
원문 보기원문 링크: https://arxiv.org/abs/2607.08147
#2 · Research · arxiv-cs-cl · 2026-07-10
Do You Need a Frontier Model as a Citation Verifier? Benchmarking Rubric LLMs for Deep-Re...
무슨 뉴스인가: Deep research 결과의 source attribution을 검증하기 위해 rubric LLM judge를 벤치마크한 arXiv 논문입니다. 1,248개 human reviewed rubric decision을 기준으로 GPT-5-mini, source relevance pass class F1 0.908, factual support와 pass rate drift 같은 지표를 비교 대상으로 제시합니다.
왜 지금 보나: RAG와 리서치 에이전트의 품질은 답변 문장보다 인용이 실제 근거를 지지하는지에서 자주 무너집니다. frontier model만 쓰는 대신 작은 judge와 drift 모니터링으로 비용과 품질을 나눠 관리할 수 있는지 검토할 만합니다.
원문 보기원문 링크: https://arxiv.org/abs/2607.08700
핵심 메시지
최근 7일 흐름은 AI 기능 발표보다 평가, 인프라, 실제 운영 기준으로 무게중심이 이동한다는 점입니다.
하루치 링크보다 7일 누적 근거를 보면 반복되는 주제가 드러납니다. 이번 분석 기간에서는 agent/eval/infra/life sciences 흐름을 함께 보는 것이 더 유용합니다.
전일자 기준 핵심
전일자 기준 핵심 · 2026-07-10 · nvidia-developer-blog · novelty=new
AI Model Co-Design: Hardware-Friendly LLM Design
무슨 뉴스인가: NVIDIA 개발자 블로그는 LLM 설계 단계에서 하드웨어 친화성을 함께 맞추는 모델 공동 설계 방식을 정리했습니다. hidden size를 128의 배수, 가능하면 256 또는 512 단위에 맞추고 NVFP4 양자화, TensorRT Model Optimizer, LLM Compressor, expert parallelism 같은 배포 도구와 병렬화 제약을 초기에 반영하는 것이 핵심입니다.
무엇이 중요한가: 모델 구조를 만든 뒤 서빙 단계에서만 최적화하면 Blackwell 계열 GPU의 GEMM 효율, 메모리 대역폭, 양자화 경로를 놓치기 쉽습니다. LLM 서비스 개발자는 아키텍처 선택과 추론 비용을 같은 표에서 검토해야 합니다.
오늘 볼 포인트: 새 모델이나 파인튜닝 후보를 볼 때 hidden size, layer 수, quantization 형식, TensorRT-LLM 적용 가능성을 먼저 확인하세요.
다음 행동: 현재 serving benchmark 템플릿에 hidden size 배수, NVFP4 지원, TensorRT-LLM 변환 가능 여부를 체크 항목으로 추가하세요.
장기 맥락: extends
출처 신호: tier 1 official/primary source
전일자 핵심 원문 보기원문 링크: https://developer.nvidia.com/blog/ai-model-co-design-hardware-friendly-llm-design
반복 관찰된 흐름
에이전트 평가/운영 품질 반복 신호
에이전트 평가/운영 품질 반복 신호입니다. 반복된 항목들은 개별 링크를 다시 읽기보다 평가 기준, 보안 경계, 운영 체크리스트로 묶어 보는 편이 유용합니다. 이번 메일에서는 같은 카드를 반복 노출하지 않고, 원문 묶음을 통해 어떤 흐름이 계속 강화되는지만 압축합니다.
지난 발송 대비: 새로운 독립 결론이라기보다 최근 발송 이후에도 같은 흐름이 유지되는 신호입니다. 이번 메일의 주요 항목은 주간/월간 누적 트렌드 메모에도 반영되어, 반복·강화·비판 신호를 다음 리포트에서 이어서 볼 수 있습니다.
장기 흐름: 이번 메일의 주요 항목은 주간/월간 누적 트렌드 메모에도 반영되어, 반복·강화·비판 신호를 다음 리포트에서 이어서 볼 수 있습니다.
읽는 법: 반복 출처를 내부 체크리스트로 바꾸세요. tool schema, secret redaction, benchmark fixture, latency/rollback 기준 중 빠진 항목을 하나 골라 다음 실험에 넣는 것이 좋습니다.
묶어서 볼 출처
- NVIDIA Nemotron Achieves Benchmark-Leading Performance With LangChain Deep Agents Harness · nvidia-blog
- GLM 5.2 is nearly as accurate as a human book keeper · hnrss-frontpage
- Synthetic Data Generation for Financial AI Research with NVIDIA NeMo · nvidia-developer-blog
- Mistral's Robostral Navigate: a state of the art robotics navigation model · hnrss-frontpage
- Show GN: 고전 게임을 한글화하는 방법론을 담은 에이전트 스킬 · geeknews
- Show HN: Microsoft releases Flint, a visualization language for AI agents · hnrss-frontpage
반복 항목은 개별 카드로 재노출하지 않고, 변화가 있는지와 어떤 체크리스트로 바꿀지만 압축했습니다.
30초 요약
이번 메일은 AI Model Co-Design: Hardware-Friendly LLM Design, Launch HN: Context.dev (YC S26) – API to get structured data from any website를 중심으로 최신 수집 신호를 읽습니다.
근거 출처는 arxiv-cs-cl, hnrss-ai, hnrss-frontpage 등이며, 각 항목은 적용 조건과 확인할 리스크를 분리해 봅니다.
출처 범위: 기업/공식 발표 · 오픈소스/개발자 도구 · 커뮤니티 반응
핫 오픈소스/도구 레이더
미리 알아두면 좋은 LLM 개발 도구, 런타임, SDK, 구현 방법론을 따로 골랐습니다.
오픈소스/도구 · hnrss-ai · 2026-07-07
AI Meets Cryptography 1: What AI Found in Cloudflare's Circl
왜 핫한가: Cloudflare CIRCL 실험 암호 라이브러리에 AI audit pipeline을 적용해 7개 실제 버그를 확인했다는 글입니다. threshold RSA의 float64 precision loss, attribute based encryption access control break 같은 사례가 언급됩니다.
먼저 볼 것: AI Meets Cryptography 1: What AI Found in Cloudflare's Circl 원문에서 확인되는 구체 변경, 적용 조건, 리스크를 기준으로 실험 후보와 watch 후보를 분리하세요. API 변화, 라이선스, 운영 제약, 실패 조건을 함께 확인하세요.
신호: Cloudflare CIRCL 실험 암호 라이브러리에 AI audit pipeline을 적용해 7개 실제 버그를 확인했다는 글입니다. threshold RSA의 fl...
원문 보기원문 링크: https://blog.zksecurity.xyz/posts/circl-bugs
출처별 핵심 소식
공식 발표, 오픈소스/도구, 커뮤니티 신호를 섞어 읽을 수 있게 정리했습니다.
기업/공식 · hnrss-frontpage · 2026-07-09
Launch HN: Context.dev (YC S26) – API to get structured data from any website
요약: Launch HN: Context.dev (YC S26) – API to get structured data from any website 항목은 에이전트 기능보다 도구 호출, 상태, 실패 복구, 관측 가능성을 어떻게 설계하느냐가 핵심입니다.
읽는 법: Launch HN: Context.dev (YC S26) – API to get structured data from any website에서는 tool schema, 권한 경계, timeout/retry, 실패 로그를 먼저 확인하세요. 성공 데모보다 실패했을 때 어디서 멈추고 어떻게 복구하는지가 운영 품질을 가릅니다.
원문 보기원문 링크: https://www.context.dev/
다음 행동
- 공식 릴리스와 연구 근거를 분리해 읽고, 실제 도입 가능성이 높은 항목만 실험 후보로 올린다.
- 반복 등장하는 주제는 다음 리포트에서도 이어서 추적하고, 실제 적용 사례와 평가 기준을 비교하세요.
- 먼저 써볼 것: Launch HN: Context.dev (YC S26) – API to get structured data from any website (hnrss-front…
더 자세한 근거와 전체 기사 목록은 첨부된 상세 리포트에서 확인할 수 있습니다.
새로 잡힌 watch 후보
장기 지식으로 확정하기엔 이르지만, 최근성 때문에 확인할 만한 신규 수집 신호입니다.
승격 후보 · nvidia-developer-blog · 2026-07-10
Accelerating End-to-End Co-Folding Performance with NVIDIA BioNeMo Agent Toolkit
이 글 요약: Accelerating End-to-End Co-Folding Performance with NVIDIA BioNeMo Agent Toolkit 관련 본문에서 NVIDIA-accelerated, structure-prediction, workflow, cuEquivariance, optimized, inference가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: Accelerating End-to-End Co-Folding Performance with NVIDIA BioNeMo Agent Toolkit은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
원문 보기원문 링크: https://developer.nvidia.com/blog/accelerating-end-to-end-co-folding-performance-with-nvidia-bionemo-agent-toolkit
승격 후보 · nvidia-developer-blog · 2026-07-10
Reducing High-Bandwidth Memory Bottlenecks in JAX-Based LLM Training with Host Offloa...
이 글 요약: Reducing High-Bandwidth Memory Bottlenecks in JAX-Based LLM Training with Host Offloading 관련 본문에서 Learn, more, Large, language, model, training가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: Reducing High-Bandwidth Memory Bottlenecks in JAX-Based LLM Training with Host Offloading은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
원문 보기원문 링크: https://developer.nvidia.com/blog/reducing-high-bandwidth-memory-bottlenecks-in-jax-based-llm-training-with-host-offloading
승격 후보 · nvidia-developer-blog · 2026-07-10
Kernel Fusion in NVIDIA CUDA: Optimizing Memory Traffic and Launch Overhead
이 글 요약: Kernel Fusion in NVIDIA CUDA: Optimizing Memory Traffic and Launch Overhead 관련 본문에서 this, post, learn, kernel, fusion, improve가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: Kernel Fusion in NVIDIA CUDA: Optimizing Memory Traffic and Launch Overhead은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
원문 보기원문 링크: https://developer.nvidia.com/blog/kernel-fusion-in-nvidia-cuda-optimizing-memory-traffic-and-launch-overhead
승격 후보 · youtube-ibm-technology-official · 2026-07-10
Reddit cracks down on AI slop & the future of AI compute
이 글 요약: Reddit cracks down on AI slop & the future of AI compute 관련 본문에서 Reddit, cracks, down, slop, future, compute가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: Reddit cracks down on AI slop & the future of AI compute은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
주의: 스폰서/프로모션성 문구가 섞여 있어 신호 강도를 낮게 봐야 합니다.
원문 보기원문 링크: https://www.youtube.com/watch?v=WHFLWrnFc1E
소개 · langchain-blog · 2026-07-10
Introducing OpenWiki Brains, general-purpose wiki memory for agents
이 글 요약: Introducing OpenWiki Brains, general-purpose 장기 맥락 memory for agents 관련 본문에서 Introducing, OpenWiki, Brains, general-purpose, 장기 맥락, memory가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: Introducing OpenWiki Brains, general-purpose 장기 맥락 memory for agents은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
주의: 보조 신호이므로 장기 지식이나 운영 판단으로 쓰기 전 원문과 1차 근거 확인이 필요합니다.
원문 보기원문 링크: https://www.langchain.com/blog/introducing-openwiki-brains-general-purpose-wiki-memory-for-agents
소개 · hnrss-show · 2026-07-10
Show HN: Runloom – Go-style coroutines for Python free-threaded
이 글 요약: Show HN: Runloom – Go-style coroutines for Python free-threaded 관련 본문에서 body, urlopen, timeout, 10, read, print가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: Show HN: Runloom – Go-style coroutines for Python free-threaded은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
주의: 원문 페이지 잡음을 제거한 뒤 남은 단서만 요약했으므로 원문에서 실제 변경점과 반론을 다시 확인하세요.
원문 보기원문 링크: https://github.com/robertsdotpm/runloom
소개 · hnrss-frontpage · 2026-07-10
After 7 years in production, Scarf has reluctantly moved away from Haskell
이 글 요약: After 7 years in production, Scarf has reluctantly moved away from Haskell 관련 본문에서 After, 7, years, production, Scarf, reluctantly가 확인됩니다. 이 세부사항을 바탕으로 agent가 기사 내용을 다시 요약해야 합니다.
왜 볼 만한가: After 7 years in production, Scarf has reluctantly moved away from Haskell은 실제 적용 조건과 운영 영향을 분리해서 볼 항목입니다. 지원 범위, 보안 조건, 비용 또는 성능 회귀 가능성을 실험 체크리스트에 넣어 확인하세요.
주의: 보조 신호이므로 장기 지식이나 운영 판단으로 쓰기 전 원문과 1차 근거 확인이 필요합니다.
원문 보기원문 링크: https://avi.press/posts/2026-07-10-after-7-years-in-production-scarf-has-reluctantly-moved-away-from-haskell.html
한눈에 보는 판세
한눈에 보는 판세
최근 7일 흐름은 AI 기능 발표보다 평가, 인프라, 실제 운영 기준으로 무게중심이 이동한다는 점입니다. 하루치 링크보다 7일 누적 근거를 보면 반복되는 주제가 드러납니다. 이번 분석 기간에서는 agent/eval/infra/life sciences 흐름을 함께 보는 것이 더 유용합니다. 이번 리포트는 How to Run RL Autoresearch with Agent Skills | Nemotron Labs, Reddit cracks down on AI slop & the future of AI compute, AI Model Co-Design: Hardware-Friendly LLM Design 같은 최신 근거와 Build and run long-running agents in Foundry Agent Service, Fable 5, GPT-5.6 and the high stakes of AI safeguards. Agentic ransomware, ClickFix reigns supreme, NVIDIA Nemotron Achieves Benchmark-Leading Performance With LangChain Deep Agents Harness 등 누적 근거를 함께 봅니다. 읽는 관점은 단순 뉴스 소비가 아니라 AI 앱을 운영 가능한 시스템으로 만드는 데 필요한 retrieval 품질, DB freshness, agent workflow, 평가 데이터, serving 비용, 커뮤니티 관심 신호를 한 화면에서 비교하는 것입니다.
무엇이 달라졌나
- 주요 반복 흐름: Open Source Models/Tooling, Agentic AI, Evaluation
- 핵심 해석: RAG/Data Quality, Agentic AI, Evaluation
- 커뮤니티 인기 신호와 공식/기술 근거를 분리해, 관심도와 사실성을 별도로 읽도록 구성했습니다.
왜 중요한가
- RAG와 agent는 별개 기능이 아니라 같은 품질 체계 안에서 평가해야 합니다.
- 오픈소스 릴리스는 바로 도입보다 breaking change, migration note, benchmark 유무를 먼저 봐야 합니다.
- HN/GeekNews/Lobsters의 인기 글은 시장 관심을 보여주지만, 제품 판단 근거로 쓰기 전 교차 확인이 필요합니다.
오픈소스/도구 신호
- Launch HN: Context.dev (YC S26) – API to get structured data from any website (hnrss-frontpage, Hotness 38): 실험 후보로 저장하고 원문 변경 로그에서 breaking change 여부 확인
- AI Meets Cryptography 1: What AI Found in Cloudflare's Circl (hnrss-ai, Hotness 34): 실험 후보로 저장하고 원문 변경 로그에서 breaking change 여부 확인
커뮤니티 관심 신호
- AI Meets Cryptography 1: What AI Found in Cloudflare's Circl (hnrss-ai, 커뮤니티 discovery 신호): 오픈소스 도구 신호입니다. 실제 agent workflow나 inference stack에 붙일 수 있는지 검토하세요.
- A Prolog library for interfacing with LLMs (lobsters-ai, Lobsters engineering discussion 신호; RSS에는 점수/댓글 수가 제한적으로만 포함됨): 오픈소스 도구 신호입니다. 실제 agent workflow나 inference stack에 붙일 수 있는지 검토하세요.
- Launch HN: Context.dev (YC S26) – API to get structured data from any website (hnrss-frontpage, 커뮤니티 discovery 신호): 오픈소스 도구 신호입니다. 실제 agent workflow나 inference stack에 붙일 수 있는지 검토하세요.
다음 행동
- RAG/vector DB/retrieval pipeline에서 freshness, recall, context precision, citation traceability를 어떻게 평가할지 확인
- LangGraph/LangChain/MCP 기반 workflow에서 state transition과 tool boundary를 어떻게 평가할지 확인
- agent/RAG benchmark는 실제 서비스 task, regression trace, security/secret leakage 기준으로 나눠 추적
- 본문이 얇게 수집된 출처는 selector 개선 후 재수집하고 공식 문서로 교차 확인
전주 대비 흐름
비교 기간: 2026-06-27 ~ 2026-07-03 → 2026-07-04 ~ 2026-07-10
2026-07-04 ~ 2026-07-10에는 오픈소스/도구 신호가 2026-06-27 ~ 2026-07-03보다 늘었습니다.
해석: 2026-06-27 ~ 2026-07-03에는 모델/API 릴리스, 오픈소스/도구, 연구/논문, 커뮤니티 관심 쪽이 많이 보였고, 2026-07-04 ~ 2026-07-10에는 모델/API 릴리스, 오픈소스/도구, 연구/논문, 커뮤니티 관심 쪽으로 관심이 옮겨갔습니다. 증가 신호는 모델/API 릴리스, 오픈소스/도구, 오픈소스/도구입니다.
해석 신뢰도: medium
주제 축 변화
- RAG/검색/데이터: 2026-07-04 ~ 2026-07-10 296건 / 2026-06-27 ~ 2026-07-03 375건 / 감소 (-79)
- 평가와 품질 관리: 2026-07-04 ~ 2026-07-10 236건 / 2026-06-27 ~ 2026-07-03 280건 / 감소 (-44)
- 에이전트와 도구 호출: 2026-07-04 ~ 2026-07-10 438건 / 2026-06-27 ~ 2026-07-03 469건 / 감소 (-31)
- 서빙/런타임/운영: 2026-07-04 ~ 2026-07-10 165건 / 2026-06-27 ~ 2026-07-03 218건 / 감소 (-53)
- 보안/거버넌스: 2026-07-04 ~ 2026-07-10 248건 / 2026-06-27 ~ 2026-07-03 284건 / 감소 (-36)
출처 유형 변화
- 기업/공식 발표: 2026-07-04 ~ 2026-07-10 24건 / 2026-06-27 ~ 2026-07-03 26건 / 감소 (-2)
- 오픈소스: 2026-07-04 ~ 2026-07-10 275건 / 2026-06-27 ~ 2026-07-03 222건 / 증가 (+53)
- 커뮤니티 관심: 2026-07-04 ~ 2026-07-10 625건 / 2026-06-27 ~ 2026-07-03 680건 / 감소 (-55)
- 연구/논문: 2026-07-04 ~ 2026-07-10 714건 / 2026-06-27 ~ 2026-07-03 926건 / 감소 (-212)
- 기타: 2026-07-04 ~ 2026-07-10 197건 / 2026-06-27 ~ 2026-07-03 201건 / 감소 (-4)
핫 오픈소스/도구 레이더
hnrss-frontpage · 2026-07-09
Launch HN: Context.dev (YC S26) – API to get structured data from any website
요약: Context.dev는 웹사이트에서 structured data를 뽑아 agent에 넘기는 API로 소개됐습니다. Scrape, Crawl, Extract, Enrich, Markdown, Brand Images, Sitemap, Screenshot 같은 산출물을 한 API로 제공한다는 점이 핵심입니다.
읽는 법: 작은 경쟁사 사이트 3개를 대상으로 자체 crawler 결과와 structured output 품질을 비교하세요.
원문 열기원문 링크: https://www.context.dev/
커뮤니티 관심 신호
hnrss-ai · 2026-07-07
AI Meets Cryptography 1: What AI Found in Cloudflare's Circl
요약: Cloudflare CIRCL 실험 암호 라이브러리에 AI audit pipeline을 적용해 7개 실제 버그를 확인했다는 글입니다. threshold RSA의 float64 precision loss, attribute based encryption access control break 같은 사례가 언급됩니다.
읽는 법: 내부 보안 리뷰에는 바로 도입하지 말고 작은 라이브러리에서 재현 가능한 버그 찾기 benchmark를 구성하세요.
원문 열기원문 링크: https://blog.zksecurity.xyz/posts/circl-bugs
주요 기사
hnrss-ai · 2026-07-07 · research
Automating AI Away
요약: Karpathy의 OpenAI 연구자 자동화 언급을 출발점으로, Beagle SCM 개발자가 Anthropic Fable을 쓰며 겪은 코드 리뷰와 설계 판단의 한계를 설명합니다. 모델이 nit를 찾는 능력과 사람이 유지보수 결정을 내리는 책임을 분리해 다룹니다.
읽는 법: 현재 자동화 repo의 skill과 review command에 복잡도 축소, 제거 판단, 실패 재현 항목을 추가할 후보로 읽으세요.
원문 열기원문 링크: https://replicated.live/blog/away
다음에 볼 것
- RAG/vector DB/retrieval pipeline에서 freshness, recall, context precision, citation traceability를 어떻게 평가할지 확인
- LangGraph/LangChain/MCP 기반 workflow에서 state transition과 tool boundary를 어떻게 평가할지 확인
- agent/RAG benchmark는 실제 서비스 task, regression trace, security/secret leakage 기준으로 나눠 추적
- 본문이 얇게 수집된 출처는 selector 개선 후 재수집하고 공식 문서로 교차 확인
확인 필요
- 일부 raw Markdown은 feed excerpt 수준이므로 깊은 기술 판단 전 원문 확인 필요
- 커뮤니티 출처는 초기 신호로만 사용하고 공식 출처로 교차 검증 필요