Go Gradually - Repository

서론하네스 엔지니어링은 AI를 단순 "입력으로 랜덤한 출력을 받는 도구"가 아닌, 관리할 수 있는 도구로의 변화를 이끌고 있다. 프롬프트에서 하네스까지 — AI 에이전틱 패턴 4년의 기록엔지니어링의 엄밀함은 사라지지 않는다 — 이동할 뿐이다. AI 에이전틱 패턴 4년의 기록bits-bytes-nn.github.io하지만, 이미 돌아가고 있는 기존 서비스에 하네스를 적용하기 위해선, 기존 코드에 하네스 관련 도구가 준비되어 있어야 한다.당연히 현재는 그렇지 않기 때문에, 하네스 엔지니어링이 실무자에게 적극적으로 선택되지는 않는다. 하지만, 분명히 하네스 엔지니어링은 개발 패러다임의 전환을 이끌고 있다.코드 레벨까지 뜯어보며 리뷰하는 것에서 벗어나, 점차 리뷰 수준을 LLD→HLD→SRS(PRD) 수준까지 ..

개발은 코딩이 아니라 의사결정의 연속이다. 변수명을 뭘로 할지, DB를 뭘 쓸지, API를 어떻게 설계할지.하루에도 수십 번의 선택이 쌓여서 하나의 시스템이 된다.그런데 이 선택들이 전부 같은 무게를 가지는 건 아니다.어떤 결정은 한번 내리면 2년 동안 팀 전체를 옥죄고, 어떤 결정은 내일 당장 뒤집어도 아무도 모른다. 문제는 많은 개발자들이 이 무게를 구분하지 못한다는 것이다.가벼운 결정에 이틀을 쓰고, 무거운 결정을 점심시간에 "일단 이거로 가죠" 하고 넘긴다.이 감각의 부재가 기술 부채의 진짜 원인이다. 그래서 백엔드 의사결정을 네 단계로 나누고, 각각에 얼마만큼의 에너지를 쓰는 것이 적정한지 이야기해보려 한다.Tier 1. 되돌릴 수 없는 결정어떤 결정들인가시스템의 뼈대에 해당하는 결정들이다. 잘..

들어가며새로운 도메인 개념이 등장했을 때, 개발자가 가장 먼저 마주하는 질문이 있다."이 테이블, 어느 DB에 만들지?" 얼핏 단순해 보이는 이 질문은, 사실 객체의 책임을 어디까지로 볼 것인가라는 설계 판단 그 자체다. 그리고 이 판단의 근거는 놀랍게도 코드나 ERD가 아니라, 비즈니스가 그 개념을 어떤 맥락에서 변경하고 싶어 하는가에 있다.상황: "단백질 초코바"는 어디에 속하는가기존 시스템에 두 개의 데이터베이스가 있다고 가정하자.DB관리 대상핵심 관심사식료품 DB과자, 음료, 초콜릿 등맛, 용량, 유통기한, 원재료영양제 DB비타민, 유산균, 오메가3 등성분 함량, 일일 권장량, 인증어느 날, PM이 말한다."단백질 초코바 상품을 새로 관리해야 해요."단백질 초코바. 이름을 뜯어보면 두 세계의 언어..

본 글은 AI의 코드 리뷰가 필요하다 라는 관점에서 작성된 글입니다.최근에 AI 코드를 리뷰하지 않고 커밋하는 경우도 많다는 걸 알고 있으며,이러한 개발방식을 선호하시는 분들은 글이 유의미하지 않을 수 있습니다. 본 글은 제가 기본적으로 알고 있는 지식과 적용하던 절차를 바탕으로 작성된 글입니다.이 과정이 만약 비효율적이거나 더 좋은 방법이 있다면, 언제든 수정될 수 있습니다.최신 수정일자: 2026/03/15 요새는 구현 부분을 AI가 많이 대체하고 있다. 과거에는 기존에 TDD/구현을 직접 해보면서 요구사항 분석에 깊이가 깊어지던 시간이 있었다.이 과정은 코드 산출물을 직접 만들면서 요구사항을 이해했기 때문에, 코드 작성 시간 시점에서 효율적이었다. 하지만, 이젠 코드 자체의 작성 시간이 AI로 인해..

최신 버전은 아래 구조와 다를 수 있습니다. 공식 문서를 참고하여, 버전이 맞는 지 확인해 주시기 바랍니다. 시작하기 | 토스페이먼츠 개발자센터토스페이먼츠 결제 연동하는 클라이언트, 서버 개발자가 꼭 읽어야할 문서를 추천해드려요. 빠르게 개발을 시작해보세요.docs.tosspayments.com 결제 이해하기온라인 결제: https://docs.tosspayments.com/guides/v2/get-started/online-payment결제 흐름 이해하기: https://docs.tosspayments.com/guides/v2/get-started/payment-flow이 글 보다 당신에게 딱 맞출 수 있는, Toss Payments 공식 문서: https://docs.tosspayments.com/g..

나는 이전에 -120대에서 MountainCar 구현을 마무리 지었지만, 공식 문서에서는 100개 이상의 trials에서 -110 이상의 Reward를 문제 해결의 기준으로 판단한다. MountainCar v0A toolkit for developing and comparing reinforcement learning algorithms. - openai/gymgithub.com 그래서, 이러한 찜찜함을 제거하기 위해, MountainCar 문제에 마저 도전을 수행해보았다.DDQN 적용 Double DQN 최적 행동 선택과 행동 가치 평가(Q값 평가)의 신경망 분리 학습 시의 실시간 모멘텀을 가치 평가와 분리하면, 순간적으로 가치가 높아진 잘못된 행동을 계속 선택하는 현상을 막을 수 ..

앞서, k3s로 쿠버네티스에 대한 정보를 대략적으로 이해했다. 'Article - 깊게 탐구하기/kubernetes, k8s 적용기' 카테고리의 글 목록목표: 핀잇 실사용자 1명 이상 달성하기 글은 비정기적으로 7시에 올라옵니다.go-gradually.tistory.com 클러스터 내에 노드 등록각 노드의 적절한 리소스를 할당하는 방식을, "마스터 노드(컨트롤 플레인)"에서 관리쿠버네티스가 어렵다고 하는 가장 큰 이유선점형/비선점형 리소스 할당을 이용해, 직접 관리하는 것이제 k3s 가 자동으로 진행해주던 부분을 직접 해보며, k8s를 좀 더 깊게 써보자.기본 개념 1 - kubeadm, kubectl, kubelet의 구분기본 개념 2 - 목표 상태 설정모든 노드: k8s 설치 준비모든 노드: k8s ..

최근 다음 동영상을 보면서, 갑자기 나도 궁금해졌다. 블러 처리된 데이터, 실무에선 어떻게 처리할까? 이러한 처리 방식을 최근 잡플래닛에서 많이 봤었는데, 내가 본 이 기능은 실제로 어떻게 구현했는지 궁금해졌다. 그래서 확인해봤다. img 태그를 이용해 보여주고 있는 것을 확인할 수 있었다. https://jpassets.jobplanet.co.kr/production/uploads/material/media/12357/review_blind_desktop.svg 그리고 해당 링크를 들어가보니, SVG 파일이었다. 이 방식이 정답은 아니겠지만, 이런 걸 알아가는게 소소한 재미가 되는 것 같다.

프로젝트 진행 과정나의 경우, 3시간 동안 다음과 같은 흐름으로 프로젝트를 진행했다.기조와 근거는 다음과 같다.요구사항 문서 분석 및 체크리스트 분해도메인 규칙/예외 정책 설계API 설계 및 테스트 케이스 도출동시성 제어 전략 비교(비관적/낙관적/원자적/트랜잭션 분리)구현 후 코드-문서 동기화간단하게, 이 글의 목차를 Good/Bad로 구분해 전개한다.현재 프로젝트에서 잘 한 것구현 우선순위 결정평가 우선순위 파악 후 구현 순서 결정 (작동 -> 데이터 주입 -> 동시성 제어, 병렬로 사용법 문서화)클린 아키텍처AI가 작성한 코드가 최소한의 아키텍처 지침을 준수하도록 작성코드 리뷰 속도 상승수강 신청의 동시성 처리 단순화학생 테이블에 락 걸기동시성 처리 방식 별 테스트 환경 구축트랜잭션 경계 설정REPE..

이번 설의 목표는 오픽이다. 예전에 오픽 시험을 준비하고 싶다면, "오픽노잼" 동영상을 정주행하는 것을 추천받았다. 여기에 AI를 이용해 대화해보면서 오픽 연습을 하고 싶었는데, 시중에 존재하는 모델들은이미 학습되어, 정해진 대로만 답변받거나자체 학습 데이터를 바탕으로만 공부해야 한다.다들 각자 원하는 선생님을 통해 오픽을 연습하고 싶을텐데,정작 나와 대화하는 대상이 나와 다른 선생님을 통해 공부했다면, 피드백에 대한 신뢰도가 떨어질 것이다. 그래서, 본 서비스 "OMyPIc"을 기획하게 됐다.목차제품 개요주요 기능챗봇학습 룰북질문 리스트 & 학습 모드 지원오답노트API 키 삽입1. 제품 개요사용자는 오픽 학습을 시작하고 대화형으로 빠른 피드백을 원한다.기존 보이스 모델은 커스터마이징이 제한되어, 사용자..