[프로젝트] OpenClaw 컴포넌트 적용기: Skill·Tool·Hook·Session
서버형 Bixby 에이전트 PoC에서 OpenClaw의 Skill, custom Tool, Plugin Hook, Session과 Automation을 어떻게 조합했고 어떤 한계를 확인했는지 정리합니다.
Posts
새로 작성한 글부터 시간순으로 정리했습니다. 분야별로 찾으려면 Posts by Category에서 시작하세요.
Recent posts
[리서치] OpenClaw 아키텍처: Gateway에서 Tool·Skill·Plugin까지
OpenClaw를 단순한 챗봇이 아니라 Gateway, session, agent loop와 확장 경계로 나누어 읽고, Tool·Skill·Plugin의 역할 차이를 정리합니다.
[Agent Eval 4] TC 중심 설계를 돌아본 Hybrid Evaluation Architecture
고정 TC의 재현성은 유지하면서 trace feedback, executable environment와 simulator를 비용 대비 효과에 맞게 결합하는 설계 회고.
[Agent Eval 3] Evaluation Harness는 무엇을 표준화하는가
Anthropic의 개념 모델, Inspect AI, Harbor와 τ-bench를 비교해 agent evaluation harness가 표준화하는 실행 경계와 남겨 두는 제품 책임을 정리한다.
[Agent Eval 2] TC 기반 vs Simulator 기반 평가는 무엇이 다른가
고정 replay test case와 interactive simulator를 재현성, 현실성, oracle, 비용과 비결정성 관점에서 비교한다.
[Agent Eval 1] 관측에서 평가 자산으로: Trace-to-Eval Data Flywheel
OpenTelemetry와 Langfuse 계열 trace를 검색·선별·정제해 재현 가능한 평가 데이터로 승격하는 파이프라인.
[Agent Eval 구현 노트 4] 장시간 평가의 복구와 provenance
Checkpoint, resume identity, 실행 budget과 provenance를 이용해 대규모 평가를 운영 가능한 작업으로 만드는 방법.
[Agent Eval 구현 노트 3] 경로 채점의 함정과 discovery continuation
복수 정답 path와 structured action을 채점하는 방법, alternative 재호출·중복 제거·전역 argument 무시 정책이 만드는 오판 가능성.
[Agent Eval 구현 노트 2] Multi-step replay의 경계와 teacher forcing
검증된 test case를 runtime request와 expected path로 분리하는 방법, pinned history가 제공하는 재현성과 실제 trajectory를 만들지 못하는 한계.
[Agent Eval 구현 노트 1] 평가 계약과 검증 경계
Trace를 평가 계약으로 구조화하고 CI와 runtime이 같은 validator를 공유하도록 설계하는 방법.
[Device Assistant] 디바이스 어시스턴트 평가는 왜 어려운가
부분적으로 관측되는 기기 상태, 다단계 사용자 개입과 실제 세계의 비가역 동작을 평가하는 방법, 기존 평가기가 풀어낸 문제와 아직 남은 구조적 과제.
[번역·요약] Anthropic이 정리한 AI 에이전트 평가의 기본 구조
Anthropic의 Demystifying evals for AI agents를 바탕으로 task, trial, grader, harness와 반복 가능한 평가 운영법을 한국어로 풀어쓴 요약·해설.
[Agent] 재현 가능한 LLM 에이전트 평가 파이프라인 설계
Trace에서 평가 자산을 만드는 흐름, TC와 simulator의 관계, tool output을 생성하는 environment boundary와 hybrid 평가 구조를 다시 검토한 시리즈.
[Agent] LangChain deepagents SDK 0.7 업데이트 정리
0.6의 코드 인터프리터·델타 채널부터 0.7의 토큰 다이어트와 breaking change까지, deepagents 최신 변경사항을 정리한다.
[프로젝트] 파이썬으로 redis 구현하기[1]
파이썬으로 redis를 구현해보자.
[논문 리뷰] Denoising Diffusion Probabilistic Models [1]
이미지 생성 분야의 핵심 논문 중 하나인 Denoising Diffusion Probabilistic Models을 리뷰한다.
[Generative Model] Variational Inference (변분 추론)
VAE, diffusion에 적용되는 variational inference(bayes)에 대해 정리한다.
[Leetcode] 2024. Maximize the Confusion of an Exam - 파이썬, 투포인터
리트코드 2024번 문제 풀이.
[머신러닝] MLE 기술 면접 대비 질문 - 딥러닝
수학, 통계, 머신러닝, 딥러닝 기술 면접을 위한 문제와 답변 해보기. 본 포스팅은 개념에 대해 깊이 있게 이해한다기 보다는 폭넓게 아는 것에 중점을 둠.
[MLOps] Pickle로 머신러닝 모델 직렬화 및 배포하기
Pickle로 머신러닝 모델 직렬화 및 배포하기
[Leetcode] 1404. Number of Steps to Reduce a Number in Binary Representation to One - Python, 구현
리트코드 1404번 문제 풀이.
[Leetcode] 1208. Get Equal Substrings Within Budget - Python, Two Pointer, Sliding Window
리트코드 1208번 문제 풀이.
[머신러닝] MLE 기술 면접 대비 질문 - 수학, 통계
수학, 통계, 머신러닝, 딥러닝 기술 면접을 위한 문제와 답변 해보기. 본 포스팅은 개념에 대해 깊이 있게 이해한다기 보다는 폭넓게 아는 것에 중점을 둠.
[Leetcode] 131. Palindrome Partitioning - Python, dp, backtrack
리트코드 131번 문제 풀이.
[논문 리뷰] Attention Is All You Need[3]: Feed-Forward, Positional Encoding
자연어 분야의 핵심 논문 중 하나인 Attention Is All You Need을 리뷰한다. 어텐션 알고리즘과 모델 아키택처를 그림과 코드를 통해 이해하고, 병렬성 관점에서 살펴본다.
[논문 리뷰] Attention Is All You Need[2]: Attention
자연어 분야의 핵심 논문 중 하나인 Attention Is All You Need을 리뷰한다. 어텐션 알고리즘과 모델 아키택처를 그림과 코드를 통해 이해하고, 병렬성 관점에서 살펴본다.
[논문 리뷰] Attention Is All You Need[1]: Transformer의 Encoder, Decoder
자연어 분야의 핵심 논문 중 하나인 Attention Is All You Need을 리뷰한다. 어텐션 알고리즘과 모델 아키택처를 그림과 코드를 통해 이해하고, 병렬성 관점에서 살펴본다.
[프로젝트] MVM+: 생성 모델에 metric 심기
AI 학습용 데이터를 진단·개선하는 ‘데이터 클리닉’ 과제. GAN 기반 매니폴드 매칭 생성 모델에 Average Hausdorff loss를 고안해 붙였다.
[프로젝트] 네이버 스니펫 오픈도메인 QA
잘려 있는 검색 스니펫에서 답을 찾는 한국어 QA 모델. 학습 데이터의 90%가 unanswerable인 불균형을 증강으로 보완해 test 점수를 36.0에서 41.9로 올렸다.
[프로젝트] 네이버 쇼핑 이미지 준지도 분류
흔들리고 잘린 실사용자 쇼핑 사진을 레이블 없이 학습에 쓴다. RandAugment와 변형 MixMatch로 top-1 정확도를 56.42에서 69.62로 올렸다.
샘플 포스트
본 포스팅은 샘플 포스트입니다.