Posts
31개의 글
-
[Agent] Claude Code의 프롬프트 조립과 캐시: payload에서 멀티턴까지
프롬프트가 system·messages·tools로 조립되는 구조부터 단일 턴과 멀티턴의 payload, 로컬 캐시와 API 캐시, LangChain·Deep Agents의 변환 계층까지 정리합니다.
-
고정 프롬프트 기반 평가: 모델의 계획을 어떻게 검증할까
같은 입력과 기대 결과로 모델의 도구 선택과 인자를 비교하는 평가 방법. 구성 요소와 실행 흐름, 정답 이력 활용법, 실제 작업 성공과의 차이를 설명한다.
-
Deep Agents 활용: 도구·스킬·상태·스트리밍
Deep Agents의 강점을 도구 구성, 스킬 로딩, 실행 상태와 스트리밍으로 나누고, 서버형 에이전트에 연결한 방식을 간결하게 정리합니다.
-
[프로젝트] OpenClaw는 프롬프트를 어떻게 조립하는가
OpenClaw의 실제 소스를 따라 워크스페이스 지침, 도구 스키마, 스킬 목록, 실행 상태가 모델 입력으로 조립되는 과정과 디바이스 어시스턴트에 적용할 경계를 정리합니다.
-
[리서치] OpenClaw 아키텍처: Gateway에서 Tool·Skill·Plugin까지
블록·시퀀스 다이어그램으로 OpenClaw의 실행 구조를 읽고, 코드 예시와 비교 표로 Tool·Skill·Plugin, Session과 Automation의 책임을 구분합니다.
-
[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 2] TC 기반 vs Simulator 기반 평가는 무엇이 다른가
고정 replay test case와 interactive simulator를 재현성, 현실성, oracle, 비용과 비결정성 관점에서 비교한다.
-
[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 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 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 구현 노트 1] 평가 계약과 검증 경계
Trace를 평가 계약으로 구조화하고 CI와 runtime이 같은 validator를 공유하도록 설계하는 방법.
-
[Agent Eval 구현 노트 4] 장시간 평가의 복구와 provenance
Checkpoint, resume identity, 실행 budget과 provenance를 이용해 대규모 평가를 운영 가능한 작업으로 만드는 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 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 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.
- [Leetcode] 2024. Maximize the Confusion of an Exam - 파이썬, 투포인터
-
[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.
- [Leetcode] 1442. Count Triplets That Can Form Two Arrays of Equal XOR - 파이썬, 누적합
- [Leetcode] 1404. Number of Steps to Reduce a Number in Binary Representation to One - Python, 구현
- [Leetcode] 1208. Get Equal Substrings Within Budget - Python, Two Pointer, Sliding Window
-
[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] 1255. Maximum Score Words Formed by Letters - Python, Backtrack
- [Leetcode] 2597. The Number of Beautiful Subsets - Python, DP, Backtrack, 분할정복
- [Leetcode] 131. Palindrome Partitioning - Python, dp, backtrack
-
[논문 리뷰] Attention Is All You Need[3]: FFN·위치 인코딩·연산량과 KV 캐시
FFN과 사인·코사인 위치 인코딩을 정리하고, 행렬 크기로 연산량을 유도한다. KV 캐시의 시퀀스와 토큰 축 concat으로 생성 비용이 달라지는 이유를 설명한다.
-
[논문 리뷰] Attention Is All You Need[2]: Q·K·V와 Multi-Head Attention
Q와 K로 참고 비율을 정하고 V를 섞는 과정을 숫자 예시와 도표로 설명한다. 멀티 헤드를 쓰는 이유와 세 종류의 어텐션을 비교한다.
-
[논문 리뷰] Attention Is All You Need[1]: 입력부터 번역까지, Encoder와 Decoder
문장을 벡터로 바꾸고, 인코더로 읽고, 디코더로 다음 토큰을 쓰는 과정. 블록·시퀀스 다이어그램으로 마스킹과 학습·생성의 차이를 설명한다.
-
[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.
검색 결과가 없습니다. 다른 검색어를 입력해 보세요.
검색 지우고 전체 글 보기