/users
/posts
/slides
/apps
/books
mysetting
/users
/posts
/slides
/apps
/books
12:37 5/31
haandol.github.io
12:37
haandol.github.io
Haandol
https://haandol.github.io/
TL;DR
최종 피드 수집: 2026-11-17 06:16
전체 (91)
7h
AX의 두 축 2: 개발팀에 에이전틱 엔지니어링 도입하기
TL;DR
BC의 한 시점 코드와 문서만으로 업무와 구현을 설명할 수 있어야 한다.
업무 조회와 코드 탐색에 서로 다른 도구를 쓴다.
반복해서 검증한 작업부터 자동화 범위를 넓힌다.
시작하며
소프트웨어 팩토리는 AI 에이전트가 요
0
0
0
읽기모드
1d
AWS Emulator로 배우는 소프트웨어 팩토리 구축
TL;DR
L2로 PMF를 확인한 뒤 자동화 범위를 넓힌다.
검증된 실패를 다음 개발 작업으로 연결한다.
실행·평가·복구를 재사용 가능한 솔루션으로 만든다.
시작하며
AI가 코드를 대부분 작성하는 제품은 이미 많다. 하지만 사람이
0
0
0
읽기모드
12d
전사 AX를 하려면 어떤 플랫폼을 갖춰야 할까
TL;DR
전사 AX에는 각 축을 담당하는 플랫폼이 필요하다.
플랫폼의 산출물은 다음 단계의 입력으로 이어져야 한다.
공통 지식과 운영 체계는 여러 팀이 함께 사용해야 한다.
시작하며
최근 하네스 엔지니어링, AI 코딩 리뷰의 인
0
0
0
읽기모드
19d
완전 서버리스로 서버비 낮춰 버티기
TL;DR
PMF를 찾을 때까지 운영 고정비를 낮게 유지한다.
애플리케이션 서버를 상시 켜두지 않는다.
개발·배포 환경도 낮은 비용으로 유지한다.
시작하며
사이드 프로젝트나 1인 창업으로 제품을 만들 때, 출시하고 나서 바로 사용
0
0
1
읽기모드
29d
AI 코드가 늘어난 뒤의 병목 — Anthropic의 리뷰와 소스 관리 정리
TL;DR
Claude Code 팀은 변경 위험도에 따라 사람의 리뷰를 배분한다.
Scion 사례는 코드 생성 이후의 인프라 병목을 보여준다.
리뷰 자동화의 효과는 운영 품질과 함께 평가한다.
시작하며
AI가 코드를 빠르게 만들어
0
0
1
읽기모드
1M
Jev 가 만들어진 이유.
TL;DR
Jev의 실사용 우세에는 RLCD의 기여가 클 것이라 추측한다.
결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라 예상한다.
RLCD는 그런 학습을 위한 유력한 접근이라고 생각한다.
시작하며
Jev가 나오
0
0
2
읽기모드
1M
Software Factory를 돌리기 전에 정해야 할 것들
TL;DR
Software Factory는 개발과 검증, 운영 피드백을 반복하는 시스템이다.
자율적으로 맡길 범위가 넓어질수록 Eval이 더 중요해진다.
목표 지표에는 품질 저하를 드러낼 tension metrics를 함께 둔다.
0
0
0
읽기모드
1M
에이전트 애플리케이션 평가 플레이북
TL;DR
하나의 사용자 흐름과 최소 성공 조건부터 정한다.
Trace 분류와 반복 평가는 가능한 한 자동화한다.
목표 지표와 텐션 메트릭으로 개선을 함께 판단한다.
시작하며
영어 연습을 도와주는 앱을 만들었다고 하자. 사용자가
0
0
0
읽기모드
1M
에이전트가 강해질수록, 서비스의 해자는 어디로 옮겨갈까
TL;DR
비즈니스의 해자가 애플리케이션 레이어에서 데이터로 옮겨가고 있다.
에이전트가 여러 서비스를 이용하는 다음 웹 브라우저가 될 것이다.
MCP나 플러그인으로 서비스의 데이터와 기능을 에이전트에 연결하려고 한다.
시작하며
최
0
0
3
읽기모드
2M
내가 믿지 않는 방향을 더는 전달할 수 없어서 — AI-DLC와 이직을 결심한 이유
TL;DR
AI-DLC의 방향은 내가 믿는 에이전틱 엔지니어링의 미래와 반대에 가깝다.
개발자 출신인 나는 제품의 결과를 함께 소유하고 학습하는 팀이 더 필요해졌다.
시작하며
최근 지금의 역할과 내가 믿는 방향 사이의 거리를 오래
0
0
3
읽기모드
2M
AWS AI-DLC에 대한 단상 — 내가 믿는 에이전틱 개발의 방향
TL;DR
AI-DLC는 컨셉·프로세스·구현 전반에서 내가 믿는 에이전틱 개발과 크게 다르다.
개발자 출신인 나는 제품의 결과를 함께 소유하고 학습하는 팀이 더 필요해졌다.
시작하며
최근 지금의 역할과 내가 믿는 방향 사이의 거리
0
0
3
읽기모드
2M
Agent로 개발을 자동화한 다음, 개발자는 어디로 갈까
TL;DR
Agent로 개발이 빨라지면 업무 프로세스가 다음 병목이 된다.
외부 FDE가 떠난 뒤 SOP와 평가를 고칠 사람이 필요하다.
고전 개발자의 다음 형태 중 하나가 FDE인 것 같다.
시작하며
최근 기존 개발자가 앞으로
0
0
3
읽기모드
2M
같은 AI 도구를 썼는데 왜 어떤 팀은 10배까지 빨라졌을까 — Frontier Development의 다섯 습관
TL;DR
같은 도구에서도 일하는 방식에 따라 성과가 크게 갈렸다.
Frontier 팀은 다섯 가지 습관으로 Agent의 자율성을 높였다.
코드 다음 병목은 리뷰와 의사결정이었다.
시작하며
최근 CTS-SW 글을 정리하면서 AI
0
0
3
읽기모드
2M
AI로 코드는 빨리 만들었는데 왜 리뷰는 더 힘들까 — 이동한 인지부하 줄이기
TL;DR
AI는 구현 과정의 인지부하를 리뷰 시점으로 옮긴다.
사람은 코드보다 비즈니스 계약을 이해해야 한다.
계약 준수와 숨은 가정이 드러나야 HITL을 줄일 수 있다.
시작하며
고객과 AI 코딩에 관해 이야기하다가, Agen
0
0
5
읽기모드
2M
AI로 코드는 빨리 만들었는데, 왜 리뷰는 더 힘들까 — Builder Experience에 대한 생각
TL;DR
AI는 구현의 집중 시간을 리뷰의 인지부하로 옮긴다.
Builder Experience의 병목은 사람의 이해 속도다.
계약 기반 리뷰가 HITL 제거에 더 유리해 보인다.
시작하며
얼마 전 Max Kanat-Alexan
0
0
4
읽기모드
2M
AI 도입 성과는 언제 비즈니스 지표로 봐야 할까 — AHEAD·LEVER 다시 보기 2/2
TL;DR
Shape에서는 하네스와 리뷰 부담의 변화를 본다.
Scale에서는 CTS-SW와 비즈니스 성과를 함께 본다.
AHEAD와 LEVER는 종합점수가 아닌 질문 목록이다.
시작하며
1/2 글에서 설명한 3S를 처음 정리했을
0
0
5
읽기모드
3M
AI 코딩 도구가 정말 개발 비용을 줄였을까 — CTS-SW 시작하기
TL;DR
CTS-SW는 고객에게 전달된 소프트웨어 단위당 비용을 본다.
개발과 배포 중 한쪽만 빨라지면 다른 쪽이 병목이 된다.
AI 효과는 테스트·CI/CD·배포 안전장치가 갖춰질수록 커진다.
시작하며
AI 코딩 도구를 도입하
0
0
4
읽기모드
3M
프로덕션에서 살아남는 하네스 0층 만들기 — ALPS와 ADR로 추상화 경계 지키기
TL;DR
저장소의 모든 텍스트는 최신 컨텍스트여야 한다.
ALPS Writer는 요구사항을 source of truth로 지킨다.
요약과 태스크는 세션 안에서만 휘발시킨다.
시작하며
최근 모델이 좋아지면서 에이전틱 개발에 필요했
0
0
2
읽기모드
4M
망하지 않는 게 먼저인 이유
TL;DR
성공은 저마다 다르지만, 실패는 비슷한 이유로 온다.
성공법은 아무도 모르니, 할 수 있는 건 시도 횟수를 늘리는 것이다.
실험이 싸지는 환경을 먼저 만들고, AI로 시도 비용을 낮춘다.
시작하며
옛날에 사업을 하다가
0
0
3
읽기모드
5M
EncBird에 하네스를 한 겹씩 씌워온 과정 — 실전 하네스 엔지니어링
TL;DR
하네스 엔지니어링은 에이전트에게 자율성을 부여하기 위한 것이다.
처음부터 거창하게 설계하는 게 아니라, 에이전트가 실수할 때마다 한 겹씩 덧씌워 쌓아가는 점진적 과정이다.
시작하며
이전 글들에서 하네스 엔지니어링이 무엇
0
0
4
읽기모드
About
Badge
Contact
Activity
Terms of service
Privacy Policy