제조업 개발자를 위한 AI 에이전트 프로젝트 1차를 마치며 얻은 세 가지 교훈을 정리합니다. 평가 기준과 롤백이 있을 때 프롬프트 개선을 에이전트에 맡기는 방법, 데이터 규모에 맞춘 온톨로지 저장소 선택, 부가 로직이 핵심 로직을 가리기 시작할 때의 코드 정리 기준을 다룹니다.

GraphDB와 RAG 사이에서 고민하다 도달한 결론. 데이터가 작을 때는 온톨로지를 YAML 문서로 정의해 컨텍스트에 통째로 넣는 것이 더 정직한 선택인 이유와, 언제 다음 단계로 넘어가야 하는지를 정리합니다.

ReAct와 Plan-and-Execute 두 에이전트 전략을 LangGraph로 직접 구현하고 비교한 실전 기록. 그래프 구조, 상태 설계, 재계획 주기와 컨텍스트 격리라는 두 축의 차이를 실제 코드와 실행 로그로 정리합니다.

제조업 개발자를 위한 AI 에이전트를 만들며 예시 데이터를 다룬 방식과 판단 기준을 기록합니다. 컨텍스트 엔지니어링 관점에서 에이전트가 예시를 골라 넣게 한 이유, 예시 선택 자체의 평가, 벡터 검색과 파인튜닝으로 넘어가는 기준, 학습 데이터 치환 원칙을 다룹니다.

2026년 9월 회고입니다. 제조업 AI Agent 회사 입사와 진행 중인 프로젝트, 기도제목 관리 앱 두모모 출시 준비, 보컬 트레이닝과 영어 공부, 그리고 둘째의 100일까지 한 달을 돌아봅니다.

GPU, TPU, NPU는 무엇이 다르고 언제 무엇을 쓸까. 딥러닝이 왜 전용 칩을 필요로 하는지(연산량과 데이터 이동)에서 출발해, 범용 병렬 프로세서 GPU, 시스톨릭 어레이 기반 TPU, 온디바이스 추론용 NPU의 구조와 트레이드오프, 스펙 시트를 읽는 법과 실무 선택 기준까지 정리합니다.

멀티에이전트 시스템의 두 근본 문제인 토큰 비용과 안정성을 어떻게 다룰 것인가. 되돌릴 수 있는 작업과 없는 작업을 나누는 두 층의 평가, 자기 개선(self-evolving)의 함정과 안전장치를 Anthropic의 사례를 바탕으로 정리합니다.

LangGraph는 왜 저수준(low-level) 프레임워크인가. State·Node·Edge라는 원초적 부품으로 흐름을 직접 설계하는 방식과, 체크포인트·human-in-the-loop 같은 운영 안전장치까지 함께 제공하는 이유를 Why→How 관점으로 정리합니다.

ReAct 논문(Reasoning + Acting)이 푼 문제와 해결 방식을 정리합니다. 생각만 하는 Chain-of-Thought와 행동만 하는 방식의 한계, 그리고 Thought·Action·Observation을 번갈아 반복하는 ReAct의 구조를 Why→How 관점으로 풀어봅니다.

에이전트의 도구(tool)란 무엇이며, 도구 사용은 어떻게 평가하는가. 결정적 시스템과 비결정적 에이전트 사이의 계약으로서의 도구, 그리고 도구 선택·실행 에러·결과 품질이라는 세 층의 평가를 정리합니다.