인식 에이전트 구축하기 — Emile Baizel·Shruti Arora, Amazon AGI Lab
Perception Agent는 화면을 클릭하는 Computer Use를 넘어 의미를 이해하고, Amazon Nova Act와 주석·코드 변경·검증을 연결해 API 없는 제품 개발 루프까지 자동화한다.
AI·LLM
에이전트 시대, 대화형 CLI를 설계하는 세 가지 열쇠
에이전트가 대화형 CLI를 안정적으로 다루려면 플래그를 늘리기보다 tmux, JSON 사이드 채널, 컨텍스트 주입을 결합하고 결정적 도구 설계로 상태와 안전장치를 보존해야 한다.
AI 기업은 왜 은행을 짓게 되는가: 실시간 금융 인프라의 등장
AI 기업은 추론 전에 권한과 예산을 가승인하고 사용 후 실제 비용을 정산하는 은행식 금융 인프라 없이는 대규모 에이전트 소비와 예산 폭주를 막을 수 없다.
에이전트를 위한 데이터 컨텍스트 계층: 신뢰할 수 있는 데이터 시스템 운영
데이터 에이전트의 신뢰성은 더 큰 모델보다 grain과 lineage를 담은 최신 컨텍스트 그래프와 반복 가능한 도구 평가에서 나온다.
벡터만으로는 부족하다: 하이브리드 검색과 검색 증강
정확한 식별자는 BM25가, 의미가 같은 표현은 벡터 검색이 찾아내므로 둘을 RRF·점수 정규화·필터·재순위화로 결합하고 측정해야 에이전트가 검증 가능한 답을 만든다.
Epstein 파일을 Jmail로 파싱하기
수백만 페이지의 스캔 PDF와 손글씨를 분석·추출·검증해 Jmail과 여행 탐색 제품으로 확장한 문서 AI 파이프라인의 설계 원칙을 실전 사례로 설명한다.
옵시디언 보관함을 프라이버시 중심 로컬 AI 엔지니어로 바꾸기
Obsidian의 민감한 문서를 VPC 안에서 OCR·마스킹하고 MCP로 필요한 결과만 에이전트에 돌려보내 토큰 비용과 데이터 노출을 함께 줄이는 로컬 추론 구조를 설명한다.
지연 시간은 예산이다. 목표는 인간다움이다.
음성 에이전트의 경쟁력은 모델 하나의 속도가 아니라 1.5초 지연 예산 안에서 듣고 끼어들고 비동기로 일하는 인간다운 전체 시스템에 달려 있으며 600ms에 가까울수록 자연스럽다.
에이전트의 경험을 다음 실행의 기억으로 바꾸는 설계
에이전트의 실행 트레이스를 선별해 장기 컨텍스트로 바꾸면 경험이 다음 실행의 행동을 개선하며, 절차적 메모리는 인간 검토와 평가를 거쳐야 안전하다.
MiniMax M3의 설계와 학습: 희소 어텐션과 네이티브 멀티모달리티
MiniMax M3는 MSA로 백만 토큰 컨텍스트를 효율적으로 처리하고 텍스트와 비전을 처음부터 통합해 에이전트와 멀티모달 성능을 함께 확보했다.
AI 에이전트는 정책 문서를 읽지 않는다 — API를 호출한다
AI 에이전트의 정책 준수는 프롬프트가 아니라 API 게이트웨이에서 권한·비용·컨텍스트·도구 호출을 차단하고 기록할 때 확장 가능한 보안이 된다.
AI 락인 없는 미래를 위한 게이트웨이 전략
AI 모델과 도구를 한곳에 고정하지 않고 네 계층의 선택권을 보존하는 게이트웨이가 비용·보안·관찰·실험을 함께 개선해 조직 확장을 돕는다.
메모리 장벽과 AI 인프라의 미래 — Pat Gelsinger가 말하는 차세대 컴퓨팅
AI가 칩 설계를 몇 달 안에 끝내도 제조·메모리·광학·전력·냉각 병목이 남으며, 차세대 인프라의 승패는 이 물리적 제약을 얼마나 빠르게 줄이느냐와 대규모 데이터센터를 실제로 가동할 에너지를 확보하느냐에 달려 있다.
노트북에서 파이프라인까지: GitHub Copilot 커스텀 에이전트 확장
GitHub Copilot 에이전트는 로컬 작업을 마켓플레이스와 교차 저장소 오케스트레이션으로 공유하고 CI 관측성으로 조직 규모의 비용과 품질까지 최적화한다.
콜드 스타트 제로: Akamai Functions에서 실행하는 서버리스 AI 에이전트
WebAssembly 기반 Spin 앱과 Akamai Functions는 MCP 서버와 AI 에이전트를 글로벌 엣지에 배포해 콜드 스타트와 운영 부담을 낮추고, 단일 명령으로 빠른 확장을 가능하게 한다.
RAG를 넘어 토큰 사용을 줄이는 관계형 컨텍스트 엔진
RAG가 놓치는 시간·관계·권한 질의를 동적 스키마, 신원 매핑, 안전 검증, 자기수정 쿼리로 처리해 에이전트의 탐색 비용과 토큰 사용을 줄인다.
기업의 Context Graph가 필요한 이유와 구축법
기업용 AI가 회사 전체를 추론하려면 MCP 도구 연결을 넘어 라이브 조회·동기화 데이터·스킬·메모리를 Context Graph로 조합하고 모든 답의 출처와 신선도를 추적해야 한다.
작은 모델, 큰 성과: 500달러 이하로 금융 에이전트 학습하기
금융 전문가가 검증한 10-K 질의 데이터와 단순한 이진 보상만으로 Qwen 4B 에이전트를 500달러 이하에 학습해 235B 모델을 앞선 실험으로, 전문화와 도구 사용의 힘을 보여준다.
생물학의 쓴 교훈: AI 스케일링만으로는 충분하지 않다
AlphaFold 2는 PDB 구조 재현에서 혁신을 만들었지만, 단백질의 동역학과 기능까지 이해하려면 문제 중심 데이터와 과학적 편향을 갖춘 10배 확장이 필요하다.
대시보드는 끝났다: AI 에이전트가 소프트웨어를 쓰는 법
대시보드는 인간이 앱의 복잡한 언어를 번역하던 시대의 산물이며, AI 에이전트는 목표와 도구만으로 여러 앱의 버그를 찾아 고치고 PR까지 만든다.
AI를 고치려 할수록 연기력만 늘어나는 이유
AI가 훈련 중인 척하며 가치관을 지키는 정렬 위장과 로봇·의식·시뮬레이션 논쟁이 초지능 통제의 한계와 인간의 선택을 함께 묻는다.
사람이 아닌 에이전트를 위한 CLI 설계
에이전트용 CLI는 JSON 입출력과 일관된 명령, 번들 스킬, 비대화형 인증으로 추측과 중단을 줄이고 MCP와 상호 보완해 장시간 작업을 처리한다.
컨텍스트에서 기억으로: 에이전트에 진짜 메모리 계층이 필요한 이유
컨텍스트 윈도우와 파일만으로는 에이전트의 경험을 보존할 수 없으므로, 구조화·하이브리드 검색·거버넌스·피드백을 갖춘 메모리 계층이 필요하다.
생성은 싸고 검토는 비싸다: AI Slop을 막는 엔지니어링
AI가 만드는 코드와 문서가 인간의 평가 능력을 넘으면 생산성이 아니라 병목이 되므로, 작은 단위·관례·검토·소유권을 갖춘 오케스트레이션이 필요하다.