#agent

2026년 6월 막 이름이 굳은 "loop engineering"을 기원부터 해부, 프레임워크 루프 제어, 신뢰성·경제성·보안, 벤더 주장 대 독립 반증, 그리고 직접 자율 개발 루프를 운영하며 배운 것까지 정리한다. 검증으로 정정된 통설과, 루프가 오류를 자동으로 없애지 않는다는 솔직한 한계를 함께 다룬다.

2026년 GitHub을 휩쓴 자가 개선 AI 에이전트 5종 - OpenClaw, Hermes Agent, QwenPaw, Claude Code, Codex - 를 아키텍처, 코드 구조, 메모리·스킬 설계, 최신 논문, 커뮤니티 반응까지 깊게 비교한다

챗은 빨라야 하고 long-running 작업은 끊겨도 이어져야 한다. 두 요구를 한 시스템에서 어떻게 reconcile하는가 - 흔한 dual-path 구현의 한계부터 LangGraph Platform / OpenAI Responses / Vercel AI SDK / Cloudflare Agents의 패턴, 그리고 정반대로 가는 OpenAI Realtime까지.

프로덕션 환경에서 LLM 기반 Text-to-SQL을 구축하면서 배운 것들. 동적 스키마 조회, COMMENT 기반 zero-shot, 보안 레이어, 그리고 52문항 5모델 Eval 결과까지 정리한다.

AI 코딩 도구가 넘쳐나는 시대, 실제로 개발 워크플로우를 바꿀 수 있는 방법론 4가지 - BMAD Method, MoAI-ADK, GitHub Spec Kit, Get Shit Done - 를 철학, 워크플로우, 커뮤니티 반응까지 철저하게 비교한다.

워크플로우와 에이전트의 차이점, 그리고 ReAct, Plan-and-Execute, Supervisor 아키텍처의 특징과 장단점을 체계적으로 비교 분석한 포괄적 가이드

Agentic RAG의 개념과 구현 방법을 다룬 TeddyNote 세미나 정리

TeddyNote의 LangGraph를 활용한 에이전트 워크플로우 구축 세미나 정리

LangChain Agent와 Tavily 검색 엔진을 활용한 고급 RAG 시스템 구현 방법과 활용 사례 분석

LangGraph 라이브러리의 개념과 다중 에이전트 협업 시스템 구현 방법 설명

Agentic decision workflow는 에이전트가 GitHub issue, 리서치, ADR, PR, 리뷰 댓글 반영을 자동화하되 사람은 되돌리기 어려운 선택과 trade-off 승인에 집중하는 운영 패턴이다. 실행 기록은 issue/PR에, 결정의 이유는 append-only ADR에, 현재 팀 지식은 mutable wiki에 남기는 3층 구조가 핵심이다.

CLI 도구의 사용성은 기능 추가가 아니라 출력 계약과 동작 규칙의 설계 문제다. TTY 감지로 사람과 기계의 출력 기본값 충돌을 해결하고, 출력 스키마를 API 계약처럼 안정적으로 유지하고, 명령의 의미에 따라 exit code를 분리하면 인간과 에이전트 모두가 예측 가능하게 사용할 수 있는 도구가 된다.

Clidex는 AI 에이전트와 인간 모두를 위한 CLI 도구 발견(discovery) 도구로, Rust로 구현된 BM25 기반 검색 엔진을 갖는다. 5,277개 도구 인덱스를 대상으로 퍼지 매칭, 동의어 확장, edit distance 오타 교정을 지원하며, TTY 감지 기반 출력 형식 자동 전환으로 사람과 에이전트가 동일 명령을 공유할 수 있다.

Cursor의 Project Rules 시스템은 .cursor/rules/ 디렉터리에 YAML+Markdown 파일로 파일 패턴별 AI 동작 규칙을 정의한다. 구버전 .cursorrules 파일보다 유연하고 버전 관리가 가능하며, 팀 코딩 컨벤션 표준화에 효과적이다.

LangFlow는 드래그 앤 드롭으로 AI 워크플로우를 구성하는 MIT 라이선스 오픈소스 도구다(68.5k GitHub stars). LangChain 기반으로 RAG, 에이전트, 멀티에이전트 시스템을 시각적으로 설계하고 API로 배포할 수 있으나, 실제로는 low-code 수준의 학습 곡선이 존재한다.

LLM 기반 Text-to-SQL 시스템을 프로덕션에서 안정적으로 운영하려면 프롬프트 튜닝보다 DB 스키마 품질이 결정적 요소다. 동적 스키마 조회, COMMENT 기반 zero-shot, AST 검증 기반 보안 레이어, 에이전트 위임 방식 self-correction을 조합하면 OLTP 수준 질의에서 높은 정확도를 달성할 수 있다.

LLM Wiki는 원문을 매번 검색해 답하는 RAG 대신, LLM이 raw 소스를 읽어 지속적으로 갱신되는 Markdown 위키를 컴파일·유지하는 패턴이다. 이 블로그는 이미 원본 글(content/AI, Tools 등)과 정제 레이어(content/wiki)를 분리하고 있으므로, raw→wiki ingest, index/log, lint, wikilink 검증, 자동 PR 루틴을 붙이면 개인 블로그를 누적 지식베이스로 발전시킬 수 있다.

misen(mise en place)은 AI 워크플로우의 반복 작업을 Block(dict→dict) 단일 인터페이스로 정의하고 연산자로 조합해 어떤 플랫폼에서든 재사용할 수 있게 하는 Python 라이브러리다. 조합의 결과도 Block이므로 중첩이 자유롭고(닫힘 성질), 플랫폼 어댑터가 LangGraph, MCP, FastAPI 변환을 담당한다.

Second Brain(개인 지식 데이터베이스)에 RAG를 적용하면 컨텍스트 기반 정보 검색과 AI 응답 품질이 동시에 향상된다. 지식이 충분히 축적되면 개인 경험을 가진 Multi-Agent 구현도 가능하다는 아이디어다.

Vibe coding은 Andrej Karpathy가 명명한 개발 철학으로, LLM과 AI 에디터에 코드 생성을 완전히 위임하고 개발자는 의도와 방향에 집중하는 방식이다. Cursor + Composer 조합이 대표적 구현 도구이며, 프로토타입과 주말 프로젝트에 효과적이나 프로덕션 코드에서는 코드 이해 부재가 위험 요소다.