본문 바로가기

728x90
반응형

전체 글

(4372)
67.js란 무엇인가? MCP 기반 AI 에이전트로 제어하는 WebGL2 3D 렌더링 엔진 최근 AI 에이전트의 활용 범위가 텍스트 생성과 코드 작성에서 3D 콘텐츠 제작 영역까지 확장되고 있습니다. 특히 AI 에이전트가 직접 3D 장면을 구성하고, 오브젝트를 수정하며, 이미지와 영상까지 생성할 수 있다면 콘텐츠 제작 방식에도 새로운 가능성이 열릴 수 있습니다.이러한 흐름에서 주목할 만한 프로젝트가 바로 67.js입니다.67.js는 WebGL2 기반의 3D 렌더링 엔진으로, MCP(Model Context Protocol) 서버를 통해 AI 에이전트가 3D 장면을 생성하고 수정할 수 있도록 설계되었습니다. 지형, 식생, 캐릭터, 액체, 차량 등 다양한 3D 콘텐츠를 지원하며, PNG 이미지와 MP4 영상으로 결과물을 내보낼 수 있습니다.특히 3D 장면을 일반적인 데이터 구조로 관리하고, AI ..
Docling: 다양한 문서를 구조화된 데이터로 변환하는 오픈소스 문서 처리 프레임워크 기업에서 생성되는 데이터는 PDF, Word, Excel, PowerPoint, 이미지 등 다양한 형태로 존재합니다. 특히 생성형 AI를 활용해 문서 기반 질의응답이나 RAG(Retrieval-Augmented Generation) 시스템을 구축하려면 이러한 문서에서 필요한 정보를 정확하게 추출하고, AI가 이해할 수 있는 형태로 변환하는 과정이 중요합니다.하지만 일반적인 문서 텍스트 추출 방식은 문서의 레이아웃이나 표 구조, 읽기 순서 등을 제대로 반영하지 못하는 경우가 있습니다. PDF에 포함된 표나 이미지, 복잡한 문서 구조까지 처리하려면 별도의 문서 분석 기술이 필요합니다.이러한 문제를 해결하기 위한 오픈소스 프로젝트가 바로 Docling입니다.Docling은 IBM Research Zurich의..
RESTler를 활용한 REST API 퍼징 테스트와 클라우드 서비스 보안 및 안정성 강화 REST API는 클라우드 서비스와 다양한 애플리케이션을 연결하는 핵심 인터페이스입니다. 하지만 API가 복잡해지고 여러 요청이 서로 의존하는 구조로 발전할수록 일반적인 테스트만으로는 모든 동작과 예외 상황을 검증하기 어려워집니다. 특히 특정 요청이 먼저 실행되어야만 다음 요청이 정상적으로 처리되는 API에서는 단순히 개별 엔드포인트를 호출하는 방식만으로 잠재적인 오류를 발견하는 데 한계가 있습니다.Microsoft Research에서 개발한 RESTler는 이러한 문제를 해결하기 위한 상태 기반(Stateful) REST API 퍼징(Fuzzing) 테스트 도구입니다. OpenAPI 명세를 분석해 API 간의 요청 의존성을 파악하고, 다양한 요청 조합과 실행 순서를 통해 클라우드 서비스의 보안 및 안정..
프롬프트 엔지니어링부터 AI 에이전트까지, LLM 학습을 위한 오픈소스 자료 모음 LLM을 공부하다 보면 생각보다 많은 자료 앞에서 막막해집니다. 프롬프트 엔지니어링부터 인컨텍스트 러닝(In-Context Learning), 검색 증강 생성(RAG), AI 에이전트까지 알아야 할 주제는 계속 늘어나는데, 정작 어디서부터 시작해야 할지 판단하기 어렵기 때문입니다.논문을 하나씩 찾아 읽자니 관련 연구가 너무 많고, 실제 활용 방법을 익히려 해도 자료가 여러 곳에 흩어져 있습니다. 최신 연구 흐름과 실무에 활용할 수 있는 학습 자료를 함께 살펴볼 수 있다면 훨씬 효율적으로 공부할 수 있겠죠.이럴 때 참고할 만한 자료가 바로 EgoAlpha Lab의 오픈소스 GitHub 저장소입니다. 이 저장소는 프롬프트 엔지니어링과 인컨텍스트 러닝을 중심으로 LLM 관련 논문, 실험 도구, 활용 사례, 학..
Meta Muse Ember: 비용 효율성과 실행 능력을 강화한 경량 AI 모델의 특징과 주요 성능 분석 AI 기술이 발전하면서 모델의 성능뿐만 아니라 실제 서비스 환경에서 얼마나 빠르고 효율적으로 작업을 처리할 수 있는지도 중요한 경쟁 요소가 되고 있습니다. 특히 AI 에이전트가 다양한 도구를 호출하고, 코드를 분석하며, 대규모 문서를 처리하는 환경에서는 높은 추론 능력과 함께 비용 및 처리 속도까지 고려해야 합니다.Meta가 2026년 11월 9일 공개한 Muse Ember는 이러한 요구에 초점을 맞춘 경량 AI 모델입니다. 복잡한 추론 실행과 반복적인 에이전트 작업을 효율적으로 처리하도록 설계됐으며, 코딩, 도구 호출, 데이터 추출, 문서 분석 등 실제 업무 환경에서 자주 발생하는 작업에 최적화된 것이 특징입니다.특히 Meta가 공개한 평가 결과에 따르면 Muse Ember는 일부 주요 AI 모델과 비..
Univer로 구현하는 웹 기반 오피스 환경: 오픈소스 스프레드시트·문서 SDK의 구조와 활용 방법 기업이나 서비스에서 스프레드시트와 문서 편집 기능을 제공하려면 어떤 방법을 선택해야 할까요? 일반적으로 외부 오피스 솔루션을 연동하거나, 서비스의 요구사항에 맞춰 편집 기능을 직접 개발하는 방법을 고려할 수 있습니다. 하지만 자체 애플리케이션에 필요한 편집 기능을 구현하려면 데이터 관리부터 화면 구성, 수식 계산, 편집 이력 관리까지 다양한 요소를 함께 고려해야 합니다.이러한 개발 부담을 줄이는 방법 중 하나가 오픈소스 기반의 오피스 SDK를 활용하는 것입니다. Univer는 기존 애플리케이션에 스프레드시트와 문서 편집 기능을 통합할 수 있도록 지원하는 오피스 SDK입니다. 웹 기반 편집 환경뿐 아니라 콘텐츠 모델, 수식 계산, 플러그인 구조, 애플리케이션 연동을 위한 API 등을 제공한다는 특징이 있습..
Claude Quickstarts로 살펴보는 Claude API 기반 AI 애플리케이션 개발 가이드 AI 기술이 빠르게 발전하면서 기업과 개발자들은 대규모 언어 모델(LLM)을 활용해 다양한 애플리케이션을 개발하고 있습니다. 특히 고객 지원, 데이터 분석, 브라우저 자동화, 자율형 코딩 에이전트 등 AI를 실제 서비스와 업무 환경에 적용하려는 요구가 커지고 있습니다.하지만 Claude API를 활용해 애플리케이션을 처음부터 개발하려면 API 연동부터 도구 설정, 에이전트 구성, 사용자 인터페이스 구현까지 여러 기술 요소를 고려해야 합니다. 각 기능을 직접 설계하고 구현하는 과정은 개발자에게 적지 않은 부담이 될 수 있습니다.Anthropic은 이러한 개발 과정을 지원하기 위해 Claude Quickstarts라는 오픈소스 프로젝트 모음을 제공하고 있습니다. Claude Quickstarts는 Claud..
jcode: 다중 AI 코딩 에이전트를 효율적으로 실행하는 고성능 터미널 개발 환경 AI 코딩 에이전트를 활용하면 여러 개발 작업을 동시에 진행할 수 있습니다. 하지만 에이전트 실행 수가 늘어날수록 메모리 사용량이 증가하고, 터미널 반응 속도가 느려지는 문제가 발생할 수 있습니다. 특히 여러 에이전트가 하나의 프로젝트에서 동시에 작업한다면 리소스 관리뿐 아니라 코드 변경 사항을 공유하고 충돌을 방지하는 기능도 중요해집니다.이러한 문제를 해결하기 위해 소개할 기술이 jcode입니다. jcode는 여러 AI 코딩 에이전트를 병렬로 실행하면서도 시스템 리소스 사용량과 응답 지연을 최소화하는 데 초점을 맞춘 터미널 기반 코딩 에이전트입니다.단순히 여러 에이전트를 실행하는 것을 넘어, 에이전트 간 협업과 작업 관리, 자체 코드 수정 및 개선 기능까지 지원한다는 점이 특징입니다.이번 글에서는 Gi..
AI 에이전트 개발의 품질을 높이는 평가 주도 개발(Eval-Driven Development, EDD) AI 에이전트를 개발할 때 가장 일반적으로 사용하는 방법은 프롬프트를 작성하고, 몇 가지 질문을 직접 입력해 결과를 확인한 뒤, 프롬프트를 수정하는 과정을 반복하는 것입니다. 초기에는 이러한 방식만으로도 에이전트의 문제점을 쉽게 발견하고 개선할 수 있습니다. 하지만 에이전트의 기능이 복잡해지고 처리해야 하는 요청이 다양해질수록 문제가 달라집니다. 최근 변경한 내용이 실제로 성능을 개선했는지, 기존에 정상적으로 동작하던 기능에 영향을 주지는 않았는지 판단하기 어려워지기 때문입니다.이러한 문제를 해결하기 위한 접근 방식이 평가 주도 개발(Eval-Driven Development, EDD)입니다. EDD는 에이전트가 수행해야 하는 작업과 성공 기준을 먼저 정의하고, 이를 평가할 수 있는 테스트 환경을 구축한..
1,000개의 AI 에이전트가 페르마의 마지막 정리를 증명한 방법, 멀티 에이전트 협업 기술의 가능성 AI 에이전트가 여러 개의 작업을 동시에 수행하는 수준을 넘어, 서로 협력하며 수십 년간 해결되지 않았던 수학적 난제의 형식 증명을 재현할 수 있을까요?Anthropic이 공개한 실험 결과에 따르면, 초기 버전의 Claude Fable 5.2를 기반으로 구성한 1,000개의 AI 에이전트가 페르마의 마지막 정리(Fermat's Last Theorem)에 대한 형식 증명을 재현하는 데 성공했습니다. 특히 이번 실험은 기존 연구에서 활용했던 전용 협업 플랫폼이나 연구자의 직접적인 작업 지시 없이 진행됐다는 점에서 주목할 만합니다.1,000개의 에이전트는 Git과 PostgreSQL 기반의 공유 데이터베이스를 활용해 작업을 분배하고, 진행 상황을 공유하며, 복잡한 증명 과정을 작은 단위로 나누어 해결했습니다...

728x90
반응형