전체 글

더보기1. 생성형 AI (Generative AI) 개요1-1. 개념1-2. 참고자료2. 주요 모델 및 활용 사례2-1. 이미지 생성2-2. 비디오 생성2-3. AI 이미지 편집2-4. 과학 및 물리 AI2-5. 참고 링크3. 디퓨전 모델 (Diffusion Model) 핵심3-1. 개념3-2. 성능 우위3-3. 분류3-4. 작동 흐름도 1. 생성형 AI (Generative AI) 개요1-1. 개념대화, 이미지, 영상, 단백질 구조 등 새로운 콘텐츠와 아이디어를 창조하는 AI 기술 핵심 트렌드2024~2025년 기술 트렌드의 핵심이며, 최근 Agentic AI와 Physics AI로 영역 확장 중 데이터 흐름도 사용자 입력(텍스트/조건) ──▶ 생성형 AI 모델 ──▶ 새로운 콘텐츠 생성(이미지/영..

더보기0. 요약1. 문제 발생 인지2. 원인 파악2-1. 두 가지 대안 — Render 유료화 vs 이메일 API2-2. 무료 원칙에 따라 이메일 API로 결정3. 해결방안 모색 및 적용3-1. Brevo 도입 및 코드 재작성3-2. 발신자 도메인이 바뀌어 나가는 걸 발견3-3. "그냥 넘기려다" 발견한 진짜 문제 — 회신 불가3-4. 다른 서비스에서도 같은 문제가 생기는지 확인 (Resend)4. 최종 결과4-1. 결과 정리4-2. 느낀 점 0. 요약한줄 요약: "SMTP만 피하면 되는 줄 알았는데, 이메일 API도 결국 같은 벽 앞에 서 있었다." Part 7-1에서 Render Free의 SMTP 포트 차단이 근본 원인이라는 게 확정됐다.이를 우회하기 위해 Render 유료 전환과 이메일 API ..

더보기0. 요약1. 문제 발생 인지2. 원인 파악2-1. Render 배포와 기존 스케줄러의 충돌2-2. 외부 크론 도입, 그런데 오히려 이메일이 안 온다3. 해결방안 모색 및 적용3-1. 1차 추정 — 크론이 문제를 유발한 게 아닐까3-2. 재검토 — 그때 로컬 서버도 켜져 있지 않았나3-3. 실험으로 가설 검증3-4. 크론 무죄 확인, 그리고 진짜 로그 확보3-5. 로그를 근거로 진짜 원인 확정 및 Render 공식 자료로 검증4. 최종 결과4-1. 결과 정리4-2. 느낀 점 0. 요약한줄 요약: "크론이 범인인 줄 알았는데, 알고 보니 로컬 서버가 몰래 답을 대신해주고 있었다." 로컬 개발 중엔 백엔드 서버가 꺼지지 않는 한 계속 켜져 있어서, 프로세스 내부 스케줄러(APScheduler)로 아무 ..

더보기0. 요약1. 문제 발생 인지2. 원인 파악2-1. + 조합 선택2-2. 실사용 중 발견된 이상 동작3. 해결방안 모색 및 적용3-1. 원인 조사 — 왜 클릭만으로는 안 열리는가3-2. 1차 완화 시도 — onFocus 시 전체 선택3-2. 1차 완화 시도 — onFocus 시 전체 선택3-4. 되돌리는 김에 함께 고친 것들3-4-1. 월별 실제 일수 반영3-4-2. 오늘 이후 미래 날짜 차단4. 최종 결과4-1. 결과 정리4-2. 느낀 점 0. 요약한줄 요약: "표준 HTML 기능이니 당연히 될 줄 알았는데, 만들어서 직접 써보고 나서야 안 된다는 걸 알았다." 생년월일 select가 연도처럼 4자리 숫자를 매번 클릭/스크롤로 찾아야 해서 불편하다고 느껴,"선택도 되고 직접 타이핑도 되는" 콤..

더보기0. 요약1. 문제 발생 인지2. 원인 파악2-1. hour가 필요한 곳이 한 곳이 아니었다2-2. 이미 검증이 끝난 로직이라는 부담3. 해결방안 모색 및 적용3-1. 가드레일 원칙 수립3-2. calculator.py — hour 옵셔널화 + 플래그 전파3-3. prompts.py / fortune_generator.py — LLM에도 알려주기3-4. api.py — 요청 스키마 옵셔널화3-5. 예상 못 한 벽 — DB가 막고 있었다3-6. PATCH 요청의 애매함 — "안 보냄"과 "명시적으로 지움"을 구분하기3-7. 검증 — 가드레일이 실제로 지켜졌는지 확인3-7-1. 회귀 검증 — 기존 결과가 텍스트 그대로 동일한지3-7-2. 신한은행 재대조 — 정확도 자체가 훼손 안 됐는지3-7-3. 신규..

더보기0. 요약1. 문제 발생 인지2. 원인 파악2-1. 12개와 13개의 차이 — 자시를 쪼개느냐 마느냐2-2. 이게 단순 표기 차이가 아닐 수도 있다는 의심3. 해결방안 모색 및 적용3-1. 근거 확보 — 프로젝트 내부 검증 이력3-2. 근거 확보 — sajupy 라이브러리 자체 확인3-3. 진짜 원인 — hour==23 여부가 시주 일간을 결정3-4. 결정 — 13개로 확정3-4-1. 우리 코드에서의 실제 흐름3-5. 실측 검증 — 코드 분석이 실제 동작과 일치하는지 재확인4. 최종 결과 0. 요약한줄 요약: "표기 차이인 줄 알았는데, 파고드니 실제 계산 결과가 갈리는 문제였다." 생년월일 select 개편 중, 시각 옵션을 그냥 "자시~해시 12개"로 두려다가 서비스마다 개수가 다르다는 걸 발견..

프로젝트 전체 목표 (Big Picture)매일 아침, 사주 기반 오늘의 운세와 날씨를 함께 브리핑해 주는 AI 에이전트 서비스.비로그인 터미널 검증 → API/DB/알림 연동 → 날씨/프론트엔드 연동 → 배포 순으로 단계적으로 확장하며,최종적으로는 이메일과 카카오톡으로 매일 설정한 시간에 자동 브리핑을 받아보는 것이 목표. [Part 1] 핵심 로직 설계 및 검증 (별도 문서)사주 계산 정확도 검증 + LLM 해석 프롬프트 설계, 터미널 환경에서 전체 흐름 완성 [Part 2] API·DB·알림 시스템 구축 (별도 문서)FastAPI화, DB, 이메일 알림, 정보 관리, 스케줄링(자동 발송) [Part 3] 날씨(기상청 API) 연동 (별도 문서)지역 무관 날씨 엔진, 지역명→좌표 변환, 사주+날씨 통..

더보기0. 요약1. 문제 발생 인지2. 검증 과정에서 발견된 문제2-1. 1회차 — 학업운 방향성 및 성별 임의 언급2-2. 2회차 — "신강/신약" 노출 및 "편인" 오탐2-3. 3회차 — 한자 노출 및 소재 동의어 미인정2-4. 4회차 — 문장 템플릿의 획일적 반복2-5. 5회차 — 괄호 노출 및 템플릿 문제 재발2-6. 6회차 — "편인" 오탐의 구조적 재발3. 원인 재분석 및 해결방안3-1. 개별 사례 추가 방식의 한계3-2. 공통 문법 패턴으로 일반화3-3. 채점 함수 자체의 구조적 문제도 발견4. 최종 검증4-1. Held-out 데이터로 일반화 여부 확인5. 결과6. 배운 점6-1. LLM 출력은 한 번의 성공으로 검증할 수 없다6-2. 프롬프트의 예시는 규칙보다 강하게 작동할 수 있다6-3..

더보기번외 — Part 5를 이해하기 위한 최소 개념0. 요약1. 문제 발생 인지2. 원인 파악2-1. 기존 로직의 검증 상태2-2. 신강/신약 판단 로직의 한계2-3. 용신 산출 로직의 한계3. 해결방안 모색 및 적용3-1. 지장간 가중치 계산 방식 보완3-2. 왕상휴수사 가중치 재검토3-3. 신강/신약 판단 로직 개선3-3-1. 통근 반영3-3-2. 월령 반영3-3-3. 지원세력과 소모세력 분리3-4. 진술축미 토왕 반영3-5. 용신 로직 재정의3-6. 지지 십성 계산 방식 재검토3-7. 대운 시작 나이 계산 방식 수정3-8. 절기 데이터 예외처리 보강4. 시행착오4-1. 로직을 변경했지만 신강/신약 판정이 바뀌지 않았던 문제4-2. 토왕 보정으로 특정 오행 수치가 크게 증가한 문제5. 전체 회귀 테..

더보기0. 요약1. 사례 1 — 관리 페이지 탈퇴 확인 버튼이 눌리지 않음1-1. 문제 발생 인지1-2. 원인 파악1-3. 해결방안 모색 및 적용 — 1차 시도1-4. 추가 문제 발견1-5. 해결방안 모색 및 적용 — 2차 시도1-6. 결과 및 배운 점2. 사례 2 — "정보 수정 완료" 메일에 옛 알림 상태가 표시됨2-1. 문제 발생 인지2-2. 원인 파악2-3. 해결방안 모색 및 적용2-4. 결과 및 배운 점3. 사례 3 — 조회 결과를 기다리는 동안 사용자가 폼을 조작할 수 있었음3-1. 문제 발생 인지3-2. 원인 파악3-3. 해결방안 모색 및 적용3-3-1. 폼 전체를 으로 감싸는 방식 적용3-3-2. 시각적 피드백 추가3-4. 결과3-5. 배운 점4. 세 사례를 통해 확인한 공통점 0. 요약한..

더보기0. 요약1. 문제 발생 인지2. 원인 파악3. 해결방안 모색 및 적용 — 1차 시도3-1. 시행착오 1 — 자정~새벽 5시 구간의 API 조회 제약3-2. 시행착오 2 — "가장 최근 발표분"만 사용하면 당일 최저기온을 놓칠 수 있음3-3. 1차 시도 결과 및 한계 인지4. 해결방안 모색 및 적용 — 2차 시도4-1. 시간대별 적용 기준4-1-1. 시간대별 상세 로직: 자정~05시4-1-2. 시간대별 상세 로직: 05~12시4-1-3. 시간대별 상세 로직: 12~18시4-1-4. 시간대별 상세 로직: 18~24시4-2. 강수 표현 우선순위 규칙 도입5. 최종 결과 0. 요약한줄 요약: "API를 연동하는 것보다 데이터를 어떻게 조합할지가 중요했다." 단기예보만 사용 → 최신성 문제 발견1차 해결 ..

더보기0. 자연어 처리의 발전1. 다음 한 토큰2. 어텐션과 트랜스포머3. 프롬프트 엔지니어링4. LangChain — 체인으로 엮기5. 프롬프트 기법6. 구조화 출력7. 도구와 에이전트8. 마무리 0. 자연어 처리의 발전주요 키워드- 단어를 숫자로(임베딩)- RNN의 한계- 어텐션의 등장 요약글(자연어) ──▶ 토큰화 ──▶ 임베딩(숫자 벡터) ──▶ [RNN: 순차 압축, 한계] ──▶ [어텐션: 직접 참조, 병렬] ──▶ 오늘날 LLM- 글은 곧바로 계산할 수 없어 토큰 번호 → 숫자 줄(1,536칸)로 바꾸며, 이 벡터가 뜻을 담도록 학습된다.- 2014년 무렵 RNN 방식은 한 칸씩 앞의 내용을 압축해 넘기다 보니 "먼 단어를 잊고, 순서대로만 계산"돼 병렬화가 안 됐다.- 2017년 등장한 "..

더보기0. 요약1. CNN — CIFAR-10의 한계1-1. 왜 Flatten이 문제인가 — "사람 눈은 이웃을 보고 판단한다"1-2. 합성곱(Convolution) — "같은 도장을 사진 전체에 찍는다"1-3. 채널 — "필터 여러 장 = 여러 종류의 무늬를 동시에 찾기"1-4. 풀링(Pooling) — "약한 반응은 버리고 크기만 줄인다"1-5. CNN 전체 구조 — 세 가지 층의 역할 분담1-6. 결과가 증명하는 것2. 전이학습 — ResNet2-1. 왜 이 방법이 필요한가2-2. 가져오기2-3. 왜 앞단은 그대로 두고 뒤만 바꾸는가2-4. 코드 3단계 — 순서가 핵심인 이유2-5. 계산 최적화 — "얼린 층은 매번 다시 계산할 필요가 없다"2-6. 결과가 보여주는 것2-7. 놓치기 쉬운 함정 — ..

더보기1. 머신러닝1-1. 3가지 학습 방식의 핵심 비교1-2. 머신러닝의 학습 원리 (가중치와 학습) 1-2-1. 가중치(Weight)1-2-2. 추론(Inference)1-2-3. 손실(Loss)1-2-4. MSE(평균제곱오차), 학습이 최소화하려는 숫자1-2-5. 결국 목표는?1-2-6. 기울기(Gradient)1-2-7. 경사하강법(Gradient Descent)1-2-8. 학습 흐름도 (Process Flow)2. 신경망(Neural Network)2-1. 입력층(Input Layer)2-2. 은닉층(Hidden Layer)2-3. 출력층(Output Layer)2-4. 층을 왜 여러 개 쌓는가?2-5. ReLU(활성화 함수)3. NumPy · Tensor · MNIST3-1. 데이터를 어떻게 ..

[2026-07-27] TIL(Today I Learned: 미래의 내가 다시 읽기 위한 학습 로그) 이 포스팅은 당일 배운 내용을 까먹지 않으려고 작성하는 개인적인 공부 일기(TIL)입니다.초보자의 시선에서 이해하기 쉽게 저만의 언어로 비유하고 직관적인 야매(?) 감성을 한 스푼 섞어 의역한 내용이 많습니다. 더보기1. 복습: LangGraph 핵심 개념 정리: Graph, State, Node, Routing, Memory 1-1. Graph / State 1-2. Graph의 실행 과정 1-3. Node 1-4. Edge, Conditional Edge 1-5. Graph 생성과 compile() 1-6. Checkpointer (Memory) 1-7. graph.invoke() 1-8. threa..

시작하기에 앞서, 이번 실습에 대하여.RAG 기본 개념(임베딩, 청킹, 벡터 검색)은 알고 있다고 가정한다.하나의 데모 문서 저장소를 기반으로, 검색·평가·재작성·라우팅·에이전트 구조를 단계적으로 확장하며Modular RAG의 대표 구현 패턴 6가지를 구현한다. 0. Modular RAG란? 0-1. LangGraph와 Modular RAG 0-2. Modular RAG 6가지 구현체 1. 환경 설정 1-1. 패키지 설치 1-2. API Key 설정 1-3. LLM과 Embedding 모델 생성 1-4. 데모 문서 생성 1-5. VectorStore 생성 2. RAG 패턴1: Naive RAG 2-1. 구현 흐름 2-1-1. State 정의 2-1-2. Retriever 생성 2-1-3. Retrieve..

[2026-07-24] TIL(Today I Learned: 미래의 내가 다시 읽기 위한 학습 로그) 이 포스팅은 당일 배운 내용을 까먹지 않으려고 작성하는 개인적인 공부 일기(TIL)입니다.초보자의 시선에서 이해하기 쉽게 저만의 언어로 비유하고 직관적인 야매(?) 감성을 한 스푼 섞어 의역한 내용이 많습니다. 더보기1. LangChain Multi Agent (MAS) 1-1. Multi Agent가 등장한 이유 1-2. Single Agent의 한계 1-2-1. Cognitive Overload (인지적 과부하) 1-2-2. Limited Specialization (전문성의 한계) 1-2-3. Single Point of Failure 1-3. 그래서 Multi Agent(MAS)가 등장했다! 1-..

0. LangGraph를 왜 쓰는가1. LangGraph 핵심 구조1-1. State1-2. Node1-3. Edge2. State 업데이트와 Reducer3. LangGraph 기본 Flow 패턴3-1. Linear (순차 실행)3-2. Conditional Edge (분기)3-2-1. Router 방식: Rule 기반3-2-2. Router 방식: LLM 기반 3-3. Cycle (반복) 3-4. Parallel (병렬) 4. Tool 사용 5. Memory 6. Multi Agent Pattern 6-1. Sequential Pipeline 6-2. Supervisor Pattern 6-3. Reflection Pattern 6-4. Subgraph 7. LangGraph 전체 구조 0. Lang..

1. 실습 목표2. 기본 환경 구성 2-1. 기본 Tool 생성 2-2. 전문 Agent 생성 2-3. create_agent() 이해하기3. 방식 A - SubAgent (Agent as Tool) 3-1. Agent를 Tool로 변환 3-1-1. Context Isolation 동작 방식 3-1-2. Agent Tool 내부의 invoke() 이해 3-1-3. invoke()는 문자열을 반환하지 않는다 3-1-4. 왜 messages[-1]인가? 3-2. Text Agent Tool 만들기 3-3. Supervisor Agent 생성 3-4. 실제 실행 흐름 3-5. 실행 메시지 Trace 확인 3-6. Tool Call 구조 이해 3-7. SubAgent 방식의 핵심 정리 3-8. 장점과 한계4. ..