MMIX Blog
게으르고 명석하지 못한 개발자 블로그
홈
카테고리
태그
소개
태그
Data Structure
01-21
택배 배달과 수거하기
09-05
구간 합 구하기
09-05
1장 — 디자인 개념
01-01
11장 — 직렬화
01-31
10장 — 병행성
01-30
9장 — 예외
01-29
8장 — 일반적인 프로그래밍 원칙들
01-28
7장 — 메서드
01-27
6장 — 열거형(enum)과 어노테이션
01-26
5장 — 제네릭
01-25
4장 — 클래스와 인터페이스
01-24
3장 — 모든 객체의 공통 메서드
01-23
2장 — 객체의 생성과 삭제
01-22
1장 — 서론
01-21
Database
02-19
Software Development Methodology
02-19
Java Developer Interview
02-19
Java Developer Interview
02-19
Network
02-19
No Sql
02-19
JPA
07-09
1장 — 디자인 개념
01-01
Srping
07-08
Spark
07-09
데이터 엔지니어 인터뷰 — Spark
08-12
Spark Core · mapPartitions · coalesce
08-11
MSK 커넥터 vs Spark Streaming 비교
08-11
Apache Spark 4.2 / 4.3 신규 기능 정리
08-11
Apache Spark 4.2 / 4.3 신규 기능 정리
08-11
Apache Spark 4.2 / 4.3 신규 기능 정리
08-11
Apache Spark 4.2 / 4.3 신규 기능 정리
08-11
Spark Core · mapPartitions · coalesce
08-11
Apache Spark 4.2 / 4.3 신규 기능 정리
08-11
데이터 엔지니어 인터뷰 — SQL
08-12
Apache Spark 4.2 / 4.3 신규 기능 정리
08-11
데이터 엔지니어 인터뷰 — Kafka
08-12
MSK 커넥터 vs Spark Streaming 비교
08-11
MSK 커넥터 vs Spark Streaming 비교
08-11
데이터 엔지니어 인터뷰 — BigQuery
08-12
Claude Code 통합 가이드
08-12
MSK 커넥터 vs Spark Streaming 비교
08-11
데이터 엔지니어 인터뷰 — Kafka
08-12
데이터 엔지니어 인터뷰 — Flink
08-12
MSK 커넥터 vs Spark Streaming 비교
08-11
Spark Core · mapPartitions · coalesce
08-11
Spark Core · mapPartitions · coalesce
08-11
Spark Core · mapPartitions · coalesce
08-11
Spark Core · mapPartitions · coalesce
08-11
26장 — CLI의 AI 에이전트
09-18
Claude Code 통합 가이드
08-12
14장 — MCP를 활용한 에이전트 구현
09-18
MCP 기반 컨텍스트 관리와 확장 구조
09-10
10장 — 모델 컨텍스트 프로토콜
09-02
Claude Code 통합 가이드
08-12
Claude Code 통합 가이드
08-12
벡터 DB와 지식 저장소 연계 설계
09-09
데이터 엔지니어 인터뷰 — AWS
08-12
데이터 엔지니어 인터뷰 — AWS
08-12
데이터 엔지니어 인터뷰 — AWS
08-12
데이터 엔지니어 인터뷰 — AWS
08-12
데이터 엔지니어 인터뷰 — 데이터 마트 구축
08-12
데이터 엔지니어 인터뷰 — 데이터 거버넌스 구축
08-12
데이터 엔지니어 인터뷰 — dbt
08-12
데이터 엔지니어 인터뷰 — Trino
08-12
데이터 엔지니어 인터뷰 — Spark
08-12
데이터 엔지니어 인터뷰 — SQL
08-12
데이터 엔지니어 인터뷰 — Kubernetes
08-12
데이터 엔지니어 인터뷰 — Kafka
08-12
데이터 엔지니어 인터뷰 — Apache Iceberg
08-12
데이터 엔지니어 인터뷰 — Hadoop
08-12
데이터 엔지니어 인터뷰 — GCP
08-12
데이터 엔지니어 인터뷰 — Flink
08-12
데이터 엔지니어 인터뷰 — BigQuery
08-12
데이터 엔지니어 인터뷰 — Airflow
08-12
데이터 엔지니어 인터뷰 — AWS
08-12
데이터 엔지니어 인터뷰 — Airflow
08-12
13장 — 에이전트 오케스트레이션
09-18
데이터 엔지니어 인터뷰 — Airflow
08-12
데이터 엔지니어 인터뷰 — GCP
08-12
데이터 엔지니어 인터뷰 — BigQuery
08-12
데이터 엔지니어 인터뷰 — 데이터 마트 구축
08-12
데이터 엔지니어 인터뷰 — BigQuery
08-12
데이터 엔지니어 인터뷰 — Flink
08-12
데이터 엔지니어 인터뷰 — GCP
08-12
데이터 엔지니어 인터뷰 — GCP
08-12
데이터 엔지니어 인터뷰 — Hadoop
08-12
데이터 엔지니어 인터뷰 — Hadoop
08-12
데이터 엔지니어 인터뷰 — Hadoop
08-12
데이터 엔지니어 인터뷰 — Apache Iceberg
08-12
데이터 엔지니어 인터뷰 — Apache Iceberg
08-12
데이터 엔지니어 인터뷰 — Apache Iceberg
08-12
데이터 엔지니어 인터뷰 — Kubernetes
08-12
데이터 엔지니어 인터뷰 — Kubernetes
08-12
데이터 엔지니어 인터뷰 — Kubernetes
08-12
데이터 엔지니어 인터뷰 — SQL
08-12
데이터 엔지니어 인터뷰 — Trino
08-12
데이터 엔지니어 인터뷰 — Trino
08-12
데이터 엔지니어 인터뷰 — Trino
08-12
데이터 엔지니어 인터뷰 — dbt
08-12
데이터 엔지니어 인터뷰 — dbt
08-12
데이터 엔지니어 인터뷰 — 데이터 마트 구축
08-12
데이터 엔지니어 인터뷰 — dbt
08-12
데이터 엔지니어 인터뷰 — 데이터 거버넌스 구축
08-12
데이터 엔지니어 인터뷰 — 데이터 거버넌스 구축
08-12
데이터 엔지니어 인터뷰 — 데이터 거버넌스 구축
08-12
데이터 엔지니어 인터뷰 — 데이터 마트 구축
08-12
1장 — 생성형 AI의 부상: 언어 모델에서 에이전트로
09-21
29장 — 결론
09-21
28장 — 코딩 에이전트
09-20
27장 — 작동 원리: 에이전트의 추론 엔진 들여다보기
09-19
26장 — CLI의 AI 에이전트
09-18
25장 — AgentSpace로 에이전트 구축하기
09-17
24장 — 에이전틱 프레임워크 간단히 살펴보기
09-16
23장 — AI 에이전틱 상호작용: GUI에서 현실 환경까지
09-15
22장 — 고급 프롬프팅 기법
09-14
21장 — 탐색과 발견
09-13
20장 — 우선순위 결정
09-12
19장 — 평가와 모니터링
09-11
18장 — 가드레일/안전 패턴
09-10
17장 — 추론 기법
09-09
16장 — 자원 최적화
09-08
15장 — 에이전트 간 통신
09-07
14장 — 지식 검색
09-06
13장 — 휴먼 인 더 루프
09-05
12장 — 예외 처리와 복구
09-04
11장 — 목표 설정과 모니터링
09-03
10장 — 모델 컨텍스트 프로토콜
09-02
9장 — 학습과 적응
09-01
8장 — 기억 관리
08-31
7장 — 멀티 에이전트 협업
08-30
6장 — 계획 수립
08-29
5장 — 도구 사용(함수 호출)
08-28
4장 — 리플렉션
08-27
3장 — 병렬화
08-26
2장 — 라우팅
08-25
1장 — 프롬프트 체이닝
08-24
29장 — 결론
09-21
23장 — AI 에이전틱 상호작용: GUI에서 현실 환경까지
09-15
22장 — 고급 프롬프팅 기법
09-14
21장 — 탐색과 발견
09-13
20장 — 우선순위 결정
09-12
19장 — 평가와 모니터링
09-11
18장 — 가드레일/안전 패턴
09-10
17장 — 추론 기법
09-09
16장 — 자원 최적화
09-08
15장 — 에이전트 간 통신
09-07
14장 — 지식 검색
09-06
13장 — 휴먼 인 더 루프
09-05
12장 — 예외 처리와 복구
09-04
11장 — 목표 설정과 모니터링
09-03
10장 — 모델 컨텍스트 프로토콜
09-02
9장 — 학습과 적응
09-01
8장 — 기억 관리
08-31
7장 — 멀티 에이전트 협업
08-30
6장 — 계획 수립
08-29
5장 — 도구 사용(함수 호출)
08-28
4장 — 리플렉션
08-27
3장 — 병렬화
08-26
2장 — 라우팅
08-25
1장 — 프롬프트 체이닝
08-24
1장 — 생성형 AI의 부상: 언어 모델에서 에이전트로
09-21
27장 — 작동 원리: 에이전트의 추론 엔진 들여다보기
09-19
3장 — 프롬프트 엔지니어링 기초
09-18
5장 — 로컬 및 오픈소스 LLM 활용: Ollama와 허깅 페이스
09-18
4장 — LangChain 입문
09-18
17장 — LLM 평가의 중요성
09-18
1장 — LLM과 RAG 기초
09-17
MCP 기반 컨텍스트 관리와 확장 구조
09-10
RAG 기반 지식 질의응답 시스템 설계
09-08
LLM 활용과 튜닝 — 프롬프트·RAG·파인튜닝 중 무엇을 먼저
09-07
9장 — 학습과 적응
09-01
8장 — 기억 관리
08-31
7장 — 멀티 에이전트 협업
08-30
6장 — 계획 수립
08-29
5장 — 도구 사용(함수 호출)
08-28
4장 — 리플렉션
08-27
3장 — 병렬화
08-26
2장 — 라우팅
08-25
1장 — 프롬프트 체이닝
08-24
1장 — 프롬프트 체이닝
08-24
1장 — 생성형 AI의 부상: 언어 모델에서 에이전트로
09-21
5장 — 로컬 및 오픈소스 LLM 활용: Ollama와 허깅 페이스
09-18
7장 — retrieval 효율 개선을 위한 데이터 전처리
09-18
11장 — LangGraph 입문
09-18
10장 — LangChain의 유연한 AI 스택 구성
09-18
9장 — LangChain을 활용하지 않는다면?
09-18
4장 — LangChain 입문
09-18
8장 — LLM을 효율적으로 사용하는 방법
09-18
6장 — Chroma를 활용한 벡터 저장소 구성
09-18
1장 — LLM과 RAG 기초
09-17
24장 — 에이전틱 프레임워크 간단히 살펴보기
09-16
챗봇 서비스 설계와 프레임워크 선택
09-13
20장 — 우선순위 결정
09-12
8장 — 기억 관리
08-31
5장 — 도구 사용(함수 호출)
08-28
4장 — 리플렉션
08-27
3장 — 병렬화
08-26
2장 — 라우팅
08-25
1장 — 프롬프트 체이닝
08-24
16장 — 자원 최적화
09-08
2장 — 라우팅
08-25
24장 — 에이전틱 프레임워크 간단히 살펴보기
09-16
15장 — 에이전트 간 통신
09-07
13장 — 휴먼 인 더 루프
09-05
12장 — 예외 처리와 복구
09-04
10장 — 모델 컨텍스트 프로토콜
09-02
8장 — 기억 관리
08-31
7장 — 멀티 에이전트 협업
08-30
5장 — 도구 사용(함수 호출)
08-28
4장 — 리플렉션
08-27
3장 — 병렬화
08-26
2장 — 라우팅
08-25
3장 — 병렬화
08-26
4장 — 리플렉션
08-27
5장 — 도구 사용(함수 호출)
08-28
5장 — 도구 사용(함수 호출)
08-28
24장 — 에이전틱 프레임워크 간단히 살펴보기
09-16
7장 — 멀티 에이전트 협업
08-30
6장 — 계획 수립
08-29
5장 — 도구 사용(함수 호출)
08-28
6장 — 계획 수립
08-29
17장 — 추론 기법
09-09
6장 — 계획 수립
08-29
29장 — 결론
09-21
13장 — 에이전트 오케스트레이션
09-18
22장 — 앞으로 나아갈 방향
09-18
21장 — 탐색과 발견
09-13
7장 — 멀티 에이전트 협업
08-30
8장 — 기억 관리
08-31
1장 — 생성형 AI의 부상: 언어 모델에서 에이전트로
09-21
12장 — 워크플로 vs. 에이전트
09-18
13장 — 에이전트 오케스트레이션
09-18
22장 — 앞으로 나아갈 방향
09-18
16장 — 실전 AI 에이전트 구현 사례
09-18
14장 — MCP를 활용한 에이전트 구현
09-18
21장 — LangSmith를 활용한 에이전트 평가
09-18
15장 — LangSmith를 활용한 에이전트 모니터링
09-18
11장 — LangGraph 입문
09-18
4장 — LangChain 입문
09-18
24장 — 에이전틱 프레임워크 간단히 살펴보기
09-16
챗봇 서비스 설계와 프레임워크 선택
09-13
8장 — 기억 관리
08-31
9장 — 학습과 적응
09-01
9장 — 학습과 적응
09-01
9장 — 학습과 적응
09-01
14장 — MCP를 활용한 에이전트 구현
09-18
10장 — 모델 컨텍스트 프로토콜
09-02
11장 — 목표 설정과 모니터링
09-03
20장 — 오프라인 평가 vs. 온라인 평가
09-18
15장 — LangSmith를 활용한 에이전트 모니터링
09-18
11장 — 목표 설정과 모니터링
09-03
21장 — LangSmith를 활용한 에이전트 평가
09-18
19장 — LLM 평가를 위한 골든 데이터셋
09-18
11장 — 목표 설정과 모니터링
09-03
12장 — 예외 처리와 복구
09-04
12장 — 예외 처리와 복구
09-04
구간 합 구하기
09-05
택배 배달과 수거하기
09-05
택배 배달과 수거하기
09-05
28장 — 코딩 에이전트
09-20
13장 — 휴먼 인 더 루프
09-05
13장 — 휴먼 인 더 루프
09-05
20장 — 오프라인 평가 vs. 온라인 평가
09-18
2장 — 벡터 저장소와 임베딩, 검색 전략
09-18
7장 — retrieval 효율 개선을 위한 데이터 전처리
09-18
9장 — LangChain을 활용하지 않는다면?
09-18
18장 — LLM 평가 지표
09-18
6장 — Chroma를 활용한 벡터 저장소 구성
09-18
1장 — LLM과 RAG 기초
09-17
챗봇 서비스 설계와 프레임워크 선택
09-13
온톨로지와 RAG·Agent 연계 설계
09-12
RAG 기반 지식 질의응답 시스템 설계
09-08
14장 — 지식 검색
09-06
14장 — 지식 검색
09-06
14장 — 지식 검색
09-06
LLM 활용과 튜닝 — 프롬프트·RAG·파인튜닝 중 무엇을 먼저
09-07
3장 — 프롬프트 엔지니어링 기초
09-18
22장 — 고급 프롬프팅 기법
09-14
LLM 활용과 튜닝 — 프롬프트·RAG·파인튜닝 중 무엇을 먼저
09-07
LLM 활용과 튜닝 — 프롬프트·RAG·파인튜닝 중 무엇을 먼저
09-07
20장 — 오프라인 평가 vs. 온라인 평가
09-18
21장 — LangSmith를 활용한 에이전트 평가
09-18
15장 — LangSmith를 활용한 에이전트 모니터링
09-18
17장 — LLM 평가의 중요성
09-18
19장 — LLM 평가를 위한 골든 데이터셋
09-18
18장 — LLM 평가 지표
09-18
챗봇 품질 모니터링과 응답 안정성
09-14
19장 — 평가와 모니터링
09-11
RAG 기반 지식 질의응답 시스템 설계
09-08
LLM 활용과 튜닝 — 프롬프트·RAG·파인튜닝 중 무엇을 먼저
09-07
LLM 활용과 튜닝 — 프롬프트·RAG·파인튜닝 중 무엇을 먼저
09-07
15장 — 에이전트 간 통신
09-07
15장 — 에이전트 간 통신
09-07
2장 — 벡터 저장소와 임베딩, 검색 전략
09-18
RAG 기반 지식 질의응답 시스템 설계
09-08
RAG 기반 지식 질의응답 시스템 설계
09-08
RAG 기반 지식 질의응답 시스템 설계
09-08
8장 — LLM을 효율적으로 사용하는 방법
09-18
16장 — 자원 최적화
09-08
16장 — 자원 최적화
09-08
벡터 DB와 지식 저장소 연계 설계
09-09
Elasticsearch 의 BM25 와 kNN 벡터 검색
09-15
벡터 DB와 지식 저장소 연계 설계
09-09
벡터 DB와 지식 저장소 연계 설계
09-09
벡터 DB와 지식 저장소 연계 설계
09-09
벡터 DB와 지식 저장소 연계 설계
09-09
27장 — 작동 원리: 에이전트의 추론 엔진 들여다보기
09-19
3장 — 프롬프트 엔지니어링 기초
09-18
17장 — 추론 기법
09-09
17장 — 추론 기법
09-09
12장 — 워크플로 vs. 에이전트
09-18
16장 — 실전 AI 에이전트 구현 사례
09-18
14장 — MCP를 활용한 에이전트 구현
09-18
11장 — LangGraph 입문
09-18
온톨로지와 RAG·Agent 연계 설계
09-12
MCP 기반 컨텍스트 관리와 확장 구조
09-10
MCP 기반 컨텍스트 관리와 확장 구조
09-10
22장 — 앞으로 나아갈 방향
09-18
MCP 기반 컨텍스트 관리와 확장 구조
09-10
챗봇 품질 모니터링과 응답 안정성
09-14
18장 — 가드레일/안전 패턴
09-10
18장 — 가드레일/안전 패턴
09-10
18장 — 가드레일/안전 패턴
09-10
온톨로지와 RAG·Agent 연계 설계
09-12
온톨로지 설계와 지식 그래프 구축
09-11
25장 — AgentSpace로 에이전트 구축하기
09-17
온톨로지와 RAG·Agent 연계 설계
09-12
온톨로지 설계와 지식 그래프 구축
09-11
온톨로지 설계와 지식 그래프 구축
09-11
온톨로지 설계와 지식 그래프 구축
09-11
온톨로지와 RAG·Agent 연계 설계
09-12
온톨로지 설계와 지식 그래프 구축
09-11
온톨로지 설계와 지식 그래프 구축
09-11
15장 — LangSmith를 활용한 에이전트 모니터링
09-18
챗봇 품질 모니터링과 응답 안정성
09-14
19장 — 평가와 모니터링
09-11
19장 — 평가와 모니터링
09-11
온톨로지와 RAG·Agent 연계 설계
09-12
20장 — 우선순위 결정
09-12
20장 — 우선순위 결정
09-12
챗봇 품질 모니터링과 응답 안정성
09-14
챗봇 서비스 설계와 프레임워크 선택
09-13
챗봇 서비스 설계와 프레임워크 선택
09-13
챗봇 서비스 설계와 프레임워크 선택
09-13
21장 — 탐색과 발견
09-13
21장 — 탐색과 발견
09-13
28장 — 코딩 에이전트
09-20
3장 — 프롬프트 엔지니어링 기초
09-18
22장 — 고급 프롬프팅 기법
09-14
22장 — 고급 프롬프팅 기법
09-14
챗봇 품질 모니터링과 응답 안정성
09-14
챗봇 품질 모니터링과 응답 안정성
09-14
23장 — AI 에이전틱 상호작용: GUI에서 현실 환경까지
09-15
23장 — AI 에이전틱 상호작용: GUI에서 현실 환경까지
09-15
28장 — 코딩 에이전트
09-20
23장 — AI 에이전틱 상호작용: GUI에서 현실 환경까지
09-15
2장 — 벡터 저장소와 임베딩, 검색 전략
09-18
Elasticsearch 의 BM25 와 kNN 벡터 검색
09-15
Elasticsearch 의 BM25 와 kNN 벡터 검색
09-15
Elasticsearch 의 BM25 와 kNN 벡터 검색
09-15
Elasticsearch 의 BM25 와 kNN 벡터 검색
09-15
Elasticsearch 의 BM25 와 kNN 벡터 검색
09-15
25장 — AgentSpace로 에이전트 구축하기
09-17
25장 — AgentSpace로 에이전트 구축하기
09-17
25장 — AgentSpace로 에이전트 구축하기
09-17
1장 — LLM과 RAG 기초
09-17
26장 — CLI의 AI 에이전트
09-18
28장 — 코딩 에이전트
09-20
26장 — CLI의 AI 에이전트
09-18
26장 — CLI의 AI 에이전트
09-18
6장 — Chroma를 활용한 벡터 저장소 구성
09-18
2장 — 벡터 저장소와 임베딩, 검색 전략
09-18
10장 — LangChain의 유연한 AI 스택 구성
09-18
6장 — Chroma를 활용한 벡터 저장소 구성
09-18
6장 — Chroma를 활용한 벡터 저장소 구성
09-18
18장 — LLM 평가 지표
09-18
18장 — LLM 평가 지표
09-18
18장 — LLM 평가 지표
09-18
19장 — LLM 평가를 위한 골든 데이터셋
09-18
19장 — LLM 평가를 위한 골든 데이터셋
09-18
19장 — LLM 평가를 위한 골든 데이터셋
09-18
17장 — LLM 평가의 중요성
09-18
1장 — 생성형 AI의 부상: 언어 모델에서 에이전트로
09-21
16장 — 실전 AI 에이전트 구현 사례
09-18
21장 — LangSmith를 활용한 에이전트 평가
09-18
15장 — LangSmith를 활용한 에이전트 모니터링
09-18
17장 — LLM 평가의 중요성
09-18
17장 — LLM 평가의 중요성
09-18
8장 — LLM을 효율적으로 사용하는 방법
09-18
8장 — LLM을 효율적으로 사용하는 방법
09-18
8장 — LLM을 효율적으로 사용하는 방법
09-18
4장 — LangChain 입문
09-18
4장 — LangChain 입문
09-18
9장 — LangChain을 활용하지 않는다면?
09-18
9장 — LangChain을 활용하지 않는다면?
09-18
9장 — LangChain을 활용하지 않는다면?
09-18
10장 — LangChain의 유연한 AI 스택 구성
09-18
10장 — LangChain의 유연한 AI 스택 구성
09-18
10장 — LangChain의 유연한 AI 스택 구성
09-18
11장 — LangGraph 입문
09-18
12장 — 워크플로 vs. 에이전트
09-18
11장 — LangGraph 입문
09-18
21장 — LangSmith를 활용한 에이전트 평가
09-18
14장 — MCP를 활용한 에이전트 구현
09-18
7장 — retrieval 효율 개선을 위한 데이터 전처리
09-18
7장 — retrieval 효율 개선을 위한 데이터 전처리
09-18
7장 — retrieval 효율 개선을 위한 데이터 전처리
09-18
5장 — 로컬 및 오픈소스 LLM 활용: Ollama와 허깅 페이스
09-18
5장 — 로컬 및 오픈소스 LLM 활용: Ollama와 허깅 페이스
09-18
5장 — 로컬 및 오픈소스 LLM 활용: Ollama와 허깅 페이스
09-18
2장 — 벡터 저장소와 임베딩, 검색 전략
09-18
16장 — 실전 AI 에이전트 구현 사례
09-18
22장 — 앞으로 나아갈 방향
09-18
16장 — 실전 AI 에이전트 구현 사례
09-18
22장 — 앞으로 나아갈 방향
09-18
13장 — 에이전트 오케스트레이션
09-18
13장 — 에이전트 오케스트레이션
09-18
20장 — 오프라인 평가 vs. 온라인 평가
09-18
20장 — 오프라인 평가 vs. 온라인 평가
09-18
12장 — 워크플로 vs. 에이전트
09-18
12장 — 워크플로 vs. 에이전트
09-18
3장 — 프롬프트 엔지니어링 기초
09-18
27장 — 작동 원리: 에이전트의 추론 엔진 들여다보기
09-19
27장 — 작동 원리: 에이전트의 추론 엔진 들여다보기
09-19
29장 — 결론
09-21
29장 — 결론
09-21
띠모아 개발기 — 12간지 3매치 퍼즐을 혼자 2주 만에 만들어 구글 플레이 테스트까지
10-08
띠모아 개발기 — 12간지 3매치 퍼즐을 혼자 2주 만에 만들어 구글 플레이 테스트까지
10-08
띠모아 개발기 — 12간지 3매치 퍼즐을 혼자 2주 만에 만들어 구글 플레이 테스트까지
10-08
띠모아 개발기 — 12간지 3매치 퍼즐을 혼자 2주 만에 만들어 구글 플레이 테스트까지
10-08