imprun engineering

작성일: 2026년 2월 6일카테고리: AI, LLM, Claude, Release키워드: Claude Opus 4.6, Anthropic, 100만 토큰, Agent Teams, 적응형 사고, 벤치마크요약2026년 2월 5일, Anthropic이 Claude Opus 4.6을 출시했다. Opus 계열 최초로 100만 토큰 컨텍스트 윈도우(베타)를 지원하며, 에이전트 코딩 벤치마크에서 업계 최고 점수를 기록했다. Claude Code에는 여러 에이전트가 협업하는 Agent Teams 기능이 추가되었다. 이 글에서는 Opus 4.6의 주요 변경사항과 개발자에게 미치는 영향을 정리한다.왜 Opus 4.6인가Opus 4.5의 한계Opus 4.5는 강력한 모델이었지만, 실무에서 두 가지 병목이 있었다.첫째, 컨..

작성일: 2026년 2월 3일카테고리: AI, Developer Tools, Workflow키워드: Claude Code, GitHub Issues, Milestones, Projects, AI Agent, Workflow Automation요약Claude Code는 200k context window를 제공하지만, 대규모 프로젝트에서는 여전히 컨텍스트 관리가 중요하다. GitHub Issues, Milestones, Projects를 .claude 디렉토리 설정과 통합하면 컨텍스트 소모를 최소화하면서 복잡한 프로젝트를 체계적으로 관리할 수 있다. 이 글에서는 36개 특화 에이전트와 7개 슬래시 명령을 활용한 워크플로우를 공유한다.공개 저장소: github.com/junsik/.claude전체 워크플로우..

작성일: 2026-02-05카테고리: AI, Automation, Productivity키워드: OpenClaw, AI Assistant, Claude, Automation, Discord Bot요약OpenClaw은 Claude AI를 24시간 작동하는 개인 비서로 만들어주는 오픈소스 도구다. Discord, Telegram 등 원하는 메신저로 대화하고, 뉴스 체크부터 코드 작성까지 자동화할 수 있다. 이 글은 기술 배경 없는 일반인도 따라할 수 있도록 설치부터 실전 활용까지 안내한다.왜 OpenClaw인가?ChatGPT와 무엇이 다른가?ChatGPT는 호텔 리셉션 데스크와 같다. 필요할 때 직접 찾아가서 물어봐야 한다. 대화가 끝나면 기억이 리셋된다.OpenClaw은 집에 있는 개인 비서다. 당신이 누..

작성일: 2026년 01월 21일카테고리: Developer Tools, AI, Code Search키워드: mgrep, semantic search, Claude Code, grep, code navigation요약대규모 코드베이스에서 원하는 코드를 찾는 것은 개발자의 주요 병목 중 하나다. 기존 grep은 키워드 매칭에 의존하여 42개의 무관한 파일을 반환하거나, 정작 필요한 파일을 놓치기도 한다. mgrep은 시맨틱 검색을 통해 "무엇을 찾고 싶은지"를 자연어로 표현하면 관련성 높은 결과를 반환한다.문제: grep의 한계키워드 기반 검색의 딜레마grep은 정규표현식 기반 텍스트 매칭 도구다. 강력하지만 근본적인 한계가 있다.상황grep의 문제동의어"authentication"을 검색하면 "auth"..

작성일: 2026년 01월 19일카테고리: AI, LLM, RAG키워드: RAG, Retrieval-Augmented Generation, GraphRAG, Agentic RAG, Knowledge Graph, LLM요약LLM은 모르는 것을 그럴듯하게 지어낸다(환각). 이 문제를 해결하기 위해 2020년 RAG가 등장했고, 기본 RAG의 한계를 극복하기 위해 두 가지 방향으로 발전했다: Agentic RAG(반복 검색, 도구 선택)와 GraphRAG(관계 기반 검색). 이 글에서는 RAG 기술의 발전 흐름을 정리하고, "LLM API는 한 번 호출하면 끝인데, 누가 RAG 루프를 돌리는가?"라는 질문에 답한다.시작점: LLM의 환각 문제ChatGPT에게 "우리 회사 매출이 얼마야?"라고 물으면 두 가지 ..

작성일: 2026년 01월 19일카테고리: AI, RAG, Evaluation키워드: RAG Evaluation, RAGAS, Faithfulness, Context Recall, Ground Truth요약"이 RAG 시스템이 잘 작동하는가?"라는 질문에 "대충 괜찮아 보인다"는 답은 충분하지 않다. 전문 지식 노동자를 위한 시스템은 정량적 평가가 필수다. 이 글에서는 RAG 시스템의 품질을 측정하는 핵심 지표와 RAGAS 프레임워크를 활용한 평가 파이프라인 구축을 다룬다.왜 평가가 필요한가"그럴듯한" vs "정확한"질문: "2024년 4분기 매출은?"답변 A: "2024년 4분기 매출은 약 150억원 수준으로, 전분기 대비 성장세를 보였습니다." → 그럴듯하지만, 숫자가 맞는지..

작성일: 2026년 01월 19일카테고리: AI, RAG, Knowledge Graph키워드: Microsoft GraphRAG, Community Detection, Global Search, Local Search, Hierarchical Summarization요약Microsoft의 GraphRAG는 요약 중심의 RAG에 특화된 구현체다. 기존 RAG가 "이 문서에 뭐라고 써있어?"라는 질문에 답한다면, GraphRAG는 "전체 데이터에서 주요 테마가 뭐야?"와 같은 전역적 질문에 답할 수 있다. 이 글에서는 GraphRAG의 핵심 메커니즘인 커뮤니티 탐지와 계층적 요약을 분석한다.기존 RAG의 전역적 질문 한계문제 상황문서 집합: 호메로스의 "오디세이" 전체 텍스트질문: "이 서사시의 주요 테마는..

작성일: 2026년 01월 19일카테고리: AI, Knowledge Graph, LLM키워드: Knowledge Graph Construction, Entity Extraction, Relation Extraction, LLM, Neo4j요약지식 그래프 기반 RAG는 그래프가 존재해야 작동한다. 수동으로 그래프를 구축하는 것은 비용이 크고 확장이 어렵다. 이 글에서는 LLM을 활용하여 비정형 텍스트에서 자동으로 엔티티와 관계를 추출하고 지식 그래프를 구축하는 방법을 다룬다.수동 그래프 구축의 한계전통적인 방식1. 도메인 전문가가 온톨로지 설계2. 데이터 분석가가 문서 분석3. 수작업으로 엔티티/관계 추출4. 검증 및 품질 관리문제점:시간 소요: 문서 1개당 수 시간확장성 부재: 문서가 늘어날수록 비용 증..

작성일: 2026년 01월 19일카테고리: AI, RAG, Agent키워드: Agentic RAG, LLM Agent, Tool Calling, ReAct, Self-Correction요약기본 RAG는 "질문 → 검색 → 답변"의 고정된 파이프라인을 따른다. Agentic RAG는 이 구조를 탈피하여, LLM이 스스로 검색 도구를 선택하고, 결과를 평가하며, 필요시 재검색하는 자율적 시스템이다. 이 글에서는 Agentic RAG의 핵심 메커니즘인 에이전트 루프와 도구 호출(Tool Calling)을 분석한다.기본 RAG의 한계고정된 파이프라인[기본 RAG]질문 → 벡터 검색(1회) → LLM → 답변이 구조의 문제점:단일 검색: 검색 결과가 부족해도 재검색 불가고정 도구: 벡터 검색만 사용, 다른 도구 ..

작성일: 2026년 01월 19일카테고리: AI, RAG, Knowledge Graph키워드: Text2Cypher, Neo4j, Cypher, Knowledge Graph, Graph Query요약벡터 검색은 의미적 유사성을 찾는 데 탁월하지만, 데이터 간의 관계를 추론하지 못한다. "김철수가 완료한 업무가 몇 개인가?"와 같은 질문에 답하려면 구조화된 쿼리가 필요하다. 이 글에서는 자연어 질문을 Neo4j의 Cypher 쿼리로 변환하는 Text2Cypher 기법을 다룬다.벡터 검색이 실패하는 질문문제 상황질문: "John Doe가 완료한 업무가 몇 개인가?"벡터 검색 결과:- "John Doe는 개발팀 소속입니다."- "업무 완료 시 상태를 Completed로 변경하세요."- "John Doe가 Ta..

작성일: 2026년 01월 19일카테고리: AI, RAG, Retrieval키워드: Step-back Prompting, Parent Document Retriever, Multi-Query, HyDE요약기본 벡터 검색은 질문과 문서의 직접적인 유사도만 비교한다. 이 접근법은 단순한 질문에는 효과적이지만, 복잡하거나 추상적인 질문에서는 관련 문서를 놓치기 쉽다. 이 글에서는 검색 품질을 향상시키는 4가지 고급 전략을 분석한다.기본 검색의 한계문제 상황질문: "왜 마이크로서비스 아키텍처에서 서킷 브레이커가 중요한가?"기본 벡터 검색 결과:- "서킷 브레이커 패턴 구현 가이드" (키워드 일치)- "마이크로서비스 아키텍처 개요" (키워드 일치)누락된 문서:- "분산 시스템의 장애 전파 방지" (핵심 원리)- ..

작성일: 2026년 01월 19일카테고리: AI, LLM, RAG키워드: LLM, Hallucination, Knowledge Cutoff, RAG, Fine-tuning요약대규모 언어 모델(LLM)은 확률적 단어 예측 모델이지, 사실을 저장하고 인출하는 데이터베이스가 아니다. 이 글에서는 LLM이 그럴듯한 거짓말(환각)을 하는 구조적 원인을 분석하고, 이를 극복하기 위한 전략적 접근법으로서 RAG(Retrieval-Augmented Generation)의 필요성을 다룬다.LLM은 데이터베이스가 아니다2023년 미국에서 변호사들이 법정에 제출한 서류에 ChatGPT가 생성한 가짜 판례가 포함되어 있었다. 해당 판례는 존재하지 않았고, 변호사들은 징계와 벌금형을 받았다. 이 사건은 LLM의 환각(Hallu..

작성일: 2026년 1월 9일카테고리: AI, LangChain, Tool Design, Agent Architecture키워드: LangChain Tool, 도구 인터페이스, SPARQL, SHACL, 도구 선택 전략, ReAct 패턴시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (13부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약Part C의 마지막 장이다. 10-12부에서 LangChain 체인, RAG, LangGraph 에이전트를 다뤘다. 하지만 에이전트가 진정한 힘을 발휘하려면 외부 시스템과 상호작용해야 한다. 이 글에서는 에이전트가 사용할 도구를 어떻게 설계하는지, 그리고 LLM이 적절한 도구를 선택하는 원리를 분석한다. Part B에서 만든 지식그래프(S..

작성일: 2026년 1월 9일카테고리: AI, LangGraph, Agent, Workflow Design키워드: LangGraph, 상태 그래프, 워크플로우 설계, 조건부 분기, 순환 그래프, 에이전트 아키텍처시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (12부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약10부에서 LangChain 체인을, 11부에서 RAG를 다뤘다. 하지만 실제 세무 분석은 단순 질문-응답이 아니다. 데이터 조회 → 검증 → 분석 → 리포트 생성처럼 여러 단계를 거쳐야 하고, 중간에 조건에 따라 다른 경로로 분기해야 한다. 이 글에서는 복잡한 워크플로우를 그래프로 모델링하는 LangGraph의 설계 원리를 분석하고, 세무 분석 시스템에 적합한 아..

작성일: 2026년 1월 9일카테고리: AI, RAG, GraphRAG, Knowledge Graph키워드: RAG, GraphRAG, 벡터 검색, 지식그래프, 하이브리드 검색, 세무 도메인시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (11부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약LLM은 학습 데이터에 없는 정보를 모른다. 세무 법령, 회계 기준서, 과거 분석 리포트 등 외부 문서를 검색하여 LLM에게 제공하는 것이 RAG(Retrieval-Augmented Generation)다. 이 글에서는 일반 RAG와 GraphRAG를 비교하고, 세무 데이터처럼 관계가 중요한 도메인에서 왜 GraphRAG가 적합한지 설계 원리 중심으로 분석한다.핵심 질문: 검색 증강 생..

작성일: 2026년 1월 9일카테고리: AI, LangChain, LLM, Architecture키워드: LangChain, LCEL, 체인 아키텍처, LLM 오케스트레이션, 프롬프트 설계시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (10부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약Part C에서는 Part B의 지식그래프를 AI 에이전트와 연결한다. 이 글에서는 LangChain의 핵심 아키텍처 개념인 체인(Chain)을 다룬다. 체인은 LLM 호출을 위한 프롬프트, 모델, 파서를 하나의 파이프라인으로 조합하는 추상화다. 왜 직접 API 호출 대신 체인 패턴을 사용하는지, 그리고 세무 분석 시스템에서 어떤 구조가 적합한지 설계 관점에서 분석한다.핵심 질문: 체인의..

작성일: 2026년 1월 9일카테고리: Architecture, AI, System Design키워드: 시스템 아키텍처, 데이터 파이프라인, 지식그래프, AI 에이전트, ETL시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (4부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자핵심 질문"전체 시스템을 어떻게 구성하는가?"지금까지 온톨로지, 지식그래프, AI 에이전트의 개념을 배웠다. 이제 이 모든 것을 하나의 시스템으로 통합해야 한다. 회계 ERP의 JSON 데이터가 어떻게 RDF로 변환되고, 지식그래프에 저장되며, AI 에이전트가 이를 분석하여 리포트를 생성하는지 전체 흐름을 설계한다.요약이 글에서는 지금까지 배운 온톨로지, 지식그래프, AI 에이전트를 통합하는 전체 시스템 ..

작성일: 2026년 1월 9일카테고리: AI, Ontology, Knowledge Graph, Tax Consulting키워드: 온톨로지, 지식그래프, AI 에이전트, SHACL, GraphRAG, LangGraph블로그 URL: https://blog.imprun.dev/120시리즈: 총 20부작대상 독자: 온톨로지에 입문하는 시니어 개발자기술 스택: Python, RDF/OWL 2 DL/SHACL, LangChain/LangGraph초점: 시스템 설계와 작동 원리 (코드 구현보다 아키텍처 이해)시리즈 소개이 시리즈는 지식그래프(Knowledge Graph)와 AI 에이전트를 결합하여 세무 데이터 기반 월간 컨설팅 리포트를 자동 생성하는 시스템의 설계 원리를 다룬다.세무사가 기장한 기업의 재무제표, 세..

작성일: 2026년 1월 9일카테고리: Claude Code, AI, Developer Tools키워드: Claude Code, 2.1.0, 2.1.1, 스킬, Vim, MCP, 핫리로드요약Claude Code 2.1.0이 2026년 1월 7일 출시되었다. 1,096개의 커밋이 반영된 이번 업데이트는 스킬 시스템의 핫리로드, Vim 모션 확장, MCP 동적 업데이트 등 개발자 경험을 근본적으로 개선하는 기능들을 포함한다. 같은 날 배포된 2.1.1 긴급 패치에서는 체크포인팅 시스템이 강화되어 모든 파일 변경 시점에 자동 체크포인트가 생성된다. 이 글에서는 두 버전의 모든 변경사항을 카테고리별로 분석하고, 실무 적용 방안을 제시한다.업데이트 개요: 1,096개 커밋의 의미2.1.0 릴리스에 포함된 1,09..

작성일: 2026년 1월 6일카테고리: AI, LLM, Developer Productivity키워드: Context Window, AI Coding, Claude, MCP, Sub-agents, Token Efficiency요약AI 코딩 프레임워크를 사용해도 기대한 성능이 나오지 않는 경우가 많다. 근본 원인은 컨텍스트 창(Context Window) 관리에 있다. 이 글에서는 LLM의 컨텍스트 창 원리를 이해하고, 점진적 공개(Progressive Disclosure), 하위 에이전트 활용, 토큰 효율적인 파일 형식 선택 등 실전에서 검증된 최적화 전략을 다룬다.AI 코딩 프레임워크의 진짜 문제BMAD, SpecKit 같은 AI 코딩 프레임워크가 넘쳐난다. 수백 명의 개발자들이 자신만의 워크플로우를 ..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, LazyGraphRAG, Prompt Tuning, Optimization, Production요약GraphRAG를 프로덕션 환경에서 효과적으로 운영하려면 비용과 품질 사이의 균형이 필요하다. 이 글에서는 비용 효율적인 LazyGraphRAG, 도메인에 맞춘 프롬프트 튜닝, 대규모 데이터셋 처리 전략, 그리고 프로덕션 배포 시 고려사항을 다룬다.LazyGraphRAG: 비용 효율적인 대안LazyGraphRAG는 기존 GraphRAG의 비용 문제를 해결하기 위해 개발된 경량 버전이다. 전체 인덱싱 없이도 유사한 품질의 결과를 얻을 수 있다.기존 GraphRAG vs LazyGraphRAGf..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Installation, Configuration, Azure OpenAI, Cost Management요약GraphRAG를 실제 프로젝트에 적용하려면 환경 설정, 인덱싱 실행, 쿼리 테스트까지의 전 과정을 이해해야 한다. 이 글에서는 Python 환경에서 GraphRAG를 설치하고, 설정 파일을 작성하며, 인덱싱을 실행하고 쿼리하는 전체 과정을 단계별로 안내한다. 특히 비용 관리에 대한 실전 팁도 포함한다.사전 요구사항시스템 요구사항항목최소 요구사항권장Python3.10 이상3.11RAM8GB16GB 이상디스크10GBSSD 50GB 이상OSWindows/macOS/LinuxLinuxLL..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Indexing Pipeline, Knowledge Graph, Leiden Algorithm, Community Detection요약GraphRAG의 핵심은 인덱싱 단계에서 구축되는 지식 그래프와 계층적 커뮤니티 구조이다. 이 글에서는 TextUnit 분할부터 엔티티/관계 추출, Leiden 알고리즘을 활용한 커뮤니티 탐지, 그리고 계층적 요약 생성까지 전체 인덱싱 파이프라인을 상세히 분석한다.인덱싱 파이프라인 개요GraphRAG의 인덱싱은 원본 문서를 쿼리 가능한 지식 구조로 변환하는 과정이다. 이 과정은 일반 RAG보다 복잡하고 비용이 많이 들지만, 쿼리 시점의 성능을 크게 향상시킨..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, RAG, Knowledge Graph, Microsoft Research, LLM요약RAG(Retrieval Augmented Generation)는 LLM이 학습하지 않은 데이터에 대해 답변할 수 있게 해주는 핵심 기술이다. 그러나 기존 RAG는 "데이터셋의 주요 테마는 무엇인가?"와 같은 전역적 질문에 실패한다. Microsoft Research가 개발한 GraphRAG는 지식 그래프와 계층적 클러스터링을 활용하여 이 문제를 해결한다. 이 시리즈에서는 GraphRAG의 동작 원리부터 실전 활용까지 다룬다.기존 RAG의 동작 방식RAG는 도서관의 사서와 같다. 질문을 받으면 관련 책(문..

작성일: 2025년 12월 25일카테고리: AI, Developer Tools, Claude Code키워드: CLAUDE.md, AGENTS.md, symlink, @import, Claude Code요약Claude Code의 공식 문서에서 @import 문법으로 AGENTS.md를 참조하라고 안내하고 있지만, 실제 개발 환경에서 Claude가 AGENTS.md를 읽지 않는 경우가 빈번하게 발생합니다. 이 글에서는 해당 문제의 원인을 분석하고, 심볼릭 링크를 활용한 현실적인 해결책을 공유합니다.문제 상황공식 가이드의 @import 문법Claude 공식 블로그와 Memory Documentation에서는 @path/to/file 문법으로 다른 마크다운 파일을 import할 수 있다고 안내합니다.# CLAU..

작성일: 2025년 12월 22일카테고리: Tools, AI, Warning키워드: Google Antigravity, Claude Code, Git, 작업 손실, AI 코딩 도구요약Google Antigravity와 Claude Code를 같은 작업 폴더에서 동시에 사용하던 중, Antigravity 업데이트 시 git checkout이 실행되어 Claude Code로 수정한 파일이 전부 초기화되는 사고가 발생했다. AI 코딩 도구를 동시에 사용할 때는 반드시 작업 폴더를 분리하거나, 수시로 커밋하는 습관이 필요하다.사고 경위상황동일한 Git 저장소 폴더를 VS Code에서 열고 작업Claude Code로 프론트엔드 에픽을 멀티 에이전트로 진행 중약 40개 파일이 수정된 상태로 누적동시에 Google ..

작성일: 2025년 12월 11일카테고리: AI, Design Tools, UI/UX키워드: Google Stitch, AI Design, UI Generation, Figma, Gemini요약Google Stitch는 텍스트 프롬프트나 이미지로 UI 디자인과 프론트엔드 코드를 생성하는 AI 도구다. Google I/O 2025에서 발표되었으며, Figma를 대체하기보다는 초기 디자인 단계를 가속화하는 보완 도구로 포지셔닝되어 있다. 현재 Google Labs에서 무료로 제공된다.출처: Google Developers Blog데모 영상텍스트 프롬프트로 UI를 생성하고, 변형을 탐색하고, Figma로 내보내는 전체 워크플로우를 보여준다.Stitch란?Google Labs의 실험적 프로젝트로, Gemini ..

작성일: 2025년 12월 11일카테고리: AI, Developer Tools, Claude Code키워드: Claude Code, Slack, Team Collaboration, AI Coding Assistant요약Claude Code가 Slack과 연동되었다. Slack에서 @Claude를 멘션하면 대화 컨텍스트를 기반으로 Claude Code 웹 세션이 자동 생성된다. GitHub PR 코드리뷰 기능이 GitHub 내에서 직접 동작하는 것과 달리, Slack 연동은 Claude Code for Web(claude.ai/code)을 통해 작업이 수행된다.출처: Claude 공식 블로그데모 영상프로덕션 버그 알림이 Slack에 올라오면, @Claude를 멘션하여 즉시 조사 및 수정 작업을 위임하는 시..

작성일: 2025년 12월 11일카테고리: AI, Developer Tools, Claude Code키워드: Claude Code, CLAUDE.md, Best Practices, AI Coding Assistant요약Anthropic 엔지니어링 블로그에 게시된 Claude Code 베스트 프랙티스 가이드를 정리했다. CLAUDE.md 설정, 도구 확장, 워크플로우 최적화, 다중 인스턴스 활용까지 실전 팁을 다룬다.1. CLAUDE.md 설정개념CLAUDE.md는 Claude가 대화 시작 시 자동으로 로드하는 프로젝트 설정 파일이다.포함할 내용프로젝트별 bash 명령어, 핵심 파일, 유틸리티 함수코드 스타일 가이드라인테스트 방법예상치 못한 동작 관련 주의사항배치 위치위치용도저장소 루트팀 공유 (체크인 권..

작성일: 2025년 12월 11일카테고리: AI, Developer Tools, Claude Code키워드: CLAUDE.md, Claude Code, Project Context, AI Configuration요약Claude 공식 블로그에 CLAUDE.md 파일 사용법 가이드가 올라왔다. CLAUDE.md는 프로젝트별 컨텍스트를 자동으로 Claude에게 전달하는 설정 파일이다. 매번 프로젝트 구조와 규칙을 반복 설명할 필요가 없어진다.CLAUDE.md란?저장소에 위치하는 특수 마크다운 파일로, Claude와의 모든 대화에 프로젝트 특정 맥락을 자동으로 포함시킨다.파일 배치 위치위치적용 범위저장소 루트해당 프로젝트, 팀과 공유상위 디렉토리모노레포 전체 설정홈 폴더 (~)모든 프로젝트에 적용파일 Impor..