즐거운 사람과 컴퓨터 즐거운 사람과 컴퓨터

참고: 본 글은 최근 주목받고 있는 초저지연(30~100ms) 의사결정 전용 모델 Jev와 전통적 기계학습의 디시전 트리(Decision Tree) 간의 구조적·통계적 차이점을 비교 분석하고, 실제 프로덕션 소프트웨어 제어 흐름(Control Flow)에 융합하는 스마트 의사결정 노드(Smart Decision Node) 아키텍처를 다룹니다.📌 한 줄 요약전통적 디시전 트리가 "정형 테이블 피처를 사전에 고정된 축 정렬 규칙($x_i \le \theta$)으로 계단식 분할하는 닫힌 체계"라면, Jev는 "비구조화된 고차원 자연어/상태 문맥을 고차원 시맨틱 공간에서 즉석(In-context)으로 평가하여 통계적으로 보정된 확률로 분기하는 열린 체계"이며, 실무에서는 디시전 트리를 대체하는 것이 아니라 결..

참고: 본 글은 장기 실행(Long-running) 및 멀티턴 자율 에이전트 구축 시 직면하는 토큰 한계와 문맥 손실 문제를 해결하기 위한 결정론적 예산 할당(Context Budgeting) 및 구조화 압축(Structured Compression) 아키텍처 패턴을 다룹니다.📌 한 줄 요약멀티턴 에이전트의 컨텍스트 초과와 비용 폭증을 방어하기 위해, 매 턴마다 고정 예약(시스템 프롬프트·도구 스키마·출력 버퍼)을 먼저 차감하여 가용 입력 예산을 동적으로 산출하고, 최근 $N$턴은 원문을 보존하되 이전 대화는 fact / decision / todo 삼분법으로 구조화 요약하여 정보 왜곡 없는 결정론적 하네스(Harness)를 구축하는 패턴입니다.1. 배경: 멀티턴 에이전트가 겪는 3대 컨텍스트 위기LL..

참고: 본 글은 Shopify Engineering 팀의 아키텍처 전환 사례("We replaced Redis with MySQL for inventory reservations—and it scaled", 2026)를 기반으로 핵심 엔지니어링 통찰을 정리한 글입니다.📌 한 줄 요약체크아웃 오버셀(과판매) 방지를 위한 재고 예약을 수년간 Redis로 운영하다가, 예약과 재고 원장 간의 이중 시스템·비원자적 Claim 문제를 근본적으로 해결하기 위해 MySQL 8 SKIP LOCKED + 단위당 1행 + 가용 풀 상한 구조로 재설계했습니다. 그리고 이 과정에서 밝혀진 진짜 병목은 쿼리 성능이 아닌 커넥션 점유 시간이었습니다.1. 배경: 분리된 이중 시스템의 한계이커머스 결제 흐름에서 재고 처리는 통상 2..

직접 만들고 운영하는 텐베거 데일리를 소개합니다.한국·미국 주식을 정해진 규칙으로 살펴보고, 하루 한 종목의 후보와 선정 이유·점수·위험을 공개합니다. 기준을 넘는 후보가 없으면 없다고 기록합니다. 과거 선정 기록과 선정 방법도 확인할 수 있습니다.종목을 그대로 따라 사기보다, 직접 검토할 후보와 확인할 항목을 찾는 데 쓸 수 있도록 만들었습니다. 텐베거라는 이름이 10배 수익을 보장한다는 뜻은 아닙니다.처음 보셨을 때 이해하기 어려운 부분이나, 종목을 검토할 때 더 보고 싶은 정보를 알려주시면 개선에 반영하겠습니다. 투자 권유가 아닌 공개 스크리닝 기록입니다.텐베거 데일리 보기

대화가 끝나면, AI는 모든 걸 잊는다ChatGPT와 긴 대화를 나눠본 적 있으신가요?오늘 오전에 프로젝트 구조를 설명하고, 오후에 다시 접속해서 "아까 얘기한 그 방식으로 계속 해줘"라고 하면 — AI는 모릅니다. 아까가 없으니까요.이건 AI가 멍청해서가 아닙니다. 지금 대부분의 AI는 대화가 시작되고 끝나는 순간, 그 안에서 일어난 모든 일을 버립니다. 마치 매번 새로 태어나는 것처럼요.그런데 잠깐, 우리는 어떤가요?인간은 어떻게 기억하는가심리학과 신경과학에서는 인간의 기억을 크게 네 가지로 나눕니다.작업 기억(Working Memory) — 지금 이 순간 머릿속에서 굴러가는 것들입니다. 이 글을 읽으면서 앞 문단의 내용을 잠시 붙들고 있는 것, 계산을 할 때 중간 숫자를 잠깐 기억하는 것. 용량이 ..

요즘 내가 계속 붙잡고 있는 질문요즘은 글을 쓰다가도, 문서를 만들다가도, 결국 마지막에 같은 질문으로 돌아온다.“이걸 어디에 남기지?”Google Docs에 쓰자니, 나중에 AI에게 다시 컨텍스트로 먹이기 애매한 순간이 있고,Confluence에 올리자니 유통은 되는데 “결정의 원본”을 거기에 둬도 되나 싶다.그러다 결국 로컬 폴더의 .md 파일로 돌아오고, 또다시 “근데 이게 팀에 퍼지나?”를 걱정한다.그러니까 요즘 내 고민은 문서 정리 방식 그 자체라기보다, 문서를 어디에 어떻게 남길지가 하루에도 몇 번씩 마음을 흔든다는 쪽에 가깝다.AI와 같이 일하는 시간이 늘수록 이상한 감각이 생긴다.내가 쓰는 문서가 사람에게만 읽히는 게 아니라, AI에게도 ‘컨텍스트’로 들어가야 하는데… 그 관문을 통과하는 ..

챗봇에게 "지난주에 말한 그 API 키 위치 다시 알려줘"라고 하면, 대부분의 에이전트는 묵묵부답이거나 "이전 대화는 기억하지 못합니다"라고 답한다. 세션만 바뀌어도 컨텍스트가 사라진다. 에이전트에게는 '기억'이 없기 때문이다. 이 글에서는 그 문제를 인정하고, 사람의 기억 구조를 모방한 Memento라는 MCP 서버로 에이전트에 지속적인 기억을 붙이는 방법을 소개한다.문제: 에이전트는 매 대화가 첫 만남이다세션 의존: 대화가 끊기면 이전 맥락이 전부 사라진다.반복 설명: 프로젝트 규칙, 선호 설정, 과거 결정을 매번 다시 말해야 한다.일관성 부족: 어제 추천한 방식과 오늘 추천이 달라질 수 있다.즉, 기억이 없으니 매번 "처음부터" 대화하는 것과 다르지 않다. 사람이라면 당연히 기억할 일들을 에이전트는..

MCP 기반 장기 기억 시스템 아키텍처: “저장”이 아니라 “기억”을 설계하는 법LLM 애플리케이션을 만들다 보면 금방 부딪히는 문제가 있습니다.대화가 길어질수록 맥락은 흐려지고, 중요한 정보와 덜 중요한 정보가 같은 무게로 쌓입니다. 결국 “기억하는 시스템”이 아니라 “쌓아두는 시스템”이 되기 쉽습니다.이번 글에서는 제가 작업한 Memento 프로젝트를 바탕으로, MCP(Model Context Protocol) 환경에서 장기 기억 시스템을 어떻게 아키텍처로 분해했는지 정리해보겠습니다. 핵심은 단순합니다.기억을 저장(memory)만 하지 않는다.필요할 때 찾고(search), 불필요하면 잊고(forgetting), 맥락을 고정(anchor)한다.이 흐름을 도메인 단위로 분리해 운영 가능하게 만든다.왜 ..