LangGraph 기반 17개 에이전트 아키텍처를 모은 braincrew-lab/all-agentic-architectures 저장소를 기업 도입 관점에서 분석합니다. Reflection, ReAct, PEV, Dry-Run, Metacognitive 중 우리 회사에 맞는 패턴을 살펴봅니다.

글 읽기

BM / FIELD NOTES

AI Agent2026. 4. 17.

k-skill: 한국인을 위한 AI 에이전트 스킬 모음집, 왜 주목해야 하는가

NomaDamas의 k-skill은 KTX 예매부터 코스피 조회, 쿠팡 검색까지 40개 이상의 한국 특화 기능을 AI 에이전트에 추가하는 오픈소스 프로젝트입니다. 글로벌 에이전트가 놓치는 '한국 컨텍스트'를 어떻게 채우는지 분석합니다.

글 읽기

BM / FIELD NOTES

AI Agent2026. 3. 27.

에이전트 하네스 엔지니어링: 2025년은 에이전트, 2026년은 하네스의 해

AI 에이전트의 성능을 결정하는 것은 모델이 아니라 하네스(Harness)다. Anthropic, OpenAI의 접근법과 함께 에이전트를 실제 운영 환경에서 안정적으로 운용하기 위한 하네스 설계의 핵심을 분석합니다.

글 읽기

BM / FIELD NOTES

AI Agent2026. 3. 27.

OpenClaw가 바꾼 AI 에이전트의 판도: 챗봇 시대의 종말과 자율 에이전트의 부상

GitHub 역사상 가장 빠르게 성장한 오픈소스 프로젝트 OpenClaw를 기점으로, AI 에이전트가 어떻게 '대화하는 AI'에서 '일하는 AI'로 전환되고 있는지 분석합니다.

글 읽기

BM / FIELD NOTES

RAG · 검색2026. 3. 10.

Enterprise RAG 가이드: 기업 문서 검색의 원리와 도입 방법

Enterprise RAG(Retrieval-Augmented Generation)의 개념, 아키텍처, 구현 방법, 기존 검색보다 나은 점을 실제 사례와 함께 자세히 살펴봅니다.

글 읽기

BM / FIELD NOTES

RAG · 검색2026. 3. 8.

RAG와 파인튜닝: 우리 기업에 맞는 방식은?

RAG와 파인튜닝의 기술적 차이, 비용, 정확도, 데이터 최신성, 보안 측면을 비교 분석하여 기업 환경에 최적의 LLM 활용 전략을 제시합니다.

글 읽기

BM / FIELD NOTES

RAG · 검색2026. 3. 5.

하이브리드 검색: Dense + Sparse 벡터를 결합해 정확도를 높이는 원리

Dense Vector(의미 기반)와 Sparse Vector(키워드 기반, BM25)를 결합한 하이브리드 검색의 원리, 구현 방법, 그리고 Qdrant 기반 실전 적용 사례를 분석합니다.

글 읽기

BM / FIELD NOTES

보안 · 운영2026. 2. 28.

온프레미스 AI 배포: 기업 데이터 보안과 RAG 시스템 구축 가이드

클라우드 vs 온프레미스 AI 배포의 보안 비교, Docker 기반 RAG 시스템 구축 방법, RBAC 접근 제어, 한국 기업의 데이터 규제 대응 전략을 다룹니다.

글 읽기