
Model Context Protocol: 데이터를 넘어 행동으로
LLM의 한계를 보완하기 위해 MCP로 외부 서비스와 데이터에 표준화된 접근을 연결했습니다.여행 검색부터 예약·결제까지 이어지는 행동형 AI 에이전트 구현 사례를 소개했습니다.

LLM의 한계를 보완하기 위해 MCP로 외부 서비스와 데이터에 표준화된 접근을 연결했습니다.여행 검색부터 예약·결제까지 이어지는 행동형 AI 에이전트 구현 사례를 소개했습니다.


LLM 서비스는 TTFT, ITL, 토큰 처리량 같은 지표로 부하테스트해야 합니다.\nvLLM 예제를 통해 병목과 네트워크 문제를 점검하고 사용자 체감 성능을 개선할 수 있습니다.


쿠폰 적용 가능 상품을 실시간으로 조회하기 위해 이벤트 기반 반정규화와 Elasticsearch 인덱싱 구조를 구축했습니다. 복잡한 매핑과 갱신 조건을 단순화하고 검색 성능과 운영성을 함께 개선했습니다.
토스 쇼핑이 수백만 사용자와 상품을 다루기 위해 멀티 스테이지 추천 시스템을 설계한 방식을 소개했습니다. Retrieval, Ranking, Re-ranking으로 개인화와 비즈니스 목표를 함께 맞췄습니다.


React 18 동시성 렌더링과 Lane 모델로 입력 지연 문제를 줄이는 방법을 설명했습니다. useTransition과 useDeferredValue를 통해 무거운 렌더링을 분리한 실제 적용 사례도 소개했습니다.

검색 색인 파이프라인의 생산성과 안정성을 높이기 위해 설정 기반 자동화, Offline Storage 활용, 배치 처리 구조를 도입했습니다. 이를 통해 대용량 이벤트와 풀색인 비용 문제를 줄이고 운영 효율을 개선했습니다.

OpenSearch와 Analyzer로 부분 검색, 대소문자 무시, 특수문자 제거 검색을 구현하는 방법을 설명했습니다. 또한 카카오페이손해보험의 검색 서비스 활용 사례도 함께 소개했습니다.

B2B UX 리서치 이해도를 높이기 위해 리서처가 직접 사장님 역할을 체험한 사례를 소개했습니다. 사업 운영 전 과정의 불편을 확인하고 서비스와 콘텐츠 개선으로 연결했습니다.

의존성 그래프로 프로젝트를 시각화해 코드 파악 시간을 줄인 사례를 소개했습니다.\n파일 영향 범위와 사이드 이펙트를 빠르게 확인하는 실무 활용법을 정리했습니다.


RAG에서 리랭커가 필요한 이유와 역할을 설명했습니다. 기존 방식과 LLM 기반 리랭킹, 적용 시 한계와 보완 방법도 함께 정리했습니다.


Amazon Bedrock에서 Contextual Retrieval로 RAG 검색 정확도를 높이는 방법을 설명했습니다. 전처리 컨텍스트 생성, 하이브리드 검색, 리랭킹, 프롬프트 캐싱까지 실무 구성을 함께 다뤘습니다.


앱 설치 확대를 위해 바이럴 목적 조직을 꾸리고 콘텐츠 기반 유입 실험을 시작했습니다. 마이크로 인플루언서 협업으로 100만 뷰급 콘텐츠를 찾는 과정을 진행했습니다.