MINDA

Claude Code 그냥 쓰면 손해 보는 이유 저도 처음 왕초보일땐 Claude Code가 “코딩 좀 도와주는 챗봇” 느낌인 줄 알았는데 원문 기준으로 Anthropic이 Claude Code Setup 플러그인을 내놨더라고요 이게 초보자한테는 꼭 필요한 거인듯 내 프로젝트를 먼저 훑고 필요한 세팅을 추천해줌 예를 들면 어떤 훅을 걸면 좋은지 어떤 스킬이 필요한지 MCP 서버를 붙일지 서브에이전트를 어떻게 나눌지 반복 작업을 어디까지 자동화할지 초보자 입장에선 이게 꽤 큽니다 대부분은 Claude Code를 켜자마자 바로 “이거 만들어줘”부터 치는데 사실 코딩 AI는 프롬프트만 잘 쓰는 것보다 작업 환경을 먼저 잡아주는 게 체감이 더 큰 듯함 설치 명령어는 이거 /plugin install claude-code-setup@claude-plugins-official 저는 AI 코딩툴이 답답할 때 모델 탓부터 했는데 이제 보니까 세팅 없이 쓰고 있었던 게 더 큰 문제였을 수도 있겠네요 Claude Code 쓰는 분들은 이거 먼저 저장해두면 좋을 듯합니다

AI 코딩 에이전트를 위한 체계적인 하네스 설계 강의 사이트 📔 Learn Harness Engineering (한국어) walkinglabs.github.io/learn-harness-… 여기 읽어보니 이야기처럼 샥 읽기에 너무 좋아요!!! AI 코딩 에이전트, Claude Code나 Codex 같은 도구를 실제 프로젝트에서 안정적으로 쓰려면 단순히 잘 물어보는 것만으로는 부족하다는 걸 점점 느끼게 되죠. 이 무료 강의 사이트는 바로 그 고민에 대한 체계적인 답을 제시하는 프로젝트예요. AI 에이전트가 장시간 작업에서도 컨텍스트를 잃지 않고, 신뢰할 수 있는 결과를 내도록 환경을 설계하는 하네스 엔지니어링에 집중하고 있죠. ↓ 강의는 여러 이론 강의로 구성되어 있고, 각 강의 제목부터가 현실 문제를 정확히 짚고 있죠?! - 유능한 에이전트가 여전히 실패하는 이유 - 거대한 단일 지시 파일이 실패하는 이유 - 장기 작업이 연속성을 잃는 이유 - 에이전트가 너무 일찍 완료를 선언하는 이유 - 엔드투엔드 테스트가 결과를 바꾸는 이유 이론 외에도 실습 프로젝트와 즉시 복사해서 쓸 수 있는 템플릿도 제공됩니다! 좋네요.. 혹여 에이전트가 자꾸 엉뚱한 행동을 해서 답답하신 분이나, CLAUDE.md AGENTS.md를 어떻게 잘 써야 할지 감을 잡고 싶은 분.. 여기에 AI 에이전트를 팀 환경에서 안정적으로 운영하고 싶은 분들에게 도움이 될거예요! 한국어로 이렇게 제공해주는 것도 참 좋네요~!!!

[아티클1] 구조를 더하면 항상 좋아지는가: 세 논문이 말하는 같은 결론 에이전트 시스템을 만들 때 가장 흔한 직관이 있다. 도구를 더 붙이고, 오케스트레이션을 얹고, 멀티에이전트로 확장하면 성능이 올라간다는 것. 2026년 4~5월에 나온 세 편의 논문이 이 직관에 정면으로 반박한다. Paper 1 — 절차적 작업에서는 오케스트레이션을 빼라 Paper 2 — 불확실성 하에서는 컨트롤 레이어를 넣어라 Paper 3 — 모델이 이미 할 수 있으면 도구를 빼라 세 논문의 결론은 수렴한다. 구조는 불확실성을 줄이기 위해 존재한다. 불확실성이 없는 곳에 구조를 넣으면 비용만 늘어난다. 그 경계를 아는 것이 설계의 핵심이다.

AI 논문해체 아티클 아카이브 ───────────────── 1. 클로드코드 해부 시리즈 ───────────────── [클로드 코드 해부 1부] 통제의 비율: 1.6%의 지능과 7겹의 안전망 x.com/AlexZio00/stat… [클로드 코드 해부 2부] 자원과 위임: 컨텍스트 압축과 하위 에이전트 x.com/AlexZio00/stat… [클로드 코드 해부 3부]93%: 사람은 안전장치가 아니다 x.com/AlexZio00/stat… [클로드 코드 해부 4부] 다양성은 어디에서 죽는가: Verbalized Sampling이 드러낸 데이터 결함 x.com/AlexZio00/stat… [클로드 코드 해부 5부] 다중 에이전트의 함정: 분석은 괜찮지만 아이디어 발굴은 망가진다 x.com/AlexZio00/stat… [클로드 코드 해부 6부] 프롬프트를 모델에 넣지 말고 환경에 두라: Recursive Language Models x.com/AlexZio00/stat… [클로드 코드 해부 7부] AI는 어디까지 진화하는가: 예측에서 자가 수정으로 x.com/AlexZio00/stat… ───────────────── 2. 논문해체 ───────────────── Claude에 Anthropic이 직접 쓴 프롬프팅 가이드가 숨어 있다. 하지만 아무도 읽어보지 않는다. x.com/AlexZio00/stat… 프롬프트 자동 최적화는 동전 던지기였다: 49%가 오히려 더 나빠지는 이유 x.com/AlexZio00/stat… AI는 자란다: 3개월 시차의 Top-down 증거 x.com/AlexZio00/stat… 모델은 천장, 프롬프트는 사다리: 같은 모델에 시스템 프롬프트만 바꿔 끼워 넣으면? x.com/AlexZio00/stat…

check-harness 95.2점 → 메타감리 7위상 → 14개 수정. 보통은: 코드 품질 검사 → 프로덕션 코드에만 적용 Claude 인프라 (CLAUDE.md, skills, agents) → 감각으로 관리, 시스템 없음 하지만 스킬도 에이전트도 결국 실행되는 로직임. conflict, dead reference, 경계의 모호함은 코드와 동일한 문제가 발생. 두 레이어를 분리: 하네스, AI가 일하는 환경의 품질 측정 (6축 55항목) 메타감리, 하네스 자체 + 스킬/에이전트 내부 충돌 검사 두 번째가 없으면 첫 번째가 거짓 양성을 뱉어도 모르게됨. 그렇지만 대부분 첫 번째도 안함. 그러니 꼭 코딩이라고 생각하고 체크 하네스는 하시길.

하네스 구성요소 업데이트 에이전트에 진실성 추가 4개 층위 25개 체크-하네스 스킬의 이론적 기반입니다

당망님 샤라웃 덕에 2월에 올린 아티클이 다시 주목받네요 감사합니다 당시 공개한 프롬프트들 아카이브입니다 ━━━━━━━━━━━━━━━━━━━━ 🔓 3. 공개 프롬프트·도구 ━━━━━━━━━━━━━━━━━━━━ 바로 쓸 수 있는 형태로 공개한 프롬프트들 NotebookLM 프롬프트 해체 (Public Release) — 15개 시스템 x.com/AlexZio00/stat… 뉴스 분석 엔진 v2.0 x.com/AlexZio00/stat… Dilemma Destroyer — 거짓 딜레마 파괴 프레임워크 x.com/AlexZio00/stat… SOVEREIGN LENS — 통합 모듈형 사진 프롬프트 x.com/AlexZio00/stat… PHILOSOPHER SPARRING ENGINE — 철학자 소환 템플릿 x.com/AlexZio00/stat… Power Structure Debugger — 상징 해체와 인센티브 추적 x.com/AlexZio00/stat…

5개 스킬로 Claude Code 프로젝트 생애 주기 전체 커버!! Claude Code에서 git push 할 때 실수를 줄이고 싶어서 만든 pre-push 파이프라인을 오픈소스로 공개했습니다. ━━━━━━━━━━━━━━━━━━━━━━━━━ push 명령 하나에 자동으로: • 하드코딩된 시크릿 12패턴 스캔 (AWS/LLM 키, 토큰, 커넥션 스트링) • 언어 감지 후 테스트 실행 (pytest / go test / npm test) • 직접 린트 (ruff, go vet, eslint) • AI 코드 리뷰 병렬 실행 • Critical/High 발견 시 push 차단 셋업(project-init → harness-init → team-init) → 점검(project-check) → 일상(pre-push). 5개 스킬로 Claude Code 프로젝트 생애 주기 전체를 커버합니다. ━━━━━━━━━━━━━━━━━━━━━━━━━ github.com/AlexZio00/clau… 링크 들어가면 설치 커맨드 바로 있습니다.

배경색 흰색 대신 이걸로 바꿔보세요 (1/2)

Naive RAG vs. Agentic RAG, explained visually: Naive RAG breaks in 3 ways: ↳ It retrieves once and generates once. If the context isn't relevant, the system can't search again. ↳ It treats every query the same. A simple lookup and a multi-hop reasoning task go through the identical retrieve-then-generate path. ↳ And there's no verification. Whatever the retriever returns gets blindly trusted. Agentic RAG fixes this by introducing decision-making loops at each stage. Steps 1-2) A query rewriting agent reformulates the raw query. This goes beyond fixing typos. It makes vague terms precise, decomposes complex queries into sub-queries, and expands abbreviations. Steps 3-5) A routing agent decides if the query even needs external context. If not, retrieval is skipped. If yes, a source selector picks the best backend for this specific query type. Steps 6-7) The source selector routes to the most appropriate source. Vector DB for semantic search, web search for real-time info, or structured APIs for tabular data. The retrieved context and rewritten query are combined into the prompt. Steps 8-9) The LLM generates an initial response. Steps 10-12) A validation agent (Corrective RAG) checks whether the response is relevant, grounded, and complete. If it passes, it's returned. If not, the system loops back to Step 1 with a reformulated query. This continues for some iterations until we get a satisfactory response or the system admits it cannot answer. The reason it works is that each agent acts as a quality gate. The rewriter ensures retrieval precision. The router ensures the right source is queried. The validator ensures the output is grounded. Individual failures get caught and corrected rather than silently propagated. That said, the diagram below shows one of many blueprints of an Agentic RAG system. Production systems increasingly combine Corrective RAG, Adaptive RAG, Self-RAG, and hybrid search (vector + lexical with reranking) based on latency budgets and accuracy requirements. 👉 Over to you: What does your Agentic RAG setup look like?

A Large Memory Model (LMM) is a completely new architecture. An LLM compresses the world's text into weights and answers when you prompt it. An LMM does the opposite: it captures what you saw, who you talked to, and where you were, and surfaces the right piece back to you at the right moment, without a prompt. LMMs are all about *context*. This is designed specifically for how human memory works. Instead of RAG or vector search, this is a different paradigm. Their founders have 160+ publications in Nature and ICLR, and closed their Harvard lab to build this.

As an AI Infrastructure Engineer. Please learn: - GPU/VRAM fundamentals, quantization & batching - vLLM / TensorRT-LLM / inference optimization - KV caching, speculative decoding & token throughput - Distributed training basics (DDP/FSDP/DeepSpeed) - Model serving & autoscaling - Vector DB retrieval pipelines - Prompt caching & cost optimization - Observability for LLM apps This is what production AI teams actually care about.

영어 번역체를 자연스러운 한국어로 바꿔주는 스킬. github.com/epoko77-ai/im-…

강의가 1년 전 거라 좀 아쉽다는 말도 있지만, 결국 핵심 메커니즘은 변하지 않으니까 이건 무조건 봐야 함. 3시간 투자해서 LLM 설계 원리 제대로 파악하는 게 가성비로는 압도적임.

A JAPANESE DEVELOPER MAY HAVE FOUND ONE OF THE SIMPLEST CLAUDE CODE HACKS FOR FINDING THE RIGHT SKILL FAST. Instead of digging through hundreds of options, one prompt can surface the best match for exactly what you’re trying to build.

The creator of Claude Code teaches more about vibe-coding in 30 minutes than most tutorials do in hours. Save this — it'll change how you build forever.

Claude Code 소스코드를 학술적으로 해부한 논문이 나왔습니다. Dive into Claude Code (MBZUAI + UCL, 2026-04-14) 가장 인상적인 수치 하나는, 전체 코드의 1.6%만 AI 판단 로직이고, 나머지 98.4%는 주변 인프라다. 권한 시스템 7개 모드, 컨텍스트 관리 5단계 파이프라인, 확장 메커니즘 4개, 훅 이벤트 27개. 이게 Claude Code가 "그냥 잘 되는" 이유였습니다. 모델이 아니라 하네스가 본체다.