GeekNews Weekly

AI 코딩 에이전트가 빨라질수록 역설적으로 함께 늘어나는 것은 불필요한 코드입니다. ponytail은 에이전트에게 "가장 게으른 시니어 개발자"의 사고방식을 주입해, 코드를 쓰기 전 정말 필요한가, 표준 라이브러리·한 줄로 끝나는가를 먼저 따지게 하는 스킬셋인데요. 실제 측정에서 보안·검증은 그대로 둔 채 코드량 약 54% 감소, 비용 20% 절감을 보였다는 점이 핵심입니다. 결국 에이전트 시대의 생산성은 얼마나 많이 짜느냐가 아니라 얼마나 안 짜고 끝내느냐로 옮겨가고 있음을 잘 보여주는 도구입니다. 작명과 로고 이미지가 정말 찰떡이네요.

항상 긴 말 필요없는 하용호님의 발표자료, "AI 붙였는데 왜 더 느려지지?"라는 질문에 훌륭한 답을 제공해줍니다. 핵심은 AI J커브 트랩 - 생산성이 오르기 전에 검증 세금(Verification Tax) 구덩이를 먼저 지나야 하고, 그 사이 기술부채·인지부채·의도부채가 쌓여 5~19개월 안에 오히려 회사 속도가 떨어진다는 건데요. 그래서 사람의 일이 생산에서 검증으로 이동하며, 전문가의 정의도 스킬 숙련자에서 검증 레이어를 설계하고 책임지는 운영 책임자로 바뀐다고 봅니다. 막연한 "AI가 일자리를 대체한다" 담론을 넘어, 어떤 전문성이 왜 살아남는가를 구체적으로 짚어주는 자료라 한 번쯤 정독할 가치가 있습니다. 장수가 많지만 술술 읽히니 꼭 보시기 바랍니다.

AI가 보안 연구에서도 반복 작업의 스케일을 완전히 바꾸고 있습니다. 이 사례는 Claude에게 Google API를 계속 찔러보게 해서 3개월 만에 50만 달러 규모의 버그 바운티를 얻은 건데, 핵심은 AI가 천재적인 해킹을 한 것이 아니라 넓은 공격 표면을 지치지 않고 반복 검증했다는 점입니다. 흥미로운 건 발견된 버그 대부분이 정교한 익스플로잇이 아니라 인증 없는 API, 실데이터를 가리키는 스테이징 같은 반복되는 기본 실수였다는 점입니다. AI 보안 자동화의 가치는 “발견”보다 검증 가능한 워크플로우를 만드는 데 있다는 걸 잘 보여줍니다.

"AI가 코드를 다 짜주면 개발자에게 뭐가 남는가"라는 질문에 디테일·추상화·비결정성·하네스라는 네 개념으로 답하는 글입니다. 핵심 주장은 프로그래머의 본질이 타이핑이 아니라 모호한 요구사항을 완결된 시스템 동작으로 바꾸는 능력*에 있으며, 그 무게중심이 코드 생성에서 검증과 통제로 옮겨간다는 것이죠. 앞으로의 프로그래머는 에이전트에게 일을 맡기는 사람이 아니라, 에이전트가 안전하게 일할 수 있는 시스템을 설계하는 사람에 가까워질 겁니다.

Sandi Metz의 2016년 고전이 AI 코딩 시대에 다시 소환됐습니다. "잘못된 추상화보다 중복이 훨씬 싸다" 는 명제는, 성급하게 공통화한 코드가 요구사항이 갈라질 때마다 매개변수와 조건문을 덕지덕지 붙이며 더 깨지기 쉬워진다는 경고죠. 해법은 매몰비용 오류를 인정하고 추상화를 호출부로 다시 인라인해 중복으로 되돌린 뒤, 진짜 공통점이 드러나면 그때 다시 추출하라는 것입니다. AI가 코드를 값싸게 양산할수록 과잉 추상화의 비용이 커지는 지금, ponytail 같은 "최소 코드" 흐름과 정확히 같은 곳을 가리키고 있어 함께 보면 좋습니다.

복잡한 검색 API를 만들다 보면 GET은 URL 길이와 표현력에 막히고, POST는 의미상 읽기 요청으로 쓰기 애매한 경우가 많습니다. 새로 RFC 10008로 표준화된 HTTP QUERY 메소드는 이 틈을 메우기 위해 등장한 방식으로, GET처럼 안전하고 멱등적이면서도 요청 본문을 담을 수 있게 합니다. 아직 클라이언트·프록시·서버 지원이 넓지는 않아 바로 실무 표준이 되기는 어렵겠지만, API 설계에서 오래된 불편함을 정식 프로토콜 차원에서 다룬다는 점이 흥미롭습니다. 복잡한 필터링과 검색을 많이 다루는 팀이라면 미리 알아둘 만합니다.

AI 채용 도구와 코딩 테스트 플랫폼이 늘어나면서, 오히려 정직하게 지원하는 사람이 불리해지는 구조가 만들어지고 있습니다. 이 글은 Coderpad, HackerRank, AI 감독관 시험, 키워드 기반 이력서 필터링이 실제 개발 역량보다 시스템 통과 능력을 더 요구하게 된 상황을 비판합니다. 특히 신입 개발자에게 사다리가 사라지고 있다는 현실을 짚습니다. AI가 채용을 효율화한다는 말 뒤에, 사람을 더 많이 걸러내는 자동화만 남고 있는 것은 아닌지 돌아보게 합니다.

LLM이 답을 쉽게 만들어주는 시대에는, 이해하지 않고도 작동하는 코드를 얻는 일이 너무 쉬워졌습니다. 이 글은 검색과 AI를 역량 증폭기로 쓰려면 먼저 자신이 책임지는 시스템을 깊이 이해해야 한다고 말합니다. 일회성 스크립트나 낮은 위험의 내부 도구는 생성해도 괜찮지만, 오래 유지할 코드는 결국 설명할 수 있어야 합니다. 생산성을 output이 아니라 장기적인 통제력과 유지보수 가능성으로 봐야 한다는 점에서 읽어볼 만합니다.

웹에는 가격, 채용, 기업, 재고, 연구자료 같은 데이터가 이미 흩어져 있지만, 원하는 형태의 표로 만드는 일은 여전히 번거롭습니다. bigset은 자연어 한 문장으로 스키마를 추론하고, 에이전트들이 라이브 웹을 조사해 구조화된 데이터셋을 만들어주는 오픈소스 도구입니다. 특히 한 번 만들고 끝나는 스크래퍼가 아니라, 주기적으로 다시 실행해 데이터셋을 갱신한다는 점이 에이전트 시대의 데이터 수집 방식처럼 보입니다. 아직 실험적이지만, “검색 결과”가 아니라 바로 쓸 수 있는 표를 원하는 흐름을 잘 보여주는 프로젝트입니다.

"AI가 모든 걸 더 잘하게 되면 그 위의 회사는 전부 흡수될 얇은 래퍼"라는 2026년판 투자자 절망론에, 벤처투자자 Sarah Guo가 정교하게 반박하는 에세이입니다. 핵심은 측정 가능한 것은 곧 훈련 대상이 되어 commodity로 전락하지만, 정답이 사적이고 검증 비용이 큰 영역(로펌의 딜, 병원의 기록)은 리더보드로 읽어낼 수 없다는 것이죠. 진짜 병목은 지능이 아니라 권한과 책임이고, 관계/신뢰/축적된 판단처럼 시간이 빚어낸 훈련이 불가능한 '역사를 가진 가치' 가 최후의 해자라는 통찰이 인상적입니다.

나쁜 뉴스가 너무 많아서 뉴스를 피하게 되는 것은 단순한 무관심이 아니라, 인간 뇌가 감당하기 어려운 환경에 놓였기 때문이라는 설명입니다. 사람은 본래 부정성 편향 때문에 위협 정보를 더 빠르게 보고 오래 기억하도록 진화했는데, 이제 그 신경계가 전 세계의 재난과 위기를 실시간으로 받아들이고 있습니다. 정보를 더 많이 보는 것이 시민의식처럼 여겨지지만, 실제로는 행동 가능한 정보와 무력감만 키우는 정보를 구분하는 능력이 더 중요해졌습니다.

Quake 30주년을 맞아, John Carmack이 직접 자신의 초기 실수들을 회고한 글입니다. 멀티플레이와 모딩은 더 보수적인 Doom++ 엔진으로도 충분했는데 기술적으로 지나치게 야심을 부려 디자이너들에게 반복적인 재작업을 안겼고, 성숙해지는 회사엔 더 많은 여유(slack)가 필요했다는 번아웃에 대한 반성이 핵심이죠. 이 글이 사실 Sandy Petersen의 "Quake가 id를 망쳤다"는 트윗에 단 "Sorry, Sandy" 답글이라는 맥락도 참고하세요.

Cloudflare의 EU 기반 대안으로 주목받아온 bunny.net이 DNS를 완전 무료로 전환했습니다. 원래 자사 CDN 트래픽을 최적 경로로 보내던 내부 라우팅 엔진을 제품화한 것이라, 단순 조회 테이블이 아니라 지연시간/헬스체크/JavaScript로 목적지를 동적 결정하는 스마트 라우팅 엔진이라는 게 특징이죠. 계정당 500개 도메인까지 쿼리 제한·요청당 과금 없이 쓸 수 있고, 1-Click으로 CDN·보안(Shield)까지 연결됩니다. 작은 팀이나 개인 프로젝트 입장에서는 관리 비용을 줄이면서도 글로벌 라우팅 인프라를 쉽게 쓸 수 있는 선택지가 하나 더 생긴 셈입니다.

SSH 터널은 여전히 개발자에게 가장 강력한 도구 중 하나지만, 여러 터널을 매번 직접 열고 닫는 일은 금방 귀찮아집니다. boring은 TOML 설정으로 Local, Remote, Dynamic 터널을 묶어 관리하고, 그룹 단위로 열고 닫을 수 있게 해주는 작은 CLI 도구입니다. 자동 재연결·keep-alive로 끊김 없이 유지해주고요. 기존 SSH config와 ssh-agent를 그대로 활용한다는 점도 좋습니다. 이름처럼 화려하지는 않지만, 이런 반복 작업을 조용히 줄여주는 도구가 실제 워크플로에서는 오래 살아남습니다.

정보가 부족해서 판단을 못 하는 것이 아니라, 너무 많은 정보 때문에 오히려 신호를 잃어버리는 경우가 많습니다. 이 글은 이를 노이즈 병목으로 설명하며, 관측 빈도가 높아질수록 의미 있는 신호보다 무작위 노이즈가 훨씬 많이 쌓인다고 말합니다. 매시간 시장과 뉴스를 확인한다고 더 잘 이해하는 것이 아니라, 오히려 장기적 흐름을 놓칠 수 있다는 지적이 와닿습니다. AI와 뉴스 피드가 더 많은 정보를 밀어주는 시대일수록, 정보 수집의 도파민을 행동의 도파민으로 바꾸는 훈련이 필요해 보입니다.

Slack 엔지니어링팀이 AI 에이전트가 E2E 테스트를 대체할 수 있는가를 200건 넘게 실측한 보고서입니다. 전통적인 테스트가 정해진 클릭 경로를 검증한다면, 에이전틱 테스트는 “스레드 메시지 보내기” 같은 목표 달성 여부를 여러 경로로 확인합니다. 다만 비용과 실행 시간이 아직 크기 때문에, 기존 테스트 피라미드를 대체하기보다 최상단에서 탐색, 디버깅, 복잡한 사용자 흐름 검증을 맡는 형태가 현실적입니다.

Rework로 유명한 37signals(Basecamp)의 Jason Fried가 공유한 의사결정 점검 가이드입니다. "회사란 결국 사람의 집단이자 결정의 집합"이라는 전제 아래, 좋은 결정 기법이 아니라 애초에 이 결정이 필요한가, 올바른 사람이 내리는가처럼 결정의 전제 자체를 의심하는 38개 질문으로 구성된 점이 신선하죠. 좋은 의사결정 문화는 답을 빨리 내는 능력보다, 무엇을 결정하지 않아도 되는지 아는 감각에서 시작되는 것 같습니다.

스타트업 실패를 이야기할 때 흔히 번 레이트나 자본 고갈을 원인으로 보지만, 이 글은 그보다 앞선 의사결정 품질을 봅니다. 돈이 부족해지는 것은 결과이고, 실제 문제는 파편화된 데이터, 불명확한 우선순위, 비용과 성과를 연결해서 보지 못하는 운영 구조일 수 있다는 지적입니다. 특히 AI 도입도 ROI 검증 전에 확장하면 실험 비용이 곧 고정 비용이 된다는 부분이 지금 시점에 잘 맞습니다. 결국 좋은 창업자는 적게 쓰는 사람이 아니라, 왜 쓰고 무엇을 돌려받는지 아는 사람이라는 결론이 핵심 메시지입니다.

Anthropic이 협업 방식을 바꾸는 신제품을 내놓았습니다. @Claude로 태그만 하면 Slack 채널에 팀원처럼 합류해 작업을 위임받고, 결과를 스레드에 남겨 누구나 이어받는 멀티플레이어 협업이 핵심이죠. 채널의 맥락을 기억하고, 도구와 코드베이스에 접근하며, 여러 사람이 이어서 작업을 맡길 수 있다는 점에서 단순 챗봇보다 조직형 에이전트에 가깝습니다. Anthropic 내부 제품팀 코드의 65% 가 이 내부 버전으로 작성된다는 수치가 눈길을 끄는데, Karpathy는 이를 웹사이트→앱에 이은 LLM UX의 세 번째 패러다임이라 표현했습니다. 물론, 토큰 사용량이 만만치 않겠네요.

블로그 글은 꼭 새롭고 깊은 통찰이어야 한다는 부담 때문에 오히려 쓰기 어려워질 때가 많습니다. 이 글은 블로깅이 그저 모두가 겪지만 지나치는 당연한 불편을 말로 꺼내는 일이어도 된다고 이야기합니다. 누군가에게는 뻔한 이야기라도, 아직 말로 정리하지 못한 사람에게는 좋은 기준점이 될 수 있습니다. AI가 글을 쉽게 만들어주는 시대일수록, 오히려 자기 눈에 걸린 사소한 문제를 직접 관찰해 쓰는 개인적 감각이 더 중요해지는 것 같습니다.

Moebius는 거대한 파운데이션 모델이 모든 작업을 장악해야 한다는 흐름에 대한 좋은 반례입니다. 0.22B 규모의 작은 이미지 인페인팅 모델이 10B급 모델과 비슷하거나 더 나은 품질을 내고, 추론 속도는 크게 개선했다는 점이 핵심입니다. 범용 모델 경쟁이 계속되더라도, 실제 제품에서는 특정 작업을 명확히 정의한 전문가 모델이 더 싸고 빠르고 배포하기 쉬울 수 있습니다. 이번 주 메인 주제와 연결해 봐도, 중요한 것은 가장 큰 모델이 아니라 지금 쓸 수 있는 효율적인 모델일 수 있습니다.

개인 웹사이트도 이제 사람만 읽는 공간이 아니라, 검색엔진과 LLM, 링크 미리보기 봇이 함께 읽는 공간이 되었습니다. JSON-LD는 WebSite, Person, BlogPosting 같은 구조화 데이터를 통해 내 사이트와 글, 인물 정보를 기계가 더 정확히 이해하도록 돕습니다. 특히 개인 사이트에서는 sameAs, license, breadcrumb, 날짜 정보 같은 작은 메타데이터가 신뢰성과 발견 가능성에 영향을 줄 수 있습니다. AI 검색 시대에는 콘텐츠를 잘 쓰는 것만큼, 기계가 오해하지 않게 설명하는 일도 중요해지고 있습니다.

Hacker News의 18년 데이터를 보면 기술 트렌드는 갑자기 교체되기보다, 관심이 서서히 이동하는 세대교체에 가깝게 나타납니다. CoffeeScript에서 TypeScript로, Jenkins에서 GitHub Actions로, Webpack에서 Vite로 옮겨가는 흐름처럼 개발자 담론은 실제 사건과 도구 경험에 민감하게 반응합니다. 다만 HN 언급량은 시장점유율이나 기술적 우수성의 증거라기보다, 개발자 커뮤니티가 어디에 주의를 두는지를 보여주는 신호입니다. 기술 선택을 볼 때도 “지금 뜬다”보다 왜 관심이 이동했는가를 보는 데 유용한 자료입니다.

LLM을 제품에 붙이기 시작하면 곧바로 부딪히는 문제가 모델 선택, 비용, 장애 대응, 로그 관리입니다. Cafe24의 LLM Router는 여러 모델을 단일 OpenAI 호환 API로 묶고, 요청 성격에 따라 모델을 고르거나 장애 시 대체 모델로 넘겨주는 인프라를 제공합니다. 특히 원화 과금, 세금계산서, BYOK, Semantic Cache 같은 기능은 모델 다변화와 비용 통제를 동시에 고민하는 국내 팀에 현실적인 선택지가 될 수도 있겠네요.

에이전트가 웹을 대신 돌아다니는 시대가 되면, 가장 먼저 막히는 것은 “사용자를 대신해 어떻게 안전하게 가입하고 권한을 받을 것인가”입니다. auth.md는 각 서비스가 루트에 명세 파일을 두고, 에이전트가 지원되는 인증 흐름과 권한 범위를 읽어 사용자를 대신해 등록할 수 있게 하려는 오픈 프로토콜입니다. OAuth 위에 짧은 수명의 scoped token을 얹는 방식이라 기존 API 인증 체계와도 잘 맞습니다. AGENTS.md가 에이전트에게 프로젝트 사용법을 알려주는 문서라면, auth.md는 에이전트에게 서비스에 들어오는 방법을 알려주는 문서로 볼 수 있습니다.

문서 OCR은 한동안 “페이지별로 쪼개서 처리한 뒤 다시 붙이는” 방식에 머물러 있었는데, 이 모델은 그 병목을 어텐션 구조에서 직접 풀어보려는 시도입니다. 핵심은 전체 문서는 참조하되, 생성 중인 텍스트 기억은 최근 구간만 유지하는 Reference Sliding Window Attention입니다. 장문 문서를 한 번에 다루면서도 KV 캐시가 계속 커지지 않게 만든 점이 흥미롭습니다. OCR뿐 아니라 긴 음성 전사나 번역처럼 참조 대상은 길지만 출력 기억은 제한해도 되는 작업에도 이어질 수 있어 보입니다.

Redis가 너무 편해지면서, 원래는 캐시로 넣은 것이 어느 순간 사실상의 저장소가 되는 경우가 많습니다. 이 글은 그런 운영상의 미끄러짐을 피하기 위해, 오히려 기능이 단순한 memcached가 더 좋은 선택일 수 있다고 말합니다. memcached는 영속성을 기대하지 않도록 설계되어 있어, 팀이 캐시를 캐시답게 다루게 만드는 장점이 있습니다. “데이터베이스가 느리다”는 이유로 캐시부터 붙이기 전에, 먼저 느린 쿼리와 인덱스를 봐야 한다는 지적도 기본적이지만 중요합니다.

딥테크는 “어려운 소프트웨어”가 아니라, 애초에 게임의 규칙이 다른 영역이라는 설명이 좋습니다. 소프트웨어 스타트업은 방향 전환과 반복 비용이 상대적으로 낮지만, 하드웨어/바이오/로보틱스 같은 딥테크는 초기 설계와 팀 구성이 훨씬 강한 경로 의존성을 만듭니다. 잘못된 결정의 비용은 몇 시간이 아니라 수개월, 수년 단위로 돌아옵니다. 반대로 그 어려움 자체가 성공했을 때는 쉽게 복제하기 어려운 해자가 된다는 점에서, 다음 세대 스타트업을 보는 다른 렌즈가 됩니다.

AI가 새로운 산업혁명이 되려면 지능만으로는 부족하고, 이를 실행할 전력, 물리 인프라, 조정된 행동이 함께 필요하다는 주장입니다. 지금 미국은 모델과 지능에서는 앞서 있지만, 데이터센터 전력망과 산업 소재, 제조 실행력에서는 병목을 맞고 있다는 진단이 핵심입니다. 하이퍼스케일러나 모델 경쟁에 뛰어드는 대신, 그 아래의 에너지·소재·물리적 AI 스택을 재구축하는 곳에 기회가 있다는 관점이 좋습니다. AI를 소프트웨어 혁명으로만 보지 않고, 원자와 비트가 만나는 산업 전환으로 읽게 해주는 글입니다.

GLM-5.2는 이번 주 메인 글과 직접 이어지는 사례입니다. 744B 파라미터, 1M 컨텍스트 윈도우를 가진 중국 오픈 모델이 양자화를 통해 로컬 하드웨어에서도 실행 가능한 수준으로 내려오고 있습니다. 벤치마크 성능만큼 중요한 것은, 이제 “최고 모델”이 아니라 내가 접근하고 통제할 수 있는 모델이 점점 강해지고 있다는 점입니다. 미국 프론티어 모델 접근이 제한되는 상황에서는 이런 로컬 실행 가능성이 더 큰 의미를 갖게 됩니다.

위클리 메인 주제로 다룬 글이지만, 이 글에서 따로 볼 만한 부분은 OpenAI가 제한 공개를 “장기 기본값이 되어서는 안 된다”고 명시했다는 점입니다. GPT-5.6은 플래그십 Sol, 균형형 Terra, 저비용 Luna 3종 체계로 나왔는데요. 모델 라인업을 나누고 가격까지 공개한 것을 보면, 제품화 준비는 이미 상당히 진행된 상태인가 봅니다. 근데 "Cerebras 에서 초당 최대 750 tokens 속도" 라는데, 현재 Opus 가 최대 102토큰/초 인거랑 비교해서 정말 빠르기는 한가 보네요.

LinkedIn 창업자이자 OpenAI/Anthropic 양쪽 투자자인 Reid Hoffman의 발언은 자극적이지만, AI 회사라는 말이 너무 쉽게 쓰이는 시점이라 읽어볼 만합니다. SpaceX가 AI 인프라를 임대하거나 AI 회사를 인수한다고 해서 곧바로 AI 회사가 되는 것은 아니며, xAI 역시 모델 성능과 조직 안정성 모두에서 아직 검증이 필요하다는 비판인데요. 동시에 Anthropic 모델 접근 차단이 원칙과 예측 가능성 없이 비대칭적으로 적용됐다는 지적도 중요합니다. AI 산업을 볼 때 화려한 서사보다 실제 역량, 조직 지속성, 규제의 일관성을 따져봐야 한다는 메시지라고 생각이 되네요.