GeekNews Weekly

에이전트가 코드를 쓰는 속도보다 사람이 시스템을 이해하는 속도가 느려지면서, 이해 자체가 새로운 병목이 되고 있습니다. 이 글은 diff를 더 열심히 읽으라는 데서 그치지 않고, 설명형 diff/퀴즈/마이크로월드처럼 AI를 이해를 돕는 도구로 활용하는 방법을 보여줍니다.

AI가 주어진 작업을 빠르게 끝내는 능력을 평준화할수록, 신입 엔지니어의 가치는 완료한 티켓 수만으로 평가하기 어려워집니다. 표현은 다소 자극적이지만, Kent Beck은 신입의 성장을 얼마나 빨리 배우고/불필요한 일을 줄이고/주변의 생산성까지 높이는가에서 찾습니다.

Python/수학/통계부터 머신러닝/딥러닝/LLM/캐글까지 이어지는 방대한 학습 지도입니다. AI에게 무엇이든 물어볼 수 있는 시대에도, 무엇을 어떤 순서로 배우고 직접 구현할지 정해주는 커리큘럼의 가치는 여전히 큽니다. 전부 따라가기보다 자신의 목표에 맞는 한 갈래를 골라 시작하는 편이 좋겠습니다.

고객 이탈을 온보딩 문구나 할인 정책이 아니라 시장/고객군/사용 빈도가 만드는 구조적 문제로 바라봅니다. 오래 남는 고객의 특징을 데이터로 찾고, 인터뷰를 통해 취소 이유와 복귀 조건을 확인하라는 접근이 구체적입니다. 전체 평균보다 어떤 고객이 남고 떠나는지를 세그먼트별로 보는 것이 핵심입니다.

기능과 디자인을 빠르게 복제할 수 있는 소비자 앱 시장에서, 가장 큰 병목은 제품 개발보다 유통이라는 점을 Cal AI의 경험으로 설명합니다. UGC/광고/인플루언서는 각각 다른 방식으로 사용자를 데려오므로, 제품에 맞는 채널을 찾고 실험/중단/확장하는 운영 체계가 필요합니다. 팔로워 수보다 평소 조회수와 댓글의 질을 보라는 조언도 현실적입니다.

'이해가 새로운 병목'과 정반대 편에서 균형을 잡아주는 글입니다. 수천만 줄 시스템은 아무도 전체를 이해할 수 없으니 부분적 이해로도 일할 수 있어야 한다는 주장으로, 코드 이해를 절대 기준이 아니라 속도·법적 준수와 저울질하는 여러 가치 중 하나로 놓습니다. 중요한 것은 모든 것을 아는 것이 아니라, 현재의 결정에 필요한 경계와 모르는 부분을 구분하는 것입니다.

숏폼과 AI 요약의 시대에, 역설적으로 깊이 읽기의 가치를 다시 짚는 글입니다. 더 많은 책을 읽는 방법을 속독이나 의지력이 아니라 환경 설계에서 찾습니다. 소셜 앱을 지우고/항상 책을 들고 다니고/여러 권을 동시에 읽는 식으로, 스마트폰을 열던 자투리 시간을 자연스럽게 독서로 바꿉니다. 완독에 집착하지 않고 재미없는 책을 내려놓는 것도 독서를 오래 지속하는 방법입니다.

에이전트에게 시간 단위 작업까지 맡기는 시대에, '그럼 사람은 무엇을 책임지나'를 정면으로 다룬 Addy Osmani의 글입니다. 에이전트가 내부 실행 루프를 맡아도 배포와 결과의 책임인 외부 루프는 사람이 소유해야 한다는 것으로, 최신 연구 수치를 근거로 촘촘하게 논증합니다. AI 코딩을 팀·조직 차원의 운영 모델로 끌어올린 종합편입니다.

에이전트가 코드를 다 짜주는데 왜 굳이 직접 코딩하냐는 물음에 내놓는 답입니다. 엔지니어의 일이 소프트웨어 팩토리를 짓는 것으로 확장됐어도, 영어라는 중간 계층 없이 실행 환경에서 직접 사고해야 아키텍처를 체감하고 소유감을 유지할 수 있다는 것이 요지입니다. '에이전트는 컴파일러가 아니라 갓 합류한 인턴에 가까워서, 사람의 일회성 실수까지 보수적으로 증폭한다'는 비유가 특히 인상적입니다.

Claude Code/Codex/Cursor/Gemini CLI처럼 사용하는 에이전트가 늘어나면서, 대화 기록도 로그가 아니라 검색/분석해야 할 개발 자산이 되고 있습니다. 여러 도구의 세션을 로컬 SQLite에 모아 검색하고, 비용/캐시 효율/수정 파일/작업 유형까지 추적합니다. AI 코딩 워크플로에도 코드와 서버처럼 옵저버빌리티 계층이 생기고 있다는 흐름을 보여줍니다.

최근 CS 졸업자의 상황이 나빠진 것은 사실이지만, 학위의 가치가 사라졌다기보다 신입이 첫 경력을 얻는 통로가 무너진 문제에 가깝습니다. 실제 사용자가 있는 제품/오픈소스 기여/작은 사업자의 문제 해결처럼, 수업 밖에서 검증 가능한 경험을 직접 만들어야 한다는 조언이 현실적입니다. AI 도구 사용 자체보다 그 내부 구조와 기술적 선택을 설명하는 능력이 차별점이 되고 있습니다.

위클리 메인에서는 가져온 자료/인용한 자료/언급한 대상의 차이를 다뤘지만, 검색이 시작되기 전부터 질문을 어떻게 분류하고 하위 질의로 분해하는가도 흥미로운 부분입니다. Thinking 모델은 제품 비교 하나를 수십 개의 검색으로 확장하고, 공식 가격 페이지를 따로 찾아 문자열까지 검증합니다. AI에 잘 노출되려면 권위만큼이나 가격/사양 같은 사실을 기계가 읽기 쉬운 평문 HTML로 제공하는 기본기가 중요합니다.

소프트웨어 제작 비용이 0에 수렴하면서 기능과 UI는 주말이면 복제되는 상품이 됐고, SaaS의 가치는 그 포장 아래의 희소 자산으로 옮겨간다는 분석입니다. 독점 데이터 루프, 돈을 옮기고 계약을 체결하는 행동 권한, 에이전트가 도구를 고르는 순간의 유통, ERP·원장 같은 기록 시스템을 새로운 해자로 꼽고, 좌석이 아니라 성과로 과금하면 SaaS가 보험사에 가까운 인수 사업이 된다는 관점이 신선합니다. 앞으로의 SaaS는 무엇을 만들 것인가보다 코드가 무료가 된 뒤에도 무엇을 소유할 것인가가 더 중요해집니다.

인보이스·계약서처럼 정형화된 PDF를 대량으로 찍어내야 하는 서비스라면 눈여겨볼 오픈소스입니다. LaTeX 대안으로 주목받는 Typst 템플릿을 서버에서 렌더링하고, 템플릿을 Docker 이미지처럼 버전·태그로 관리하며, 어떤 데이터로 무엇을 만들었는지 감사 추적까지 남기는 점이 특징인데요. 청구서/계약서/인증서처럼 모양보다 재현성/변경 통제/감사 가능성이 중요한 문서를 자동화할 때 잘 맞는 구조입니다.

같은 요청에도 답이 달라지는 AI를 어떻게 제품 수준으로 통제할지에 대한 실전 글입니다. 지침을 더 쓰기보다 모델이 거스를 수 없는 결정론적 코드(훅) 로 규칙을 강제하라는 것으로, 모델/하네스/문서/훅의 4계층 중 진짜 보장을 주는 건 최상단 훅뿐이라고 정리합니다. 결국 방어력은 모델이 아니라 '무엇을 코드로 고정하고 무엇을 열어둘지' 축적한 감싸는 계층에서 나온다는 결론이, 40억 달러로 성장한 Cursor 사례로 설득력 있게 이어집니다.

Wiki.js나 Outline은 과하고, 그렇다고 메모가 흩어지는 것도 싫은 소규모 팀·홈랩을 위한 위키입니다. 콘텐츠를 평범한 .md 파일로 저장해 앱 없이 읽고 grep으로 검색하고 cp -r로 백업할 수 있으면서, 서버나 DB 없이 단일 Go 바이너리로 돌아갑니다. Obsidian 호환 [[위키링크]]·백링크 자동 갱신·리비전 히스토리까지 갖춰, 런북이나 홈랩 문서를 가볍게 쌓아두기 좋습니다.

xAI(SpaceXAI)가 자사 터미널 코딩 에이전트 Grok Build의 Rust 소스를 Apache 2.0으로 공개했습니다. 코드베이스 이해/파일 수정/셸 실행을 전체 화면 TUI에서 다루고 헤드리스/ACP 연동까지 지원하지만, 외부 기여는 받지 않는 '공개하되 닫힌' 형태입니다. 데이터 전송 논란과 Cursor 인수 같은 배경 속에 나온 공개라 커뮤니티 반응이 기술적 관심과 신뢰할 수 있나로 갈리는데, 코드 자체뿐 아니라 그 논쟁까지 지켜볼 만한 사례입니다.

Bun을 Zig에서 Rust로 옮긴 재작성이 'AI가 엔지니어링을 대체한다'는 홍보 서사에 활용됐다고 보는 비판적인 글입니다. 글쓴이는 Bun의 해명에 대안 비교와 트레이드오프(느린 컴파일 등)가 빠져 사후 정당화처럼 보인다고 지적하고, TigerBeetle의 정적 할당 스타일처럼 Zig를 유지하는 선택지도 있었다고 짚습니다. 핵심 논지는 '코딩 에이전트를 도입하는 것'과 '소프트웨어 엔지니어링을 폐기하는 것'은 별개이며 판단/가독성/유지보수성은 여전히 필요하다는 것입니다. 코딩 에이전트를 도입하는 것과 엔지니어링을 폐기하는 것은 전혀 같은 선택이 아닙니다.

Linux 커널의 LLM 사용을 둘러싼 논쟁에 Linus Torvalds가 남긴 입장입니다. 그는 커널이 '반AI 프로젝트'가 아니며 AI도 다른 도구와 마찬가지로 유용한 도구라고 보고, 사용을 강요하지도 않지만 남의 사용을 막으려는 주장은 받아들이지 않겠다고 선을 그었습니다. 맹목적인 도입과 원칙적인 거부 사이에서 상당히 Linus다운 실용적 태도인데요. 도구의 유용성 자체보다 '어떤 규범으로 받아들일 것인가'가 오픈소스 공동체마다 갈리는 지점이라, 찬반 양쪽의 댓글 토론까지 함께 읽어볼 만합니다.

27B급 모델을 아이폰 메모리 안에서 돌린다는, 온디바이스 AI의 흥미로운 진전입니다. Qwen3.6 27B를 1비트/삼진으로 극한 양자화해 3.9~5.9GB로 줄이면서 원본 성능의 90~95%를 유지하고, 추론/도구 호출/비전까지 지원한다는 점이 눈에 띕니다. 100단계 에이전트 루프에도 API 비용이 들지 않고 데이터가 기기를 벗어나지 않아, 프라이버시가 중요한 온디바이스 에이전트의 현실성을 한 단계 끌어올립니다. 반복 작업은 로컬에서 처리하고 어려운 단계만 클라우드로 보내는 하이브리드 구성이 점점 현실적인 선택지가 되고 있습니다.

프롬프트 한 줄이 데이터센터 안에서 실제로 어떤 경로를 지나는지, 토큰화부터 KV 캐시/GPU/NVLink/광학 부품까지 15단계로 따라가는 깊이 있는 해설입니다. 프리필과 디코드가 각각 연산/메모리 대역폭에 묶인다는 구분부터 프롬프트 캐싱이 입력 비용을 최대 90% 줄이는 원리까지, AI 인프라의 경제학을 원리 수준에서 정리해줍니다. LLM API 비용이 왜 그렇게 책정되는지, 추론 제공업체를 무엇으로 비교해야 하는지 궁금했다면 한번 읽을 만합니다. 모델 성능표 뒤에 숨어 있는 실제 원가 구조와 인프라 용어를 한 번에 이해하기 좋네요.

git rebase -i의 번거로움에 지쳐 jj 같은 대안을 기웃거려 본 개발자라면 반가운 소식입니다. Git 2.54~2.55에 실험적으로 들어온 git history 는 과거 커밋 수정(fixup)/메시지 변경(reword)/커밋 분할(split)을 파생 브랜치 리베이스까지 자동으로 처리해줍니다. 별도 도구 설치 없이 Git 코어에서 jj식 이력 편집의 일부를 맛볼 수 있어, 커밋 기록을 깔끔하게 관리하는 습관이 있다면 바로 시험해볼 만합니다.

"AI가 쏟아낸 코드를 정리할 시니어 개발자의 몸값이 폭등한다" 는, 다소 도발적인 5년 시나리오입니다. 주니어 채용이 줄고 LLM이 정리보다 코드 추가를 선호해 중복과 기술 부채가 쌓이는 사이, AI 이전의 유지보수 감각을 갖춘 시니어의 공급은 번아웃/채용 중단으로 줄어든다는 논리로, Y2K 시절 COBOL 개발자에 비유하는데요. 근거로 든 수치는 다소 선택적이라 하나의 시나리오로 읽어야겠지만, 'AI가 늘리는 복잡성을 결국 누가 감당하는가'라는 질문을 도발적으로 던진다는 점에서 곱씹어볼 만합니다.

TCP/IP를 공동 설계한 '인터넷의 아버지' Vint Cerf가 83세에 Google에서 퇴임하며 긴 기술 경력을 마무리합니다. 은퇴 소식과 함께 그가 강조한 것은 여러 AI 에이전트가 함께 일하려면 자연어만으로는 부족하고, 조합 가능성/상호운용성/표준 프로토콜이 필요하다는 점입니다. 초기 인터넷의 규칙을 먼저 정의한 사람들이 이후 생태계에 큰 영향을 미쳤듯, 에이전트 경제에서도 표준을 누가 주도하느냐가 중요한 경쟁이 될 수 있습니다.

Inkling은 최고 성능 경쟁보다 전체 가중치 공개/멀티모달/미세조정 가능성을 하나의 기반으로 묶는 데 초점을 둡니다. 추론 노력도를 조절해 비용과 지연 시간을 선택할 수 있다는 점도, 모델을 수백만 번 호출하는 실제 서비스에서는 단일 벤치마크 점수보다 중요합니다. 더 작은 Inkling-Small이 일부 평가에서 대형 모델을 앞선 결과도 이제 모델 크기만으로 성능을 판단하기 어렵다는 흐름을 보여줍니다.

기존 SaaS가 업무에 쓰는 도구를 팔았다면, 에이전트 SaaS는 완료된 업무 자체를 판매합니다. 이를 위해서는 모델보다 트리거/권한/승인/에스컬레이션/성공 기준을 정의하고, 사용자가 오류를 확인하고 개입할 수 있는 제품 계층이 더 중요합니다. 처음부터 완전 자동화를 만들기보다 사람과 AI를 섞은 파일럿에서 반복되는 부분을 찾아 제품화하라는 접근도 현실적입니다.

Pandas와 Apache Arrow를 만든 Wes McKinney는 AI 시대에도 전문성/판단력/취향이 소프트웨어의 핵심이라고 봅니다. 무엇을 만들지 명확하지 않은 채 에이전트만 돌리면 평균적인 코드가 쌓이고, 그 구조에서 다시 빠져나오기 어려운 에이전트 수렁에 빠질 수 있습니다. Arrow가 오랜 시간 신뢰와 채택을 쌓으며 표준이 된 과정은 좋은 소프트웨어의 경쟁력이 코드 생성 속도만으로 만들어지지 않는다는 사례이기도 합니다.

SaaS에서는 애플리케이션이 높은 마진을 가져갔지만, AI에서는 가치와 자본이 반도체/컴퓨팅/전력/데이터/추론 인프라로 내려가고 있다는 분석입니다. 추론 비용이 매출과 함께 늘어나는 만큼, 단순한 AI 래퍼는 기존 SaaS와 같은 마진과 방어력을 유지하기 어렵습니다. 애플리케이션이 살아남으려면 독점 데이터/기록 시스템/규제 워크플로/유통력처럼 하위 계층이 쉽게 복제하지 못하는 무언가가 필요합니다.

2.8조 파라미터/100만 토큰 컨텍스트/네이티브 비전을 갖춘 3T급 공개 모델이 등장했습니다. 종합적인 사용 경험은 최상위 폐쇄형 모델보다 낮다고 인정하면서도, 장시간 코딩/칩 설계/과학 연구 같은 에이전트 작업에서는 경쟁력 있는 결과를 보여줍니다. 전체 가중치 공개가 예정되어 있어, 실제 의미는 발표 벤치마크보다 이후 추론 최적화와 파인튜닝 생태계에서 더 분명해질 것 같습니다.

lobste.rs가 MariaDB를 SQLite로 옮긴 뒤 서버 비용과 자원 사용량을 줄이고 체감 속도까지 개선했습니다. 하지만 첫 배포에서는 전체 테이블 스캔과 N+1 문제로 CPU가 모두 소진되어 즉시 롤백해야 했습니다. 단순한 데이터베이스를 선택하는 것과 단순하게 이전하는 것은 다른 문제이며, 현실적인 테스트 데이터/롤백 절차/쿼리 관측이 있어야 단순함의 이점을 얻을 수 있습니다.

위클리 메인에서는 AI에게 생각의 과정까지 넘기는 문제를 다뤘지만, 이 글이 제안하는 실천법은 먼저 자신의 가설을 만들고 AI로 검증하는 순서입니다. AI는 기존 생각을 확장하고 놓친 근거를 보완하는 데 강하지만, 처음부터 완성된 답을 받으면 어떤 가능성이 빠졌는지조차 알기 어렵습니다. AI를 사용하지 않는 것보다, 사고의 시작점과 최종 판단을 어디에 둘 것인지가 더 중요합니다.

AI 덕분에 시작할 수 있는 작업은 크게 늘었지만, 신중하게 마칠 수 있는 작업량은 여전히 인간의 주의력에 묶여 있습니다. 다른 에이전트가 밤새 만든 수십 개의 PR을 아침마다 검토하는 구조에서는 코드 생산량이 늘어날수록 감독 피로도 함께 커집니다. 앞으로의 병목은 코드 작성보다 일관된 의도/아키텍처/품질을 유지하며 작업을 끝내는 능력에 가까워질 수 있습니다.

이제 Fable 5가 Max/Team Premium에는 기본 한도의 50%까지 포함되지만, Pro/Team Standard는 계속 별도 사용 크레딧으로 접근하게 됩니다. 처리 용량이 부족해 단계적으로 공개한 사정은 이해할 수 있어도, 사용자는 다음 고성능 모델이 나올 때마다 추가 과금이 붙을지 의심하게 됐습니다. 모델 성능뿐 아니라 가격의 예측 가능성과 구독에 대한 신뢰도 AI 플랫폼의 중요한 경쟁력이 되고 있는데, Anthropic 은 이번 일로 신뢰를 잃어버린게 크네요. 댓글의 분위기에서도 그걸 느낄수 있네요