영리의 테크블로그

이번 해커톤에서 백엔드/AI 파트를 맡아 쉬운말 번역기 라는 서비스의 흐름을 설계해보았다.이 글은 langgraph 로 '문서 분기 - ocr - 쉬운말 변환 - tts' 를 어떻게 한 파이프라인으로 묶었는지 정리한 글이다. 백엔드 파이프라인 auth/ratelimit : fastapi 로 구현 / 파일 업로드, jwt 인증, websocket 브릿지worker : 분기, 재시도, 스트림 처리s3 : 이미지,음성 저장db : 작업 메타데이터, 사용자 로그 저장그래프 구조 짜기세부 노드 설명load doc : S3 등 이미지 서버에서 발급ocr snippit : OCRclassfiy doc : OCR 내용 공적/사적 판별private : 로그인 리턴public : 다음 노드로 이동easy translate..

간단한 mvp 프로젝트의 서버를 선택하기 위해 백엔드 프레임워크들을 정리해 보았다. 1. FastAPI파이썬 문법제일 많이 쓰는 언어라 문법이 익숙함주요 특징비동기 I/O: async/await 문법 지원!자동 API 문서: 스웨거 문서 지원해 주어 개발 아주 편함!!장점생산성: 타입 기반 오류 검출, 자동 문서화로 CRUD API 빠르게 작성 가능성능: Uvicorn + Starlette 조합으로 동기 파이썬 프레임워크 대비 높은 처리량단점생태계 규모: Django·Flask만큼 방대한 커뮤니티·플러그인은 아직 부족 / 정식 개발로 넘어갈때 문제가 될 가능성 높음..배포 복잡도: Uvicorn, Gunicorn 등 서버 설정이 필요 / AI 모델 적용시 잘 터짐.. + 아주아주 높은 서버 비용2. Ne..

서론학교 과제인 Super Mario Kart 에이전트를 학습하기 위해 구현한 순환 신경망(RNN) 기반 모델을 구현했다. https://github.com/YoonJae00/gym-SuperMarioKart-Snes GitHub - YoonJae00/gym-SuperMarioKart-Snes: Super Mario Kart Snes integration with OpenAI Retro GymSuper Mario Kart Snes integration with OpenAI Retro Gym - GitHub - YoonJae00/gym-SuperMarioKart-Snes: Super Mario Kart Snes integration with OpenAI Retro Gymgithub.com 4번 학습데..

최근 langgraph를 사용할 때는 단순히 def 함수로 로직을 구현했던 경험이 있었다.그런데 이번에 투자 AI 모임 코드를 보면서 각 모듈이 클래스를 기반으로 설계되어 있다는 점이 눈에 띄었다.기존 함수 기반 구현 vs 클래스 기반 구현함수 기반 코드는 짧고 간단한 작업을 수행할 때 빠르게 작성할 수 있지만 다음과 같은 한계가 있다.상태 관리의 어려움: 여러 함수에 걸쳐 데이터를 주고받으며 상태를 관리해야 하는 경우 복잡성이 증가함.코드 중복: 반복되는 로직을 분리하여 관리하기 어렵고, 동일한 코드가 여러 곳에 등장할 수 있음.유지보수 난이도: 프로젝트 규모가 커질수록 어떤 함수가 어느 역할을 수행하는지 파악하기 어려워짐.반면 클래스 기반 구현은 관련 변수와 함수를 하나의 객체로 묶어 캡슐화함으로써 ..

erd 설계하고 jpa, mybatis 복습하였다. 팀 회의 설계도 요구사항 분석사용자(Users): 로그인·회원 관리공연(Shows): 제목, 시간, 장소 등좌석(Seats): 공연별 구역·행·번호예약(Reservations): 사용자 ↔ 공연 매핑, 상태 관리결제(Payments): 예약 단위 결제 정보매핑 테이블: 예약 ↔ 좌석 (다대다 해소)개체(Entity) 식별UsersShowsSeatsReservationsReservationSeatsPayments관계(Relationship) 정의Users 1:N ReservationsShows 1:N SeatsShows 1:N ReservationsReservations 1:N ReservationSeatsSeats 1:N ReservationSeats..

Claude MCP 최근 Anthropic이 개발한 오픈 소스 표준 Claude MCP(Model Context Protocol)를 공부하였다.MCP는 AI 모델이 외부 데이터 소스 및 다양한 도구와 연결되도록 하는 프로토콜 (Like USB-C 포트) 임 원래는 function calling 기법으로 프로젝트를 기획했지만 이번에 MCP 방식으로 마이그래이션하기로 결정MCP 개요 및 구성MCP는 AI 모델과 외부 시스템이 원활하게 통신할 수 있도록 설계되었음.1. MCP HostClaude Desktop, IDE, LangGraph 에이전트 등 MCP를 활용하는 주체.사용자 요청을 MCP 형식으로 변환.2. MCP Server파일 시스템, 데이터베이스, API 등 특정 기능을 제공하는 프로그램.표준화된 ..

소설 캐릭터 챗봇 개발기: 텍스트 처리부터 채팅 구현까지웹소설을 읽다가 궁금한 점이 생기면 바로 캐릭터와 대화하면서 확인하고 싶었습니다. 소설을 읽기 전 등장인물들과 대화할 수 있는 기능을 만들고자 했습니다. https://github.com/YoonJae00/BookBuddy GitHub - YoonJae00/BookBuddy: 소설원문 기반 채팅 app소설원문 기반 채팅 app. Contribute to YoonJae00/BookBuddy development by creating an account on GitHub.github.com  1. 텍스트 분할 (Text Splitting)소설 텍스트를 효율적으로 처리하기 위해 청크 단위로 분할했습니다: # 2. 텍스트 분할 ..

OpenAI의 GPT-4o 모델과 Firebase, Redis, Firestore, LangChain 활용.주요 동작 원리1. 상호작용 데이터 수집Redis와 Firestore를 사용하여 사용자의 대화와 행동 데이터를 저장async def store_user_interaction(uid: str, interaction_data: dict): # Redis 및 Firestore에 상호작용 저장 ...2. LLM 기반 분석LangChain을 활용해 OpenAI GPT-4 모델로 사용자 상호작용 데이터를 분석.analysis_template = """당신은 사용자의 분신 페르소나를 발전시키는 전문가입니다...."""3. 페르소나 업데이트분석 결과를 Firestore에 저장된 기존 페르소나와 결합하여..

1. 비동기 Atom기본적인 비동기 Atom// 가장 심플한 비동기 atomconst asyncAtom = atom(async () => { const response = await fetch('https://api.example.com/data'); return response.json();}); redux + thunk 처럼 길지 않고 매우 편리한거 같음!로딩/에러 상태 처리const todoWithStatusAtom = atom(async (get) => { try { const data = await get(asyncAtom); return { status: 'success', data }; } catch (error) { return { status: 'error', er..

Jotai가 뭔데?일단 Jotai는 React 상태관리 라이브러리임.이름이 일본어로 '상태'라는 뜻심플하고 직관적인거 같음. 사용 영상  기본 사용법import { atom, useAtom } from 'jotai';const textAtom = atom('안녕하세요'); // 초기값 설정function Component() { const [text, setText] = useAtom(textAtom); // useState랑 비슷하게 생겼지?}useState랑 뭐가 다른데?처음에는 그냥 useState랑 비슷하네? 했는데 완전 다름.제일 큰 차이점은 전역 상태 관리가 가능예를 들어서:useState는 컴포넌트 안에서만 씀Jotai는 여러 컴포넌트에서 같은 상태 공유 가능// atoms/themeAt..