내가 만든 user-utterance-grounding의 실제 구현을 근거로, keyword 매칭과 margin 기반 확신(confidence), 의도(intent) 분류, scope 기반 정렬(grounding)이 모호한 발화를 정확한 실행으로 좁혀가는 과정을 정리한다.

2026-07-02

article

Agent를 평가한다는 말은 너무 좁다

Agentic Workflow에서 평가의 실제 대상은 Agent 단독이 아니라 Consumed Artifact, Execution Graph, Produced Artifact가 결합된 WorkflowGraph다.

2026-07-02

article

그래프는 관계를 그리는 방법이다

철수가 신발을 샀다는 문장에서 시작해 Property Graph, Semantic Graph, TBox, ABox를 아주 쉽게 설명하는 Notion 학습 노트.

2026-06-30

article

내 결과물은 내가 평가할 수 없다: 실행과 판단을 가르는 일

에이전트에게 지시는 명확해야 한다. 해석의 여지가 없도록 만들면 된다. 그래서 나는 명령을 매번 말로 푸는 대신, 정의(RDF/OWL)와 규약(SHACL)으로 박아두는 길을 택했다. 일을 집합으로 그리면, '내가 만든 것을 내가 평가하지 않는다'는 원칙은 곧 '평가하는 집합과 평가받는 집합을 겹치지 않게 두는 일'이 된다.

2026-06-27

article

콘텐츠 자동화 개인 프로젝트

Agentic Workflow로 쌓아온 자동화 역량을 온라인 마케팅 실행 루프로 확장하는 포트폴리오 서사

2026-06-27

article

나만 보는 문서를 만들고 있었다: '이거 쓸 사람 있어?'가 바꾼 자동화

AI 에이전트로 일을 자동화하다 엉뚱한 걸 깨달았다. 나는 받는 사람도 없는 결과물을 계속 만들고 있었다. 협업할 때 나만 볼 문서를 굳이 각 잡아 만들지 않는 것처럼, 자동화도 '이거 쓸 사람 있어?'를 먼저 물어야 했다. 각 절은 일상 비유로 열고, 이어서 한 겹 더 깊이 들어간다. 비유만 읽어도 되고, 더 깊이 보고 싶으면 계속 읽으면 된다.

2026-06-26

article

VIO는 온톨로지를 저장하지 않는다: Dynamic Ontology Runtime이라는 관점

Visual Identity Ontology를 만들면서 깨달은 건, 이게 브랜드 비주얼을 위한 지식 저장소가 아니라는 점이다. Workflow, 대화, 지식, 작업 기억은 서로 다른 데이터가 아니라 하나의 그래프 위에서 표현되는 같은 구조이고, 에이전트는 실행하면서 그 그래프 자체를 진화시킨다. 이 글은 VIO를 사상(왜 그래프인가), 구조(무엇이 같은가), 런타임(실행이 지식을 바꾼다) 순서로 정리하고, 그 끝에서 VIO가 Visual Identity Ontology가 아니라 Dynamic Ontology Runtime, 더 정확히는 Semantic Runtime이라고 다시 정의한다.

2026-06-26

article

배너 한 장 만들었을 뿐인데, 그래프를 4개나 그렸다

VIO 본편이 어렵다는 피드백을 받았다. 그래서 시리즈를 새로 판다. 온톨로지·런타임 같은 단어는 잠깐 내려놓고, 누구나 해본 '배너 한 장 만들기' 장면 하나로 VIO가 뭘 하는지 캐러셀로 풀어본다. 먼저 전체 그림을 한 장으로 보여주고, 그다음 그 안의 네 조각(지식·워크플로·대화·기억)을 하나씩 다시 끌어와 푼다.

2026-06-25

article

꽃을 피우기 전에 가꿔야 하는 것이 있다: 성과주의 사회에서 다시 보는 성장의 기반

성과와 속도만 보면 놓치는 것이 있다. 꽃을 피우기 전에 흙부터 가꿔야 하듯, AI가 만든 결과를 거두기 전에 그것을 설명하고 검증할 수 있는 토대를 길러야 한다. 한 교실의 AI 리터러시 격차에서 출발해, 성과주의 사회가 건너뛴 '성장의 기반'을 다시 본다.

2026-06-20

article

먹히는 콘텐츠는 어디서 시작하는가: 3부작을 쓰고 회고했다

최근 세 편을 연달아 썼다. 1편 work-memory(무엇을 기억할 것인가), 2편 context-engineering(무엇을 보여줄 것인가), 3편 oracle-maintenance(무엇을 믿을 것인가). 올리고 반응을 보니 1·2편은 괜찮았는데 3편은 그렇지 않았다. 이 글은 왜 그랬는지를 따라간 회고 기록이다. 차이는 글의 품질이 아니라 시작점이었다. 1편은 직관적이려 했고 2편은 실무적이었는데, 3편은 내 개인 경험과 주장에서 시작했다. 여기서 두 가지 pain point가 나왔고, 둘은 하나의 원칙으로 모인다. 매스 미디어의 콘텐츠는 내 관심사가 아니라 audience의 관심사에서 시작해야 한다는 것. 그 원칙을 지키려면 미리 채워야 할 세 칸이 있다. 어떤 채널인지(channel type), 누구에게 보낼지(target audience), 그들이 지금 무엇에 관심 있는지(audience trend). 그리고 그 셋을 내가 말하고자 하는 것(subject)까지 끌고 가야 한다. 이 흐름이 또렷할수록 먹히는 콘텐츠가 될 가능성이 높아진다는 게 이 회고의 가설이고, 이는 콘텐츠만이 아니라 제품에도 똑같이 적용된다. B2C 앱의 대문, SaaS의 홈페이지와 온보딩에도 타깃 유저의 관심사가 놓여 있어야 한다. 그리고 이 채움을 매번 손으로 하는 대신 프롬프트를 컨텍스트로, 다시 자산으로 쌓는 루프를 만들면, 개인의 감각이 조직의 역량이 된다.

2026-06-20

article

좋은 Oracle은 태어나는 게 아니라 관리된다

판단자는 흔들린다. 중요한 건 흔들리지 않는 것이 아니라, 흔들림을 추적하는 것이다. 우리는 보통 시스템을 채점하는 Oracle을 고정된 기준점으로 믿지만, Oracle이 Model이면 그 역시 통 속의 아인슈타인이라 Model Drift를 겪고, 사람이면 Mental Model이 흔들린다. 게다가 여러 루프를 병렬로 굴릴수록 판단 시간은 1/N로 쪼개져 사람 Oracle의 흔들림은 기본값이 된다. 그래서 이 글의 주인공은 에이전트가 아니라 자기 자신을 채점하는 Oracle, 곧 흔들리는 나 자신이고, 결론은 좋은 Oracle은 태어나는 게 아니라 관리된다는 것이다. 판정을 이벤트로 기록해 흔들림을 추적하고(안), 외부인으로 영점을 다시 맞추며(밖), 비운 시간을 자기 보정에 쓴다. 자동화의 핵심은 배를 더 빨리 모는 게 아니라, 방향을 재는 나침반이 얼마나 틀어졌는지 아는 것이다. 통 속의 아인슈타인 시리즈 3편: 무엇을 믿을 것인가.

2026-06-19

article

맥락을 어떻게 전달해야 하는가: LLM은 통 속에 든 아인슈타인이다

지난 글에서 에이전트의 기억(agent-context)을 다뤘다. 이번엔 한 칸 아래로 내려간다. 그 맥락을 실제로 어떻게 적어 넣느냐, 즉 지시의 문제다. 결론부터 말하면 좋은 지시의 역량은 말솜씨가 아니라 정의와 구조화다. 그 이유는 LLM이 통 속에 든 아인슈타인이기 때문이고, 이 글은 그 비유에서 출발해 왜 이것이 prompt가 아니라 context engineering인지, 그리고 컨텍스트 낭비를 줄이는 구조가 어떤 모양인지까지 간다.

2026-06-18

article

Agent UX는 화면이 아니라 의사결정이다

2026-06-18

article

Agent-Context: 콘텐츠 자동화 에이전트의 '기억'은 어떻게 쌓이는가

콘텐츠를 자동으로 만들어 채널마다 뿌리고, 반응을 보고 다음 글을 고친다. 이 과정에서 에이전트가 쌓는 기억의 구조가 agent-context다. 효율적인 자동화의 핵심이지만, 과거에 먹혔던 것만 학습하면 콘텐츠는 조용히 비슷비슷해진다. 그 메커니즘을 마케팅 사례로 풀고, 내가 만든 MSO 위에 올려놓는다.

2026-06-16

article

하네스를 직접 짜려다 깨달았다: 그 고민은 이미 시맨틱 웹 언어에 있었다

evidence 검증 하네스를 hook과 스크립트로 짜려다, PROV-O와 SHACL이 더 나은 하네스라는 걸 알게 됐다. 데이터 구조에 대해 내가 새로 고민하던 것들은 이미 시맨틱 웹 언어에 녹아 있었다. 그 경험을 MSM(markdown-scaffolding-multihop) 스킬팩 v0.13.1에 녹여낸 과정을 정리한다.

2026-06-14

article

기술 가치는 어떻게 알려지는가

결론부터. 기술 마케팅의 답은 주제를 쉽게 만드는 게 아니라, 깊이를 보존한 채 채널마다 다른 보상에 맞게 번역하고 그 번역을 에이전트에 맡기는 것이다. 채널마다 보상 신호가 다르기 때문이다(링크드인=체류, X·쓰레드=대화, 숏폼=완료율). 그리고 번역은 한 번 내보내고 끝이 아니라, 발행 뒤 채널별 성과를 측정해 다음 변환을 보정하는 개선 루프다. 끝으로 이 자동화는 더 불편한 질문을 연다. 에이전트가 분업의 비용 구조를 바꾼 지금, 내가 하려는 일에 정말 인간 조직이 필요한가.

2026-06-11

article

행동을 완벽히 예측당해도 대체되지 않는 자리

사회 시뮬레이션이 인간 행동을 0.85 넘게 재현한다. 숫자만 보면 인간을 이해한 것 같다. 그런데 같은 시뮬레이션이 동조와 복종의 결과는 흉내 내면서 그 과정의 메커니즘은 어긋난다. 여러 논문을 종합하면 마지막 부등식이 가장 날카롭게 드러난다. 예측과 이해는 다르다. 그리고 그 틈에 대체되지 않는 자리가 있다.

2026-06-11

article

피지컬 AI보다 뇌지컬 AI가 더 난해하다

로봇이 다이아몬드를 캐고 AI가 현실 같은 세계를 실시간으로 생성하는 시대. 그런데 물리 세계를 다루는 AI(피지컬)가 빠르게 오는 동안, 인간의 마음과 의미를 다루는 AI(뇌지컬)는 왜 더디고 더 난해한가. 여러 논문을 종합하면 그 순서는 우연이 아니라 구조다. 물리는 닫혀 있고, 마음은 열려 있다.

2026-06-11

article

전문가란 무엇인가?

AI가 위키 전체를 삼켰는데, 왜 전문가는 사라지지 않는가. 여러 논문을 겹쳐 보면 답이 나온다. 전문가는 정보를 많이 가진 사람이 아니다. 그리고 그 정의가 바로, 무엇이 AI에게 넘어가고 무엇이 끝까지 인간에게 남는지를 가른다.

2026-06-10

article

클릭이 사라지면 마케터는 무엇이 되는가: 인지 설계자에서 데이터 엔지니어로

트렌드 신호를 모으는 도구를 만들다가, 그게 사실 마케터의 판단을 데이터 파이프라인으로 옮긴 행위였음을 깨달았다. non-click 퍼널이 유저 여정을 지우면서, 마케터의 craft는 인간 인지·유저플로우 설계에서 머신 가독성·인용·임프레션을 다루는 데이터 엔지니어링으로 옮겨간다. '의미를 만드는 사람'이라는 도피처조차 안전하지 않다.

2026-06-09

article