반응형
블로그 이미지
개발자로서 현장에서 일하면서 새로 접하는 기술들이나 알게된 정보 등을 정리하기 위한 블로그입니다. 운 좋게 미국에서 큰 회사들의 프로젝트에서 컬설턴트로 일하고 있어서 새로운 기술들을 접할 기회가 많이 있습니다. 미국의 IT 프로젝트에서 사용되는 툴들에 대해 많은 분들과 정보를 공유하고 싶습니다.
솔웅

최근에 올라온 글

최근에 달린 댓글

최근에 받은 트랙백

글 보관함

카테고리


반응형

바이브 코딩 하면 가장 대표적인 툴이 Cursor AI 입니다.
제 주위에 IT 에 업계에 있는 사람들은 대부분 Cursor AI 를 사용하고 있고 대부분 호평인데요.

그래서 제가 직접 비교해 보기로 했습니다.

지난 '재미로 하는 Vibe Coding' 라방에서 Grok 3 로 만든 Prompt 로 번역 앱을 바이브 코딩으로 만들었는데요.
1시간 안에 미처 구현하지 못한 기능들이 있었습니다.

똑 같은 Prompt 로 Cursor AI 에서 번역 앱 개발을 시도해 봤습니다.

과연 어느 툴이 더 좋을까요?

예상치 못한 에러에 제가 대처하는 방법을 생생하게 공유하기 위해서 진행 과정을 거의 Real 로 보여 드립니다.

Vibe Coding 에는 두가지 요소가 있습니다.
해당 Tool의 기능과 실제로 코딩을 하는 AI 모델의 성능.

둘 다 AI 모델은 ChatGPT, Claude, Gemini 같은 모델을 사용합니다.
실제 코딩을 누가 더 잘하느냐는 이 AI 모델의 성능에 달려 있구요.

Vibe Coding Tool 은 그 AI 모델에게 코딩을 시키기 위해 얼마나 편리한 기능들을 제공하는가가 평가 기준이 될 것 같습니다.
그리고 각각 내부 Prompt로 AI 모델과 Communication을 할 텐데 거기에서 오는 기능의 차이도 있을 테구요.

오늘은 실제 제가 바이브 코딩을 할 때 사용되는 기본 기능들만 비교해 봤습니다.

제 기준으로는 기본 기능면에서는 그 둘이 크게 차이가 나지는 않는 것 같아요.
Response 부분은 Cursor AI 가 좀 더 체계적이고 자세하게 주는 것 같구요.
UX 관점에서 Github Copilot 이 제게는 좀 더 직관적인 부분이 있어서 편리 했습니다.
가격 경쟁력 면에서도 Github Copilot 이 우세 했구요.

그 외에도 제가 느낀 점들을 이 비디오에 정리 해 놨습니다.

앞으로 계속 두 툴을 같이 사용할 것 같습니다.
그러다 보면 또 다른 특성들을 발견하게 되겠죠.
재밌는 작업이었습니다.


https://youtu.be/scG3agQQ79E

 

 

반응형


반응형

지난 시간에 Reflexion 추론 방법론에 대한 논문을 자세히 분석했습니다.
그 논문 제목은 Reflexion: Language Agents with Verbal Reinforcement Learning 이었는데요.

오늘은 그 논문에서 제시한 추론 방법론을 어떻게 AI Application으로 구현하는지에 대해 배웁니다.

LangGraph 의 Tutorial 소스코드를 자세하게 분석해 드립니다.
그리고 계속 AI Application 개발을 공부하면서 느낀 저만의 Insight도 공유해 드립니다.

프로그래머는 기계와 소통할 수 있는 언어 (Programming Language)로 어플리케이션을 만들죠?
AI는 인간의 언어를 사용합니다.
그렇기 때문에 개발자로서 AI 를 이용해서 어플리케이션을 만들려면 이 둘 사이에 통역을 잘 해야 합니다.

그리고 질문 할 때마다 달라지는 AI 의 응답을 로직으로 컨트롤 할 수 있을 정도의 패턴을 유지하도록 해야 합니다.

그런 것들을 달성하기 위해 사용되는 것이 Structured Output 을 유도하는 Prompt들과 함수들의 조합입니다.

오늘 비디오에서는 기존 프로그래밍과 다른 AI 어플리케이션의 프로그래밍에 대해 자세히 알려 드립니다.

https://youtu.be/PcZLXQup_Jk

 

 

오늘 강좌에서 사용된 소스코드가 있는 CoLab 페이지는 아래와 같습니다. https://colab.research.google.com/drive/1XlaiMjB63EfkBAm5BfqUBe--Tqxvh32x?usp=sharing

 

LG_Reflexion_2.ipynb

Colab notebook

colab.research.google.com

 

반응형


반응형
OpenAI Assistants API 의 Function Calling에 대해 배웁니다.
직접 코딩해서 Tool을 만들어야 하고 Schema 도 제작해야 합니다.
쉽지 않은 작업입니다.
Function Calling을 배울 수 있는 좋은 자료를 찾았습니다.
자세하고 소스코드 설명도 하고 제가 수정한 소스코드도 공개 합니다.
OpenAI Assistants API의 Function Calling을 배우는데 도움이 되길 바랍니다.
Assistants API의 Function Calling을 사용하면 ChatGPT 를 비지니스에 활용할 수 있을 정도의 정확도를 제공 하는 성능으로 업그레이드 할 수 있습니다.
현재 AI Application 개발의 트렌드는 Multi Agent , Agentic Workflow로 어플리케이션에 Agent 들을 두고 각 에이전트 들은 다수의 툴들을 가지고 작업하는 바익으로 발전하고 있습니다.
이는 사용자의 질문에 한번의 답을 하는 것이 아니라 그 질문을 마치 하나의 미션으로 두고 여러 Agent가 다양한 툴을 사용해 그 미션을 달성해 사용자의 요구조건을 더 짧은 시간에 더 충실히 채워주는 방식으로 변화하고 있습니다.
OpenAI 의 Assistants API는 이런 Agents 개념을 도입한 서비스 입니다.
지금은 베타버전이지만 앞으로 ChatGPT라는 기본 AI 모델의 성능향상도 중요하지만 점차 이런 Agent 활용 방법의 중요성이 대두되고 있기 때문에 이 Assistants API 도 많이 보강 될 것이라 믿습니다.
미래 기술을 초기부터 따라 잡아서 배우면 Expert이 될 수 있습니다.
이해하고 구현하기 어려운 Function Calling 을 쉽게 배울 수 있는 소스코드를 구해서 심층 분석했습니다.
많은 도움이 되길 바랍니다.

 

https://youtu.be/QEf5FR0DiHk?si=TECvJ_RslHzm9fVl

 

반응형


반응형

작년 11월에 소개 된 Assistants API 입니다.
조용하게 진행 되지만 아주 중요한 프로젝트 입니다.

OpenAI에서 RAG 개념을 받아들인 최초의 API 예요.
Assistants는 LangChain의 Agent 역할을 하죠.
덕분에 우리도 ChatGPT에서 RAG 기능을 사용할 수 있게 됐습니다.
논문을 업로드해서 요약을 한다던지 현재 날씨 정보를 얻는다던지 하는 그런 서비스는 원래 ChatGPT는 못했었거든요.

LangChain은 LangGraph로 Agent 를 한껏 발전 시켰습니다.
OpenAI는 이 Assistants API를 어떤 방향으로 발전 시킬지...

아직 아무도 가지 않은 길을 가는 AI 세계는 정말 흥미롭습니다.

https://youtu.be/L5GjCjX9Yj8?si=IU0W1RAOrUzIguHF

 

https://catchuplangchain.streamlit.app/

 

Catchup LangChain Tutorial

This app was built in Streamlit! Check it out and visit https://streamlit.io for more awesome community apps. 🎈

catchuplangchain.streamlit.app

반응형
이전 1 다음