하나의 질문에서,
다음 이해로.

요청과 행동 원칙에서 실행 환경까지.

1. 프롬프트 엔지니어링에서 메타프롬프트까지: AI에게 질문하는 법에서 행동을 설계하는 법으로
2. 프롬프트 엔지니어링 다음은 왜 Harness Engineering인가
3. MCP와 A2A — 도구 연결과 에이전트 협업은 어떻게 다를까

SIEM의 기본부터 AWS 구성과 탐지 규칙 운영까지.

1. SIEM이란 무엇인가: 로그 수집부터 탐지와 대응까지
2. AWS 인프라로 SIEM 만들기: Security Lake와 OpenSearch
3. Detection as Code — SIEM Rule도 Git으로 관리해야 하는 이유

모델 구조와 추천 품질 평가를 함께 읽습니다.

1. 추천 시스템에서 MF 다음은 왜 Two-Tower인가
2. 추천 시스템 Two-Tower 다음 단계 — ANN과 Vector Search
3. 추천 시스템은 어떻게 평가할까 — Recall@K, Precision@K, NDCG

변경 데이터의 흐름과 운영 책임을 살펴봅니다.

1. CDC 아키텍처 비교 — GCP Datastream vs Debezium
2. CDC 정합성과 장애 복구 — 중복·역순·재처리를 다루는 방법
3. Debezium CDC 운영 — Kafka Connect와 Schema Evolution

업무 선정부터 아키텍처, 운영과 성과 측정까지.

1. 사내 AI 도입, 업무와 완료 기준부터 정하기
2. 업무 시스템·규칙·LLM의 역할을 나누는 법
3. 마케팅·상담·회계 지원을 AI 업무 흐름으로 설계하기
4. 사내 AI 공통 아키텍처와 데이터·권한 경계
5. 외부 API·로컬 LLM·혼합 구성, 무엇을 선택할까
6. 사내 AI 운영, 오류 복구와 성과 측정까지

평가자의 한계부터 기준표, 회귀 테스트, 위치 편향과 프롬프트 주입까지.

1. LLM-as-Judge — AI가 매긴 점수를 어디까지 믿을 수 있을까
2. AI에게 “잘 평가해줘”라고 하면 안 되는 이유 — 평가 기준표 만들기
3. LLM 평가를 테스트 코드처럼 운영하기 — 평가 데이터와 회귀 테스트
4. 답변 순서만 바꿨는데 승자가 달라진다면 — LLM 평가의 위치 편향
5. 평가받는 답변이 채점자를 속일 수 있을까 — LLM-as-Judge와 프롬프트 주입

RAG 기본 구조에서 통합 호출, 검색·생성 분리, RAGAS 평가와 Guardrails까지.

1. RAG는 어떻게 동작할까 — 검색부터 근거 있는 답변까지
2. Bedrock RAG 실습 — RetrieveAndGenerate로 시작하고 근거를 확인하기
3. Bedrock RAG 검색·생성 분리 — 답변에 쓴 근거를 그대로 평가하기
4. RAGAS 점수가 낮으면 무엇을 고칠까 — 검색·생성·평가 오류 분리하기
5. Bedrock Guardrails — 차단 문구보다 trace에서 확인할 것

CoT·ReAct와 구조 선택부터 승인, 도구 권한, 기억, 평가, 결정적 실행까지.

1. CoT와 ReAct — 풀이를 생성하는 것과 도구를 실행하는 것의 차이
2. LangChain·LangGraph·Strands — 에이전트 프레임워크 선택 기준
3. Supervisor와 Swarm — 여러 에이전트는 어떻게 일을 나눌까