전체 글
-
이코에코(Eco²) Agent #18: 외부 API 연동을 통한 환경 인식이코에코(Eco²)/Agent 2026. 1. 16. 05:00
분리배출 에이전트에 외부 API(기상청, 한국환경공단, 행정안전부)를 SubAgent로 통합한 사례작성일: 2026-01-161. 배경1.1 요구사항분리배출 챗봇의 답변 품질 향상을 위해 외부 실시간 데이터 연동이 필요:데이터용도예시날씨 정보날씨 기반 분리배출 팁"비 예보가 있어요. 종이류는 실내 보관 후 배출하세요."수거함 위치폐전자제품 수거함 안내"강남구 이마트 용산점에 수거함이 있어요."대형폐기물 수수료지역별 수수료 조회"강남구에서 소파 배출 시 12,000원이에요."재활용품 시세재활용품 예상 가격"캔 1kg당 약 1,200원 정도예요."1.2 연동할 API 목록API제공 기관데이터기상청 단기예보기상청현재 기온, 강수 형태, 예보폐전자제품 수거함한국환경공단 (KECO)전국 12,800+ 수거함 위치..
-
이코에코(Eco²) Agent #17: Image Generation이코에코(Eco²)/Agent 2026. 1. 16. 04:31
LangGraph 파이프라인에서 OpenAI Responses API를 선택적으로 활용한 이미지 생성 기능 구현작성일: 2026-01-161. 배경1.1 요구사항분리배출 챗봇에서 이미지 생성 기능 추가 검토:분리배출 방법 인포그래픽 생성폐기물 분류 결과 시각화사용자 요청에 따른 맞춤 이미지1.2 기술적 질문질문검토 내용GPT-5.2가 이미지 생성 가능한가?❌ Chat Completion SDK에선 텍스트만 생성별도 API 호출이 필요한가?✅ GPT Image 1.5 또는 Responses APIResponses API가 새 표준인가?⚠️ 권장되지만 Chat Completions도 유지기존 파이프라인과 공존 가능한가?✅ 같은 API 키로 혼용 가능2. API 비교 분석2.1 OpenAI API 현황 (20..
-
이코에코(Eco²) Agent #16: 컨택스트 압축이코에코(Eco²)/Agent 2026. 1. 16. 02:50
LangGraph 1.0+ Message History Management & SummarizationNode 패턴Agent: Claude Code, Opus 4.51. 배경: 멀티턴 대화의 토큰 한계1.1 문제 상황[Turn 1] 사용자: 페트병 어떻게 버려? AI: 페트병은 내용물을 비우고...[Turn 2] 사용자: 라벨은요? AI: 라벨은 분리해서...[Turn 3] 사용자: 뚜껑은 어떻게? AI: 뚜껑은......[Turn 20] 컨텍스트 초과! 🔥문제설명토큰 폭발멀티턴 대화에서 메시지 누적 → LLM 입력 한계 초과비용 증가매 턴마다 전체 히스토리 전송 → 토큰 비용 급증응답 지연긴 컨텍스트 → 응답 생성 시간 증가컨텍스트 손실단순 truncatio..
-
Cursor에서 Claude Code로 컨택스트 마이그레이션이코에코(Eco²) Context/Skills 2026. 1. 16. 01:33
Cursor IDE에서 Claude Code CLI로 전환하면서, 프로젝트에 특화된 12개의 Skills, 57개 레퍼런스 문서를 구축했습니다.이 글에서는 전환을 결정하게 된 배경과 Skills 시스템 구축 과정을 공유합니다.전환을 결심하게 된 계기2일 만에 50만원이 사라졌습니다Eco² 프로젝트의 Chat Agentic Workflow를 Cursor로 개발하던 중이었습니다. LangGraph 파이프라인 설계, Agentic Workflow 사례 리서치, Intent-Eval Agent 디벨롭 등 하네스를 생성, 코드베이스에 적용하며 디벨롭 밀도를 올리니, 단 2일 만에 약 50-60만원이 소진되었습니다. 이미 $7,000 가량을 토큰 비용으로 소모한 만큼 장기적으로 지속 가능한 대안이 필요했습니다. 먼..
-
소모한 비용과 남은 예산을 바라보며 잡담잡담 2026. 1. 15. 22:21
github.io로 resume, portfolio와 함께 이코에코를 제작 및 고도화하며 든 비용을 시각화해서 배포해 두고 있다.배포된 페이지는 Cursor에서 제공하는 토큰 사용량 csv를 SOT로 삼아 업데이트하는 중이다. Chat Agentic Workflow 개발의 경우, 기존 백엔드/인프라 개발 및 고도화에 비해 상대적으로 최신 지식들이 요구되는 만큼 문서 형식의 하네스를 더 빈번히 쌓았다.코딩 에이전트 모델 cutoff 이후 시점 기술들과 사례들이 주였고, 하네스를 쌓는 만큼 토큰, 로컬캐시 등의 리소스가 빠르게 소모됐다.LLM API를 레이턴시 10-20초정도의 외부 호출이라는 관점에서 바라보면 동시접속자를 늘리도록 큐잉, 오케스트레이션 하는 작업은 기성 백엔드/인프라 개발 방식에서 크게 벗..
-
이코에코(Eco²) Agent #15: Eval Agent 고도화이코에코(Eco²)/Agent 2026. 1. 15. 09:29
Anthropic RAG 평가 패턴 적용 - Citation, Nugget, Groundedness, Just-in-Time Context 항목값작성일2026-01-15시리즈Eco² Agent 시리즈이전 포스팅#14 Feedback Loop & Fallback Chain참조docs/foundations/27-rag-evaluation-strategy.md1. 배경: 기존 평가의 한계1.1 기존 프롬프트 문제점// 기존 feedback_evaluation.txt 출력{ "relevance": 0.8, "completeness": 0.7, "accuracy": 0.9, "overall_score": 0.8, "suggestions": ["추가 검색 필요", "..."], "e..
-
이코에코(Eco²) Agent #14: Feedback Loop & Fallback Chain이코에코(Eco²)/Agent 2026. 1. 15. 09:25
RAG 품질 평가와 다단계 Fallback 체인으로 답변 신뢰성 확보항목값작성일2026-01-15버전v2.0시리즈Eco² Agent 시리즈1. 도입 배경: 왜 Feedback Loop가 필요한가?1.1 RAG 시스템의 한계분리수거 챗봇은 RAG(Retrieval-Augmented Generation) 기반으로 동작합니다.사용자 질문에 맞는 규정을 검색하고, 이를 바탕으로 답변을 생성합니다. 하지만 RAG에는 근본적인 한계가 있습니다:┌─────────────────────────────────────────────────────────────────────────┐│ RAG 실패 시나리오 │├────────..
-
RAG 품질 평가 전략: LLM-as-a-Judge 설계 원칙Knowledge Base/Foundations 2026. 1. 15. 08:42
RAG(Retrieval-Augmented Generation) 시스템의 품질을 LLM Judge로 평가할 때, 단순 점수 매기기를 넘어 디버깅 가능하고(Debuggable), 일관성 있으며(Consistent), 에이전트 피드백 루프에 활용 가능한(Actionable) 평가 체계를 구축하기 위한 이론적 토대와 실전 설계 원칙을 정리한다.목차개요: 왜 평가가 어려운가Pillar A: 평가 지표의 정량화Pillar B: 근거 기반 평가Pillar C: 에이전트 관점의 맥락Pillar D: Judge 신뢰성 확보실전 적용: JSON 스키마 설계참고 문헌1. 개요: 왜 평가가 어려운가1.1 RAG 평가의 본질적 어려움RAG 시스템은 두 가지 독립적인 컴포넌트로 구성된다:[Query] → [Retriever] ..