2주면,아이디어를 바로 쓸 수 있는 AI로만들어 드립니다.

• Neo4j 지식 그래프, 노드 유형 35개 이상, 도메인별 다중 데이터베이스. 유형별 few-shot 예시를 라우팅하는 text-to-Cypher. 실행은 코드 수준에서 읽기 전용(쓰기 차단, 30행 제한).
• 모순 해소가 붙은 LLM 추출: 사람이 해소한 사례 381건으로 보정. LLM 심사 평가 루프, 결정적 병합과 중복 제거.
• LangGraph 보고서 파이프라인: 전사 → 사실 추출 → 주제 선택 → 주제별 서브그래프(참조 조회 → 사실 매핑 → 결정적 매퍼가 모호하다고 표시할 때만 명확화 → 작성 → 렌더 → 검증). 모든 항목의 근거 목록을 전사 턴 번호로 검증하고, 근거가 남지 않은 항목은 삭제. 별도 검증 단계는 강등만 가능: 등급을 내릴 수는 있어도 올릴 수는 없음.
• 문서 인텔리전스: PDF, DOCX, XLSX, PPTX, CSV를 인코딩 폴백과 함께 읽는 로더 하나, 그리고 처음부터 작성한 HWPX(한글 오피스 형식) 파서.
• 측정한 뒤 끔: LLM 용어 교정 단계를 실제 통화 84건으로 다시 재고 비활성 상태로 출시. 카탈로그 85행과 규칙 하나면 충분했음. 전체를 관통하는 패턴은 LLM이 제안하고, 코드가 적용하고 지킨다.
• 운영: GPU 영역을 부르는 곳은 게이트웨이 하나뿐(OpenAI 호환 인터페이스라 Gemini, OpenAI, 자체 모델을 URL만 바꿔 교체). nginx + TLS. 운영 환경 LangSmith 트레이싱. 코딩 에이전트가 코드를 만지기 전에 지도를 읽도록 저장소마다 아키텍처 노트.

• 데이터: 공개 한국어 음성 코퍼스 8종(약 14,000시간)을 검토, 약 11,000시간을 라이선스·정제, 약 1,300시간(약 91만 문장)을 학습에 사용. 전화 채널 녹음 비중을 35%로 올렸는데, 양이 아니라 이 비율이 숫자를 움직였음. 전화 녹음은 채널 지문으로 검증. 여기에 고객사 통화 471건(약 9시간): 약 7시간은 학습, 93건(약 2시간)은 고정 심사 세트로 따로 보관.
• 합격 기준: 모든 후보 엔진을 같은 고객사 통화 심사 세트로 판정. 일상 대화 성능은 0.3점 이상 떨어지면 안 됨.
• 확장 근거: 같은 학습량에서 고객사 통화를 99건에서 347건으로 늘리자 오류가 12.7%에서 11.3%로. 두 배마다 약 0.7점. 아직 라벨링하지 않은 고객사 통화가 약 1,000시간. 전부 쓰면 약 7%, 용어 사전과 후처리까지 하면 5%로 예상.
• 모델과 서빙: B200 4장에서 Qwen3-ASR 파인튜닝과 pyannote 화자 분리, OpenAI 호환 /v1/audio/transcriptions 인터페이스 뒤에서 vLLM으로 서빙. 모드: 배치, 스트리밍, 화자 분리, 화자 분리 스트리밍.
• 검수 플랫폼: TypeScript 모노레포(NestJS, Postgres, S3), 커밋 771건. API, 워커, 웹 앱이 공유하는 텍스트 교정 패키지.
• 측정 위생: 모든 엔진에 같은 정규화(문장 부호 제거, 숫자 표기 통일, 띄어쓰기 무시). 심사 세트의 띄어쓰기 불일치만으로 1.7점이 왔다 갔다 했기 때문에, 대량 라벨링 전에 전사 지침을 먼저 고정. 2,354발화로 측정한 후처리 엔진은 아무것도 더하지 않았고, 그렇게 기록.
• 정리: 체크포인트 정리로 GPU 스토리지 9.7 TiB 회수.

• 에세이 채점: 루브릭별 헤드가 있는 트랜스포머 회귀, 적대적 학습과 증강(arXiv:2309.02740). 말하기: wav2vec 음성 특징과 텍스트를 결합.
• 서빙: Flask/uwsgi + Celery·RabbitMQ 워커, Docker → ECR → ECS, 스테이징과 운영 파이프라인 분리. 음성인식은 비용 때문에 ONNX Runtime으로 이식.
• 하네스: 배포 시 실제 모델 검사. 엉터리 답변은 0점이어야 하고, 서빙 점수는 로컬 추론과 일치해야 함.
• 부수 작업: 같은 제품군을 위한 TypeScript RAG 애플리케이션(NestJS, 벡터 + 키워드 하이브리드 검색, React).

• 제자리 PPTX 채우기(python-pptx): 기존 텍스트 프레임, 런, 표 셀을 다시 쓰고 런·문단·프레임 스타일을 앞으로 복사. 슬라이드 마스터, 레이아웃, 테마는 원본에서 상속.
• 레이아웃 충실도: 그룹 도형과 표를 가로지르는 안정적인 도형 주소, 기하 정보 저장·복원, 단어 줄바꿈 시뮬레이션이 붙은 이진 탐색 글꼴 자동 맞춤으로 텍스트가 원래 상자에 맞게.
• 제한된 생성: LLM 출력을 Pydantic 스키마(slide, shape, content)에 묶고, 결정적 폴백 매핑을 둠.
• LangGraph 슬라이드 파이프라인: 수업 시간으로 목표 길이를 계산하고, 살릴 템플릿 슬라이드를 고르고 순서를 정하며, 원래 자리표시자 위치에 의미 벡터 검색(Pinecone + 임베딩)으로 이미지를 교체.
• 수집: OCR과 이미지 자동 태깅. 같은 코드베이스에 DOCX/XLSX/CSV/PDF 생성기.
• 스택: Lovable/React 앱, Supabase + FastAPI 백엔드, S3, Redis, EC2/Vercel.

• 타입이 있는 핸드오프를 쓰는 CrewAI 크루. 웹 조사는 Brave 검색과 Firecrawl(관리형 스크래퍼만 사용, 헤드리스 브라우저 없음).
• 무역 기록에서 나오는 점수화. A/B 바이어 등급과 그 근거를 함께 보존.
• 품질 루프: 보고서를 저장하기 전 자체 비평·수정 단계.
• 플랫폼: FastAPI, Supabase, Redis. 보고서를 저장하고 채팅 인터페이스와 함께 제공.

• 주장별 판정: 답변의 각 트리플렛을 모든 참조 트리플렛과 한 번의 제한된 LLM 요청으로 대조. 출력은 triplet_idx:result로 강제하고 판정 지도로 병합.
• 도전과 수정: 임계값을 넘으면 리프롬프터가 질문 + 답변 + 참조 + 트리플렛별 실패 지도로 다시 생성.
• 교체 가능한 부품: CLI 플래그로 답변 생성기, 트리플렛 추출기, 검사기를 바꿈. 비교용 비-LLM 기준선(Stanford OpenIE, 완전 일치, 부분 일치).
• 평가 키트: 합성 환각 주입과 혼동 행렬 채점.
• 패키징: LLMTripletValidator 공개 API, wheel과 sdist로 빌드.

• 전략 DAG는 LangGraph StateGraph. 서브에이전트마다 자기 클래스, 자기 프롬프트 모듈, 타입이 있는 Pydantic 입출력. 라우팅이 BLOCKED를 돌려주면 조건부 엣지가 고객 관문을 건너뜀.
• 관문은 interrupt()와 관문별 호출자 권한 확인. 모든 실행이 노드별 human | logic 출처와 변경 불가 결정 기록을 남김.
• 내구성: Firestore 체크포인터. 죽은 프로세스에서 멈춘 실행은 클래스명 + 스레드 id로 재구성. 부분 재실행을 위한 DAG 중간 진입. LangGraph는 재개 시 노드를 다시 돌리므로 승인은 first-write-wins에 멱등. 추가 전용 장부가 모든 전달 시도를 기록. 대사 재시도는 상한을 두고 그 뒤엔 데드레터.
• 비용 통제: 토큰 추적기(에이전트별 호출별 모델, 토큰, 비용), 사용량 쿼터 → 429, 동시 캠페인 수 상한.
• 리드 파이프라인: 규칙 기반 3단계 선별(자동 / 사람 검토 / 제외)과 리드별 사유 기록. Apollo와 Apify로 보강. HubSpot 양방향 CRM 동기화. LinkedIn 아웃리치 웹훅은 Firestore 트랜잭션에서 참조 카운트. 답장 초안은 사람이 내보내기 전까지 검토 큐에 대기.

연구 습관은 납품에서 평가 세트, 심사 모델, 전후 숫자로 나타납니다. 그리고 측정 결과 아무것도 더하지 않는 기능은 끄겠다는 태도로도 나타납니다.