첫 회사에서 5년 정도 보낸 후 대기업이 가보고 싶다는 생각이 들었습니다.
다른 곳에 이력서도 넣어보지 않은 채 일단 그만뒀습니다.

그리고 이력서를 쓰기 시작했는데...
아는 사람도 하나 없어 지인 추천 없이 홈페이지를 통해서 지원서를 썼습니다.
네이버, 다음, SK컴즈, NC소프트, 넥슨 같은 곳들.

근데 기다려도 답장이 오질 않더군요.
5년 가까이 열심히 했고 자신감도 많이 생겼는데 밖에서 보는 내 수준은 이런거였구나.

한 달 정도 지났을 뿐인데 초조함이 엄청 커졌습니다.
나 혹시 새되는 거 아냐? 그럼 내 인생 어떻게 되는거지?
다른 회사를 먼저 알아보고 그만둘 걸.
큰일났단 생각에 소름이 바짝 돋았습니다.

엔씨, 넥슨, 다음에서는 연락도 안 왔고, 네이버에서 연락이 왔습니다.
이력서를 내고 한 달 지나 연락이 왔는데...
지금 생각해보면 제 이력서를 보고 픽해준 네이버 누군가가 인생의 은인입니다.
만약 흘려 넘겨 버렸으면 나는 지금 뭘하고 있을까? 시간이 지날수록 초조한 맘이 커져서 그 어떤 이상한 회사라도 얼씨구나 들어갔을 것 같습니다.

이후에도 다른 회사를 알아보기 전에 회사를 그만두었습니다만 처음 만큼 긴장되거나 초조하진 않았습니다. 스스로에 대한 자신감이 없었기 때문이었던 것 같습니다.

(인생에서 불안했던 시기를 생각해보다가 쓴 글일 뿐 절대 이렇게 하라고 추천하는 것은 아닙니다)

첫 회사에서 5년 정도 보낸 후 대기업이 가보고 싶다는 생각이 들었습니다.다른 곳에 이력서도 넣어보지 않은 채 일단 그만뒀습니다. 그리고 이력서를 쓰기 시작했는데...아는 사람도 하나 없어 지인 추천 없이 홈페이지를 통해서 지원서를 썼습니다.네이버, 다음, SK컴즈, NC소프트, 넥슨 같은 곳들. 근데 기다려도 답장이 오질 않더군요.5년 가까이 열심히 했고 자신감도 많이 생겼는데 밖에서 보는 내 수준은 이런거였구나. 한 달 정도 지났을 뿐인데 초조함이 엄청 커졌습니다.나 혹시 새되는 거 아냐? 그럼 내 인생 어떻게 되는거지?다른 회사를 먼저 알아보고 그만둘 걸.큰일났단 생각에 소름이 바짝 돋았습니다. 엔씨, 넥슨, 다음에서는 연락도 안 왔고, 네이버에서 연락이 왔습니다.이력서를 내고 한 달 지나 연락이 왔는데...지금 생각해보면 제 이력서를 보고 픽해준 네이버 누군가가 인생의 은인입니다.만약 흘려 넘겨 버렸으면 나는 지금 뭘하고 있을까? 시간이 지날수록 초조한 맘이 커져서 그 어떤 이상한 회사라도 얼씨구나 들어갔을 것 같습니다. 이후에도 다른 회사를 알아보기 전에 회사를 그만두었습니다만 처음 만큼 긴장되거나 초조하진 않았습니다. 스스로에 대한 자신감이 없었기 때문이었던 것 같습니다. (인생에서 불안했던 시기를 생각해보다가 쓴 글일 뿐 절대 이렇게 하라고 추천하는 것은 아닙니다)

다른 회사를 먼저 알아보지 않고 퇴사하면

안녕하세요 저도 현재 비슷한 경험중이여서 댓글을 남깁니다!!
첫회사에서 유니티 개발자로 6년정도 보내고 더 큰 기업에서 성장하고싶다는 마음에 회사를 그만두고 새로운 직장을 알아보고 있는데 시장도 많이 어렵고 계속 불안한 마음만 생기는것 같습니다. 현재는 백엔드 개발자로 직무를 전환하고자 부트캠프를 다니면서 이력서를 넣고있습니다. 혹시 조언해주실만한 부분이 있으실까요!?

Introduction: Setting the Stage for AI Innovation Artificial intelligence is changing our world. Many people hear buzzwords like LLM and LRM.

Beyond the Buzzwords: Understanding the Contrast Between LRM and LLM

*요약(TLDR): LLM은 텍스트를 생성하고, LRM은 계획하고 추론하도록 설계되었습니다.

💻 대규모 언어 모델(LLM) 이해하기
 * 개념
   * 대규모 언어 모델(LLM)은 텍스트를 이해하고 생성하도록 설계된 인공지능의 한 유형
   * 이들은 방대한 양의 글을 학습하며, 문장에서 다음 단어가 무엇일지 예측하는 능력 확장
   * 트랜스포머: 단어 간의 관계를 파악하게 해주며, 맥락 이해
   * 큰 모델 사이즈: 책, 웹사이트, 기타 텍스트에서 수십억 개의 단어 학습
   * 단점
     * 편향과 윤리: 학습 데이터에 존재하는 편향을 반영하여 편향되거나 부적절한 정보 생성 가능성
     * LLM을 훈련시키고 운영하려면 상당한 컴퓨팅 자원이 필요하고, 배포 비용이 높음
 * 유즈케이스
   * 콘텐츠 생성: 기사, 이야기, 소셜 미디어 게시물 작성 지원
   * 고객 지원: 일반적인 고객 문의에 대한 자동 응답 제공 / 한 언어에서 다른 언어로 텍스트 번역 / 긴 문서 요약
   * 프로그래밍 지원: 코드 조각 생성 또는 디버깅 지원으로 개발자 돕기
 * 예시: 크기, 학습 데이터, 특정 기능 차이
   * ChatGPT (OpenAI): 질문에 답하고, 이야기를 쓰고, 아이디어를 생성할 수 있는 인기 모델
   * Bard (Google): 창의적인 작업과 자연어로 질문에 답하기 위해 설계됨
   * Bing Chat (Microsoft): 대화형 응답을 제공하기 위해 마이크로소프트 검색 엔진에 통합
   * Claude (Anthropic): 윤리적이고 안전한 출력에 초점을 맞춘 대화 모델
   * LLaMA (Meta): 연구 및 맞춤형 애플리케이션 개발에 사용되는 오픈소스 모델

💻 대규모 추론 모델(LRM) 탐구하기
 * 개념
   * 단순히 텍스트를 생성하는 것이 아니라 추론하고 계획하도록 설계
   * 목적: 단계별 사고하도록 설계. 문제를 이해하고 논리적으로 해결 시도
   * 작동 방식: 강화 학습 같은 기술을 사용해 복잡한 작업에서 더 나은 결정 시행
   * 약점
     * 자원 집약적: LLM보다 비용이 더 많이 들고, LRM은 정보를 처리하는 데 상당한 컴퓨팅 능력과 시간이 필요해 배포 비용이 더 많이 소요
     * 개발 단계: 새로운 기술로, LRM은 아직 진화 중이며 모든 유형의 추론 작업에서 신뢰성 상대적으로 낮은편 / 의사 결정 과정이 투명하지 않아 특정 결론에 어떻게 도달했는지 이해하기 어려움
 * 적용 분야
   * 과학 연구: 가설 형성과 실험 설계를 돕기
   * 재무 계획: 복잡한 재무 데이터를 분석하여 투자 결정 지원
   * 고급 게임 AI: 플레이어 전략에 계획하고 적응할 수 있는 게임 캐릭터 개발 / 퍼즐
 * 예시
   * OpenAI의 o1: 가장 잘 알려진 LRM 중 하나로, o1-preview와 o1-mini 같은 버전은 계획 작업을 해결하고 기존 LLM보다 더 나은 추론 성능
   * 연구 모델: 학술 연구에서 일부 실험 모델도 언어 모델에 추론 능력을 추가하며, 아직 개발 중이지만 다단계 문제를 해결하는 데 더 똑똑한 AI 시스템 목표
   
   
🏵️ 향후 트렌드: AI 추론의 진화
 1. 고급 추론 모델로의 전환
 * 예측에서 추론으로
 2. 검색과 추론의 통합
 * 데이터 검색과 사고 과정 결합
 * OpenAI의 DeepSearch, Perplexity, Anthropic, DeepSeek 등
 3. 오픈소스 AI 개발 강조
 * 협력적 AI 발전: AI 모델을 오픈소스로 공개
 4. 향상된 컴퓨팅 자원
 * AI 인프라 투자: 고급 AI 추론을 지원하기 위해 인프라에 막대한 투자
 5. 윤리 및 안전 고려사항 해결
 * 책임 있는 AI 사용 보장: AI의 능력이 커짐에 따라 윤리적 사용과 안전에 대한 관심 증가

 * source: https://www.linkedin.com/pulse/beyond-buzzwords-understanding-contrast-between-lrm-llm-srikanth-r-xrohc/

*요약(TLDR): LLM은 텍스트를 생성하고, LRM은 계획하고 추론하도록 설계되었습니다. 💻 대규모 언어 모델(LLM) 이해하기<ul><li>개념<ul><li>대규모 언어 모델(LLM)은 텍스트를 이해하고 생성하도록 설계된 인공지능의 한 유형</li><li>이들은 방대한 양의 글을 학습하며, 문장에서 다음 단어가 무엇일지 예측하는 능력 확장</li><li>트랜스포머: 단어 간의 관계를 파악하게 해주며, 맥락 이해</li><li>큰 모델 사이즈: 책, 웹사이트, 기타 텍스트에서 수십억 개의 단어 학습</li><li>단점<ul><li>편향과 윤리: 학습 데이터에 존재하는 편향을 반영하여 편향되거나 부적절한 정보 생성 가능성</li><li>LLM을 훈련시키고 운영하려면 상당한 컴퓨팅 자원이 필요하고, 배포 비용이 높음</li></ul></li></ul></li><li>유즈케이스<ul><li>콘텐츠 생성: 기사, 이야기, 소셜 미디어 게시물 작성 지원</li><li>고객 지원: 일반적인 고객 문의에 대한 자동 응답 제공 / 한 언어에서 다른 언어로 텍스트 번역 / 긴 문서 요약</li><li>프로그래밍 지원: 코드 조각 생성 또는 디버깅 지원으로 개발자 돕기</li></ul></li><li>예시: 크기, 학습 데이터, 특정 기능 차이<ul><li>ChatGPT (OpenAI): 질문에 답하고, 이야기를 쓰고, 아이디어를 생성할 수 있는 인기 모델</li><li>Bard (Google): 창의적인 작업과 자연어로 질문에 답하기 위해 설계됨</li><li>Bing Chat (Microsoft): 대화형 응답을 제공하기 위해 마이크로소프트 검색 엔진에 통합</li><li>Claude (Anthropic): 윤리적이고 안전한 출력에 초점을 맞춘 대화 모델</li><li>LLaMA (Meta): 연구 및 맞춤형 애플리케이션 개발에 사용되는 오픈소스 모델</li></ul></li></ul> 💻 대규모 추론 모델(LRM) 탐구하기<ul><li>개념<ul><li>단순히 텍스트를 생성하는 것이 아니라 추론하고 계획하도록 설계</li><li>목적: 단계별 사고하도록 설계. 문제를 이해하고 논리적으로 해결 시도</li><li>작동 방식: 강화 학습 같은 기술을 사용해 복잡한 작업에서 더 나은 결정 시행</li><li>약점<ul><li>자원 집약적: LLM보다 비용이 더 많이 들고, LRM은 정보를 처리하는 데 상당한 컴퓨팅 능력과 시간이 필요해 배포 비용이 더 많이 소요</li><li>개발 단계: 새로운 기술로, LRM은 아직 진화 중이며 모든 유형의 추론 작업에서 신뢰성 상대적으로 낮은편 / 의사 결정 과정이 투명하지 않아 특정 결론에 어떻게 도달했는지 이해하기 어려움</li></ul></li></ul></li><li>적용 분야<ul><li>과학 연구: 가설 형성과 실험 설계를 돕기</li><li>재무 계획: 복잡한 재무 데이터를 분석하여 투자 결정 지원</li><li>고급 게임 AI: 플레이어 전략에 계획하고 적응할 수 있는 게임 캐릭터 개발 / 퍼즐</li></ul></li><li>예시<ul><li>OpenAI의 o1: 가장 잘 알려진 LRM 중 하나로, o1-preview와 o1-mini 같은 버전은 계획 작업을 해결하고 기존 LLM보다 더 나은 추론 성능</li><li>연구 모델: 학술 연구에서 일부 실험 모델도 언어 모델에 추론 능력을 추가하며, 아직 개발 중이지만 다단계 문제를 해결하는 데 더 똑똑한 AI 시스템 목표</li></ul> </li></ul>🏵️ 향후 트렌드: AI 추론의 진화<ol><li>고급 추론 모델로의 전환</li></ol><ul><li>예측에서 추론으로</li></ul><ol start="2"><li>검색과 추론의 통합</li></ol><ul><li>데이터 검색과 사고 과정 결합</li><li>OpenAI의 DeepSearch, Perplexity, Anthropic, DeepSeek 등</li></ul><ol start="3"><li>오픈소스 AI 개발 강조</li></ol><ul><li>협력적 AI 발전: AI 모델을 오픈소스로 공개</li></ul><ol start="4"><li>향상된 컴퓨팅 자원</li></ol><ul><li>AI 인프라 투자: 고급 AI 추론을 지원하기 위해 인프라에 막대한 투자</li></ul><ol start="5"><li>윤리 및 안전 고려사항 해결</li></ol><ul><li>책임 있는 AI 사용 보장: AI의 능력이 커짐에 따라 윤리적 사용과 안전에 대한 관심 증가</li></ul> <ul><li>source: https://www.linkedin.com/pulse/beyond-buzzwords-understanding-contrast-between-lrm-llm-srikanth-r-xrohc/</li></ul>

www.linkedin.com

[GenAI] LRM과 LLM의 차이점 이해하기

워커 쓰레드를 통한 자바스크립트 멀티 쓰레딩

자바스크립트는 태성적으로 하나의 쓰레드로 동작하는 여러 작업을 처리할 수 있는 비동기 프로그래밍 언어였는데요. 이러한 특징은 작은 하드웨어 리소스로 여러 개의 IO 작업을 동시에 처리하는데 유리했으며 특히 브라우저 환경에서 빛을 발휘했죠.

하지만 Node.js나 Bun과 같은 서버 런타임을 통해서 자바스크립트가 백엔드에서도 사용되면서 멀티 쓰레드를 지원하지 않는 부분은 항상 약점으로 지적되어 왔습니다. 쓰레드가 하나라는 것은 메인 쓰레드에 문제가 생기면 전체 애플리케이션이 먹통이 될 수 있다는 뜻이라서 성능과 안정성이 떨어지죠. 뿐만 아니라, 요즘에는 CPU가 대부분 멀티 코어인데 코어를 하나 밖에 쓰지 않는 부분도 리소스 활용 측면에서 불리하게 작용합니다.

worker_threads
는 싱글 쓰레드 언어로 알려진 자바스크립트로도 멀티 쓰레드 프로그래밍을 가능하게 해주는 Node.js의 내장 모듈입니다. 이번 포스팅에서는
worker_threads
모듈을 사용하여 어떻게 멀티 쓰레드 프로그래밍을 할 수 있는지 예제를 통해서 설명드리겠습니다.

📝 포스팅: https://www.daleseo.com/js-node-worker-threads/

자바스크립트는 태성적으로 하나의 쓰레드로 동작하는 여러 작업을 처리할 수 있는 비동기 프로그래밍 언어였는데요. 이러한 특징은 작은 하드웨어 리소스로 여러 개의 IO 작업을 동시에 처리하는데 유리했으며 특히 브라우저 환경에서 빛을 발휘했죠. 하지만 Node.js나 Bun과 같은 서버 런타임을 통해서 자바스크립트가 백엔드에서도 사용되면서 멀티 쓰레드를 지원하지 않는 부분은 항상 약점으로 지적되어 왔습니다. 쓰레드가 하나라는 것은 메인 쓰레드에 문제가 생기면 전체 애플리케이션이 먹통이 될 수 있다는 뜻이라서 성능과 안정성이 떨어지죠. 뿐만 아니라, 요즘에는 CPU가 대부분 멀티 코어인데 코어를 하나 밖에 쓰지 않는 부분도 리소스 활용 측면에서 불리하게 작용합니다. <code >worker_threads</code>는 싱글 쓰레드 언어로 알려진 자바스크립트로도 멀티 쓰레드 프로그래밍을 가능하게 해주는 Node.js의 내장 모듈입니다. 이번 포스팅에서는 <code >worker_threads</code> 모듈을 사용하여 어떻게 멀티 쓰레드 프로그래밍을 할 수 있는지 예제를 통해서 설명드리겠습니다. 📝 포스팅: https://www.daleseo.com/js-node-worker-threads/

www.daleseo.com

도메인 발견 여정에 탑재해야할 마인드셋
경계해야할것:
- 자신이 도메인을 가장 잘알고 있다라고 착각하고 그것을 무기로 삼는것
- 상대방의 unkown만을 찾아 부족한점을 부각시키고 상호 협조및 공유가 없을때

지켜야할것:
- 우리의 지식이 빈약함을 인정하고 서로 unknown영역을 찾아가며 함께 배울때
- unknown 영역을 찾기위한 끝없는 여정, 도메인은 발명이아니라 보물찾기같은 발견의 여정 ( 보물을 한방에 찾는 지도같은건 없음)

이 내용으로 요즘 유행하는 gpt 컷신시도

도메인 발견 여정에 탑재해야할 마인드셋경계해야할것:- 자신이 도메인을 가장 잘알고 있다라고 착각하고 그것을 무기로 삼는것- 상대방의 unkown만을 찾아 부족한점을 부각시키고 상호 협조및 공유가 없을때 지켜야할것:- 우리의 지식이 빈약함을 인정하고 서로 unknown영역을 찾아가며 함께 배울때- unknown 영역을 찾기위한 끝없는 여정, 도메인은 발명이아니라 보물찾기같은 발견의 여정 ( 보물을 한방에 찾는 지도같은건 없음) 이 내용으로 요즘 유행하는 gpt 컷신시도

도메인발견여정

헤르만 헤세 | 책에 대한 이야기라면 역시 데미안으로부터 시작하지 않을 수 없다. 내 인생에 가장 큰 영향을 끼친 책이니까. 내가 데미안을 정독한 것은 두 번이다. 한 번은 중학생 시절이고, 한 번은 대학생 시절이다. 중학생 때는 읽으면서 절반 정도는 이해를 하고 절반 정도는 이해하지 못하였던 것 같다. 나중에 대학생이 되어서 다시 읽고 나서야 얼추 이해하게 되었는데 그것

[책] 너는 이미 모든 것을 알고 있다, '데미안'

답은 내 안에 있다.
#책 #서평 #문학 #고전 #헤세

https://brunch.co.kr/@drunkensky/689

답은 내 안에 있다.#책 #서평 #문학 #고전 #헤세 https://brunch.co.kr/@drunkensky/689

Brunch Story

[책] 너는 이미 모든 것을 알고 있다, <데미안>

네이버는 만 1년을 다녔습니다. 짧은 기간이긴 합니다만 한 번도 지각을 하지 않았습니다. 휴가도 쓰지 않았습니다. 퇴사할 때 인사팀에서 놀라더라고요. “어떻게 휴가를 한 번도 안 쓰셨어요?”

루틴이 있었던 시절

네이버는 만 1년을 다녔습니다. 짧은 기간이긴 합니다만 한 번도 지각을 하지 않았습니다.
휴가도 쓰지 않았습니다. 퇴사할 때 인사팀에서 놀라더라고요.
“어떻게 휴가를 한 번도 안 쓰셨어요?”

신기한 일이긴 했습니다. 지각도 잦고, 오전 반차로 대부분의 휴가를 탕진해버리는 저의 대부분의 회사 시절과는 분명히 달랐으니까요.

어떻게 이럴 수 있었을까?
독산동이었던 저희 집과 분당은 너무 멀었기 때문입니다.
버스나 지하철로는 도저히 갈 수가 없는 곳. (신분당선이 개통 전이었을 때입니다)
다행히 네이버는 셔틀버스가 있었는데, 이 셔틀버스를 저는 반드시! 타야만 했습니다.
안 그러면 회사에 갈 수가 없으니까.

돌아보면 이때가 참 좋았습니다. 매일 같은 루틴으로 살 수 있었거든요.
강제적인 루틴이 설정되었습니다.

* 아침 8시 45분까지 신림역에 도착해서 셔틀버스를 탄다.
* 셔틀버스 안에서 프로그래밍 책을 읽는다.
* 9시 40분에 그린팩토리 앞에서 내린다.
* 아침 간식을 먹고 커피를 마시며 일을 시작한다.
* 12시에 구내식당에서 점심을 먹는다.
* 열심히 일을 한다.
* 19시 정각이 되면 구내식당에 내려가서 저녁을 후다닥 먹는다.
* 19시 40분에 출발하는 셔틀버스를 탄다.
* 21시쯤 집에 돌아와서 운동을 하고 샤워를 한다.
* 프로그래밍 책을 읽는다.
* 0시경 잠이 든다.

지금 다시 생각해 봐도 너무 깨끗한 루틴입니다.
술도 없고 모임도 없고 운동도 많이 해서 몸과 정신 모두 건강했습니다.
회사 일 말고 다른 일도 없는 데다 전혀 피곤하지 않아서 휴가를 쓸 생각도 못 하고 시간이 지나갔습니다.

이 좋았던 루틴은 서현역의 퍼스트타워로 강제 이주 당하며 곧 깨져버렸습니다. (그리고 저는 곧 그만두었습니다)
살면서 처음이자 마지막으로 가져본 루틴인데 ㅠㅠ

1인 개발자로의 삶은 매우 만족스럽지만… 이런 루틴을 만들기가 어렵습니다.
완전한 자유가 주어졌을 때 스스로를 제약할 수 있다는 것이 보통 어려운 일이 아니더라고요.

네이버에 다닐 때의 루틴은 지금 생각해도 그립습니다.
매일 같은 시간에 일어나서 같은 시간에 밥을 먹고 같은 시간에 일을 한다는 것.
좀 더 애를 쓰면 이런 루틴을 다시 갖게 될 수 있을까요?

https://jeho.page/essay/2025/04/08/design-routine.html

네이버는 만 1년을 다녔습니다. 짧은 기간이긴 합니다만 한 번도 지각을 하지 않았습니다. 휴가도 쓰지 않았습니다. 퇴사할 때 인사팀에서 놀라더라고요. “어떻게 휴가를 한 번도 안 쓰셨어요?” 신기한 일이긴 했습니다. 지각도 잦고, 오전 반차로 대부분의 휴가를 탕진해버리는 저의 대부분의 회사 시절과는 분명히 달랐으니까요. 어떻게 이럴 수 있었을까? 독산동이었던 저희 집과 분당은 너무 멀었기 때문입니다. 버스나 지하철로는 도저히 갈 수가 없는 곳. (신분당선이 개통 전이었을 때입니다) 다행히 네이버는 셔틀버스가 있었는데, 이 셔틀버스를 저는 반드시! 타야만 했습니다. 안 그러면 회사에 갈 수가 없으니까. 돌아보면 이때가 참 좋았습니다. 매일 같은 루틴으로 살 수 있었거든요. 강제적인 루틴이 설정되었습니다. * 아침 8시 45분까지 신림역에 도착해서 셔틀버스를 탄다. * 셔틀버스 안에서 프로그래밍 책을 읽는다. * 9시 40분에 그린팩토리 앞에서 내린다. * 아침 간식을 먹고 커피를 마시며 일을 시작한다. * 12시에 구내식당에서 점심을 먹는다. * 열심히 일을 한다. * 19시 정각이 되면 구내식당에 내려가서 저녁을 후다닥 먹는다. * 19시 40분에 출발하는 셔틀버스를 탄다. * 21시쯤 집에 돌아와서 운동을 하고 샤워를 한다. * 프로그래밍 책을 읽는다. * 0시경 잠이 든다. 지금 다시 생각해 봐도 너무 깨끗한 루틴입니다. 술도 없고 모임도 없고 운동도 많이 해서 몸과 정신 모두 건강했습니다. 회사 일 말고 다른 일도 없는 데다 전혀 피곤하지 않아서 휴가를 쓸 생각도 못 하고 시간이 지나갔습니다. 이 좋았던 루틴은 서현역의 퍼스트타워로 강제 이주 당하며 곧 깨져버렸습니다. (그리고 저는 곧 그만두었습니다) 살면서 처음이자 마지막으로 가져본 루틴인데 ㅠㅠ 1인 개발자로의 삶은 매우 만족스럽지만… 이런 루틴을 만들기가 어렵습니다. 완전한 자유가 주어졌을 때 스스로를 제약할 수 있다는 것이 보통 어려운 일이 아니더라고요. 네이버에 다닐 때의 루틴은 지금 생각해도 그립습니다. 매일 같은 시간에 일어나서 같은 시간에 밥을 먹고 같은 시간에 일을 한다는 것. 좀 더 애를 쓰면 이런 루틴을 다시 갖게 될 수 있을까요? https://jeho.page/essay/2025/04/08/design-routine.html

K리그 프로그래머

매일의 루틴을 갖는다는 것

저도 꽤 멀리 출근했었을 때
루틴을 지키면서 가장 열심히 살고 
시간도 효율적으로 관리 했었던거 같네요😅

얼마전에 신입 개발자 채용시 과제를 10분 내에 빠르게 만들어서 보낸 사람을 채용했다며, 빠르게 결과를 냈기 때문에 채용했다는 글이 SNS에 많이 돌았다. 그러면서 이렇게 말한다.

"알고리즘 많이 푸는 개발자보다, AI로 빠르게 결과 내는 사람을 선호. 알고리즘, 코딩 책 안 봐도 AI 도구만 적극 활용하면 취업 기회 잡을 수 있다."

개인적으로 이런 말 퍼뜨리는 사람들 너무 나쁘고 무책임하다고 생각한다. 취업하는 분들에게도 안 좋고, 개발자 생태계에도 안 좋다.

AI 도구를 활용하고 AI로 빠르게 결과를 내는 건, 오히려 이제 누구나 다 쉽게 할 수 있는 것이기 때문에 차별성이 없다. 그렇기 때문에 반대로 알고리즘을 많이 풀어보고 책을 많이 본 개발자를 더욱 선호할 수 밖에 없다.

보통 빠르게 결과를 낸 사람을 우대하는 이유는, 결과를 빠르게 만들었다는 이유보다는, 적극적으로 빠르게 소통을하기 때문이다.

속도도 물론 매우 중요하다. 하지만, 빠르게 만드는 것이 최우선인 회사가 있다면 그 회사는 빨리 거르거나, 1~2년 정도 경험을 많이 쌓는 용도로만 활용하겠다고 생각하는 것이 좋다. 좋은 회사일수록 이런 사람을 찾지 않는다.

얼마전에 신입 개발자 채용시 과제를 10분 내에 빠르게 만들어서 보낸 사람을 채용했다며, 빠르게 결과를 냈기 때문에 채용했다는 글이 SNS에 많이 돌았다. 그러면서 이렇게 말한다. "알고리즘 많이 푸는 개발자보다, AI로 빠르게 결과 내는 사람을 선호. 알고리즘, 코딩 책 안 봐도 AI 도구만 적극 활용하면 취업 기회 잡을 수 있다." 개인적으로 이런 말 퍼뜨리는 사람들 너무 나쁘고 무책임하다고 생각한다. 취업하는 분들에게도 안 좋고, 개발자 생태계에도 안 좋다. AI 도구를 활용하고 AI로 빠르게 결과를 내는 건, 오히려 이제 누구나 다 쉽게 할 수 있는 것이기 때문에 차별성이 없다. 그렇기 때문에 반대로 알고리즘을 많이 풀어보고 책을 많이 본 개발자를 더욱 선호할 수 밖에 없다. 보통 빠르게 결과를 낸 사람을 우대하는 이유는, 결과를 빠르게 만들었다는 이유보다는, 적극적으로 빠르게 소통을하기 때문이다. 속도도 물론 매우 중요하다. 하지만, 빠르게 만드는 것이 최우선인 회사가 있다면 그 회사는 빨리 거르거나, 1~2년 정도 경험을 많이 쌓는 용도로만 활용하겠다고 생각하는 것이 좋다. 좋은 회사일수록 이런 사람을 찾지 않는다.

Splunk에 인수된
VictorOps의 최고 데이터 사이언티스트,
Will Stanton가 말하는
데이터 사이언티스트가 되는 방법입니다.

Splunk에 인수된 VictorOps의 최고 데이터 사이언티스트, Will Stanton가 말하는 데이터 사이언티스트가 되는 방법입니다.

데이터 사이언티스트가 되는 방법

메타에서 Llama 4를 출시했습니다. MoE 모델로, 사이즈별로 Scout, Maverick, Behemoth 세 가지를 출시했는데요.

가장 작은 Scout는 17B(액티브) 모델로 단일 GPU에서 돌릴 수 있다고 합니다. 무엇보다 10M이 넘는 토큰 윈도우를 지원한다는 것이 가장 반가운 소식이고요.

Maverick은 GPT-4o보다 뛰어나고, Behemoth는 GPT-4.5, Sonnet 3.7보다 뛰어난 성능을 보입니다.

물론 주요 벤치마크상에서의 점수일 뿐이기 때문에 실제로 사용해봐야 알 것 같습니다. 무엇보다 이제 점수가 많이 포화되어서 벤치마크 점수 경쟁이 큰 의미가 없기도 하고요.

잠깐 본 바로는 10M+ 토큰 윈도우와 성능대비 추론 비용이 저렴하다는 것 정도가 특징인 것 같습니다. 그 외의 큰 특징이 없는 건 좀 아쉽네요.

요 몇 주간 진짜 빅테크들 뿐 아니라 각종 AI 회사들이 이어달리기를 하듯이 새 소식들을 숨쉴새 없이 발표하고, 어제 샘 알트만은 몇 달 안에 GPT-5를 선보인다는 소식도 전했는데요.

작년에도 AI 발전 속도가 너무 빨라서 현기증 난다고 할 정도였는데, 올해는 AI의 발전 속도가 한층 더 빨라질 것 같습니다. 올해 말만 되어도 상황이 또 굉장히 많이 바뀔 것 같은데, 과연 어떤 세상이 될 지.. 뭐.. GPU Poor는 팝콘이나 사둘뿐이지만요. 😎🍿🥤

메타에서 Llama 4를 출시했습니다. MoE 모델로, 사이즈별로 Scout, Maverick, Behemoth 세 가지를 출시했는데요. 가장 작은 Scout는 17B(액티브) 모델로 단일 GPU에서 돌릴 수 있다고 합니다. 무엇보다 10M이 넘는 토큰 윈도우를 지원한다는 것이 가장 반가운 소식이고요. Maverick은 GPT-4o보다 뛰어나고, Behemoth는 GPT-4.5, Sonnet 3.7보다 뛰어난 성능을 보입니다. 물론 주요 벤치마크상에서의 점수일 뿐이기 때문에 실제로 사용해봐야 알 것 같습니다. 무엇보다 이제 점수가 많이 포화되어서 벤치마크 점수 경쟁이 큰 의미가 없기도 하고요. 잠깐 본 바로는 10M+ 토큰 윈도우와 성능대비 추론 비용이 저렴하다는 것 정도가 특징인 것 같습니다. 그 외의 큰 특징이 없는 건 좀 아쉽네요. 요 몇 주간 진짜 빅테크들 뿐 아니라 각종 AI 회사들이 이어달리기를 하듯이 새 소식들을 숨쉴새 없이 발표하고, 어제 샘 알트만은 몇 달 안에 GPT-5를 선보인다는 소식도 전했는데요. 작년에도 AI 발전 속도가 너무 빨라서 현기증 난다고 할 정도였는데, 올해는 AI의 발전 속도가 한층 더 빨라질 것 같습니다. 올해 말만 되어도 상황이 또 굉장히 많이 바뀔 것 같은데, 과연 어떤 세상이 될 지.. 뭐.. GPU Poor는 팝콘이나 사둘뿐이지만요. 😎🍿🥤

🗞️ Llama 4 출시!

요즘 웹 서비스 환경에서 빠른 배포와 효율적인 인프라 관리는 더 이상 ‘있으면 좋은’ 요소가 아닌 ‘반드시 필요한’ 요소가 되었습니다. 특히 대규모 트래픽을 처리하거나 빠른 업데이트가 중요한 서비스라면, 경쟁력을 좌우하는 핵심이 됩니다. 하지만 실제 현장에서는 프론트엔드 개발자와 인프라 개발자 사이 지식 격차가 존재하는 경우가 많습니다. 프론트엔드 개발자는 Docker의 멀티스테이지 빌드나 CI/CD 캐싱 전략에 익숙하지 않고, 인프라 개발자는  ‘standalone’ 빌드와 같은 프론트엔드 배포 최적화 기법이 다소 생소할 수 있습니다. 이번 글에서는 이러한 두 영역 간의 간극을 좁히고, 배포 속도와 인프라 비용 모두를 최적화할 수 있는 방법을 소개하려고 합니다.

Next.js에서 Docker 빌드 최적화하기 | 요즘IT

빠른 배포와 효율적인 인프라 관리는 이제 '있으면 좋은' 요소가 아닌 '필수적인' 요소로 자리 잡았습니다.
그러나 현업에서는 프론트엔드 개발자와 인프라 개발자 간의 지식 격차가 흔히 존재합니다. 프론트엔드 개발자는 Docker의 멀티스테이지 빌드나 CI/CD 캐싱 전략에 익숙하지 않은 경우가 많으며, 인프라 개발자는 백엔드 환경에는 비교적 능숙하지만 Next.js의 'standalone' 빌드와 같은 프론트엔드 배포 최적화 기법에는 상대적으로 생소할 수 있습니다.

이런 두 영역 간의 간극을 좁히고, 배포 속도와 인프라 비용을 함께 최적화할 수 있는 방법을 요즘IT에 기고했습니다.

프론트엔드와 인프라 개발자가 서로의 영역을 이해하고 협업할 때, 더 견고하고 빠른 배포 시스템을 구축할 수 있습니다. 결과적으로 인프라 비용을 줄이고, 더욱 완성도 높은 배포 시스템을 만들 수 있습니다.

보다 자세한 내용은 링크의 글을 참조해보시길 추천드립니다. 실제 적용 사례부터 원리와 구현 방법, Dockerfile 량 비교까지 구체적으로 다루었습니다.

https://yozm.wishket.com/magazine/detail/3046

빠른 배포와 효율적인 인프라 관리는 이제 '있으면 좋은' 요소가 아닌 '필수적인' 요소로 자리 잡았습니다.그러나 현업에서는 프론트엔드 개발자와 인프라 개발자 간의 지식 격차가 흔히 존재합니다. 프론트엔드 개발자는 Docker의 멀티스테이지 빌드나 CI/CD 캐싱 전략에 익숙하지 않은 경우가 많으며, 인프라 개발자는 백엔드 환경에는 비교적 능숙하지만 Next.js의 'standalone' 빌드와 같은 프론트엔드 배포 최적화 기법에는 상대적으로 생소할 수 있습니다. 이런 두 영역 간의 간극을 좁히고, 배포 속도와 인프라 비용을 함께 최적화할 수 있는 방법을 요즘IT에 기고했습니다. 프론트엔드와 인프라 개발자가 서로의 영역을 이해하고 협업할 때, 더 견고하고 빠른 배포 시스템을 구축할 수 있습니다. 결과적으로 인프라 비용을 줄이고, 더욱 완성도 높은 배포 시스템을 만들 수 있습니다. 보다 자세한 내용은 링크의 글을 참조해보시길 추천드립니다. 실제 적용 사례부터 원리와 구현 방법, Dockerfile 량 비교까지 구체적으로 다루었습니다. https://yozm.wishket.com/magazine/detail/3046

요즘IT

Next.js에서 Docker 빌드 최적화하기

In this paper, we revisit one of the simplest problems in data structures: the task of inserting elements into an open-addressed hash table so that elements can later be retrieved with as few probes as possible. We show that, even without reordering elements over time, it is possible to construct a hash table that achieves far better expected search complexities (both amortized and worst-case) than were previously thought possible. Along the way, we disprove the central conjecture left by Yao in his seminal paper ``Uniform Hashing is Optimal''. All of our results come with matching lower bounds.

Optimal Bounds for Open Addressing Without Reordering

📰 대학생이 40년만에 해시테이블의 성능 향상을 이뤄냈다고

해시테이블 알고리즘은 워낙 오래된 연구라서 아무도 그 이상 최적화하기 어렵다고 생각했는데, Andrew Krapivin이라는 학부생이 그 틀을 깨고 알고리즘을 발명했다는 것이 재미난 포인트입니다.

역시 아직 미해결 문제는 많고, 상식이라는 고정관념에 쩌들지 않은 ㅎㅎ 새로운 세대만이 해결할 수 있는 문제도 많지 않나 싶네요.

논문: https://arxiv.org/abs/2501.02305

기사: https://www.wired.com/story/undergraduate-upends-a-40-year-old-data-science-conjecture/

📰 대학생이 40년만에 해시테이블의 성능 향상을 이뤄냈다고 해시테이블 알고리즘은 워낙 오래된 연구라서 아무도 그 이상 최적화하기 어렵다고 생각했는데, Andrew Krapivin이라는 학부생이 그 틀을 깨고 알고리즘을 발명했다는 것이 재미난 포인트입니다. 역시 아직 미해결 문제는 많고, 상식이라는 고정관념에 쩌들지 않은 ㅎㅎ 새로운 세대만이 해결할 수 있는 문제도 많지 않나 싶네요. 논문: https://arxiv.org/abs/2501.02305 기사: https://www.wired.com/story/undergraduate-upends-a-40-year-old-data-science-conjecture/

arXiv.org

📰 대학생이 40년만에 해시테이블의 성능 향상을 이뤄냈다고

해시

Self-hosted news, content, updates, launches, events, and more

selfh.st - Self-hosted content and software

중앙화된 서비스에 지친 분들을 위한 셀프 호스팅 솔루션 총정리입니다!
1년 이상 안정적으로 운영해본 경험을 바탕으로 정리했다고 해요!

🐳 컨테이너 런타임:
 * 초보자는 Docker로 시작하세요 (풍부한 문서+커뮤니티)
 * 보안 중시하면 Podman (루트리스 구조)
 * 도전정신 있다면 Kubernetes (복잡하지만 학습 가치↑)

🖥️ 웹 관리툴:
 * Portainer: 안정적이고 직관적인 관리 도구
 * Dockge: 간단하고 가벼운 신규 솔루션

🔒 리버스프록시/VPN:
 * Pangolin: "셀프 호스팅용 Cloudflare" (강추!)
 * NPM: 쉬운 웹UI, 불안정한 면도 있음
 * NetBird: WireGuard 기반 자동 VPN 구성

더 많은 셀프호스팅 솔루션은
awesome-selfhosted
레포나 Selfh.st 참고 하세요!

https://news.hada.io/topic?id=20108

중앙화된 서비스에 지친 분들을 위한 셀프 호스팅 솔루션 총정리입니다! 1년 이상 안정적으로 운영해본 경험을 바탕으로 정리했다고 해요! 🐳 컨테이너 런타임:<ul ><li>초보자는 Docker로 시작하세요 (풍부한 문서+커뮤니티)</li><li>보안 중시하면 Podman (루트리스 구조)</li><li>도전정신 있다면 Kubernetes (복잡하지만 학습 가치↑)</li></ul> 🖥️ 웹 관리툴:<ul ><li>Portainer: 안정적이고 직관적인 관리 도구</li><li>Dockge: 간단하고 가벼운 신규 솔루션</li></ul> 🔒 리버스프록시/VPN:<ul ><li>Pangolin: "셀프 호스팅용 Cloudflare" (강추!)</li><li>NPM: 쉬운 웹UI, 불안정한 면도 있음</li><li>NetBird: WireGuard 기반 자동 VPN 구성</li></ul> 더 많은 셀프호스팅 솔루션은 <code >awesome-selfhosted</code> 레포나 Selfh.st 참고 하세요! https://news.hada.io/topic?id=20108

selfh.st

🚀 [2025 셀프 호스팅 가이드]

코딩 인터뷰를 하던 중 지원자로부터 AI를 써도 되겠냐는 질문을 받았습니다. 인터넷 검색을 해도 되냐고 물어보는 지원자는 종종 만나는데, AI를 써도 되느냐는 질문은 처음 받아봐서 좀 당황스럽더군요. 어떤 용도로 AI를 사용하시려는지 물어보았고, 익숙치 않은 프로그래밍 언어의 사용법을 찾기 위해서라는 답변을 들었습니다. 지원자가 대학생이어서 특정 언어를 능숙하게 다룰 거라는 기대는 없었습니다. 그래서 화면을 공유하는 전제 하에 AI를 사용하도록 허락하였죠.

지원자는 ChatGPT를 열고 해당 언어에서 어떻게 힙(heap) 자료구조를 사용하는지 물어보았습니다. 언제나 그렇듯 ChatGPT는 어떻게 힙을 생성하고, 원소를 추가/삭제하는지에 대해서 아주 상세하게 적어주기 시작했습니다. 그러나 너무나 친절한 나머지 ChatGPT는 힙을 활용할 수 있는 대표적인 사례까지 나열해줬는데, 그 중에 인터뷰에서 출제한 문제가 포함되어 있었습니다. (Co-op 채용이라서 아주 기초 수준의 문제였거든요 😅)

당황한 기색이 역력한 지원자는 급하게 화면을 전환하였습니다. 하지만 그 이후부터는 계속해서 신경이 쓰이는지 인터뷰에 집중을 하지 못하는 모습이었습니다. 결국은 시간 내에 답안을 완성하지 못했고, 본인이 작성한 코드에 대해서도 명확히 설명하지 못했습니다. 아무래도 스스로 망했다고 생각하고 이미 인터뷰를 포기한 느낌을 받았습니다. 첫 번째 문제는 잘 푸셨기 때문에, 오히려 두 번째 문제에서 AI를 쓰지 않으셨다면 합격하실 수도 있으셨을 것 같아서 참 안타까웠습니다.

인터뷰가 끝나고 많은 생각이 들었습니다. 이미 AI가 대학생들의 삶에 깊숙히 스며든 것 같고, 현직 개발자들도 AI의 도움을 받아 업무를 수행하고 있는 상황이죠. 코딩 인터뷰라고 해서 AI를 쓰지 못하게 할 이유가 있을까요? 과연 저처럼 불완전한 인간이 면접관으로서 AI로 인해 거의 신급의 지능을 갖게 된 지원자들을 평가할 수 있을까요? 어디까지가 AI의 버프이고 어디까지가 지원자의 순수한 능력인지 어떻게 판단할 수 있을까요?

코딩 인터뷰를 하던 중 지원자로부터 AI를 써도 되겠냐는 질문을 받았습니다. 인터넷 검색을 해도 되냐고 물어보는 지원자는 종종 만나는데, AI를 써도 되느냐는 질문은 처음 받아봐서 좀 당황스럽더군요. 어떤 용도로 AI를 사용하시려는지 물어보았고, 익숙치 않은 프로그래밍 언어의 사용법을 찾기 위해서라는 답변을 들었습니다. 지원자가 대학생이어서 특정 언어를 능숙하게 다룰 거라는 기대는 없었습니다. 그래서 화면을 공유하는 전제 하에 AI를 사용하도록 허락하였죠. 지원자는 ChatGPT를 열고 해당 언어에서 어떻게 힙(heap) 자료구조를 사용하는지 물어보았습니다. 언제나 그렇듯 ChatGPT는 어떻게 힙을 생성하고, 원소를 추가/삭제하는지에 대해서 아주 상세하게 적어주기 시작했습니다. 그러나 너무나 친절한 나머지 ChatGPT는 힙을 활용할 수 있는 대표적인 사례까지 나열해줬는데, 그 중에 인터뷰에서 출제한 문제가 포함되어 있었습니다. (Co-op 채용이라서 아주 기초 수준의 문제였거든요 😅) 당황한 기색이 역력한 지원자는 급하게 화면을 전환하였습니다. 하지만 그 이후부터는 계속해서 신경이 쓰이는지 인터뷰에 집중을 하지 못하는 모습이었습니다. 결국은 시간 내에 답안을 완성하지 못했고, 본인이 작성한 코드에 대해서도 명확히 설명하지 못했습니다. 아무래도 스스로 망했다고 생각하고 이미 인터뷰를 포기한 느낌을 받았습니다. 첫 번째 문제는 잘 푸셨기 때문에, 오히려 두 번째 문제에서 AI를 쓰지 않으셨다면 합격하실 수도 있으셨을 것 같아서 참 안타까웠습니다. 인터뷰가 끝나고 많은 생각이 들었습니다. 이미 AI가 대학생들의 삶에 깊숙히 스며든 것 같고, 현직 개발자들도 AI의 도움을 받아 업무를 수행하고 있는 상황이죠. 코딩 인터뷰라고 해서 AI를 쓰지 못하게 할 이유가 있을까요? 과연 저처럼 불완전한 인간이 면접관으로서 AI로 인해 거의 신급의 지능을 갖게 된 지원자들을 평가할 수 있을까요? 어디까지가 AI의 버프이고 어디까지가 지원자의 순수한 능력인지 어떻게 판단할 수 있을까요?

코딩 인터뷰 중 AI를 사용해도 될까요...? 🤔

Java에서 병렬 처리나 비동기 작업을 구현할 때 Thread를 직접 생성해 사용하는 방식은 더 이상 일반적이지 않습니다. 요즘 Java에서는 ExecutorService를 사용하여 스레드 풀(Thread Pool)을 효율적으로 관리하는 것이 표준입니다. 특히 Executors 클래스에서 제공하는 팩토리 메서드들을 활용하면 다양한 유형의 스레드 풀을 간편하게 생성할 수 있습니다.이번 글에서는 Executors가 제공하는 대표적인 스레드 풀 4종류를 살펴보고, 각각의 사용 시나리오와 주의할 점을 예제 중심으로 정리해보겠습니다. newFixedThreadPool(int nThreads)이 메서드는 정해진 개수만큼의 스레드를 미리 생성하고, 그 스레드들이 재사용되며 작업을 처리합니다. 더 많은 작업이 들어오면..

Java의 ExecutorService 스레드 풀 정복하기

이번 글에서는 Executors가 제공하는 대표적인 스레드 풀 4종류를 살펴보고, 각각의 사용 시나리오와 주의할 점을 예제 중심으로 정리해보겠습니다.
 
newFixedThreadPool(int nThreads)
이 메서드는 정해진 개수만큼의 스레드를 미리 생성하고, 그 스레드들이 재사용되며 작업을 처리합니다. 더 많은 작업이 들어오면 내부 큐에 쌓이고, 기존 스레드들이 작업을 처리하면 순차적으로 소비됩니다.
ExecutorService executor = Executors.newFixedThreadPool(4); 

✅ 사용 시점
 * 처리할 작업량은 많지만, 동시에 처리해야 하는 작업 수를 제한하고 싶은 경우
 * CPU 자원을 고르게 사용하며, 안정적인 처리량을 원하는 경우
🧪 예시
for (int i = 0; i < 10; i++) {
 final int taskId = i;
 executor.submit(() -> {
 System.out.println("Task " + taskId + " executed by " + Thread.currentThread().getName());
 Thread.sleep(1000); // 모의 작업
 });
}

⚠️ 주의
 * 과도하게 큰 작업 큐가 쌓일 수 있음 → 메모리 사용량 증가
 * 스레드 수는 CPU 코어 수나 애플리케이션 특성에 맞게 설정해야 함
 
newCachedThreadPool()
이 스레드 풀은 요청이 많으면 새로운 스레드를 계속 생성하고, 특정 기간 동안 사용되지 않으면 제거합니다. 캐시된 스레드를 재사용하므로 빠르고 유연합니다.
ExecutorService executor = Executors.newCachedThreadPool();

✅ 사용 시점
 * 작업이 짧고 빠르게 끝나는 I/O 중심의 작업일 때
 * 짧은 burst가 자주 발생하는 상황에서 유용
🧪 예시
for (int i = 0; i < 100; i++) {
 final int taskId = i;
 executor.submit(() -> {
 System.out.println("Task " + taskId + " executed by " + Thread.currentThread().getName());
 });
} 

⚠️ 주의
 * 요청이 많을 경우 스레드가 무제한으로 늘어나 과부하가 될 수 있음
 → 실제 운영에서는 ThreadPoolExecutor로 커스텀 제어 필요
 
newSingleThreadExecutor()
항상 단 하나의 스레드만 사용하여 작업을 처리합니다. 작업은 FIFO 순서로 실행되며, 순서가 중요한 로직에 적합합니다.
ExecutorService executor = Executors.newSingleThreadExecutor();

✅ 사용 시점
 * 작업 순서가 중요할 때
 * 하나의 리소스(DB, 파일 등)에 대해 직렬화된 접근이 필요할 때
🧪 예시
for (int i = 0; i < 5; i++) {
 final int taskId = i;
 executor.submit(() -> {
 System.out.println("Processing task " + taskId);
 Thread.sleep(500);
 });
} 

⚠️ 주의
 * 하나의 스레드에 의존하기 때문에 처리량은 낮음
 * 스레드가 죽으면 새로운 스레드로 대체되므로 중단되지는 않음
 
newScheduledThreadPoool(int corePoolSize)
지연 실행(delay)이나 주기적인 작업(interval) 실행에 특화된 스레드 풀입니다. ScheduledExecutorService를 반환하며, Java의 타이머 역할도 수행할 수 있습니다.
ScheduledExecutorService scheduler = Executors.newScheduledThreadPool(2);

✅ 사용 시점
 * 주기적인 백업 작업, 모니터링, 알림 전송 등
 * 특정 시간 후 작업을 실행하고 싶을 때
🧪 예시
scheduler.scheduleAtFixedRate(() -> {
 System.out.println("Heartbeat sent by " + Thread.currentThread().getName());
}, 1, 5, TimeUnit.SECONDS); // 1초 후 시작, 5초마다 반복

⚠️ 주의
 * 작업이 너무 오래 걸리면 다음 주기 작업이 지연될 수 있음
 → 처리 시간이 일정하지 않다면 scheduleWithFixedDelay()를 고려
 
 
🧠 마무리
Java에서 Executors 팩토리 메서드는 다양한 형태의 스레드 풀을 간단히 생성할 수 있게 도와줍니다. 하지만, 운영 환경에서는 ThreadPoolExecutor를 직접 생성하여 작업 큐, 최대 스레드 수, 거부 정책 등을 세밀하게 조절하는 것이 더욱 안전하고 확장성 있는 선택입니다.

이번 글에서는 Executors가 제공하는 대표적인 스레드 풀 4종류를 살펴보고, 각각의 사용 시나리오와 주의할 점을 예제 중심으로 정리해보겠습니다.&nbsp;newFixedThreadPool(int nThreads)이 메서드는 정해진 개수만큼의 스레드를 미리 생성하고, 그 스레드들이 재사용되며 작업을 처리합니다. 더 많은 작업이 들어오면 내부 큐에 쌓이고, 기존 스레드들이 작업을 처리하면 순차적으로 소비됩니다.<pre ><code class="language-java">ExecutorService executor = Executors.newFixedThreadPool(4);&nbsp;</code></pre>✅ 사용 시점<ul ><li>처리할 작업량은 많지만, 동시에 처리해야 하는 작업 수를 제한하고 싶은 경우</li><li>CPU 자원을 고르게 사용하며, 안정적인 처리량을 원하는 경우</li></ul>🧪 예시<pre ><code class="language-java">for (int i = 0; i &lt; 10; i++) {
 final int taskId = i;
 executor.submit(() -&gt; {
 System.out.println("Task " + taskId + " executed by " + Thread.currentThread().getName());
 Thread.sleep(1000); // 모의 작업
 });
}</code></pre>⚠️ 주의<ul ><li>과도하게 큰 작업 큐가 쌓일 수 있음 → 메모리 사용량 증가</li><li>스레드 수는 CPU 코어 수나 애플리케이션 특성에 맞게 설정해야 함</li></ul>&nbsp;newCachedThreadPool()이 스레드 풀은 요청이 많으면 새로운 스레드를 계속 생성하고, 특정 기간&nbsp;동안 사용되지 않으면 제거합니다. 캐시된 스레드를 재사용하므로 빠르고 유연합니다.<pre ><code class="language-java">ExecutorService executor = Executors.newCachedThreadPool();</code></pre>✅ 사용 시점<ul ><li>작업이 짧고 빠르게 끝나는 I/O 중심의 작업일 때</li><li>짧은 burst가 자주 발생하는 상황에서 유용</li></ul>🧪 예시<pre ><code class="language-java">for (int i = 0; i &lt; 100; i++) {
 final int taskId = i;
 executor.submit(() -&gt; {
 System.out.println("Task " + taskId + " executed by " + Thread.currentThread().getName());
 });
}&nbsp;</code></pre>⚠️ 주의<ul ><li>요청이 많을 경우 스레드가 무제한으로 늘어나 과부하가 될 수 있음 → 실제 운영에서는 ThreadPoolExecutor로 커스텀 제어 필요</li></ul>&nbsp;newSingleThreadExecutor()항상 단 하나의 스레드만 사용하여 작업을 처리합니다. 작업은 FIFO 순서로 실행되며, 순서가 중요한 로직에 적합합니다.<pre ><code class="language-java">ExecutorService executor = Executors.newSingleThreadExecutor();</code></pre>✅ 사용 시점<ul ><li>작업 순서가 중요할 때</li><li>하나의 리소스(DB, 파일 등)에 대해 직렬화된 접근이 필요할 때</li></ul>🧪 예시<pre ><code class="language-java">for (int i = 0; i &lt; 5; i++) {
 final int taskId = i;
 executor.submit(() -&gt; {
 System.out.println("Processing task " + taskId);
 Thread.sleep(500);
 });
}&nbsp;</code></pre>⚠️ 주의<ul ><li>하나의 스레드에 의존하기 때문에 처리량은 낮음</li><li>스레드가 죽으면 새로운 스레드로 대체되므로 중단되지는 않음</li></ul>&nbsp;newScheduledThreadPoool(int corePoolSize)지연 실행(delay)이나 주기적인 작업(interval) 실행에 특화된 스레드 풀입니다. ScheduledExecutorService를 반환하며, Java의 타이머 역할도 수행할 수 있습니다.<pre ><code class="language-java">ScheduledExecutorService scheduler = Executors.newScheduledThreadPool(2);</code></pre>✅ 사용 시점<ul ><li>주기적인 백업 작업, 모니터링, 알림 전송 등</li><li>특정 시간 후 작업을 실행하고 싶을 때</li></ul>🧪 예시<pre ><code class="language-java">scheduler.scheduleAtFixedRate(() -&gt; {
 System.out.println("Heartbeat sent by " + Thread.currentThread().getName());
}, 1, 5, TimeUnit.SECONDS); // 1초 후 시작, 5초마다 반복</code></pre>⚠️ 주의<ul ><li>작업이 너무 오래 걸리면 다음 주기 작업이 지연될 수 있음 → 처리 시간이 일정하지 않다면 scheduleWithFixedDelay()를 고려</li></ul>&nbsp;&nbsp;🧠 마무리Java에서 Executors 팩토리 메서드는 다양한 형태의 스레드 풀을 간단히 생성할 수 있게 도와줍니다. 하지만, 운영 환경에서는 ThreadPoolExecutor를 직접 생성하여 작업 큐, 최대 스레드 수, 거부 정책 등을 세밀하게 조절하는 것이 더욱 안전하고 확장성 있는 선택입니다.

덕토피아

🕊️ Java의 ExecutorService 스레드 풀 정복하기

누구나 쉽게 이해할 수 있는 MCP 가이드 : AI 에이전트와 도구 연동의 새로운 표준

이 자료는 AI 에이전트가 Google Calendar, Salesforce와 같은 다양한 외부 도구(API)를 사용하는 데 어려움을 겪는 현재의 문제를 지적합니다. 이를 해결하기 위한 새로운 표준 프로토콜인 MCP(Model Context Protocol)를 소개하며, MCP가 어떻게 AI 에이전트와 도구 간의 '공통 언어' 역할을 하여 상호작용을 원활하게 하는지 설명합니다. 또한, 개발자와 SaaS 기업이 MCP 생태계에 참여하여 더 강력하고 확장 가능한 AI 에이전트를 구축하는 방법을 안내합니다.

(참고) 가이드 전체 내용은 Gemini 2.5 Pro로 작성되었으며, 이미지 정리본은 GPT-4o 를 이용하여 생성하였습니다.

======================================
📘 1. 왜 에이전트에게 새로운 표준이 필요한가 – MCP 소개
======================================

🚀 미래는 에이전트 중심입니다 (The Future Is Agentic)
ChatGPT 시대를 맞아, 우리 모두는 AI가 얼마나 강력할 수 있는지 엿볼 수 있었습니다. 하지만 진정한 생산성은 단순히 AI와 대화하는 것에서 오는 것이 아니라, AI가 우리를 위해 실제로 일을 처리할 수 있을 때 발휘됩니다.
바로 이 지점에서 에이전트가 필요합니다.

에이전트는 단순한 챗봇이 아닙니다. 회의 예약, 보고서 작성, 데이터 분석과 같이 실제 도구(Google Calendar, Salesforce, Notion 등)를 사용하여 행동을 취하는 AI입니다.
하지만 여기에 문제가 있습니다.

❗️ 오늘날의 에이전트는 여전히 제한적입니다.
AI에게 이렇게 요청한다고 상상해 보세요.

“이번 주 나의 모든 1:1 미팅을 찾아서, 논의 내용을 요약하고, 후속 이메일 초안을 작성해 줄 수 있니?”
오늘날 대부분의 AI 에이전트는 아마 멈춰버릴 것입니다.
왜일까요? 그들이 사용하는 도구, 즉 여러 서비스의 API들이 마치 수백 개의 다른 방언처럼 제각각이기 때문입니다.

모든 도구 (Tools) 는 다음을 가지고 있습니다.

- 자체 인증 규칙
- 고유한 데이터 형식
- 다른 기능 및 엔드포인트
개발자들은 모든 도구에 대해 맞춤 코드를 작성해야 하는 문제를 당면하게 됩니다. 이는 느리고, 불안정하며, 확장 가능하지 않습니다.

🧩 빠진 조각: 도구를 위한 공통 언어
만약 이 모든 도구들이 AI 에이전트와 소통할 수 있는 표준적인 방법이 있다면 어떨까요?
마치 HTML이 웹을 표준화하고, REST가 API를 표준화했듯이 이제 AI 에이전트를 위한 표준이 필요합니다.

이것이 바로 MCP (Model Context Protocol)입니다.

AI 에이전트가 실제 도구를 쉽게 이해하고 상호작용할 수 있도록 설계된 새로운 프로토콜입니다.
시작해 봅시다.

============================
📘 2. MCP란 무엇이며 어떻게 작동하는가?
============================
🧠 큰 그림부터 시작해 봅시다.
MCP (Model Context Protocol)는 AI 에이전트(LLM 기반)와 그들이 사용해야 하는 도구(Google Calendar, Salesforce, Notion 등) 사이에서 번역가 역할을 하는 새로운 표준입니다.

MCP를 에이전트가 다음을 이해하는 데 도움이 되는 "만능 리모컨"이라고 생각하세요.

- 어떤 도구를 사용할 수 있는지
- 그 도구들이 무엇을 할 수 있는지
- 어떻게 안전하고 효율적으로 사용할 수 있는지

🔍 주요 개념

- MCP 클라이언트: LLM을 사용하는 AI 에이전트 또는 앱입니다. 다음과 같은 요청을 보냅니다:
ㄴ “이 도구는 무엇을 할 수 있나요?”
ㄴ “이 함수를 실행해 주세요.”

- MCP 서버: SaaS 도구와의 다리 역할을 합니다. 다음을 설명합니다:
ㄴ 사용 가능한 기능 (예: "회의 생성", "노트 가져오기")
ㄴ 관련 데이터를 일관된 형식으로
ㄴ LLM이 이해할 수 있는 방식으로 지침 제공

- 컨텍스트 스키마: 도구의 기능을 LLM이 읽을 수 있도록 구조화되고 통합된 형식입니다. 마치 모든 도구를 쉽게 탐색할 수 있는 API 플레이그라운드로 바꾸는 것과 같습니다.

🔁 이것이 왜 중요한가
- MCP가 없다면: AI 에이전트는 모든 도구를 사용하기 위해 수작업으로 코딩해야 합니다 = 느리고 비용이 많이 듭니다.
- MCP가 있다면: 도구는 에이전트에게 플러그 앤 플레이 방식이 됩니다 = 빠르고 확장 가능합니다.

✅ 실제 예시
에이전트가 다음 작업을 수행하기를 원하십니까?

“Asana에서 모든 높은 우선순위 작업을 찾고, 프로젝트 상태를 요약하고, 팀에 알림 보내기”

MCP를 사용하면,
1. Asana MCP 서버가 그 기능을 설명합니다 (list_projects, get_tasks 등).
2. 에이전트는 이러한 작업을 탐색, 호출 및 결합할 수 있습니다.
3. 그 결과 맞춤 코드 없이 완전히 자동화된 워크플로우가 가능해집니다.

=================================
📘 3. 도구가 어떻게 에이전트의 능력을 결정하는가
=================================

🛠 모든 도구가 동일하지는 않습니다
인간 조수가 일을 처리하기 위해 적절한 기술 세트가 필요한 것처럼,
AI 에이전트의 성능은 사용할 수 있는 도구에 따라 달라집니다.

도구에는 두 가지 주요 유형이 있습니다.

1️⃣ 다기능 도구 (Multi-Function Tools) : 하나의 도구, 여러 작업 – 스위스 아미 나이프처럼
이 도구들은 여러 관련 작업을 하나의 강력한 인터페이스로 묶습니다.
단일 단계가 아닌 전체 워크플로우를 수행하도록 설계되었습니다.

🧠 예시
다기능 도구를 사용하는 Calendar Agent는 다음을 처리할 수 있습니다.
- 모든 미팅 찾기 (유형별 필터링 = 1:1)
- 메타데이터 추출 (제목, 참석자, 시간)
- 미팅 노트 읽기
- 주간 요약 생성
이 모든 것을 한 번에 처리합니다 – 5개의 다른 도구를 호출할 필요가 없습니다.

📌 중요한 이유
도구 수가 적을수록 = 오케스트레이션이 단순해짐 = 더 빠르고 스마트한 에이전트.

2️⃣ 다중 도구 에이전트 (Multi-Tool Agents) - 함께 작동하는 에이전트 – 전문가 팀처럼
때로는 단일 도구만으로는 모든 것을 할 수 없습니다.
대신, 마치 팀 내의 사람들처럼 각기 다른 도구를 사용하는 에이전트들이 협업합니다.

🧠 예시
목표: 주요 고객에게 맞춤형 이메일 캠페인 보내기.
🧑‍💼 에이전트 1: Salesforce에서 고객 데이터 가져오기
📊 에이전트 2: Google Sheets에서 데이터 분석하기
📬 에이전트 3: Mailchimp를 통해 이메일 보내기
이를 에이전트 시스템(System of Agents) 또는 MAS (Multi-Agent System)라고 합니다.

📌 중요한 이유
에이전트는 강점을 결합하고 더 넓은 범위를 커버할 수 있습니다 – 마치 회사의 마이크로서비스처럼.

🤖 왜 ChatGPT만으로는 충분하지 않은가
오늘날 대부분의 맞춤형 GPT는 너무 단순합니다

- 제한된 작업
- 메모리 없음
- 다른 에이전트와 협업 불가
- "단일 도구" 사일로에 갇혀 있음

이것이 바로 AutoGen, CrewAI, LangGraph와 같은 강력한 프레임워크가 등장한 이유입니다 – 다기능 및 다중 에이전트 기능을 잠금 해제하기 위해.

🧭 도구 = 에이전트 뒤의 진정한 엔진
단순히 어떤 LLM을 사용하는지에 대한 문제가 아닙니다.
어떤 도구를 제공하고, 그것들이 어떻게 연결되어 있는지에 대한 문제입니다.

=========================
📘 4. MCP의 현실적인 과제와 한계점
=========================

MCP는 AI 에이전트와 도구 연동의 방식을 혁신할 잠재력을 지니고 있지만, 새로운 표준으로서 현실적인 과제와 잠재적 한계점 또한 고려해야 합니다.

😫 넘어야 할 현실적인 장벽들
MCP가 이상적인 솔루션처럼 보일 수 있지만, 성공적인 정착과 확산을 위해서는 다음과 같은 현실적인 문제들을 해결해야 합니다.

느린 채택 속도 (Slow Adoption Rate)
- 가장 큰 허들: 새로운 표준의 성공은 얼마나 많은 플레이어가 참여하느냐에 달려있습니다. SaaS 기업들이 MCP 서버 구축에 투자하고, 에이전트 개발자들이 이를 적극적으로 사용해야만 생태계가 활성화됩니다. 초기에는 '닭과 달걀' 문제에 직면할 수 있습니다.
- 모든 도구 제공자가 표준화된 단일 인터페이스를 선호하지 않을 수 있으며, 자체 API 생태계를 강화하는 것을 우선시할 수 있습니다.

구현 및 유지보수의 복잡성 (Complexity of Implementation & Maintenance)
- 서버 측 부담: MCP가 에이전트 클라이언트 개발을 단순화할 수 있지만, SaaS 도구 제공자 입장에서는 자사의 복잡한 API 기능과 데이터 모델을 MCP 표준 스키마에 정확하게 매핑하고, 안전하며 효율적인 MCP 서버를 구축 및 유지보수하는 것이 상당한 기술적, 비용적 부담이 될 수 있습니다.
- 지속적 업데이트: 기반이 되는 도구의 API가 변경되거나 MCP 표준 자체가 발전함에 따라 지속적인 업데이트와 버전 관리가 필요합니다.

표준화의 명암 (Pros and Cons of Standardization)
- 기능 제약 가능성: 모든 도구의 고유하고 세분화된 기능을 단일 표준으로 완벽하게 포괄하기는 어렵습니다. 초기 표준은 '최소 공통분모'에 집중하게 되어, 특정 도구의 고급 기능이나 특수 기능을 MCP를 통해 활용하는 데 제약이 따를 수 있습니다. 때로는 여전히 직접적인 API 호출이 필요할 수 있습니다.
- 표준의 경직성: 표준이 한번 자리 잡으면 변경하기 어려울 수 있으며, 빠르게 변화하는 AI 및 API 기술 발전을 민첩하게 따라가지 못할 수 있습니다.

성능 및 보안 문제 (Performance & Security Concerns)
- 잠재적 성능 저하: MCP라는 중개 계층(layer)이 추가되면서, 이론적으로는 직접 API를 호출하는 것보다 약간의 지연 시간(latency)이 발생할 수 있습니다. 대부분의 경우 무시할 만한 수준일 수 있으나, 실시간성이 중요한 애플리케이션에서는 고려 사항이 될 수 있습니다.
- 보안 책임: 표준화된 인터페이스는 잠재적인 공격 표면(attack surface)도 표준화할 수 있습니다. MCP 서버와 클라이언트 간의 인증, 권한 부여, 데이터 암호화 등 보안 메커니즘을 철저히 구현하는 것이 매우 중요하며, 이에 대한 책임은 각 서버 구현 주체에게 있습니다.

기술 성숙도 및 생태계 지원 (Maturity & Ecosystem Support)
- 초기 단계: MCP는 비교적 새로운 개념이므로, 관련 개발 도구, 디버깅 툴, 테스트 프레임워크, 풍부한 문서, 커뮤니티 지원 등이 아직 부족할 수 있습니다. 이는 초기 도입 및 문제 해결을 어렵게 만들 수 있습니다.

💡 결론: 균형 잡힌 시각 필요
MCP는 에이전트 기반 자동화의 중요한 발전을 약속하지만, 위와 같은 현실적인 과제들을 간과해서는 안 됩니다. 이러한 문제들은 대부분의 신기술 표준화 과정에서 나타나는 현상이며, MCP 생태계 참여자들의 지속적인 노력, 피드백, 협력을 통해 점진적으로 해결될 수 있을 것입니다. MCP의 성공 여부는 이러한 과제들을 얼마나 효과적으로 극복하느냐에 달려있습니다.

=======================
📘 5. MCP 생태계에 참여하는 방법
=======================

🎯 왜 관심을 가져야 하는가
만약 당신의 제품이 SaaS 도구이고, AI 에이전트가 사용하기를 원한다면, 지금이 MCP 생태계에 진입하기에 완벽한 시기입니다.
- LLM 기반 에이전트에게 발견될 수 있습니다.
- 맞춤 통합 없이 에이전트가 당신의 도구를 사용하게 할 수 있습니다.
- 기업 IT부터 소비자 AI까지 성장하는 에이전트 앱 시장에 진입할 수 있습니다.

🚪 참여 방법: 3가지 방법

1️⃣ MCP 서버 구축하기
당신의 도구 기능을 MCP 호환 인터페이스로 전환하세요.

🔧 필요한 것
- 도구의 기능(call_tool, list_tools) 설명하기
- call_resource, list_resources를 통해 데이터 노출하기
- 표준 컨텍스트 스키마 따르기
마치 공개 API를 구축하는 것과 같지만, LLM을 위한 것입니다.

💡 팁: 기존 에이전트 프레임워크(예: LangGraph, AutoGen)를 사용하여 개발 속도를 높이세요.

2️⃣ 마켓플레이스에 호스팅 또는 등록하기
MCP 서버가 활성화되면 MCP 레지스트리나 마켓플레이스에 게시하세요.
- 당신의 도구를 모든 MCP 호환 클라이언트가 발견할 수 있도록 만드세요.
- AI 에이전트가 당신의 제품을 찾고, 이해하고, 사용하도록 하세요.
- 일부 플랫폼(예: Claude, MySnap)은 이미 이 플러그 앤 플레이 모델을 지원합니다.

3️⃣ MCP를 클라이언트로 사용하기
MCP를 통해 도구에 연결하는 자체 AI 에이전트나 LLM 앱을 구축할 수도 있습니다.
- 더 이상 각 API에 대한 맞춤 래퍼를 작성할 필요가 없습니다.
- 기존 MCP 서버에 연결하고 워크플로우를 더 빠르게 구축하세요.
- 내부 자동화 도구나 고객 대면 AI 앱에 적합합니다.

🌱 선도자 = 큰 이점 (Early Movers = Huge Advantage)
MCP는 아직 초기 단계이지만, 기반은 현실적이고 작동하고 있습니다.
지금 참여함으로써 다음을 할 수 있습니다

✅ 떠오르는 표준에 영향을 미치기
✅ 다른 이들보다 먼저 당신의 도구의 LLM 인터페이스 형성하기
✅ 생태계가 확장됨에 따라 함께 성장하기

📌 결론
만약 REST가 웹 시대의 API 표준이었다면, MCP는 에이전트 시대의 프로토콜 표준이 될 수 있습니다. 지금이 준비할 황금 같은 기회입니다.

🧭 구축할 준비가 되셨나요?
핵심 도구 기능을 식별하고 MCP 형식으로 구조화하는 것부터 시작하세요.
모든 것을 지원할 필요는 없습니다 – 에이전트가 시작할 수 있을 만큼만 지원하면 됩니다.

에이전트의 시대(Agentic era)가 오고 있습니다. 늦지 마세요.

도움이 되셨다면 좋아요 부탁드립니다.

누구나 쉽게 이해할 수 있는 MCP 가이드 : AI 에이전트와 도구 연동의 새로운 표준 이 자료는 AI 에이전트가 Google Calendar, Salesforce와 같은 다양한 외부 도구(API)를 사용하는 데 어려움을 겪는 현재의 문제를 지적합니다. 이를 해결하기 위한 새로운 표준 프로토콜인 MCP(Model Context Protocol)를 소개하며, MCP가 어떻게 AI 에이전트와 도구 간의 '공통 언어' 역할을 하여 상호작용을 원활하게 하는지 설명합니다. 또한, 개발자와 SaaS 기업이 MCP 생태계에 참여하여 더 강력하고 확장 가능한 AI 에이전트를 구축하는 방법을 안내합니다. (참고) 가이드 전체 내용은 Gemini 2.5 Pro로 작성되었으며, 이미지 정리본은 GPT-4o 를 이용하여 생성하였습니다. ====================================== 📘 1. 왜 에이전트에게 새로운 표준이 필요한가 – MCP 소개 ====================================== 🚀 미래는 에이전트 중심입니다 (The Future Is Agentic) ChatGPT 시대를 맞아, 우리 모두는 AI가 얼마나 강력할 수 있는지 엿볼 수 있었습니다. 하지만 진정한 생산성은 단순히 AI와 대화하는 것에서 오는 것이 아니라, AI가 우리를 위해 실제로 일을 처리할 수 있을 때 발휘됩니다. 바로 이 지점에서 에이전트가 필요합니다. 에이전트는 단순한 챗봇이 아닙니다. 회의 예약, 보고서 작성, 데이터 분석과 같이 실제 도구(Google Calendar, Salesforce, Notion 등)를 사용하여 행동을 취하는 AI입니다. 하지만 여기에 문제가 있습니다. ❗️ 오늘날의 에이전트는 여전히 제한적입니다. AI에게 이렇게 요청한다고 상상해 보세요. “이번 주 나의 모든 1:1 미팅을 찾아서, 논의 내용을 요약하고, 후속 이메일 초안을 작성해 줄 수 있니?” 오늘날 대부분의 AI 에이전트는 아마 멈춰버릴 것입니다. 왜일까요? 그들이 사용하는 도구, 즉 여러 서비스의 API들이 마치 수백 개의 다른 방언처럼 제각각이기 때문입니다. 모든 도구 (Tools) 는 다음을 가지고 있습니다. - 자체 인증 규칙 - 고유한 데이터 형식 - 다른 기능 및 엔드포인트 개발자들은 모든 도구에 대해 맞춤 코드를 작성해야 하는 문제를 당면하게 됩니다. 이는 느리고, 불안정하며, 확장 가능하지 않습니다. 🧩 빠진 조각: 도구를 위한 공통 언어 만약 이 모든 도구들이 AI 에이전트와 소통할 수 있는 표준적인 방법이 있다면 어떨까요? 마치 HTML이 웹을 표준화하고, REST가 API를 표준화했듯이 이제 AI 에이전트를 위한 표준이 필요합니다. 이것이 바로 MCP (Model Context Protocol)입니다. AI 에이전트가 실제 도구를 쉽게 이해하고 상호작용할 수 있도록 설계된 새로운 프로토콜입니다. 시작해 봅시다. ============================ 📘 2. MCP란 무엇이며 어떻게 작동하는가? ============================ 🧠 큰 그림부터 시작해 봅시다. MCP (Model Context Protocol)는 AI 에이전트(LLM 기반)와 그들이 사용해야 하는 도구(Google Calendar, Salesforce, Notion 등) 사이에서 번역가 역할을 하는 새로운 표준입니다. MCP를 에이전트가 다음을 이해하는 데 도움이 되는 "만능 리모컨"이라고 생각하세요. - 어떤 도구를 사용할 수 있는지 - 그 도구들이 무엇을 할 수 있는지 - 어떻게 안전하고 효율적으로 사용할 수 있는지 🔍 주요 개념 - MCP 클라이언트: LLM을 사용하는 AI 에이전트 또는 앱입니다. 다음과 같은 요청을 보냅니다: ㄴ “이 도구는 무엇을 할 수 있나요?” ㄴ “이 함수를 실행해 주세요.” - MCP 서버: SaaS 도구와의 다리 역할을 합니다. 다음을 설명합니다: ㄴ 사용 가능한 기능 (예: "회의 생성", "노트 가져오기") ㄴ 관련 데이터를 일관된 형식으로 ㄴ LLM이 이해할 수 있는 방식으로 지침 제공 - 컨텍스트 스키마: 도구의 기능을 LLM이 읽을 수 있도록 구조화되고 통합된 형식입니다. 마치 모든 도구를 쉽게 탐색할 수 있는 API 플레이그라운드로 바꾸는 것과 같습니다. 🔁 이것이 왜 중요한가 - MCP가 없다면: AI 에이전트는 모든 도구를 사용하기 위해 수작업으로 코딩해야 합니다 = 느리고 비용이 많이 듭니다. - MCP가 있다면: 도구는 에이전트에게 플러그 앤 플레이 방식이 됩니다 = 빠르고 확장 가능합니다. ✅ 실제 예시 에이전트가 다음 작업을 수행하기를 원하십니까? “Asana에서 모든 높은 우선순위 작업을 찾고, 프로젝트 상태를 요약하고, 팀에 알림 보내기” MCP를 사용하면, 1. Asana MCP 서버가 그 기능을 설명합니다 (list_projects, get_tasks 등). 2. 에이전트는 이러한 작업을 탐색, 호출 및 결합할 수 있습니다. 3. 그 결과 맞춤 코드 없이 완전히 자동화된 워크플로우가 가능해집니다. ================================= 📘 3. 도구가 어떻게 에이전트의 능력을 결정하는가 ================================= 🛠 모든 도구가 동일하지는 않습니다 인간 조수가 일을 처리하기 위해 적절한 기술 세트가 필요한 것처럼, AI 에이전트의 성능은 사용할 수 있는 도구에 따라 달라집니다. 도구에는 두 가지 주요 유형이 있습니다. 1️⃣ 다기능 도구 (Multi-Function Tools) : 하나의 도구, 여러 작업 – 스위스 아미 나이프처럼 이 도구들은 여러 관련 작업을 하나의 강력한 인터페이스로 묶습니다. 단일 단계가 아닌 전체 워크플로우를 수행하도록 설계되었습니다. 🧠 예시 다기능 도구를 사용하는 Calendar Agent는 다음을 처리할 수 있습니다. - 모든 미팅 찾기 (유형별 필터링 = 1:1) - 메타데이터 추출 (제목, 참석자, 시간) - 미팅 노트 읽기 - 주간 요약 생성 이 모든 것을 한 번에 처리합니다 – 5개의 다른 도구를 호출할 필요가 없습니다. 📌 중요한 이유 도구 수가 적을수록 = 오케스트레이션이 단순해짐 = 더 빠르고 스마트한 에이전트. 2️⃣ 다중 도구 에이전트 (Multi-Tool Agents) - 함께 작동하는 에이전트 – 전문가 팀처럼 때로는 단일 도구만으로는 모든 것을 할 수 없습니다. 대신, 마치 팀 내의 사람들처럼 각기 다른 도구를 사용하는 에이전트들이 협업합니다. 🧠 예시 목표: 주요 고객에게 맞춤형 이메일 캠페인 보내기. 🧑‍💼 에이전트 1: Salesforce에서 고객 데이터 가져오기 📊 에이전트 2: Google Sheets에서 데이터 분석하기 📬 에이전트 3: Mailchimp를 통해 이메일 보내기 이를 에이전트 시스템(System of Agents) 또는 MAS (Multi-Agent System)라고 합니다. 📌 중요한 이유 에이전트는 강점을 결합하고 더 넓은 범위를 커버할 수 있습니다 – 마치 회사의 마이크로서비스처럼. 🤖 왜 ChatGPT만으로는 충분하지 않은가 오늘날 대부분의 맞춤형 GPT는 너무 단순합니다 - 제한된 작업 - 메모리 없음 - 다른 에이전트와 협업 불가 - "단일 도구" 사일로에 갇혀 있음 이것이 바로 AutoGen, CrewAI, LangGraph와 같은 강력한 프레임워크가 등장한 이유입니다 – 다기능 및 다중 에이전트 기능을 잠금 해제하기 위해. 🧭 도구 = 에이전트 뒤의 진정한 엔진 단순히 어떤 LLM을 사용하는지에 대한 문제가 아닙니다. 어떤 도구를 제공하고, 그것들이 어떻게 연결되어 있는지에 대한 문제입니다. ========================= 📘 4. MCP의 현실적인 과제와 한계점 ========================= MCP는 AI 에이전트와 도구 연동의 방식을 혁신할 잠재력을 지니고 있지만, 새로운 표준으로서 현실적인 과제와 잠재적 한계점 또한 고려해야 합니다. 😫 넘어야 할 현실적인 장벽들 MCP가 이상적인 솔루션처럼 보일 수 있지만, 성공적인 정착과 확산을 위해서는 다음과 같은 현실적인 문제들을 해결해야 합니다. 느린 채택 속도 (Slow Adoption Rate) - 가장 큰 허들: 새로운 표준의 성공은 얼마나 많은 플레이어가 참여하느냐에 달려있습니다. SaaS 기업들이 MCP 서버 구축에 투자하고, 에이전트 개발자들이 이를 적극적으로 사용해야만 생태계가 활성화됩니다. 초기에는 '닭과 달걀' 문제에 직면할 수 있습니다. - 모든 도구 제공자가 표준화된 단일 인터페이스를 선호하지 않을 수 있으며, 자체 API 생태계를 강화하는 것을 우선시할 수 있습니다. 구현 및 유지보수의 복잡성 (Complexity of Implementation &amp; Maintenance) - 서버 측 부담: MCP가 에이전트 클라이언트 개발을 단순화할 수 있지만, SaaS 도구 제공자 입장에서는 자사의 복잡한 API 기능과 데이터 모델을 MCP 표준 스키마에 정확하게 매핑하고, 안전하며 효율적인 MCP 서버를 구축 및 유지보수하는 것이 상당한 기술적, 비용적 부담이 될 수 있습니다. - 지속적 업데이트: 기반이 되는 도구의 API가 변경되거나 MCP 표준 자체가 발전함에 따라 지속적인 업데이트와 버전 관리가 필요합니다. 표준화의 명암 (Pros and Cons of Standardization) - 기능 제약 가능성: 모든 도구의 고유하고 세분화된 기능을 단일 표준으로 완벽하게 포괄하기는 어렵습니다. 초기 표준은 '최소 공통분모'에 집중하게 되어, 특정 도구의 고급 기능이나 특수 기능을 MCP를 통해 활용하는 데 제약이 따를 수 있습니다. 때로는 여전히 직접적인 API 호출이 필요할 수 있습니다. - 표준의 경직성: 표준이 한번 자리 잡으면 변경하기 어려울 수 있으며, 빠르게 변화하는 AI 및 API 기술 발전을 민첩하게 따라가지 못할 수 있습니다. 성능 및 보안 문제 (Performance &amp; Security Concerns) - 잠재적 성능 저하: MCP라는 중개 계층(layer)이 추가되면서, 이론적으로는 직접 API를 호출하는 것보다 약간의 지연 시간(latency)이 발생할 수 있습니다. 대부분의 경우 무시할 만한 수준일 수 있으나, 실시간성이 중요한 애플리케이션에서는 고려 사항이 될 수 있습니다. - 보안 책임: 표준화된 인터페이스는 잠재적인 공격 표면(attack surface)도 표준화할 수 있습니다. MCP 서버와 클라이언트 간의 인증, 권한 부여, 데이터 암호화 등 보안 메커니즘을 철저히 구현하는 것이 매우 중요하며, 이에 대한 책임은 각 서버 구현 주체에게 있습니다. 기술 성숙도 및 생태계 지원 (Maturity &amp; Ecosystem Support) - 초기 단계: MCP는 비교적 새로운 개념이므로, 관련 개발 도구, 디버깅 툴, 테스트 프레임워크, 풍부한 문서, 커뮤니티 지원 등이 아직 부족할 수 있습니다. 이는 초기 도입 및 문제 해결을 어렵게 만들 수 있습니다. 💡 결론: 균형 잡힌 시각 필요 MCP는 에이전트 기반 자동화의 중요한 발전을 약속하지만, 위와 같은 현실적인 과제들을 간과해서는 안 됩니다. 이러한 문제들은 대부분의 신기술 표준화 과정에서 나타나는 현상이며, MCP 생태계 참여자들의 지속적인 노력, 피드백, 협력을 통해 점진적으로 해결될 수 있을 것입니다. MCP의 성공 여부는 이러한 과제들을 얼마나 효과적으로 극복하느냐에 달려있습니다. ======================= 📘 5. MCP 생태계에 참여하는 방법 ======================= 🎯 왜 관심을 가져야 하는가 만약 당신의 제품이 SaaS 도구이고, AI 에이전트가 사용하기를 원한다면, 지금이 MCP 생태계에 진입하기에 완벽한 시기입니다. - LLM 기반 에이전트에게 발견될 수 있습니다. - 맞춤 통합 없이 에이전트가 당신의 도구를 사용하게 할 수 있습니다. - 기업 IT부터 소비자 AI까지 성장하는 에이전트 앱 시장에 진입할 수 있습니다. 🚪 참여 방법: 3가지 방법 1️⃣ MCP 서버 구축하기 당신의 도구 기능을 MCP 호환 인터페이스로 전환하세요. 🔧 필요한 것 - 도구의 기능(call_tool, list_tools) 설명하기 - call_resource, list_resources를 통해 데이터 노출하기 - 표준 컨텍스트 스키마 따르기 마치 공개 API를 구축하는 것과 같지만, LLM을 위한 것입니다. 💡 팁: 기존 에이전트 프레임워크(예: LangGraph, AutoGen)를 사용하여 개발 속도를 높이세요. 2️⃣ 마켓플레이스에 호스팅 또는 등록하기 MCP 서버가 활성화되면 MCP 레지스트리나 마켓플레이스에 게시하세요. - 당신의 도구를 모든 MCP 호환 클라이언트가 발견할 수 있도록 만드세요. - AI 에이전트가 당신의 제품을 찾고, 이해하고, 사용하도록 하세요. - 일부 플랫폼(예: Claude, MySnap)은 이미 이 플러그 앤 플레이 모델을 지원합니다. 3️⃣ MCP를 클라이언트로 사용하기 MCP를 통해 도구에 연결하는 자체 AI 에이전트나 LLM 앱을 구축할 수도 있습니다. - 더 이상 각 API에 대한 맞춤 래퍼를 작성할 필요가 없습니다. - 기존 MCP 서버에 연결하고 워크플로우를 더 빠르게 구축하세요. - 내부 자동화 도구나 고객 대면 AI 앱에 적합합니다. 🌱 선도자 = 큰 이점 (Early Movers = Huge Advantage) MCP는 아직 초기 단계이지만, 기반은 현실적이고 작동하고 있습니다. 지금 참여함으로써 다음을 할 수 있습니다 ✅ 떠오르는 표준에 영향을 미치기 ✅ 다른 이들보다 먼저 당신의 도구의 LLM 인터페이스 형성하기 ✅ 생태계가 확장됨에 따라 함께 성장하기 📌 결론 만약 REST가 웹 시대의 API 표준이었다면, MCP는 에이전트 시대의 프로토콜 표준이 될 수 있습니다. 지금이 준비할 황금 같은 기회입니다. 🧭 구축할 준비가 되셨나요? 핵심 도구 기능을 식별하고 MCP 형식으로 구조화하는 것부터 시작하세요. 모든 것을 지원할 필요는 없습니다 – 에이전트가 시작할 수 있을 만큼만 지원하면 됩니다. 에이전트의 시대(Agentic era)가 오고 있습니다. 늦지 마세요. 도움이 되셨다면 좋아요 부탁드립니다.

누구나 쉽게 이해할 수 있는 MCP 가이드

똑닥닷컴 SEO(a.k.a. 네이버 월 노출 수 1000만 달성기) | 비브로스 기술 블로그

어떤 접근으로 노출수를 높였는지 단계별로 잘 나와있네요.
https://boostbrothers.github.io/2025-03-04-ddocdoc-com-seo/

어떤 접근으로 노출수를 높였는지 단계별로 잘 나와있네요.https://boostbrothers.github.io/2025-03-04-ddocdoc-com-seo/

boostbrothers.github.io

똑닥: SEO 최적화 사례

YouTube에서 마음에 드는 동영상과 음악을 감상하고, 직접 만든 콘텐츠를 업로드하여 친구, 가족뿐 아니라 전 세계 사람들과 콘텐츠를 공유할 수 있습니다.

 - YouTube

먼저, 성능 최적화와 보안 이슈 등을 얘기할 수 있을것 같아요.

물론 초개인화된 데이터를 처리하는 역할을
모두 서버에서 담당한다면 서버 부하가 커질 수도 있지만,

그럼에도 위와 같은 이유들로
서버에서 Data fetching 을 하는게 유리한 때가 있어서요.

이러한 이유에 대해 좀 더 자세히 설명해보았습니다.

https://youtu.be/vJGk4iLo-Ak

먼저, 성능 최적화와 보안 이슈 등을 얘기할 수 있을것 같아요. 물론 초개인화된 데이터를 처리하는 역할을모두 서버에서 담당한다면 서버 부하가 커질 수도 있지만, 그럼에도 위와 같은 이유들로서버에서 Data fetching 을 하는게 유리한 때가 있어서요. 이러한 이유에 대해 좀 더 자세히 설명해보았습니다. https://youtu.be/vJGk4iLo-Ak

youtu.be

왜 Data fetching 을 서버에서 해야할까요?

사용자가 공유한 콘텐츠

폴인에서 시리즈로 공개한 '토스팀에게 듣다: 토스 10주년 '10 to 100''에서 프로덕트 디자인 부문의 글을 소개합니다. 프로덕트 디자인 헤드를 맡고 있는 강수영 님이 2015년부터 2025년까지 토스에서의 프로덕트 디자인을 어떻게 바라보고, 어떤 고민과 도전으로 현재에 이르렀는지 담담하게 전달하는 내용입니다. 요약을 먼저 보시더라도 전문을 꼭 살펴보시면 좋겠습니다.

2개의 문장으로 결론을 요약하자면 사용자 경험을 고민하는 사람이라면, 디자인하는 사람이라면 '수단과 목적을 헷갈리지 말자'라는 것이었습니다. '만약 헷갈리지만 않는다면 안 되는 건 거의 없다.'입니다.

[ 큐레이터의 문장 🎒 ]

1. 태동기(2015~18): 디자인도, 일하는 방식도 단순하게 

 * ① 필요 없는 정보는 과감히 쳐내기
   ② 한 화면에서 어딜 봐야 할지 명확히 알려주기

2. 성장기(2018~22): 체계를 통한 일관성 쌓기

토스만의 디자인 시스템을 만들고 토스만의 서체도 만들면서 어디서든 '토스 디자인이다'라고 알 수 있게 만든 시기였습니다. 동시에 4가지를 새롭게 시도했습니다.

 * ① 3D 그래픽 - 시네마4D라는 툴을 직접 배워가며 내부에서 디벨롭
 * ② UX 라이팅 - A/B테스트를 통해 제품속 문구를 결정하면서 클릭율 최대 300% 증가
 * ③ 유저 테스트 - 토스의 UT 문화가 생긴 시기로 전문 업체와 계약해서 테스트, 정성 테스트를 반복해 가입 퍼널을 만들고 수치로 성과까지 증명
 * ④ 로고 리브랜딩 - '공 던지듯 쉬운 금융', '우리는 금융이 아니다', '토스에 갇히면 안 된다'

3. 진화기(2022~2024): 금융 너머를 바라보는 시대의 디자인

마이데이터 시기에 조회, 송금, 혜택을 중심으로 한 홈화면을 만든 시기. 대출, 카드, 보험, 신용대출 등 여러 기능을 동일한 인터랙션으로 하나의 경험을 하듯이 만드는 것에 주안점을 두고 매출까지 개선하는 것으로 디자인의 역할을 확대했습니다. 이 시기엔 3D로 만든 새로운 로고를 선보였습니다.

4. 토스의 지금(2025~): 어디서나 편리한 디자인을 고민할 때

토스가 금융상품을 넘어 커머스, 모바일을 넘어 오프라인 단말기까지 새로운 접점이 생기면서 덩치가 커졌습니다. B2B 고객도 많아졌고 고객이 토스 앱 안에서 자기만의 사업을 하려는 니즈가 있었기에 '툴 프로덕트 디자이너'라는 직군까지 생겼습니다. 내부 구성원을 위한 툴도 만들어진 시기였죠.

 1. 토스 내비게이션 스코어 - 유저에게 직접 묻고 '이 기능 어디에 있을 것 같나요?'에 대한 답변을 히트맵 형태로 표현해서 (만드는 사람이) 예상한 것과 (쓰는 사람이) 이해하고 기대하는 것 사이의 격차가 얼마나 큰지 확인할 수 있는 방법입니다.
 2. 휴리봇 - 휴리봇은 토스 유저처럼 답변하는 생성형 AI예요. 디자인한 화면을 보여주며 질문하면 실제 유저처럼 답변하는 거예요. 기존 유저 테스트를 완전히 대체할 수는 없지만, 시간을 아끼는 데 큰 도움이 됩니다.
 3. 토스트 - 토스 스타일로 그림을 알아서 그려주는 '토스트'도 개발했어요. 정보를 입력하면 몇 분 만에 그래픽이 만들어지죠. 토스 그래픽 디자이너가 만든 것과 같은 퀄리티, 톤으로요. 디자이너들이 더 중요한 문제에 집중할 수 있도록 일손을 덜어주는 역할을 잘 해내고 있습니다. 
 4. 랠리(Rally) - 인터랙션을 잘 만들려면 디자이너의 역량, 구현 기술, 개발 인력이 모두 필요한데요. 인터랙션팀 주도로 구현 비용을 획기적으로 낮추기 위해 랠리라는 프로그래밍 언어를 자체 개발했어요.

https://www.folin.co/article/10450/gift/Fspn7szhf5iFFggpgu0Ryq7GKd3D6XF5

폴인에서 시리즈로 공개한 '토스팀에게 듣다: 토스 10주년 '10 to 100''에서 프로덕트 디자인 부문의 글을 소개합니다. 프로덕트 디자인 헤드를 맡고 있는 강수영 님이 2015년부터 2025년까지 토스에서의 프로덕트 디자인을 어떻게 바라보고, 어떤 고민과 도전으로 현재에 이르렀는지 담담하게 전달하는 내용입니다. 요약을 먼저 보시더라도 전문을 꼭 살펴보시면 좋겠습니다. 2개의 문장으로 결론을 요약하자면 사용자 경험을 고민하는 사람이라면, 디자인하는 사람이라면 '수단과 목적을 헷갈리지 말자'라는 것이었습니다. '만약 헷갈리지만 않는다면 안 되는 건 거의 없다.'입니다. [ 큐레이터의 문장 🎒 ] 1. 태동기(2015~18): 디자인도, 일하는 방식도 단순하게&nbsp; <ul ><li>① 필요 없는 정보는 과감히 쳐내기 ② 한 화면에서 어딜 봐야 할지 명확히 알려주기</li></ul> 2. 성장기(2018~22): 체계를 통한 일관성 쌓기 토스만의 디자인 시스템을 만들고 토스만의 서체도 만들면서 어디서든 '토스 디자인이다'라고 알 수 있게 만든 시기였습니다. 동시에 4가지를 새롭게 시도했습니다. <ul ><li>① 3D 그래픽 - 시네마4D라는 툴을 직접 배워가며 내부에서 디벨롭</li><li>② UX 라이팅 - A/B테스트를 통해 제품속 문구를 결정하면서 클릭율 최대 300% 증가</li><li>③ 유저 테스트 - 토스의 UT 문화가 생긴 시기로 전문 업체와 계약해서 테스트, 정성 테스트를 반복해 가입 퍼널을 만들고 수치로 성과까지 증명</li><li>④ 로고 리브랜딩 - '공 던지듯 쉬운 금융', '우리는 금융이 아니다', '토스에 갇히면 안 된다'</li></ul> 3. 진화기(2022~2024): 금융 너머를 바라보는 시대의 디자인 마이데이터 시기에 조회, 송금, 혜택을 중심으로 한 홈화면을 만든 시기. 대출, 카드, 보험, 신용대출 등 여러 기능을 동일한 인터랙션으로 하나의 경험을 하듯이 만드는 것에 주안점을 두고 매출까지 개선하는 것으로 디자인의 역할을 확대했습니다. 이 시기엔 3D로 만든 새로운 로고를 선보였습니다. 4. 토스의 지금(2025~): 어디서나 편리한 디자인을 고민할 때 토스가 금융상품을 넘어 커머스, 모바일을 넘어 오프라인 단말기까지 새로운 접점이 생기면서 덩치가 커졌습니다. B2B 고객도 많아졌고 고객이 토스 앱 안에서 자기만의 사업을 하려는 니즈가 있었기에 '툴 프로덕트 디자이너'라는 직군까지 생겼습니다. 내부 구성원을 위한 툴도 만들어진 시기였죠. <ol ><li>토스 내비게이션 스코어 - 유저에게 직접 묻고 '이 기능 어디에 있을 것 같나요?'에 대한 답변을 히트맵 형태로 표현해서 (만드는 사람이) 예상한 것과 (쓰는 사람이) 이해하고 기대하는 것 사이의 격차가 얼마나 큰지 확인할 수 있는 방법입니다.</li><li>휴리봇 - 휴리봇은 토스 유저처럼 답변하는 생성형 AI예요. 디자인한 화면을 보여주며 질문하면 실제 유저처럼 답변하는 거예요. 기존 유저 테스트를 완전히 대체할 수는 없지만, 시간을 아끼는 데 큰 도움이 됩니다.</li><li>토스트 - 토스 스타일로 그림을 알아서 그려주는 '토스트'도 개발했어요. 정보를 입력하면 몇 분 만에 그래픽이 만들어지죠. 토스 그래픽 디자이너가 만든 것과 같은 퀄리티, 톤으로요. 디자이너들이 더 중요한 문제에 집중할 수 있도록 일손을 덜어주는 역할을 잘 해내고 있습니다.&nbsp;</li><li>랠리(Rally) - 인터랙션을 잘 만들려면 디자이너의 역량, 구현 기술, 개발 인력이 모두 필요한데요. 인터랙션팀 주도로 구현 비용을 획기적으로 낮추기 위해 랠리라는 프로그래밍 언어를 자체 개발했어요.</li></ol> https://www.folin.co/article/10450/gift/Fspn7szhf5iFFggpgu0Ryq7GKd3D6XF5

www.folin.co

《디자인하는 사람이라면 '수단과 목적을 헷갈리지 말자'》

1. “다른 사람을 존중하라”고 설교하지만, 정작 자신은 직원들을 신뢰하지도 존중하지도 않습니다.

2. ‘팀워크’라는 말을 입에 달고 다니지만, 팀플레이를 맹목적인 복종으로만 해석합니다.

3. 끔찍할 정도로 우유부단합니다. 중요한 결정을 내려야 할 때마다 미루고, 수도 없이 분석만 하고 의사결정은 내리지 않습니다. 그 결과, 회사는 결국 중요한 기회를 놓치고, 작은 문제들마저 심각한 위기로까지 커집니다.

4. 우선순위를 정하지 않고, 직원들에게 10~20개 실천 항목을 한꺼번에 제시하며 모두 다 우리에게 최우선사항이라고 말합니다.

5. 자기 집무실에 틀어박혀서 직원들이 어떻게 일하는지를 살피지 않습니다.

6. 사람들을 끊임없이 비판할 뿐, 긍정적인 피드백은 거의 하지 않습니다. 직원이 딱 한 번 실수를 한 것을 두고 영원히 괴롭힙니다. 그 결과, 실수를 통해 교훈을 얻을 수 있는 기회 자체를 박탈합니다.

7. 회사의 비전을 놓고 직원들과 효과적으로 소통하지 않습니다. 그로 인해 직원들은 회사에 비전이 없다고 느끼고, 어디로 가야 할지 몰라서 회사는 우왕좌왕합니다.

8. 말을 할 때나 글을 쓸 때 복잡하고 따분하기만 하고, 온갖 전문 용어를 남발합니다. 그래서 직원들에게 건설적인 영감을 주기는커녕 지루하고 혼란스럽게 만듭니다.

9. 정체된 상태임에도 새롭거나 대담한 도전을 하는 것을 꺼립니다. 그래서 결국 야망을 가진 직원들은 회사를 떠납니다.

- 짐 콜린스 외, <좋은 리더를 넘어 위대한 리더로> 중

1. “다른 사람을 존중하라”고 설교하지만, 정작 자신은 직원들을 신뢰하지도 존중하지도 않습니다. 2. ‘팀워크’라는 말을 입에 달고 다니지만, 팀플레이를 맹목적인 복종으로만 해석합니다. 3. 끔찍할 정도로 우유부단합니다. 중요한 결정을 내려야 할 때마다 미루고, 수도 없이 분석만 하고 의사결정은 내리지 않습니다. 그 결과, 회사는 결국 중요한 기회를 놓치고, 작은 문제들마저 심각한 위기로까지 커집니다. 4. 우선순위를 정하지 않고, 직원들에게 10~20개 실천 항목을 한꺼번에 제시하며 모두 다 우리에게 최우선사항이라고 말합니다. 5. 자기 집무실에 틀어박혀서 직원들이 어떻게 일하는지를 살피지 않습니다. 6. 사람들을 끊임없이 비판할 뿐, 긍정적인 피드백은 거의 하지 않습니다. 직원이 딱 한 번 실수를 한 것을 두고 영원히 괴롭힙니다. 그 결과, 실수를 통해 교훈을 얻을 수 있는 기회 자체를 박탈합니다. 7. 회사의 비전을 놓고 직원들과 효과적으로 소통하지 않습니다. 그로 인해 직원들은 회사에 비전이 없다고 느끼고, 어디로 가야 할지 몰라서 회사는 우왕좌왕합니다. 8. 말을 할 때나 글을 쓸 때 복잡하고 따분하기만 하고, 온갖 전문 용어를 남발합니다. 그래서 직원들에게 건설적인 영감을 주기는커녕 지루하고 혼란스럽게 만듭니다. 9. 정체된 상태임에도 새롭거나 대담한 도전을 하는 것을 꺼립니다. 그래서 결국 야망을 가진 직원들은 회사를 떠납니다. - 짐 콜린스 외, &lt;좋은 리더를 넘어 위대한 리더로&gt; 중

최악의 리더들이 가진 특징 9가지

평생직장 개념은 사라진 지 오래다. 대부분의 직장인들이 커리어 내내 여러 번의 이직을 경험한다. 한 회사에서 오래 일하는 사람이 없지는 않지만, 일반적인 상황은 아니다. 따라서, 첫 회사는 언젠가는 떠나야 하는 회사이고, 좋은 곳으로 이직할 수 있도록 미리 준비를 해두어야 한다.  이직 준비라는 것이 단순히 이력서와 자기소개서를 써두는 것을 말하는 것은 아

이직이 가능한 상태를 유지하자

가치를 잃지 않는 것
#신입사원 #직장인 #가치 #이직

https://brunch.co.kr/@drunkensky/679

가치를 잃지 않는 것#신입사원 #직장인 #가치 #이직 https://brunch.co.kr/@drunkensky/679

(주)조은아이앤에스 백엔드개발자

이도운

컴퓨터공학과를 전공한 개발자입니다.

주임연구원(ML 엔지니어) 

김소현

ULIFT FE

익준

게임 프로그래머로 시작해서, 게임 분석가, 프로젝트 매니저, 프로젝트 리더를 거쳐 지금은 게임에 AI를 적용하는 연구를 하고 있는 직장인 20년차입니다. 글 쓰는 것을 좋아해서 브런치에서 '취한하늘'이라는 이름으로 작가 활동을 하고 있습니다.

이재호

책 <일 잘하는 팀장>을 집필하였습니다. 게임 프로그래머, 게임 분석가, 프로젝트 매니저, 프로젝트 리더를 거쳐 지금은 게임 AI 연구를 하고 있는 직장인 23년차입니다. 글 쓰는 것을 좋아해서 브런치에서 '취한하늘'이라는 이름으로 작가 활동을 하고 있습니다.

이직이 가능한 상태를 유지하자

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필