1. 우리는 매일 아침 책상에 앉아 모니터를 켜고, 무언가를 만들어낸다. 그렇다면 당신이 회사에 제공하고 있는 ‘아웃풋’의 본질은 무엇인가.


2. 일의 아웃풋은 세 가지 레이어로 나뉜다. 시간, 결과, 그리고 성과.


3. 첫 번째, 시간이다. 가장 원초적인 아웃풋이다. 우리는 시간을 회사의 급여와 맞바꾼다. 컨베이어 벨트가 돌아가던 제조업 시대에는 이것만으로 충분했다. 정해진 시간 동안 자리를 지키는 것, 그 자체가 가치였다.


4. 하지만 시대가 바뀌었다. 이제 엉덩이의 무게보다 머리의 밀도가 중요해졌다. 8시간을 채우는 것보다 1시간 만에 문제를 해결하는 것이 더 큰 가치를 만든다. 시간을 파는 것은 가장 기본적인, 1차원적 아웃풋이다. 여기에 머문다면 언제든 대체될 수 있다.


5. 두 번째, 결과다. 시간을 투입했다면, 이제 결과를 내놓아야 한다. 보고서 한 편, 코드 한 줄, 디자인 시안 하나. 손에 잡히고 눈에 보이는 산출물이다.


6. 많은 직장인들이 이 ‘결과’를 일의 끝으로 착각한다. 보고서를 제출하는 순간, 프로젝트가 배포되는 순간, 일이 끝났다고 믿는다. 하지만 결과는 마침표가 아니라 다음 문장으로 넘어가기 위한 쉼표에 가깝다. 결과는 2차원적 아웃풋이다. 눈에 보이지만, 그 자체로 완전한 의미를 갖진 않는다.


7. 마지막은 성과다. 결과가 ‘무엇을 했는가(What)’에 대한 답이라면, 성과는 ‘그래서 무엇이 달라졌는가(So What)’에 대한 답이다. 보고서를 완성한 것은 결과다. 그 보고서 덕분에 팀이 더 나은 의사결정을 내렸다면, 그것이 성과다. 신규 기능을 런칭한 것은 결과다. 그 기능 덕분에 유저의 이탈률이 5% 줄었다면, 그것이 성과다.


8. 결과는 목적이 아니다. 그 결과를 통해 우리가 처음 이루려던 의도와 가치가 실현될 때, 비로소 성과가 된다. 성과는 보이지 않는 ‘목적’과 눈에 보이는 ‘결과’를 연결해 진짜 가치를 만든다. 이것이 3차원적 아웃풋이다.


9. 이제 스스로에게 물어보자. 당신은 오늘 어떤 아웃풋을 내고 있는가. 시간을 팔고 있는가. 결과를 만들고 있는가. 아니면, 성과를 내고 있는가.


10. 일의 본질은 언제나 마지막에 있다.

1. 우리는 매일 아침 책상에 앉아 모니터를 켜고, 무언가를 만들어낸다. 그렇다면 당신이 회사에 제공하고 있는 ‘아웃풋’의 본질은 무엇인가. ​2. 일의 아웃풋은 세 가지 레이어로 나뉜다. 시간, 결과, 그리고 성과. ​3. 첫 번째, 시간이다. 가장 원초적인 아웃풋이다. 우리는 시간을 회사의 급여와 맞바꾼다. 컨베이어 벨트가 돌아가던 제조업 시대에는 이것만으로 충분했다. 정해진 시간 동안 자리를 지키는 것, 그 자체가 가치였다. ​4. 하지만 시대가 바뀌었다. 이제 엉덩이의 무게보다 머리의 밀도가 중요해졌다. 8시간을 채우는 것보다 1시간 만에 문제를 해결하는 것이 더 큰 가치를 만든다. 시간을 파는 것은 가장 기본적인, 1차원적 아웃풋이다. 여기에 머문다면 언제든 대체될 수 있다. ​5. 두 번째, 결과다. 시간을 투입했다면, 이제 결과를 내놓아야 한다. 보고서 한 편, 코드 한 줄, 디자인 시안 하나. 손에 잡히고 눈에 보이는 산출물이다. ​6. 많은 직장인들이 이 ‘결과’를 일의 끝으로 착각한다. 보고서를 제출하는 순간, 프로젝트가 배포되는 순간, 일이 끝났다고 믿는다. 하지만 결과는 마침표가 아니라 다음 문장으로 넘어가기 위한 쉼표에 가깝다. 결과는 2차원적 아웃풋이다. 눈에 보이지만, 그 자체로 완전한 의미를 갖진 않는다. ​7. 마지막은 성과다. 결과가 ‘무엇을 했는가(What)’에 대한 답이라면, 성과는 ‘그래서 무엇이 달라졌는가(So What)’에 대한 답이다. 보고서를 완성한 것은 결과다. 그 보고서 덕분에 팀이 더 나은 의사결정을 내렸다면, 그것이 성과다. 신규 기능을 런칭한 것은 결과다. 그 기능 덕분에 유저의 이탈률이 5% 줄었다면, 그것이 성과다. ​8. 결과는 목적이 아니다. 그 결과를 통해 우리가 처음 이루려던 의도와 가치가 실현될 때, 비로소 성과가 된다. 성과는 보이지 않는 ‘목적’과 눈에 보이는 ‘결과’를 연결해 진짜 가치를 만든다. 이것이 3차원적 아웃풋이다. ​9. 이제 스스로에게 물어보자. 당신은 오늘 어떤 아웃풋을 내고 있는가. 시간을 팔고 있는가. 결과를 만들고 있는가. 아니면, 성과를 내고 있는가. ​10. 일의 본질은 언제나 마지막에 있다.

< 일의 본질은 마지막에 있다 >

1. 충만주의는 What이 아닌 How에만 집중하게 만들어주는 인생 철학입니다.

2. 어떤 경험이든 충만하게만 하면 경험의 종류에 상관없이 모든 경험에서 확고한 충만감, 인생의 의미감과 가치 감을 느낄 수 있기 때문입니다.

3. 무엇(what)을 해야 하는지 집착 하고 방황하는 삶에서 그 무엇이 오든 받아들이고 충만하게 해내는(how) 데에만 집중하는 삶으로 바뀝니다.

4. 이것은 삶에 압도적인 자유로움을 선사합니다. 경험의 종류에 좌지우지되는 것이 아닌, 내 인생에 주어지는 어떤 경험이든 만족으로 바꾸어낼 수 있는 방식이기 때문입니다.

5. 이것은 상시적인 행복감을 삶에 선사합니다. 특정 경험을 해야만 느껴지는 간헐적 행복이 아닌, 하루 종일 모든 경험에서 내내 만족 감을 느낄 수 있는 방식이기 때문입니다.

6. 이는 단순한 회복을 넘어, 극단의 의미 있고 가치 있는 삶을 실현할 수 있는 방법입니다.


#공허의시대

1. 충만주의는 What이 아닌 How에만 집중하게 만들어주는 인생 철학입니다. 2. 어떤 경험이든 충만하게만 하면 경험의 종류에 상관없이 모든 경험에서 확고한 충만감, 인생의 의미감과 가치 감을 느낄 수 있기 때문입니다. 3. 무엇(what)을 해야 하는지 집착 하고 방황하는 삶에서 그 무엇이 오든 받아들이고 충만하게 해내는(how) 데에만 집중하는 삶으로 바뀝니다. 4. 이것은 삶에 압도적인 자유로움을 선사합니다. 경험의 종류에 좌지우지되는 것이 아닌, 내 인생에 주어지는 어떤 경험이든 만족으로 바꾸어낼 수 있는 방식이기 때문입니다. 5. 이것은 상시적인 행복감을 삶에 선사합니다. 특정 경험을 해야만 느껴지는 간헐적 행복이 아닌, 하루 종일 모든 경험에서 내내 만족 감을 느낄 수 있는 방식이기 때문입니다. 6. 이는 단순한 회복을 넘어, 극단의 의미 있고 가치 있는 삶을 실현할 수 있는 방법입니다. ​ #공허의시대

< 인생의 본질은 What이 아니라 How다 >

컴퓨터 과학에서 알고리즘 중 ‘담금질 기법 알고리즘'이란 게 있다. 담금질 기법 알고리즘은 우리가 점진적인 교체를 통해서 어떤 하나의 함수의 최적해를 찾을 수 있게 도와준다. 만약 단순하게 해당 알고리즘을 응용해서 함수의 극한값 문제를 해결하려 한다면 해당 알고리즘이 담고 있는 빛나는 지혜를 놓치고 만다.
⠀
나는 인생이 ‘최적해를 찾는 과정'이라고 생각한다. 우리는 항상 끊임없이 노력해 자신을 발전시켜 자신이 다다를 수 있는 가장 높은 위치에 오르고 싶어 한다. 하지만 담금질 기법 알고리즘은 우리에게 다음과 같은 사실을 알려준다.
⠀
젊은 시절 충분히 탐색하고 잠깐의 불완전함을 받아들여야 특정 영역에서 최대인 국소 최적(Local Optimum)에 빠지지 않고 더 높은 정상에 오를 수 있다.
⠀
그리고 일정 단계에 이르러 자신에게 가장 적합한 것이 무엇인지 알게 되면 그곳에서 깊이 탐색하려 할 뿐 쉽게 코스를 바꾸지 않는다.
⠀
류쉐펑, 복잡한 세상을 이기는 수학의 힘


https://www.instagram.com/p/DP-GNl7E03T/?utm_source=ig_web_copy_link

컴퓨터 과학에서 알고리즘 중 ‘담금질 기법 알고리즘'이란 게 있다. 담금질 기법 알고리즘은 우리가 점진적인 교체를 통해서 어떤 하나의 함수의 최적해를 찾을 수 있게 도와준다. 만약 단순하게 해당 알고리즘을 응용해서 함수의 극한값 문제를 해결하려 한다면 해당 알고리즘이 담고 있는 빛나는 지혜를 놓치고 만다. ⠀ 나는 인생이 ‘최적해를 찾는 과정'이라고 생각한다. 우리는 항상 끊임없이 노력해 자신을 발전시켜 자신이 다다를 수 있는 가장 높은 위치에 오르고 싶어 한다. 하지만 담금질 기법 알고리즘은 우리에게 다음과 같은 사실을 알려준다. ⠀ 젊은 시절 충분히 탐색하고 잠깐의 불완전함을 받아들여야 특정 영역에서 최대인 국소 최적(Local Optimum)에 빠지지 않고 더 높은 정상에 오를 수 있다. ⠀ 그리고 일정 단계에 이르러 자신에게 가장 적합한 것이 무엇인지 알게 되면 그곳에서 깊이 탐색하려 할 뿐 쉽게 코스를 바꾸지 않는다. ⠀ 류쉐펑, 복잡한 세상을 이기는 수학의 힘 https://www.instagram.com/p/DP-GNl7E03T/?utm_source=ig_web_copy_link

《Local Optimum》

프로덕트 디자이너가 리서치를 한다면?
⠀
설득하거나, 선택하거나
디자인 솔루션의 근거가 되는 데이터
⠀
데이터를 왜 필요로 하는지, 데이터 분석의 목적을 먼저 정해야 합니다. 내부 고객(리더, 대표 등 의사결정자)을 설득하기 위해서 필요한 상황인지, 문제를 해결하기 위한 디자인 솔루션 후보 중 어떤 것을 먼저 적용할지 결정하기 위해서인지 말이죠. ‘설득’과 ‘예방'을 위해서는 데이터가 유용합니다.
⠀
내부에 UX 리서처가 있는 조직이라도 이미 많은 조직에서 UT(Usability Testing)를 포함해 IDI(In-depth Interview)까지, 프로덕트 디자이너가 정성조사를 하는 문화가 자리 잡았습니다.
⠀
기능이 점점 빠르게 추가되거나 실험 기반으로 적용되는 일 방식, UX 조직 내 비교적 적은 비율의 UX 리서처 구성으로 인해 ‘디자이너가 리서치를 해야 하는 상황'은 점점 늘어나고 있습니다.


https://www.instagram.com/p/DP40oErEzCz/?utm_source=ig_web_copy_link&igsh=MW1rdzd3eDJwMm1vbA==

프로덕트 디자이너가 리서치를 한다면?⠀설득하거나, 선택하거나디자인 솔루션의 근거가 되는 데이터⠀데이터를 왜 필요로 하는지, 데이터 분석의 목적을 먼저 정해야 합니다. 내부 고객(리더, 대표 등 의사결정자)을 설득하기 위해서 필요한 상황인지, 문제를 해결하기 위한 디자인 솔루션 후보 중 어떤 것을 먼저 적용할지 결정하기 위해서인지 말이죠. ‘설득’과 ‘예방'을 위해서는 데이터가 유용합니다.⠀내부에 UX 리서처가 있는 조직이라도 이미 많은 조직에서 UT(Usability Testing)를 포함해 IDI(In-depth Interview)까지, 프로덕트 디자이너가 정성조사를 하는 문화가 자리 잡았습니다.⠀기능이 점점 빠르게 추가되거나 실험 기반으로 적용되는 일 방식, UX 조직 내 비교적 적은 비율의 UX 리서처 구성으로 인해 ‘디자이너가 리서치를 해야 하는 상황'은 점점 늘어나고 있습니다. https://www.instagram.com/p/DP40oErEzCz/?utm_source=ig_web_copy_link&amp;igsh=MW1rdzd3eDJwMm1vbA==

《디자이너가 알아야 할 데이터》

시니어 개발자의 입장에서 AI와 함께 코딩하는 과정을 다뤄보려고 합니다. MCP나 서브 에이전트 같은 기술 없이, 정말 ‘프롬프트’ 하나만으로 테스트 코드를 빠르게 작성할 경험과 전략을 공유합니다. 프롬프트 작성의 핵심은 모호함과 범용성의 줄타기입니다. 너무 자세해도, 너무 모호해도 안 됩니다. 지나치게 구체적이면 AI의 코딩 능력을 충분히 활용하기 어렵고, 반대로 너무 모호하면 결과물의 신뢰도가 낮아져 검토 시간이 늘어나기 때문입니다. 따라서, 몇 가지 프롬프팅 전략과 함께 균형점을 찾아 빠르고 안정적으로 테스트 코드를 작성하는 방법을 알아보겠습니다. 목표는 단 10분 안에 테스트 코드를 완성하는 것입니다.

AI로 10분 만에 테스트 코드 완성하기 | 요즘IT

'요즘IT'에 'AI로 10분 만에 테스트 코드 완성하기' 라는 제목으로 글을 기고했습니다.
예전에 무신사 테크블로그에서도 AI를 활용한 테스트 코드 작성 방법을 소개했었는데요, 이번 글은 그보다 한 단계 더 나아가 효율성과 구체성에 초점을 맞췄습니다.

👉 10분 완성 워크플로우: 명세 정의(2분)부터 코드 생성(2분), 그리고 검증 및 개선(6분)까지, 시간을 측정하며 진행한 과정을 담았습니다.
👉 AI 길들이기: AI의 '환각'을 줄이고 더 깊은 추론을 끌어내기 위해 think에서 ultrathink까지 단계적으로 활용하는 상세한 내용을 담았습니다.
👉 핵심 집중 전략: AI와 함께 수많은 테스트 케이스 중 가장 중요한 비즈니스 로직 부터 처리하여 효율을 극대화하는 방법을 제안합니다.
👉 자동 디버깅 루프: "테스트 통과할 때까지 고쳐줘"라는 명령으로, AI가 스스로 실패 원인을 분석하고 코드를 수정하게 만들었습니다.

AI를 활용해 테스트 코드 작성 시간을 줄이고 싶은 분들께 실질적인 도움이 되었으면 좋겠습니다.


https://yozm.wishket.com/magazine/detail/3399/

'요즘IT'에 'AI로 10분 만에 테스트 코드 완성하기' 라는 제목으로 글을 기고했습니다. 예전에 무신사 테크블로그에서도 AI를 활용한 테스트 코드 작성 방법을 소개했었는데요, 이번 글은 그보다 한 단계 더 나아가 효율성과 구체성에 초점을 맞췄습니다. 👉 10분 완성 워크플로우: 명세 정의(2분)부터 코드 생성(2분), 그리고 검증 및 개선(6분)까지, 시간을 측정하며 진행한 과정을 담았습니다. 👉 AI 길들이기: AI의 '환각'을 줄이고 더 깊은 추론을 끌어내기 위해 think에서 ultrathink까지 단계적으로 활용하는 상세한 내용을 담았습니다. 👉 핵심 집중 전략: AI와 함께 수많은 테스트 케이스 중 가장 중요한 비즈니스 로직 부터 처리하여 효율을 극대화하는 방법을 제안합니다. 👉 자동 디버깅 루프: "테스트 통과할 때까지 고쳐줘"라는 명령으로, AI가 스스로 실패 원인을 분석하고 코드를 수정하게 만들었습니다. AI를 활용해 테스트 코드 작성 시간을 줄이고 싶은 분들께 실질적인 도움이 되었으면 좋겠습니다. https://yozm.wishket.com/magazine/detail/3399/

요즘IT

'요즘IT'에 'AI로 10분 만에 테스트 코드 완성하기' 라는 

Cloudflare’s Content Signals Policy gives creators a new tool to control use of their content. 


Giving users choice with Cloudflare’s new Content Signals Policy

최근 몇 년 사이, AI 모델 학습을 위한 대규모 웹 스크래핑이 보편화되면서 인터넷의 오랜 질서가 흔들리고 있습니다.

오랫동안 웹에는 창작자와 사용자 간에 암묵적인 상생 체계가 존재했습니다. 창작자는 콘텐츠를 무료로 공개함으로써 트래픽과 인용이라는 형태의 보상을 받았고, 사용자는 타인의 콘텐츠를 사용할 때 출처를 남기며 인정과 감사를 표했습니다.

이러한 관행은 단순한 예의 차원을 넘어, 웹의 성장 동력이자 지식 공유의 선순환 구조를 가능하게 했습니다. MIT나 Creative Commons 라이선스가 출처 표시(attribution)를 가장 중요한 원칙으로 삼은 이유도 바로 여기에 있습니다.

하지만 지금은 상황이 완전히 달라졌습니다. AI 시스템들은 방대한 양의 웹 콘텐츠를 수집해 학습 데이터로 사용합니다. 그 과정에서 창작자를 직접 방문하는 트래픽은 현저히 줄었고, 콘텐츠는 원작자의 이름 없이 재가공되고 있습니다. 심지어, 창작자가 공들여 만든 콘텐츠가 AI로 몇 초만에 생성된 응답과 경쟁하고, 원작자의 생계를 위협하는 상황까지 벌어지고 있죠.

저도 오랫동안 개인 블로그를 써온 사람으로써 완전히 남 일처럼 느껴지지는 않습니다. 요즘 많은 분들이 블로그를 시작하기 꺼려하는 이유이기도 합니다. 단지 AI 학습을 돕기 위해서 귀한 시간과 노력을 들여 창작물을 공개하려는 사람은 많지 않을 것입니다.

이러한 변화는 개인의 문제를 넘어선다고 생각합니다. 이 흐름이 계속되면, 오랫동안 웹을 지탱했던 지식 공유의 선순환 고리가 끊길 수 있습니다. 창작자가 인정받지 못한다면 더 이상 인터넷을 통해 지식을 나눌 이유가 사라집니다. 그 결과, 많은 사람들이 창작 동기를 잃어가고 있습니다.

이제 창작자들이 극단적인 선택지 앞에 서게 되었습니다.
- AI 학습을 막기 위해 콘텐츠 접근을 완전히 차단할 것인가,
- 줄어든 트래픽 유입과불완전한 출처 표시를 감수할 것인가.

하지만 이 두 선택지 모두 공정하지 않고 지속 가능하지 않습니다. 콘텐츠가 전면 차단된다면, 혁신의 원천이었던 오픈 웹 자체가 위축될 수밖에 없습니다. 반대로 아무런 제어 장치 없이 데이터가 수집되도록 방치한다면 자본과 데이터를 가진 소수의 거대 AI 기업만이 유리한 구조가 고착화될 것입니다.

무엇보다 웹의 핵심 가치인 개방성과 연결성이 무너진다면, AI 생태계 역시 빈약한 토양 위에서 자라게 될 것입니다.

Cloudflare는 이러한 구조적인 문제에 대응하기 위해서 콘텐츠 신호 정책(Content Signals Policy)를 제안했습니다. 이를 통해 창작자는 자신의 콘텐츠를 누가, 어떻게, 어떤 목적으로 사용할 수 있는지에 대한 통제권을 얻을 수 있습니다. 즉, 전통적인 크롤링의 허용이나 차단을 넘어서, 수집된 데이터로 무엇을 할 수 있는지에 대한 명시적인 신호를 보낼 수 있는 기술적인 제안입니다.

👉 관련 공식 블로그: https://blog.cloudflare.com/content-signals-policy/

AI가 인간의 지식을 학습할 수 있으려면, 그 지식을 만든 사람들도 지속 가능해야 합니다. 창작자의 권리를 보호하면서도 오픈웹의 정신을 지켜내려는 Cloudflare의 시도를 지지합니다. 웹이 다시 자유롭게 창작물을 나눌 수 있는 건강한 공간이 되었으면 좋겠습니다.

최근 몇 년 사이, AI 모델 학습을 위한 대규모 웹 스크래핑이 보편화되면서 인터넷의 오랜 질서가 흔들리고 있습니다. 오랫동안 웹에는 창작자와 사용자 간에 암묵적인 상생 체계가 존재했습니다. 창작자는 콘텐츠를 무료로 공개함으로써 트래픽과 인용이라는 형태의 보상을 받았고, 사용자는 타인의 콘텐츠를 사용할 때 출처를 남기며 인정과 감사를 표했습니다. 이러한 관행은 단순한 예의 차원을 넘어, 웹의 성장 동력이자 지식 공유의 선순환 구조를 가능하게 했습니다. MIT나 Creative Commons 라이선스가 출처 표시(attribution)를 가장 중요한 원칙으로 삼은 이유도 바로 여기에 있습니다. 하지만 지금은 상황이 완전히 달라졌습니다. AI 시스템들은 방대한 양의 웹 콘텐츠를 수집해 학습 데이터로 사용합니다. 그 과정에서 창작자를 직접 방문하는 트래픽은 현저히 줄었고, 콘텐츠는 원작자의 이름 없이 재가공되고 있습니다. 심지어, 창작자가 공들여 만든 콘텐츠가 AI로 몇 초만에 생성된 응답과 경쟁하고, 원작자의 생계를 위협하는 상황까지 벌어지고 있죠. 저도 오랫동안 개인 블로그를 써온 사람으로써 완전히 남 일처럼 느껴지지는 않습니다. 요즘 많은 분들이 블로그를 시작하기 꺼려하는 이유이기도 합니다. 단지 AI 학습을 돕기 위해서 귀한 시간과 노력을 들여 창작물을 공개하려는 사람은 많지 않을 것입니다. 이러한 변화는 개인의 문제를 넘어선다고 생각합니다. 이 흐름이 계속되면, 오랫동안 웹을 지탱했던 지식 공유의 선순환 고리가 끊길 수 있습니다. 창작자가 인정받지 못한다면 더 이상 인터넷을 통해 지식을 나눌 이유가 사라집니다. 그 결과, 많은 사람들이 창작 동기를 잃어가고 있습니다. 이제 창작자들이 극단적인 선택지 앞에 서게 되었습니다. - AI 학습을 막기 위해 콘텐츠 접근을 완전히 차단할 것인가, - 줄어든 트래픽 유입과불완전한 출처 표시를 감수할 것인가. 하지만 이 두 선택지 모두 공정하지 않고 지속 가능하지 않습니다. 콘텐츠가 전면 차단된다면, 혁신의 원천이었던 오픈 웹 자체가 위축될 수밖에 없습니다. 반대로 아무런 제어 장치 없이 데이터가 수집되도록 방치한다면 자본과 데이터를 가진 소수의 거대 AI 기업만이 유리한 구조가 고착화될 것입니다. 무엇보다 웹의 핵심 가치인 개방성과 연결성이 무너진다면, AI 생태계 역시 빈약한 토양 위에서 자라게 될 것입니다. Cloudflare는 이러한 구조적인 문제에 대응하기 위해서 콘텐츠 신호 정책(Content Signals Policy)를 제안했습니다. 이를 통해 창작자는 자신의 콘텐츠를 누가, 어떻게, 어떤 목적으로 사용할 수 있는지에 대한 통제권을 얻을 수 있습니다. 즉, 전통적인 크롤링의 허용이나 차단을 넘어서, 수집된 데이터로 무엇을 할 수 있는지에 대한 명시적인 신호를 보낼 수 있는 기술적인 제안입니다. 👉&nbsp;관련 공식 블로그: https://blog.cloudflare.com/content-signals-policy/ AI가 인간의 지식을 학습할 수 있으려면, 그 지식을 만든 사람들도 지속 가능해야 합니다. 창작자의 권리를 보호하면서도 오픈웹의 정신을 지켜내려는 Cloudflare의 시도를 지지합니다. 웹이 다시 자유롭게 창작물을 나눌 수 있는 건강한 공간이 되었으면 좋겠습니다.

The Cloudflare Blog

AI가 바꿔버린 웹의 질서, Cloudflare가 던진 균형의 해

💡바이브 코딩 프로젝트에서 얻은 교훈입니다. 1. 작업 단위는 최대한 작게 쪼개고, 문맥은 명확하게 가져갈 것, 2. Agent로 자동 검수 + 수동 QA 조합은 시간과 품질을 효율적으로 높여줌, 3. 초기 목표는 50% 범위로 설정 권장, 4. 생각보다 높은 RAG 보정 난이도

🚗 현대차 LLM 챗봇 데모 (Hybrid: Rule + RAG) | CannotBeHidden

🌙 추석 연휴 내내 만들었던 첫 번째 바이브코딩 작품을 공개합니다.
🚗 현대차 FAQ 기반 LLM 챗봇으로, FAQ 요약 → CTA 행동까지 바로 연결 시켜보았습니다. (※ 현대자동차 공식 챗봇과 무관한 개인 프로젝트)
📄 소개/데모/영상: https://cannotbehidden.com/project/hyundai-chatbot-demo/

#LLM #Chatbot #RAG #AI #Hyundai

🌙 추석 연휴 내내 만들었던 첫 번째 바이브코딩 작품을 공개합니다.🚗 현대차 FAQ 기반 LLM 챗봇으로, FAQ 요약 → CTA 행동까지 바로 연결 시켜보았습니다. (※ 현대자동차 공식 챗봇과 무관한 개인 프로젝트)📄 소개/데모/영상: https://cannotbehidden.com/project/hyundai-chatbot-demo/ #LLM #Chatbot #RAG #AI #Hyundai

CannotBeHidden |

LLM 챗봇 데모 (Hybrid: Rule + RAG)

Cursor팀에서 Cursor for product managers라는 주제로 온라인 세션을 진행했습니다. 제가 세션 후반부에 Cusor팀의 프로덕트 디스커버리 과정을 질문했는데 상세하게 Cursor팀의 PM인 Jacob Witt가 답변을 해서 내용을 정리해봅니다.

요약
1. 조직 구조: 엔지니어 중심으로 운영되는 Cursor 팀에 PM은 2명이며, 팀이 스스로를 위한 제품을 만들고 있음
2. 프로세스: 강력한 엔지니어링 팀 → 내부 사용 및 테스트 → 기능에 대한 투표 → 일정 기준(threshold)에 도달하면 출시 → 사용자 피드백 반영
3. 엔터프라이즈 접근 방식: 주요 고객에게는 신기능을 사전 공개하고, 피드백 루프를 통해 개선
4. PM 역할의 진화(PM role evolution): “PM이 엔지니어에게 해야 할 일을 지시하는” 방식이 아니라, 사전 준비된 스코핑과 기술적 이해를 바탕으로 협업을 주도하는 역할


질문
Cursor 팀은 프로덕트 디스커버리를 어떻게 진행하나요? 그리고 엔지니어, 프로덕트 매니저, 디자이너들이 어떻게 협업하나요? 흔히 ‘PM이 엔지니어에게 해야 할 일을 지시하고, 엔지니어는 그걸 단순히 수행한다’는 오해가 있는 것 같아요. 실제로는 전혀 그렇지 않아서 그 부분을 명확히 해주면 좋겠습니다.


답변 정리
1. Cursor는 현재 단 2명의 PM이 있음. Cursor는 엔지니어 주도 조직임.

2. 프로덕트에 대한 멘탈 모델: 아주 강력한 엔지니어링 팀이 스스로를 위한 툴을 만듬. 팀 모두가 그 툴을 매일 사용하고, 마음에 드는 점과 마음에 들지 않는 점을 투표로 결정함. 그리고 팀원들이 모두 '이 정도면 충분하다'고 생각하는 기준치나 합의(threshold)에 도달하면 출시하고, 사용자 피드백을 받은 뒤 그걸 기반으로 다시 개선함.

3. 엔터프라이즈 고객들은 사전에 협업을 진행하기도 함. 사전에 신규 기능을 제공하여 미리 반응을 살펴보고, 그 피드백에 따라 제품 방향을 조정함.

4. “나는 PM이고, 계획서를 짜서 엔지니어에게 넘긴다” 같은 프로세스는 전혀 아님.

5. PM이 “이런 아이디어가 있는데, 얼마나 걸릴까?” 하고 바로 엔지니어에게 물어보지 않음. 그렇게 하면 엔지니어가 원래 하던 일에서 주의가 산만해지기 때문에, 좋은 PM이라면 그런 초기 Scoping 대화에 훨씬 더 준비된 상태로 임해야 함. 즉, 사전에 충분히 이해하고, 구체적으로 이야기할 수 있어야 함.

6. 어떤 경우에는 이러한 스코핑 관련 대화 자체가 아예 일어나지 않음. PM이 직접 코드베이스를 보고 “이건 진짜 말도 안 되게 복잡하네. 세 개의 서비스를 리팩터링해야 할 정도로 고통스럽고, ROI도 전혀 안 나오겠네.”라고 판단하는 경우가 있기 때문임.

7. Cursor의 ‘Plan Mode’를 활용하여 코드베이스를 직접 이해하려고 노력함으로써, 미팅을 다섯 번 정도 줄일 수 있다고 생각함. 이런 접근법이 굉장히 레버리지가 크다고 생각함.

Cursor팀에서 Cursor for product managers라는 주제로 온라인 세션을 진행했습니다. 제가 세션 후반부에 Cusor팀의 프로덕트 디스커버리 과정을 질문했는데 상세하게 Cursor팀의 PM인 Jacob Witt가 답변을 해서 내용을 정리해봅니다. 요약 1. 조직 구조: 엔지니어 중심으로 운영되는 Cursor 팀에 PM은 2명이며, 팀이 스스로를 위한 제품을 만들고 있음 2. 프로세스: 강력한 엔지니어링 팀 → 내부 사용 및 테스트 → 기능에 대한 투표 → 일정 기준(threshold)에 도달하면 출시 → 사용자 피드백 반영 3. 엔터프라이즈 접근 방식: 주요 고객에게는 신기능을 사전 공개하고, 피드백 루프를 통해 개선 4. PM 역할의 진화(PM role evolution): “PM이 엔지니어에게 해야 할 일을 지시하는” 방식이 아니라, 사전 준비된 스코핑과 기술적 이해를 바탕으로 협업을 주도하는 역할 질문 Cursor 팀은 프로덕트 디스커버리를 어떻게 진행하나요? 그리고 엔지니어, 프로덕트 매니저, 디자이너들이 어떻게 협업하나요? 흔히 ‘PM이 엔지니어에게 해야 할 일을 지시하고, 엔지니어는 그걸 단순히 수행한다’는 오해가 있는 것 같아요. 실제로는 전혀 그렇지 않아서 그 부분을 명확히 해주면 좋겠습니다. 답변 정리 1. Cursor는 현재 단 2명의 PM이 있음. Cursor는 엔지니어 주도 조직임. 2. 프로덕트에 대한 멘탈 모델: 아주 강력한 엔지니어링 팀이 스스로를 위한 툴을 만듬. 팀 모두가 그 툴을 매일 사용하고, 마음에 드는 점과 마음에 들지 않는 점을 투표로 결정함. 그리고 팀원들이 모두 '이 정도면 충분하다'고 생각하는 기준치나 합의(threshold)에 도달하면 출시하고, 사용자 피드백을 받은 뒤 그걸 기반으로 다시 개선함. 3. 엔터프라이즈 고객들은 사전에 협업을 진행하기도 함. 사전에 신규 기능을 제공하여 미리 반응을 살펴보고, 그 피드백에 따라 제품 방향을 조정함. 4. “나는 PM이고, 계획서를 짜서 엔지니어에게 넘긴다” 같은 프로세스는 전혀 아님. 5. PM이 “이런 아이디어가 있는데, 얼마나 걸릴까?” 하고 바로 엔지니어에게 물어보지 않음. 그렇게 하면 엔지니어가 원래 하던 일에서 주의가 산만해지기 때문에, 좋은 PM이라면 그런 초기 Scoping 대화에 훨씬 더 준비된 상태로 임해야 함. 즉, 사전에 충분히 이해하고, 구체적으로 이야기할 수 있어야 함. 6. 어떤 경우에는 이러한 스코핑 관련 대화 자체가 아예 일어나지 않음. PM이 직접 코드베이스를 보고 “이건 진짜 말도 안 되게 복잡하네. 세 개의 서비스를 리팩터링해야 할 정도로 고통스럽고, ROI도 전혀 안 나오겠네.”라고 판단하는 경우가 있기 때문임. 7. Cursor의 ‘Plan Mode’를 활용하여 코드베이스를 직접 이해하려고 노력함으로써, 미팅을 다섯 번 정도 줄일 수 있다고 생각함. 이런 접근법이 굉장히 레버리지가 크다고 생각함.

Cursor 팀은 프로덕트 디스커버리를 어떻게 하는가?

오늘의 취미 코딩. 뚝딱!

쿼리 생성에 필요한 컨텍스트를 넣는 방법을 약간 다르게 시도해보았는데, 뚝딱 만든 것 치고는 꽤 만족스럽다. 반복분석하게 했더니 일반적인 분석은 ChatGPT보다 나은 듯..?!

역시 벡터DB를 사용하는 RAG는 벌써 옛말이 되어벌임. 프롬프트 is all you need.

오늘의 취미 코딩. 뚝딱! 쿼리 생성에 필요한 컨텍스트를 넣는 방법을 약간 다르게 시도해보았는데, 뚝딱 만든 것 치고는 꽤 만족스럽다. 반복분석하게 했더니 일반적인 분석은 ChatGPT보다 나은 듯..?! 역시 벡터DB를 사용하는 RAG는 벌써 옛말이 되어벌임. 프롬프트 is all you need.

오늘의 취미 코딩. 뚝딱!

쿼리 생성에 필요한 컨텍스트를 넣는 

무라카미 하루키 책 중에서 가장 좋아하는 책은 달리기를 말할 때 내가 하고 싶은 이야기입니다.

꾸준하게 하는 방법

무라카미 하루키 책 중에서 가장 좋아하는 책은 달리기를 할 때 내가 하고 싶은 이야기입니다.

이 책에서 배운 것은 어떻게 꾸준하게 할 수 있는가?
꾸준하게 하기 위해선 100%로 일을 해선 안 된다.
내일을 위해 힘을 남겨 놔야만 한다는 것.

저도 이걸 알고 나서부터 GitHub 그래프가 (완벽하진 않지만) 잔디가 빼곡히 채워지기 시작한 것 같습니다.

여기서 한발 더 나아가려면 잔디의 색깔도 너무 들쑥날쑥하지 않게 해야 합니다.
하루키는 매일 20장의 원고를 쓴다고 했거든요. 글이 아무리 잘 써져도 딱 20장을 쓰면 미련 없이 자리에서 일어난다고.

1년에 몇 번 정도는 힘을 다해 밤을 새워가며 코딩하곤 합니다.
몰입감을 놓치기 싫어서. 오늘 다 끝내고 만다는 마음으로.
그런데 다음 날이 되면 여지없이 에너지가 방전되면서 거의 아무것도 못하게 돼버리고 마는 것입니다.
하아... 차라리 70%의 힘으로 이틀 동안 할걸. 괜히 밸런스만 깨졌네.

오늘도 그런 날입니다. 정오가 다 되어 일어났는데 머리가 어질어질합니다. 너무 피곤하고 다시 에디터를 켤 자신이 없습니다.
배운 것과 실천하는 것은 조금 다른 문제입니다. 저는 언제쯤 이걸 완전하게 지킬 수 있을까요?
언젠가는 그렇게 할 수 있는 사람이 되고 싶습니다.


https://jeho.page/essay/2025/10/16/routine.html

무라카미 하루키 책 중에서 가장 좋아하는 책은 달리기를 할 때 내가 하고 싶은 이야기입니다. 이 책에서 배운 것은 어떻게 꾸준하게 할 수 있는가? 꾸준하게 하기 위해선 100%로 일을 해선 안 된다. 내일을 위해 힘을 남겨 놔야만 한다는 것. 저도 이걸 알고 나서부터 GitHub 그래프가 (완벽하진 않지만) 잔디가 빼곡히 채워지기 시작한 것 같습니다. 여기서 한발 더 나아가려면 잔디의 색깔도 너무 들쑥날쑥하지 않게 해야 합니다. 하루키는 매일 20장의 원고를 쓴다고 했거든요. 글이 아무리 잘 써져도 딱 20장을 쓰면 미련 없이 자리에서 일어난다고. 1년에 몇 번 정도는 힘을 다해 밤을 새워가며 코딩하곤 합니다. 몰입감을 놓치기 싫어서. 오늘 다 끝내고 만다는 마음으로. 그런데 다음 날이 되면 여지없이 에너지가 방전되면서 거의 아무것도 못하게 돼버리고 마는 것입니다. 하아... 차라리 70%의 힘으로 이틀 동안 할걸. 괜히 밸런스만 깨졌네. 오늘도 그런 날입니다. 정오가 다 되어 일어났는데 머리가 어질어질합니다. 너무 피곤하고 다시 에디터를 켤 자신이 없습니다. 배운 것과 실천하는 것은 조금 다른 문제입니다. 저는 언제쯤 이걸 완전하게 지킬 수 있을까요? 언젠가는 그렇게 할 수 있는 사람이 되고 싶습니다. https://jeho.page/essay/2025/10/16/routine.html

K리그 프로그래머

배달의민족 CEO에게 뽑고 싶은 개발자는? | 우아한형제들 김범준 - EO

배달의 민족이 함께 일하고 싶은 개발자는?💻😀

1. 배달의 민족 CEO 김범준 대표는 사회초년생 시절 모르는 문제가 있을 때 도움을 구하고 해결하는 경험을 통해 좋은 조직문화에 대한 생각을 갖게 되었습니다.
2. 개발자에게 필요한 것은 문제 해결 능력입니다. 예를 들어 엘리베이터를 기다리는 시간이 지루하다는 불만을 어떻게 해결할 것인가요?
3. 인터뷰에서 잊히지 않는 문장 골라 보았습니다. "평생직장 따윈 없다. 최고가 되어 떠나라!"

호잇

금융 SI 중소기업/5년차/개발자
은행과 증권사에서 보관하는 펀드를 관리하는 프로그램을 개발하는 프로젝트에서 경험을 쌓고있어요.
써서 없애는 '소모'에서 만들어 남기는 '생산'을 꿈꿔요
#개발자

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필