하네스 엔지니어링은 뭘까? 프롬프트에서 시스템으로
AI 코딩 에이전트의 성능은 모델이 아니라 모델을 감싸는 시스템에서 결정된다. 프롬프트를 잘 쓰는 것보다 에이전트가 일하는 환경-규칙, 도구, 피드백 루프-을 잘 설계하는 것이 더 중요해졌다. 하네스 엔지니어링은 "AI에게 뭘 시킬까"에서 "AI가 잘 일하는 구조를 어떻게 만들까"로의 전환이다.
paasup
OpenKB: From "AI That Searches Documents" to "AI That Understands Them"
RAG re-reads every time — costs accumulate, nothing sticks. OpenKB understands documents once and builds a Wiki that compounds. No vector DB, opens in Obsidian. If internal documents should be an asset, start here.
OpenKB: 문서를 "검색하는 AI" 에서 "이해하는 Wiki"로
AI에게 문서를 주는 방식은 두 가지입니다. RAG는 질문할 때마다 문서를 처음부터 다시 읽습니다. 비용은 쌓이고, 지식은 남지 않습니다. OpenKB는 문서를 한 번 이해해서 Wiki로 만듭니다. 쓸수록 지식이 연결되고 축적됩니다. 벡터DB 없이 동작하고, 결과물은 Obsidian에서 바로 열립니다. 사내 문서를 AI와 함께 자산으로 만들고 싶다면, 이 글이 출발점입니다.
물리적 망분리의 종언, CSO 데이터 등급제와 N²SF의 시대가 열리다
2026년 5월, 물리적 망분리 의무가 마침내 폐지되었습니다. 18년 만에 '차단'의 시대가 저물고, N²SF(국가 망 보안체계)를 통한 데이터 중심의 '연결' 시대가 열린 것입니다.
이제 공공 보안의 핵심은 CSO 등급제를 활용한 정교한 통제와 제로 트러스트 기반의 상시 검증입니다. "내부망은 안전하다"는 고정관념을 버리고, 데이터 가치에 따라 보안 층위를 설계하는 유연함이 필요합니다.
Goldilocks: How to Set Kubernetes Resource Requests "Just Right"
Misconfigured Kubernetes resource settings either waste cluster capacity or terminate pods in production. Goldilocks surfaces VPA's internally calculated recommendations into a readable dashboard — practical for squeezing more out of fixed on-premise hardware.
Goldilocks: Kubernetes 리소스 요청값을 "딱 맞게" 설정하는 법
쿠버네티스에서 파드의 CPU·메모리 설정값을 잘못 잡으면 두 가지 문제가 생깁니다. 너무 높으면 클러스터 자원의 상당 부분이 낭비되고, 너무 낮으면 실서비스에서 파드가 강제 종료됩니다. Goldilocks는 쿠버네티스가 내부적으로 계산해 둔 "적정 사용량 권고값"을 가져다가 누구나 볼 수 있는 대시보드로 보여주는 도구로, 특히 서버를 즉시 추가할 수 없는 온프레미스 환경에서 동일한 하드웨어로 더 많은 워크로드를 안정적으로 운영하는 데 실질적인 도움을 줍니다.
What is the GLiNER Model? (General Purpose LLM vs. GLiNER)
As data processing technology evolves rapidly, accurately structuring essential 'Facts' from vast documents is becoming more important than simply generating text. Today, we'll examine the GLiNER model and how it differs from general-purpose LLMs.
GLiNER 모델은 무엇인가? (범용 LLM vs GLiNER)
최근 데이터 처리 기술이 급격히 발전하면서, 단순히 텍스트를 넘어 방대한 문서에서 필요한 '팩트(Fact)'만 정확하게 구조화하는 기술의 중요성이 커집니다. 오늘은 그 중심에 있는 GLiNER 모델에 대해 알아보고, 우리가 흔히 아는 범용 LLM(GPT, Claude 등)과 어떤 차이가 있는지 정리해 보겠습니다.
데이터는 많은데 왜 쓸 수 없을까? - The Modern Data Report 2026 핵심 분석
'The Modern Data Report 2026'은 기업들이 데이터 플랫폼에 막대한 투자를 했음에도 실제 활용에 실패하는 '데이터 활성화 격차'를 지적합니다. 89%가 데이터 찾기에 시간을 낭비하고, 93%가 상충되는 지표를 경험하며, 68%는 데이터가 AI 활용에 부적합하다고 답했습니다. 해결책은 더 많은 도구가 아닌 '통합된 플랫폼'입니다. 통합 접근(84%), 강력한 거버넌스(81%), 셀프서비스(72%)가 핵심 요소로 꼽혔습니다. 신뢰할 수 있는 데이터로 의사결정 속도를 높이는 것이 2026년의 목표입니다.
[CES 2026 Recap] Beyond On-Premise to the Edge: PAASUP DIP’s Infrastructure Expansion Strategy
PAASUP's Edge-Forward roadmap scales DIP via Multi-K8s (RKE2/OpenShift) and NPU/LPU optimization, delivering secure, real-time AI from on-premise to the global Edge.