Chain-of-Thought(CoT) 2026 고급 프롬프팅: “생각을 더 쓰게”가 아니라 “생각을 제품화”하는 프롬프트 최적화 전략
· AI / LLM
CoT는 원래 “step-by-step로 풀어봐” 같은 지시로 모델의 추론을 끌어내 정확도를 올리는 기법으로 알려졌습니다. 그런데 2026년 6월 기준 실무에서의 핵심 문제는 바뀌었습니다.
Default
멀티 에이전트 “진짜로” 굴리려면: LangGraph vs AutoGen vs CrewAI 심층 비교 & 구현 가이드
· AI / Agent
LLM 기반 기능이 “단일 Agent + Tool 몇 개” 수준을 넘어서면, 곧바로 오케스트레이션 문제가 터집니다.
컨텍스트가 길어질수록 성능이 나빠진다: 2026년 LLM Long Context에서 “Compaction”으로 이기는 법
· AI / LLM
2026년의 LLM은 128k~수백 k, 심지어 “백만 토큰”급 컨텍스트를 내세우지만, 긴 컨텍스트를 “그대로 다 넣는 것”이 곧 문제 해결로 이어지진 않습니다. 대표 증상이 두 가지입니다.
AI 스타트업 머니무브: “Agentic Workflow”가 투자·M&A의 공통 언어가 됐다
· News / AI
2026년 6월 AI 스타트업 투자/인수합병 뉴스에서 가장 눈에 띄는 키워드는 agentic workflow(에이전트 기반 업무 자동화)와 enterprise-grade 데이터/콘텐츠였습니다.
RAG가 “거의 맞는데” 마지막 10%가 안 오를 때: HyDE × Reranking × Query Expansion 실전 최적화 가이드
· AI / RAG
프로덕션 RAG에서 가장 흔한 실패 패턴은 단순합니다. 정답 문서가 인덱스에 존재하는데도 LLM이 못 봅니다.
BM25+Vector 하이브리드 검색, “점수 합산”은 버리고 RRF로 가라: RAG 랭킹 병합 실전 가이드
· AI / RAG
RAG에서 “정답이 코퍼스에 있는데도” 모델이 엉뚱한 답을 내는 순간은 대개 retrieval이 틀렸을 때입니다. 특히 실무 데이터는 다음 두 부류의 쿼리가 섞입니다.
OpenAI vs Cohere vs BGE(BAAI) 임베딩, “진짜” 선택 가이드: 성능·비용·도메인 적합성까지
· AI / RAG
RAG/검색/추천 시스템에서 임베딩 모델 선택은 “정확도”만의 문제가 아닙니다. 한 번 모델을 고르면 (1) 전체 코퍼스 re-embedding 비용, (2) 벡터 차원에 따른 DB 스토리지/쿼리 비용, (3) 언어/도메인 적합성, (4) 운영 제약(지연, 배치 처리, 온프렘)까지 연쇄…
LLM 요청을 “안전하게” 비동기화하기: Celery + Redis queue/worker 아키텍처 심층 분석
· Backend / Architecture
이때 Celery + Redis는 여전히 강력한 선택지입니다. 다만 언제 쓰면 좋고 / 언제 피해야 하는지가 중요합니다.
프롬프트 캐싱으로 LLM 비용 50~90% 줄이기: OpenAI·Anthropic 실전 설계와 히트율 최적화
· AI / LLM
프로덕션 LLM 비용이 새는 가장 흔한 지점은 “매 요청마다 똑같은 긴 prefix( system instructions, tool schema, 정책, 예시, RAG 상단 컨텍스트 )를 다시 prefill”하는 구간입니다.
6월 2026 오픈소스 LLM/VLM 판도: Llama는 ‘멈춤’, Mistral은 ‘정리’, Qwen은 ‘가속’—그리고 라이선스가 승패를 가른다
· News / AI
2026년 6월 시점의 오픈소스(정확히는 open-weight) LLM/VLM 트렌드는 “누가 더 똑똑한 모델을 냈나”보다 “누가 지속적으로 공개하고, 파생 생태계를 키우며, 라이선스로 상용화 마찰을 줄였나”로 무게중심이 옮겨갔습니다.