𝗠𝗖𝗣 𝘃𝘀 𝗔𝗣𝗜. 𝗔𝗣𝗜는 소프트웨어 시스템이 특정 엔드포인트와 요청, 응답을 통해 통신하는 방식을 정의합니다. 애플리케이션이 다른 시스템의 데이터에 접근하거나 기능을 트리거할 수 있는 구조화된 방법을 제공하죠. 𝗠𝗖𝗣는 AI 애플리케이션이 외부 도구, 데이터, 리소스를 탐색하고 활용할 수 있는 표준화된 방식을 제공합니다. AI 클라이언트마다 맞춤형 연동을 일일이 구축할 필요 없이, MCP 서버가 공통 프로토콜을 통해 기능을 노출합니다. API가 소프트웨어에 기능을 노출한다면, MCP는 AI 애플리케이션이 그 기능을 탐색하고 상호작용하는 방식을 표준화합니다. 하지만 API 뒷단에 AI가 들어가면, 요청-응답(request-response) 모델을 다루기가 훨씬 까다로워집니다. 요청 연결이 유지될 수 있는 시간보다 추론에 더 오랜 시간이 걸릴 수도 있고, 도중에 실패하거나 재시도가 필요할 수도 있습니다. 결국 API 자체의 설계 방식도 달라져야 합니다. Oracle 가이드에서는 비동기 작업(asynchronous jobs), 워커(workers), durable state, 예측 가능한 API 계약(contracts)을 활용해 이를 어떻게 설계해야 하는지 자세히 다룹니다. 가이드 읽어보기 →
AI 느낌 나는 앱들의 슬롭을 걷어내는 스킬을 만들었습니다 대부분의 AI 생성 UI는 여전히 똑같은 문제를 안고 있습니다: 깔끔해 보이긴 하지만, 딱 봐도 AI가 만든 티가 난다는 거죠 똑같은 카드 똑같은 그라디언트 똑같은 뻔한 “모던 앱” 레이아웃 똑같은 개성 제로 디자인 그래서 이 스킬은 Claude가 평소와는 확실히 다르게 생각하도록 강제합니다 → 실제 비주얼 콘셉트에서 시작 → 3가지 서로 다른 방향 탐색 → 일관된 디자인 언어 하나 선정 → iPhone 크기로 화면 렌더링 → 뻔한 AI 슬롭 패턴이 있는지 결과물 스캔 → 배포하기 전 크리틱 및 다듬기 모두가 AI 슬롭 앱을 쏟아내는 지금, 성공하려면 남달라야 합니다 스킬 전체를 무료로 공유합니다 RT + “stop slop” 댓글 남겨주시면 보내드릴게요 (DM 드릴 수 있게 팔로우해 주세요)
진짜 다시 한번 간곡히 부탁드립니다, 제발요 Claude Code에게 마케팅에 필요한 모든 툴을 쥐어주셔야 합니다 그래야 다음 작업들을 할 수 있거든요: - higgsfield로 seed dance 2.5 광고 제작 - findymail, lead magic, apollo로 waterfall email enrichment 진행 - serper .dev를 사용해 x 키워드로 작성할 블로그 포스트 리서치 - apify로 크리에이터 프로필 스크래핑 - data for SEO api를 통해 빌드할 링크 리서치 이 모든 툴을 다 쥐어주면 이제 여러분의 그로스 조직 전체 역할을 하게 됩니다 그러니 오늘 당장 이 모든 서비스를 구독해서 에이전트에게 쥐어주세요 아니면 지금 여기서 이 모든 걸 바로 확인해 보세요 -
System 1 vs. System 2 Agent Harnesses 명쾌한 정리: (북마크해 두세요) 애플리케이션에 AI를 통합하는 방식에는 크게 두 가지가 있습니다. System 1 하네스는 모델에게 범위가 제한된 판단을 내리도록 요청합니다. 앱이 요청과 관련 상태를 전달하면, 모델은 카테고리, 점수, 라우트, 추출 필드처럼 정해진 범위 내의 결과 중 하나를 선택합니다. 코드는 결과를 실행하거나 케이스를 에스컬레이션하기 전에 신뢰도(confidence)와 정책을 검증합니다. 모델이 워크플로우를 주도하는 것이 아니라, 코드가 제공한 선택지 중에서 고를 뿐입니다. 이는 의도 분류(intent classification), 모델 라우팅, 리스크 게이트, 리랭킹처럼 가능한 출력값이 사전에 알려져 있는 대량의 의사결정에 적합합니다. Jev는 애플리케이션 코드가 워크플로우를 제어하는 동안 빠르고 범위가 한정된 판단을 내리도록, 바로 이 System 1 역할을 위해 설계되었습니다. System 2 하네스는 경로를 사전에 미리 지정할 수 없는 작업을 처리합니다. LLM은 목표, 제약 조건, 현재 상태를 전달받아 다음 단계를 계획하고, 보호된 라우터(guarded router)가 호출 가능한 툴을 제어합니다. 툴 실행 결과는 다시 하네스로 전달되어 상태를 업데이트하고 진행 상황을 검증합니다. 각 사이클은 최종 액션, 사용자에 대한 질문, 또는 새로운 계획으로 마무리될 수 있습니다. LLM이 워크플로우를 이끌도록 돕지만, 권한을 가져서는 안 됩니다. 툴 권한, 예산, 중단 조건, 최종 실행은 여전히 애플리케이션 코드에 남아 있어야 합니다. 이 패턴은 코딩, 리서치, 인시던트 조사 등 여러 연계 동작이 수반되는 작업에 유용합니다. 즉, 이는 근본적으로 소형 모델 대 대형 모델의 구분이라기보다는 제어 흐름(control flow)의 차이입니다. 대부분의 프로덕션 앱에는 둘 다 필요합니다. 빠르고 제한된 판단에는 System 1, 모호하거나 다단계 작업에는 System 2가 필요하죠. 다음 엔지니어링 과제는 하네스마다 별도의 실행 레이어를 따로 유지보수하지 않고 이 두 패턴을 모두 운영하는 것입니다. 그리고 이에 대한 해결책이 실제로 오픈소스로 공개되어 HarnessRouter에 구현되었습니다. 애플리케이션과 실제 작업을 수행하는 하네스 사이의 인프라 레이어를 제공합니다. - System One 베이스는 타입화된 출력(typed outputs)과 신뢰도 게이트를 통해 유한한 액션을 선택하는 Jev 및 기타 의사결정 모델을 실행할 수 있습니다. - 에이전트 하네스 베이스는 계획 수립, 툴 호출, 파일 관리 및 자유도 높은 작업 수행이 가능한 Codex, Claude Code, Hermes 등의 런타임을 지원합니다. GitHub repo:
SpaceXAI에서 무료 Grok Bot 워크샵을 공개했습니다 실제 프로덕트 조직처럼 봇 팀을 운영하는 54분짜리 가이드: 03:37 - 여러 agent thread를 일일이 챙기기는 정말 어렵습니다. 다들 각자 coordinator agent를 만들었지만 결코 first-class는 아니었죠 13:32 - 실제 회사에 매핑하기: 분야별 specialists, 그리고 데이터 질문과 디자인 질문을 각각 누구에게 넘겨야 할지 파악하기 23:59 - agent의 멀티태스킹, 여러 질문을 병렬로 처리하기 30:08 - 복붙할 필요 없이 백그라운드에서 알아서 공유되는 context 40:40 - em agent가 업무를 분배하고 검토하는 법을 스스로 터득함. 아무도 시키지 않았는데 말이죠 그 조직 내부의 모든 라우팅 결정이 frontier model이 뱉어내는 한 문단의 줄글로 돌아옵니다 누가 맡을지, 무엇을 확인할지, 누가 승인할지까지 전부 줄글 형태죠 이건 intelligence architecture가 아닙니다 Jev는 문장을 단 한 줄도 쓰지 않고 typed options와 확률만 반환하며, 비용도 입력 토큰 100만 개당 $0.042에 불과합니다 LLM이 작업을 생성 → Jev가 다음 단계를 결정 → 코드가 이를 강제 또 다른 coordinator agent를 만들기 전에 이 글을 꼭 저장해 두세요