잡동사니

Lessons from building a multi-agent AI development workflow for a production projectTL;DRBuilding a reliable AI coding agent is one engineering problem.Building a reliable AI development workflow with multiple agents is another.A single agent mostly struggles with execution quality.Multiple agents introduce coordination problems:task ownershipshared state visibilityrace conditionsworkspace conta..

Lessons from building reliable AI agent workflows with Hermes and local LLMsTL;DRMulti-agent systems become unstable when responsibilities overlapStronger models do not automatically improve workflow convergenceShared context without ownership boundaries creates execution driftSeparating Planner, Implementer, and Validator responsibilities significantly improved workflow stabilityThe Implementer..

Lessons from building and debugging a real-world multi-agent system with Hermes Agent📌 TL;DRThe agent didn’t fail to generate an answerIt failed to decide whether it should actMulti-agent systems require coordination signals, not just intelligenceThe fix was not better prompts, but explicit behavior contracts1. Problem — The Agent Didn’t Respond at AllWhile building a multi-agent system using H..

From Unpredictable AI to Reliable SystemsLessons from building real-world AI agent systems📌 TL;DRPrompt engineering alone was never enough for stable executionSingle-prompt systems created over-exploration, scope drift, and unreliable outputsI redesigned the system into Planner → Implementer → ValidatorReliability came from contracts, validation, and retry loops—not better promptsProduction rel..

From unpredictable AI outputs to production-ready LLM systems📌 TL;DRPrompt engineering improves output quality, but it does not guarantee reliabilityMost LLM systems fail in production because they cannot handle failureValidation layers, retry loops, and strict output contracts are what make AI automation reliableReliable AI agent systems are built with control systems, not just better promptsT..

From Unpredictable AI to Reliable SystemsLessons from Building Real-World AI Agent SystemsTL;DRPrompt engineering improves output quality, but it does not guarantee reliabilityLLM systems fail because outputs are probabilistic, not deterministicMulti-step AI agent pipelines amplify failure probabilitiesProduction-grade LLM systems require validation, retry loops, and convergence mechanismsReliab..

Lessons learned from building a real-world LLM coding agent with local models📌 TL;DRLLMs are non-deterministic → same input, different outputsPipeline architectures amplify failure probabilitiesPrompt engineering improves outputs but cannot guarantee reliabilityThe real solution is not better prompts, but convergence systems1. Problem — You Can’t Even Get Stable OutputsI wanted to build a local..

안녕하세요. yeti 입니다.오늘은 제가 실제로 운영 중인 AI 개발 환경과 AI 코딩 도구 운영 전략을 공유하려고 합니다.특히 이 글은 단순한 AI 도구 추천이 아니라,독립 개발자가 AI 개발 비용을 직접 감당하는 환경에서 어떤 기준으로 도구를 선택하는지에 대한 기록입니다.저는 모든 AI 도구 비용을 개인이 직접 지불합니다.그래서 이 글은 생산성 관점이 아니라 비용을 통제하면서 AI 코딩 도구를 사용하는 전략에 대한 이야기입니다.문제: AI 개발 비용은 생각보다 빠르게 증가한다AI 코딩을 적극적으로 활용하면 생산성은 확실히 올라갑니다.하지만 동시에 AI 토큰 비용과 구독 비용도 빠르게 증가합니다.2025년 11~12월, Cursor IDE 사용량이 늘어나면서 월 비용이 15 ~ 20만원까지 올라간 경험..

안녕하세요. yeTi입니다.최근 서버 접속 문제를 해결하면서 네트워크의 기본 개념들을 다시 한번 정리할 필요성을 느꼈습니다. 특히 SSH 접속이 안 되는 상황에서, 문제의 원인을 찾고 해결하기 위해서는 네트워크의 각 계층에 대한 이해가 필수적이라는 것을 깨달았습니다.이번 글에서는 OSI 7계층을 중심으로, 네트워크 문제 해결을 위한 체계적인 접근 방법에 대해 이야기해보려 합니다.OSI 7계층과 네트워크 통신의 이해네트워크 통신은 마치 우편 시스템과 같습니다. 편지를 보내기 위해서는 받는 사람의 주소(IP)가 필요하고, 실제로 편지를 전달하기 위해서는 구체적인 위치 정보(MAC 주소)가 필요합니다. 이러한 통신 과정은 OSI 7계층이라는 체계적인 구조를 통해 이루어집니다.계층별 주요 역할물리 계층 (1계층..

안녕하세요. yeTi입니다.오늘은 MariaDB Galera Cluster의 멀티 마스터 아키텍처와 데이터 일관성 관리에 대해 이야기해보려 합니다. 특히 Galera Cluster가 어떻게 멀티 마스터 환경에서 데이터 일관성을 유지하면서도 고가용성을 제공하는지, 그 핵심 메커니즘을 자세히 살펴보겠습니다.Galera Cluster의 철학: 일관성과 가용성의 균형Galera Cluster는 분산 시스템 환경에서 고가용성과 데이터 일관성을 동시에 추구하는 것을 목표로 설계되었습니다. 이는 분산 시스템에서 흔히 발생하는 CAP 이론의 트레이드오프를 효과적으로 다루기 위한 선택이었습니다.멀티 마스터 구조의 선택Galera Cluster가 기본적으로 멀티 마스터 구조를 채택한 것은 고가용성을 위한 전략적 선택이었습..