피터의 개발이야기

[AI] Peterica의 AI공부와 비젼 정리ㅁ 들어가며IntentFlow는 다음 5개 블록으로 구성된 음성 기반 Intent 추론 엔진이다:음성(STT) → 텍스트 → 임베딩 → 벡터 검색(Vector DB) → 템플릿 or LLM → TTS아래는 각 단계에서 기술적으로 이해해야 하는 핵심 개념 목록이다.1️⃣ STT (Speech-to-Text)✔ 무엇을 알아야 하나?항목설명Whisper 모델 구조encoder–decoder 방식, transformer 기반 음성 인식음성 전처리wav(s16le), sample rate(16kHz), chunking모델 크기small, medium, large-v3, large-v3-turbo연산 방식float16, int8, int8_float16 (성능/속도 트..

ㅁ 들어가며ㅇ Kubernetes SIG Network와 Security Response Committee가 공식적으로 Ingress NGINX의 은퇴를 발표했다.ㅇ 이 글에서는 공식 발표문의 핵심을 요약한다.ㅁ Ingress NGINX 은퇴의 배경Ingress NGINX는 오랜 기간 Kubernetes 네트워크 트래픽의 대표적인 게이트웨이 역할을 해왔다. 많은 사용자들과 다양한 클라우드 환경에서 활용됐으며, 유연성과 풍부한 기능 덕분에 수많은 프로젝트에서 핵심 모듈로 자리매김해왔다.하지만, 과도한 유연성(예: snippet annotation 등)은 시간이 흐르며 보안 이슈와 유지보수 부담으로 변화했다. 특히 핵심 개발 인원이 한두 명 수준에 머물며, 지속가능한 유지보수에 어려움을 겪었다는 것이 공식 ..

IntentFlow 프로젝트 회고 및 소개🧭 프로젝트 개요IntentFlow는 음성 입력을 받아 사용자의 의도를 파악하고, 적절한 응답을 음성으로 생성하는 End-to-End 음성 대화 시스템이다. Whisper 기반 STT, Sentence Transformers 임베딩, Weaviate 벡터 검색, Piper TTS, 그리고 LLM 폴백 구조를 결합하여, 로컬 환경에서 완전한 대화 루프를 완성한다.🎯 개발 목적음성 기반 의도 인식 정확도 확보 (≥85%)1.5초 이내 응답 시간(p95) 달성LLM 폴백률 ≤30%로 효율적 커버리지 확보완전한 로컬 독립 실행형 파이프라인 구현 (Docker 기반)🧩 아키텍처 요약사용자 음성 입력 ↓[STT] Whisper → 텍스트 변환 ↓[Embeddin..

🎯 개요IntentFlow 프로젝트의 모든 Task(A1~G2)가 100% 완료되었다.이 문서는 Vibe Coding의 실행 루프와 IntentFlow의 기술 완성을 종합한 개발 종료 회고이다. “명령이 흐르고, 의도가 완성되었다.”⚙️ 통합 관점관점주요 성과결과 요약Vibe Codingdocs → task → develop_cycle 루프를 통해 협업과 실행의 표준화를 달성함.문서 중심의 자율형 개발 루프 완성IntentFlowSTT → Embedding → Vector Search → LLM Fallback → TTS 전체 파이프라인 구현 및 튜닝 완료./voice/infer API가 완전한 음성 추론 기능을 수행함통합 성과모든 Task(A1~G2) 완료, 품질 기준 충족(p95 ≤ 1500ms, ..

[AI] Peterica의 AI공부와 비젼 정리ㅁ 들어가며ㅇ 회사에서 헤커톤이 있어서 참여한 이력을 정리하였다. 1시간동안에 행사 설명 및 개발, 투표까지 이루어지는 초 스피드 개발이었다.ㅇ 빠르게 아이디어를 PRD로 구성하고, 이를 V0로 요구사항을 변경하여 빠르게 웹을 구성할 수 있었다. ㅁ V0란?V0(https://v0.dev)은 AI 기반 UI 개발 도구로, 프론트엔드 개발을 매우 빠르게 진행할 수 있도록 도와주는 웹 개발 플랫폼이다.프롬프트만으로 React·Next.js 기반의 웹 UI를 자동으로 생성해 주는 AI 코파일럿으로, “디자인 → 코드” 과정을 통째로 자동화·반자동화할 수 있어 초기 프로토타이핑과 디자인-시스템 적용이 매우 빠르다. ㅁ 아이디어 수립ㅇ 아이디어를 정리하고 PRD를 확..

[AI] Peterica의 AI공부와 비젼 정리ㅁ 들어가며ㅇ 헤커톤 연습을 위한 프롬프트를 정리하였다. ㅁ PRD 구성당신은 10년 경력의 프로덕트 매니저로서 PRD(Product Requirements Document) 작성 전문가입니다. 사용자의 아이디어나 요구사항을 바탕으로 개발팀이 바로 실행할 수 있는 완성도 높은 PRD를 작성해주세요.요구사항을 접수 할 수 있는 질문을 주세요. ㅁ v0 AI 코딩 어시스턴트 컨텍스트 엔지니어 주입당신은 v0 AI 코딩 어시스턴트를 위한 전문 컨텍스트 엔지니어입니다. 사용자의 요청을 v0가 최적으로 이해하고 실행할 수 있도록 변환해주세요.## 변환 규칙:### 1. 명확성과 구체성- 모호한 표현을 구체적으로 변환- 기술적 요구사항을 명시- 예상 결과물을 명확히 설..

ㅁ 들어가며 IntelliJ에서 Ollama의 qwen3:8b 모델을 로컬 LLM으로 가동하여 Continue 플러그인과 함께 사용하였다. 하지만 최신 Continue 버전으로 업데이트하면서 로컬 모듈이 인식되지 않는 문제를 겪게 되었고, Continue 플러그인 버전 1.0.30으로 직접 설치하여 해결하였다. ㅁ 문제 상황ㅇ IntelliJ Continue을 업데이트 하면서 1.0.44에서 localhost Assistant를 선택할 수 없게 되었다.ㅇ 반복적으로 free 요금제이기 때문에 결제 화면으로 유도하였다. ㅁ 해결 방법: 구버전 Continue 플러그인 설치 방법ㅇ JetBrains 플러그인 마켓플레이스 웹사이트 접속ㅇ 플러그인 페이지에서 상단 탭 중 "Versions" 클릭ㅇ 여기서 버..

ㅁ 들어가며기술은 빠르게 변하지만 배우는 방식은 스스로 주도할 때 가장 오래 남는다.저는 그동안 바이브코딩·DevOps·쿠버네티스를 직접 부딪히며 익히고,조사 → 실습 → 정리의 과정을 블로그에 기록해 왔습니다. 이 경험을 바탕으로 이번 스터디를 고민해 보았습니다.정해진 커리큘럼 없이 질문을 던지고, 함께 탐구하며,각자가 학습 목표와 실습 계획을 직접 세워 실행하는 방식입니다.즉, “배운 것을 나만의 언어로 정리해 내 것으로 만드는 것”이이 스터디가 지향하는 가장 큰 가치입니다. 🎯 스터디 목적바이브코딩: 빠른 기획·개발·배포 사이클을 통해 “컨텍스트 엔지니어링”과 실전형 개발 방식을 공유DevOps: CI/CD·모니터링·관측성 구축 경험을 나누며 자동화와 운영 안정화 노하우 확산쿠버네티스: 실제 서비..

ㅁ 들어가며 Kibana를 쓰다 보면 검색창 우측의 KQL(Kibana Query Language) 과 Lucene 중 무엇을 써야 할지 헷갈리기 쉽다. 이번 글에서는 KQL과 Lucene의 개념 차이, 문법 비교, 그리고 실행 흐름을 정리해 보았다. ㅁ KQL vs Lucene 개념ㅇ Lucene QueryElasticsearch가 기본 제공하는 검색 언어문자열 중심, 오래된 표준이자 범용성 높음ㅇ Kibana Query Language (KQL)Kibana가 Lucene을 더 쉽게 쓰도록 만든 상위 문법필드 타입 인식, 자동 완성, 오타 검증 등 UI 친화적 기능 제공 ㅁ 문법 비교목적LuceneKQL필드 일치status:200status : 200NOT-status:200!status : 20..

ㅁ 들어가며ㅇ 인공지능에 대한 공부는 2017년부터 시작하였다. 소프트웨어공학을 공부하면서 인공지능에 대한 이해라는 소논문을 작성하였다.ㅇ 새롭게 합류한 팀이 AI플랫폼을 운영하고 있어서 본격적으로 AI에 대해 공부를 시작하게 되었다.ㅇ 현재 2021년도 고려사이버대학교에 입학하여 빅데이터와 인공지능에 대해 공부 중이다. ㅁ Context Engineering이론적 접근ㅇ [AI] 컨텍스트 엔지니어링: 프롬프트를 넘어서 AI의 성공을 설계하는 법 ㄴ 프롬프트로 AI와 대화를 하지만, 복잡한 설계나 프로젝트 운영 시 컨텍스트를 잘 전달하고 운영하는 방법에 대한 고민ㅇ [AI] 프롬프트 vs 컨텍스트 엔지니어링 비교, 문서기반개발(DDD) ㄴ vibe coding 초기에 프롬프트로 산출된 내용을 DD..