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..

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 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..

[AI] Peterica의 AI공부와 비젼 정리ㅁ 들어가며ㅇ 작업이 진행되면서 누적된 캐싱으로 인해 토큰 사용량은 급격히 늘어난다.ㅇ 이를 해결하는 방법은 의외로 간단하다.ㅇ 컨텍스트를 정리하도록 지시하면 된다. ㅁ 컨텍스트 사용량 점검ㅇ 저장된 캐시는 시간의 흐름에 따라 불필요한 내용까지 포함한다.ㅇ AI가 의도했든 아니든, 가비지 컨텍스트가 전체 작업에 혼란을 야기한다.ㅇ 개인적으로 작업 중 토큰 사용량을 꾸준히 확인한다.ㅇ 토큰이 100만을 넘으면 주의해서 관리하며, 장기간 지속되면 일시 중지한다.ㅇ 200만 토큰에 도달하면 혼란의 시작을 의미하므로, 캐시를 즉시 삭제한다. ㅁ 캐시 정리 모든 기능이 정상적으로 작동 확인했어. 캐싱된 컨텍스트 정리해줘.

[AI] Peterica의 AI공부와 비젼 정리 ㄴ Context Engineeringㅁ 들어가며 작업을 하다 보면 하나의 Task를 진행하는 과정에서 여러 Sub-Task가 파생되면서 전체 흐름이 꼬이는 경우가 많다. 특히 GPT와 같은 AI와 대화하면서 작업을 진행하면, Task 1을 정리하다가 Sub-Task 1-1, 1-2, 1-N이 생겨 Task 1이 끝나지 못하는 문제가 반복된다. 이 글에서는 이러한 혼돈을 줄이고 체계적으로 Task를 관리하기 위한 방법과 도구별 역할 분리 전략을 정리한다. ㅁ Task 관리 기본 구조ㅇ Task 진행은 요구사항 정리 → Task 정의 → Sub-Task 진행 → 완료 선언의 흐름으로 관리한다.ㅇ Sub-Task는 반드시 Task 완료 조건과 직접적으로 연..

[AI] Peterica의 AI공부와 비젼 정리ㅁ 들어가며 Cursor의 Usage 페이지를 보면 Cache Read 토큰 사용량이 의외로 높게 나오는 경우가 많다. 이는 단순한 기술 문제가 아니라, AI 어시스턴트와의 대화 맥락을 어떻게 설계하고 관리하느냐에 따른 컨텍스트 엔지니어링의 문제이다. ㅁ Cache Read 토큰 사용량이 높은 이유ㅇ 대화 히스토리 누적 – 이전 대화가 길게 이어질수록 캐시에서 불필요한 맥락까지 불러온다.ㅇ 파일 컨텍스트 유지 – 열어둔 파일들이 자동으로 포함되어 토큰을 차지한다.ㅇ 코드베이스 검색 결과 – 검색된 결과가 그대로 컨텍스트에 남는다.ㅇ 긴 대화 세션 – 하나의 세션이 길어질수록 캐시 적재량도 비대해진다. ㅁ 컨텍스트 정리 방법ㅇ 새로운 대화 시작 - 세션을 ..