ICBM의 Dev 블로그

Memex — AI 코딩 에이전트를 위한 로컬 RAG 메모리 시스템Show GN: Memex - 노트 간 의미 관계를 추론해 Claude 컨텍스트로 자동 주입하는 로컬 RAG MCP 서버AI 코딩 에이전트가 세션을 종료하면 그동안 쌓아온 지식이 모두 사라지는 경험을 해본 적이 있으신가요? Memex는 바로 이 문제를 해결하는 오픈소스 도구입니다. 노트 사이에 의미적 관계를 자동으로 추론하여, 다음 세션에서 Claude가 이전의 결정과 맥락을 기억한 채 작업할 수 있게 해줍니다. 벡터 데이터베이스도, 클라우드 API도 필요 없습니다.Memex란 무엇인가Memex는 AI 코딩 에이전트를 위한 영구 메모리 시스템입니다. Niklas Luhmann의 Zettelkasten 방법을 기반으로, 원자성 노트(Atom..

Andrej Karpathy가 2026년 4월 공개한 GitHub Gist는 개발자 커뮤니티에서 폭발적 관심을 받고 있다. 바로 'LLM Wiki' 패턴 — AI 에이전트가 자체적으로 유지하는 마크다운 기반 지식 베이스다. 이번 글에서는 WUPHF라는 실제 구현체를 통해 이 패턴의 핵심 구조와 활용법을详细介绍한다.왜 기존 RAG은 부족한가?현재 많은 AI 프로젝트가 RAG(Retrieval-Augmented Generation)을 활용해 문서 기반 질의응답을 구현한다. 그러나 RAG은 근본적 한계가 있다. 매번 쿼리마다 벡터 데이터베이스에서 유사 문서를 찾아 다시 생성해야 하므로, 에이전트가 이전 세션에서 '배운 것'을 기억하지 못한다.Karpathy의 핵심 통찰은 단순하다. 에이전트는 문서를 검색하는 ..

LLM(대형 언어 모델)이 실무에 도입되면서 가장 먼저 마주한 문제는 환각(Hallucination)이었습니다. 모델이 그럴듯하지만 사실이 아닌 답변을 만들어내는 현상은 기업 도입의 가장 큰 장벽이었습니다. 이 문제를 해결하기 위해 등장한 기술이 바로 RAG(Retrieval-Augmented Generation, 검색 증강 생성)입니다.RAG는 LLM이 학습 시점에 알지 못했던 최신 정보를 실시간으로 검색하여 답변에 반영하는 방식입니다. 모델 자체를 재학습할 필요 없이, 외부 지식 베이스에서 관련 문서를 가져와 프롬프트에 주입함으로써 정확성을 극적으로 높일 수 있습니다. 2026년 현재 RAG는 엔터프라이즈 AI의 핵심 아키텍처로 자리 잡았으며, 다양한 파생 기술이 등장하며 빠르게 진화하고 있습니다.R..

들어가며: 검색의 패러다임이 바뀌고 있다구글이 20년 넘게 지배해온 웹 검색 시장에 근본적인 변화가 일고 있다. Perplexity AI, OpenAI의 ChatGPT Search, Google AI Overviews 등 AI 검색 엔진들이 "질문하면 답이 나오는" 검색 경험을 일상화하고 있다.단순히 링크 목록을 보여주던 전통 검색에서, AI가 직접 답변을 생성하고 출처를 인용하는 방식으로 전환되면서 사용자 경험은 물론 SEO, 콘텐츠 마케팅, 개발자 도구 생태계 전반이 영향을 받고 있다. 2026년 초 기준 유기적 검색 트래픽은 전년 대비 2.5% 감소했으며, "SEO의 붕괴"를 논하는 목소리도 나온다.이 글에서는 주요 AI 검색 엔진들의 기술적 차이, 시장 동향, 개발자 활용법, 그리고 향후 전망까지..