OpenClaw 워크스페이스를 git으로 관리해야 하는 이유
OpenClaw가 설정을 바꿀 때 기존 세팅이 날아가는 경험을 해봤다면, git으로 워크스페이스를 관리하는 게 답이다. 변경 추적, 복구, 동기화까지 한 번에 해결하는 방법.
29개의 글
OpenClaw가 설정을 바꿀 때 기존 세팅이 날아가는 경험을 해봤다면, git으로 워크스페이스를 관리하는 게 답이다. 변경 추적, 복구, 동기화까지 한 번에 해결하는 방법.
Claude Code로 개발할 때 알아야 할 핵심 전략들. 개발 환경 설정부터 디버깅, 코드리뷰까지 실전에서 검증된 방법들을 정리했다.
Claude Code의 hooks 기능으로 파일 저장 시 자동 포맷팅, 위험한 명령어 차단, 보호된 파일 관리까지. LLM에 의존하지 않고 규칙을 강제하는 방법.
Claude Code로 개발할 때 놓치기 쉬운 함정. 개발 후 코드리뷰를 따로 요청하지 않으면 전체적인 설계 결함을 발견하지 못한다.
Slack에서 @Claude 멘션만으로 코딩 작업을 위임하고 PR까지 생성하는 방법. 팀 환경에서의 권한 구조와 실용적인 활용 시나리오를 살펴본다.
Claude Code로 개발하다 보면 workspace, area, container 같은 유사 용어들이 난립하면서 버그가 생긴다. 용어를 명확하게 정리하지 않으면 Claude Code도, 개발자도 헷갈려서 삽질하게 된다.
직접 만들어서 사용하는 Claude Code 커맨드들. 프론트엔드 버그 수정, 코드 리뷰 자동화 등 실무에서 검증된 커맨드를 원본 그대로 공유한다.
Claude Code로 개발할 때 복잡한 페이지에서 버그가 반복되는 경우, 문서화를 통해 효과적으로 해결하는 방법을 소개한다.
Google Gemini API를 Node.js TypeScript 환경에서 사용하는 방법. 기본 사용법부터 멀티모달 파일 처리, GCS 연동, Vertex AI 비교까지 정리한다.
Claude, OpenAI, Gemini 세 가지 LLM API의 토큰당 가격을 비교하고, 용도별로 어떤 모델을 선택하면 좋을지 정리한다.
Moltbot의 메모리 한계를 극복하고 수백 개 콘텐츠를 체계적으로 관리하는 방법. AI 에이전트와 전통적인 DB를 조합한 실용적인 아키텍처를 소개한다.
LLM API로 코딩 에이전트나 대화형 AI를 만드는 핵심 원리. Tool Use, Agent Loop, 스트리밍까지 실제 구현 방법을 코드와 함께 알아본다.
WhatsApp이나 Telegram으로 말 걸면 알아서 일 처리해주는 오픈소스 AI 에이전트
GPT가 문장을 입력받아 답변을 생성하는 전체 과정을 구체적으로 살펴본다. 토큰화, Transformer 구조, 파라미터 수까지.
손글씨 숫자 인식 코드를 한 줄씩 뜯어보면서 Sequential, Dense, ReLU, Softmax, 학습이 실제로 어떻게 동작하는지 이해한다.
인공지능, 머신러닝, 딥러닝, Transformer, GPT까지 전체 맥락을 초보자도 이해할 수 있게 설명한다.
머신러닝에서 자주 쓰는 sparse_categorical_crossentropy가 뭔지, 손실 함수가 왜 필요한지 쉽게 설명한다.
Google Colab의 기본 사용법을 정리한다. 노트북 생성, 셀 실행, 파일 관리, 런타임 설정까지 개발자가 알아야 할 핵심 기능을 다룬다.
머신러닝 모델의 정확도를 높이기 위한 핵심 기법들을 정리했다. Learning rate 튜닝, 데이터 전처리(정규화), overfitting 방지 전략을 다룬다.
Logistic Classification의 개념과 cost function 설계 원리를 정리했다. Linear regression과의 차이점, sigmoid 함수의 역할, 그리고 gradient descent를 적용하기 위한 cost function 변형까지 다룬다.
퍼지 논리(Fuzzy Logic)를 이용한 제어 시스템의 개념과 동작 원리를 정리했다. Fuzzification, 추론 엔진, Defuzzification 과정을 다룬다.
인공 신경망의 역사와 기본 개념을 정리했다. 생물학적 뉴런, McCulloch-Pitts 모델, Hebbian Learning의 원리를 다룬다.
퍼셉트론의 개념, XOR 문제, Multi Layer Perceptron, ADALINE까지 정리했다. 딥러닝의 역사적 기원을 이해하는 데 도움이 되는 글이다.