포트폴리오

AI로 제품 전체를 책임지는 프로덕트 엔지니어.
기획부터 화면, 서버, 운영까지 직접 만듭니다.

현재

오픈소스 프로젝트

AI 에이전트 기반 개발

AI 시대, 기술 스택에 한계란 없습니다.

01 마주한 문제

  • Claude Code, Codex, Gemini CLI를 동시에 돌리면 어떤 에이전트가 작업 중이고 어떤 것이 끝났는지 한눈에 보이지 않았습니다.
  • 에이전트 하나에 작업 하나씩 맡기는 방식은 너무 느립니다. 작업 수십 개를 동시에 돌리고 에이전트끼리 맥락을 주고받게 하고 싶었습니다.
  • 메모와 스펙 문서가 에이전트가 읽을 수 있는 형태로 정리되어 있지 않았습니다.

02 해결 방법

  • Agentty: 에이전트 수십 개를 분할 화면에서 동시에 실행하고 각각의 상태를 보여주는 터미널입니다. 세션을 공유하면 한 작업의 맥락이 다음 작업으로 전파됩니다.
  • Agentty의 핵심은 FDE 관점입니다. 팀과 업무 환경마다 필요한 에이전트가 다르기 때문에, 상황에 맞는 플러그인을 만들어 그 안에서 전용 에이전트를 실행합니다. 새로운 현장에는 도구를 다시 만드는 대신 플러그인 하나를 더하면 됩니다.
  • Cosmica: 에이전트가 바로 읽을 수 있도록 모든 것을 Markdown으로 저장하는 노트 앱입니다. 음성 메모를 요약하고 지식 그래프로 연결합니다.

03 결과

  • 기능 개발, 테스트, 리뷰를 Claude Code와 Codex에 나눠 맡기고, 저는 작업을 설계하고 결과를 검토합니다. 혼자서도 여러 작업을 동시에 진행할 수 있게 됐습니다.
  • 반복적인 개발과 운영 업무는 에이전트에 맡기고, 같은 방식을 회사 실무에도 적용하고 있습니다.
  • 회의 기록과 메모를 Markdown으로 남기고 회의 녹음 결과가 자동으로 맥락이 되어 업무로 즉시 이어집니다. Cosmica와 Agentty가 서로 연결되어 업무 효율을 높였습니다.

오픈소스 프로젝트 (개발 중)

나만의 지식창고를 만나다

TypeScriptNode.jsPostgres + pgvectorOllamaGraphQLMCPtree-sitterMLX (LoRA)Docker

01 마주한 문제

  • 지식이 코드, 문서, PDF, 웹 페이지, 데이터에 흩어져 있습니다. 에이전트는 질문할 때마다 원본 파일을 다시 읽느라 시간과 토큰을 씁니다.
  • 근거 없는 답은 믿을 수 없습니다. 실무에서는 틀린 답이 "모른다"보다 나쁩니다.
  • 회사 코드와 문서를 외부 모델로 보내기는 어렵기 때문에, 로컬 머신 한 대에서 전부 돌아가야 했습니다.

02 해결 방법

  • 코드(tree-sitter, 7개 언어), 문서, PDF, 웹 페이지, 데이터베이스를 하나의 지식 그래프로 묶고, 모든 연결에 근거(file:line)와 신뢰 등급을 붙였습니다.
  • 하이브리드 검색으로 파일 전체 대신 약 2,500토큰의 근거만 AI에 넘깁니다. 답의 문장마다 각주로 출처를 달고, 자료에 없는 내용은 없다고 답합니다.
  • 스스로 개선합니다. 진단 기능이 모순과 중복을 정리하고, 개선 주기가 검색을 다시 맞추고 작은 로컬 모델을 학습시키되 held-out 점수가 떨어지지 않을 때만 반영합니다. 전부 로컬 LLM(Ollama)으로 머신 한 대에서 돌아갑니다.

03 결과

  • 지연 시간 개선으로 질문 하나에 47–85초 걸리던 것을 3.5–5.5초로 줄였습니다. 워밍업 후 지식 답변은 3.2초에서 0.75초로, 첫 토큰은 2.6초에서 0.19초로 줄었습니다.
  • 저장소 46개에 걸친 held-out 질문 163개에서 재현율 95.7 %, MRR 90.6을 기록했습니다(코드 심볼을 단락으로 만들기 전 85.3 %, 77.2). 답변 12개 모두 올바른 단락을 인용했습니다.
  • 단락 100만 개에서 근거를 190ms(p95) 안에 찾고, 종합 점수는 77에서 88로 올랐습니다.
  • 지금 제 지식창고에는 소스 56개, 문서 5,394개, 섹션 12,531개, 코드 심볼 30,654개, 패키지 598개, 테이블 28개가 들어 있습니다. Agentty 저장소 하나만 해도 파일 499개, 심볼 7,193개입니다.
  • 자가 학습한 모델은 교사 모델과 같은 답변 품질(80 = 80)을 8.8배 빠르게 냅니다. 추출 점수가 떨어져 게이트가 아직 배포를 막고 있습니다.

MUSINSA

블랙프라이데이 트래픽을 견디는 이벤트 서비스

KotlinSpring BootRedisKafkaAWSAI

01 마주한 문제

  • 블랙프라이데이나 캠페인이 열리면 하루치 트래픽이 몇 분 안에 몰립니다.
  • 트래픽이 몰려도 리워드 지급은 한 건도 어긋나면 안 됩니다.

02 해결 방법

  • 요청이 집중되는 구간은 Redis로 처리하도록 설계했습니다. 카운터, 캐시, 짧게 유지되는 상태는 DB를 거치지 않습니다.
  • 리워드 지급과 후속 처리 사이에 Kafka를 두는 구조로, 트래픽이 몰려도 다른 서비스로 번지지 않고 순서대로 처리되게 했습니다.
  • AI 기반으로 코딩, 테스트, 리뷰, 운영 작업을 자동화하는 개발 체계를 만들어 팀 실무에 적용했습니다.

03 결과

  • 블랙프라이데이 규모의 트래픽에서도 서비스가 안정적으로 동작합니다.
  • 개발과 운영 자동화가 팀의 일상적인 작업 방식으로 자리 잡았습니다.

이전

WalkMining (CTO)

걸으면 코인을 주는 글로벌 앱테크 서비스

KotlinSpring BootRedisKafkaAWSDevOpsNext.jsRDSXPLASolanaSwiftJetpack Compose

01 마주한 문제

  • 30개국 이상의 사용자가 걸음 수로 WKM 토큰을 채굴하고, 채굴 내역이 몇 초 안에 공개 익스플로러에 보여야 합니다.
  • 매시간 에너지가 충전되고 정해진 시각에 추첨이 열려 트래픽이 한꺼번에 몰리고, 걸음 수를 조작하려는 시도도 많습니다.
  • 소규모 팀을 이끌며 기획, 개발, 운영을 한 방향으로 맞춰 굴려야 했습니다.

02 해결 방법

  • AWS에 Elastic Beanstalk, RDS(Aurora MySQL, 읽기/쓰기 분리), ElastiCache Redis, Secrets Manager, S3로 인프라를 설계했습니다.
  • 채굴이 발생하면 비동기 이벤트로 Redis를 갱신하고, Next.js 익스플로러가 이를 주기적으로 읽어 실시간 채굴 현황을 보여줍니다. 조회 트래픽은 MySQL에 닿지 않습니다.
  • HMAC 체크섬, 재전송 탐지, IP 위험도 조회, 일일 보상 감소 곡선, 재고 비관적 락으로 조작과 중복 지급을 막았습니다.
  • XPLA와 제휴하고 Solana 지갑 지급을 연동했으며, iOS와 Android 앱까지 전체 개발을 이끌었습니다.

03 결과

  • 30개국 이상에서 사용자를 확보했습니다.
  • 평균 앱 사용 시간 3시간 이상을 달성했습니다. 사용자 비중은 일본, 한국, 미국, 유럽 순입니다.
  • 평균 동시 접속 사용자 수백 명을 유지했습니다.
  • 누적 걸음 710억 회, 마이닝 2,690만 건이 공개 익스플로러에 기록됐습니다.

Dexlab (CTO)

Solana 기반 탈중앙화 거래소

RustAnchorSolanaNext.jsTypeScriptRDSKafkaAWSDevOpsPulumi

01 마주한 문제

  • 체인이 혼잡할 때도 실시간 호가와 차트가 있는 오더북 거래와 유동성 풀을 끊김 없이 보여줘야 합니다.
  • 온체인 데이터를 그대로 읽으면 느리고 비싸서, 거래 화면에 맞는 데이터 경로가 따로 필요했습니다.

02 해결 방법

  • 오더북 거래, 자체 AMM 풀 프로그램, Jupiter 연동 스왑과 지정가 주문까지 거래소의 핵심 기능을 설계하고 개발했습니다.
  • 자체 RPC 엔드포인트를 두고, 오더북은 폴링 주기를 조정해 가져오며, TradingView 차트에 직접 만든 데이터피드를 연결했습니다.
  • AWS 인프라(ECS, RDS, ElastiCache, MSK, WAF)를 Pulumi 코드로 설계하고 마이크로서비스 8개로 구성했습니다.

03 결과

  • Solana 메인넷용 오더북 거래, 스왑, 유동성 풀, 런치패드, 스테이킹 기능을 개발했습니다.
  • 거래소 프론트엔드부터 온체인 프로그램, 인프라까지 전체 구조를 설계했습니다.

트리플

투어/액티비티 예약 시스템

KotlinSpring BootRedisSpring application eventsRDSAWSNext.jsReact

01 마주한 문제

  • 예약 요청부터 최종 확정까지 여러 단계와 외부 업체를 거칩니다.
  • 동기 방식으로 처리하면 한 단계만 느려져도 사용자가 기다려야 하고, 실패하면 예약이 중간 상태로 남습니다.

02 해결 방법

  • 예약을 먼저 접수한 뒤 이후 단계는 Spring 애플리케이션 이벤트로 비동기 처리하도록 설계했습니다.
  • 단계별 상태를 Redis에 저장해 재시도해도 중복 처리되지 않게 했습니다.

03 결과

  • 사용자는 바로 응답을 받고 확정은 뒤에서 처리되어, 예약 시스템을 안정적으로 운영할 수 있었습니다.