OpenClaw를 통해 여러 언어 모델을 직접 테스트해본 결과, 각 모델의 장단점이 명확하게 갈렸다. 최종적으로는 가성비와 성능의 균형이 가장 뛰어난 모델을 주력으로 선택하게 되었다.

최근 등장한 Claude Code는 개발 생산성을 혁신적으로 높여주는 도구로 주목받고 있다. 하지만 이 에이전트가 제안하는 기술 스택을 면밀히 분석해보면 매우 흥미로운 현상을 발견할 수 있다. 특정 도구와 서비스에 대한 선호도가 압도적으로 높다는 점이다. 분석 결과에 따르면 Claude Code는 shadcn/ui, Vercel, Railway 등 특정 기술 생태계의 도구들을 반복적으로 추천하는 경향을 보인다.

최근 에이전틱 엔지니어링 분야에서 CrewAI와 같은 프레임워크가 제안하는 역할 기반 설계가 직관적인 모델로 자리 잡았다. 하지만 실무적인 관점에서 보면 PM, QA, 개발자 에이전트식의 역할 분리보다 공통 작업을 재사용 가능한 컴포넌트로 분리하는 것이 훨씬 중요하다. 역할은 인간의 조직 체계를 모방한 수단일 뿐이며, 그 자체가 목적이 되어서는 안 된다.

최근 Claude Code와 같은 AI 에이전트 도구가 발전하면서 개발 방식의 패러다임이 급격하게 변하고 있다. 단순히 코드를 생성하는 수준을 넘어 AI가 스스로 도구를 사용하고 문제를 해결하는 단계로 진입했다. 그 중심에는 서브 에이전트(Sub-agent)를 활용한 계층적 구조와 이를 체계화한 Agentic Engineering이 있다.

AI 코딩 도구가 보편화되면서 개발 환경은 전례 없는 변화를 맞이하고 있다. 하지만 이 화려한 생산성 뒤에는 보이지 않는 비용이 숨어 있다.

알고리즘 암기력을 평가하는 기존 코딩 테스트는 이제 시대적 수명을 다했다. Claude Code나 GitHub Copilot 같은 AI 도구가 알고리즘 퍼즐을 수초 만에 해결하는 시대에, 화이트보드 앞에서 역전된 트리 구조를 구현하는 것이 어떤 의미가 있는가.

최근 시스템 프로그래밍과 인프라 도구 영역에서 흥미로운 변화가 관찰되고 있다. 전통적으로 이 분야의 절대 강자였던 Go(Golang) 대신 Rust를 선택하는 신규 프로젝트가 급격히 늘어나는 추세다. 단순히 언어의 인기가 높아서일까, 아니면 기술적인 필연성이 작용하고 있는 것일까.

최근 Andrej Karpathy가 8개의 AI 에이전트로 연구 조직을 시뮬레이션한 실험을 공유했다. 결과는 아직 실패였지만 그가 제시한 ‘조직 프로그래밍’ 개념은 바이브 코딩 이후의 다음 패러다임을 명확히 보여준다.

Anthropic이 16개의 Claude 인스턴스를 병렬로 실행해 C 컴파일러를 개발한 사례가 공개됐다. 이 글에서는 그들의 접근 방식과 실무에 적용할 수 있는 핵심 패턴을 정리했다.

최근 Cloudflare가 AI를 활용해 Next.js를 일주일 만에 Vite 기반으로 재구현한 vinext 프로젝트와 테스트 코드가 새로운 해자가 된다는 논의가 주목받고 있다. 이에 대해 몇 가지 생각을 정리했다.