rapport @_rapport

Anthropic engineer just dropped a 2-hour workshop on “Graph Engineering” for agentic systems: “80% of our engineers are using self-improving loops. Now everyone is building agentic graphs.” • 04:43 - Introduction to RAG and graphs • 26:30 - Core of graph engineering (nodes, edges) • 01:09:11 - Agents data indexing in Graphs • 01:30:50 - Three layers of Graphs for agents • 01:48:15 - Adaptive RAG for self-verification • 02:16:37 - The future of graph engineering This 2-hour workshop will replace your $500 agentic memory course. Watch it today, then read how to become a graph engineer in the article below.

We're also keeping Claude Code weekly limits 50% higher, now through August 19, for all Pro, Max, Team, and seat-based Enterprise users.

Claude @claudeai

3 weeks ago

Beginning July 20, Claude Fable 5 will be included in all Max and Team Premium plans, at 50% of limits. Pro and Team Standard users will continue to have access to Fable via usage credits, and will receive a one-time $100 credit. Demand for Fable has been challenging to

5K 6K 54K 28.8M 7K

Rest assured that GPT 5.6 Sol will stay in the ChatGPT subscription you pay for. Including Go, Plus and Pro subscriptions. At least until we ship an even better model.

Folks: when you write skills, ask your agent to be token efficient, relax grammer. I see too many skills that write books in the skill description, and all that crap is loaded into every context. I wrote a skill that finds the worst offenders. github.com/steipete/agent…

모두가 기다린 그 영화 티모시 샬라메 X A24 역대 최고 흥행작 상반기 한국 개봉 확정! ★ ★ ★ DREAM BIG #마티슈프림 #티모시샬라메

FFmpeg is moving to Rust 🦀 Our use of C and Assembly in FFmpeg has been an unacceptable violation of safety. FFmpeg will be running 10x slower - but we're doing it for your safety. All your videos will appear green - safety first, working software later.

나의 코딩 에이전트 프롬프팅 플로우 1. 계획을 세우라 한다 2. 계획을 검토하라 한다 3. 검토한게 맞는지 검토하라 한다 4. 계획이 과도하지 않은지 검토하라한다 5. 구현을 시킨다 6. 구현이 목적에 맞게 잘 됐는지 검토하라 한다 7. 잠재적인 버그나 크리티컬 이슈, 보안 문제등을 검토하라 한다 8. 개선한 내용들에 문제는 없는지 검토하라 한다 9. 매우 큰 함수와 파일이 있다면 적절한 크기로 나누도록 한다 10. 기존의 코드와 통합하거나 재사용 할 수 있는 부분이 있는지 검토하라고 한다 11. 사이드 이펙트는 없는지 확인하라고 한다 12. 전체 변경 사항을 다시 한 번 검토하라고 한다 13. 구현 과정에서 불필요해진 코드가 있다면 정리하라고 한다 14. 코드 품질이 충분히 높은지 검토하라고 한다 15. 사용자의 사용 흐름에서 문제는 없는지 확인하라고 한다 16. (그 외 검토중에 발견된 문제에 대한 예상된 관련 부분들 백번 검토시킴) 17. 이대로 배포해도 될 정도의 퀄리티인지 다시 한 번 검토하라고한다. 18. 커밋하고 PR 작성

Introducing Swift Configuration, a new way to share and manage configuration for Swift. It's a smarter way to keep secrets safe and separate develop/test/prod environments. More here: forums.swift.org/t/introducing-…

Some wonderful contributions coming to #Swift from across the world, thanks to #GSOC25. Congratulations to @tarantism_priya for her work on improving Swiftly/VSCode integration. More here: forums.swift.org/t/gsoc-2025-br…

바꿔야 할 것은 재택 혹은 원격근무에 대한 우리의 부정적인/의심스러운 사고방식일 뿐이다. 서로를 믿고 온전히 몰입한다면, 한계는 없다. saeyoon-jeong.notion.site/ff56a7aa787844…

9월 1일 ~ 10일 국현미 무료 관람 합니다

평소에 하루 종일 앉아있거나 오랜 시간 서서 일한 뒤 발목을 확인해 보았을 때 양말자국이 깊게 나타나고 발이 퉁퉁 붓는 경험이 있다면 아래영상을 따라 해주세요. 평상시에는 종아리 근육이 펌프처럼 수축 및 이완을 하여 혈액과 림프액을 심장 쪽으로 충분히 밀어 올려야야 하는데, 앞서 말씀드린 것처럼 오랜 시간 같은 자세 및 서있는 자세를 유지하면, 중력의 영향으로 인해 체액이 하체로 몰리고 근육 펌프 작용이 제대로 되지 않아 부종이 나타날 수 있습니다. 이를 계속 방치한다면, 다리 속 압력이 높아져 붓기는 물론, 혈액순환이 감소되어 하지정맥류가 생기고 다리에 쉽게 피로감을 느끼며, 통증까지 나타날 수 있습니다. 아래영상처럼 두 손으로 벽을 잡고 스트레칭할 발의 앞꿈치를 벽에 댑니다. 발 뒤꿈치는 바닥에 고정 후 고관절을 천천히 굽혀 몸을 벽 쪽으로 기울여주세요. 이때 종아리 부분과 햄스트링 부분이 늘어나는 느낌을 받으셔야 합니다. (만약 너무 당기면 첫 번째 영상처럼 몸만 앞으로 가는 것만으로도 충분히 도움이 될 수 있습니다.) 다른 스트레칭 방법으로는 똑바로 누운 상태에서 다리를 벽에 올리고 양쪽 다리를 가볍게 털어주세요. ❌주의사항❌ 통증이 너무 심하거나 쥐가 날 것 같다면 조금씩 늘리는 것이 좋습니다. 만약 저림 증상이 나타난다면 즉시 멈춰주세요.

IT붐은 끝났습니다. 부트캠프로 '개발자 억대연봉' 팔때부터 버블은 무너지기 시작. 인력은 대팽창했는데 AI가 신입채용을 막아버렸지, BEP 찾는 LP VC들 늘어나면서 시니어 해고도 늘었지, 해외로 나간 분들 '실리콘벨리출신' 으로 탈바꿈해서 한국 들어와 빈자리 차지하고, 한국인 개발자의 미래요?

@

57 years ago

0 0 0 0 0

CLAAAUUUUDDDEEEEE!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

💭 "LLM의 '사고'라는 착각" Apple 에서 연구를 공개했어요! 'The Illusion of Thinking in LLMs' 추론 모델의 장점과 한계에 대해 얘기합니다. Claude, DeepSeek-R1, o3-mini와 같은 AI "추론" 모델이 실제로는 전혀 추론하지 못한다는 내용을 담고 있네요. 추론 모델은 특정 작업 복잡성을 넘어서면 "붕괴"되는 것으로 나타났습니다. Blog machinelearning.apple.com/research/illus… Paper (pdf) ml-site.cdn-apple.com/papers/the-ill… ✨ "대규모 추론 모델(LRMs)이란?" 최근 몇 년간 등장한 최신 언어 모델들은 '대규모 추론 모델' (Large Reasoning Models, LRMs)이라는 새로운 종류의 모델을 선보였어요. 이 모델들은 답변을 내놓기 전에 마치 사람처럼 상세한 '생각 과정'을 생성하는 것이 특징인데요. OpenAI o1/o3, DeepSeek-R1, Claude 3.7 Sonnet Thinking, Gemini Thinking 같은 모델들이 여기에 속해요. 이 모델들은 긴 '사고의 연쇄(Chain-of-Thought, CoT)'와 '자기 성찰' 같은 메커니즘을 통해 다양한 추론 벤치마크에서 정말 인상적인 성능을 보여줬답니다. 어떤 연구자들은 이런 모델들이 더 AGI 로 가는 중요한 발걸음이라고도 이야기하기도 했구요. 🔍 "이 연구가 시작된 이유" 하지만 이런 LRM들이 아무리 좋아 보여도, 아직 그들의 근본적인 능력, 스케일링 특성, 한계점에 대해서는 우리가 충분히 이해하지 못하고 있어요. 기존 평가들은 주로 수학이나 코딩 같은 확립된 벤치마크에 초점을 맞추는데, 이게 데이터 오염 문제를 겪을 수 있고, 모델의 '생각 과정'인 추론 과정 자체의 구조나 품질에 대한 깊은 통찰력을 제공하지 못했거든요. 그래서 이 연구는 이런 아쉬운 점들을 해결하고, LRM들이 어떻게 '생각'하는지를 더 정확하게 알아내기 위해 시작되었어요. 🧩 "특별한 퍼즐 환경으로 실험했어요" 연구자들은 LRM의 추론 메커니즘을 더 엄격하게 이해하기 위해서 특별한 '제어 가능한 퍼즐 환경'을 만들었답니다. 이런 퍼즐들은 복잡성을 아주 정교하게 조작할 수 있으면서도 논리 구조는 일관되게 유지되도록 설계되었어요. 대표적으로 '하노이의 탑', '체커 점프', '강 건너기', '블록스 월드' 같은 퍼즐들을 활용했죠. 이런 환경 덕분에 최종 답변뿐만 아니라 모델의 내부 추론 과정까지도 자세히 분석할 수 있게 되었답니다. 각 퍼즐은 난이도를 조절할 수 있어서 모델이 다양한 수준의 복잡성에서 어떻게 반응하는지 체계적으로 살펴볼 수 있었어요. 📊 "복잡성 구간에서 발견된 결과" 광범위한 실험을 통해 연구자들은 문제 복잡성에 따른 LRM의 성능에서 3개의 뚜렷한 패턴을 발견했어요. - 낮은 복잡성 작업 : 놀랍게도 일반적인 LLM (비추론 모델)이 LRM보다 더 나은 성능을 보이면서 토큰 사용량도 더 효율적이었어요. - 중간 복잡성 작업 : 이때는 LRM이 추가적인 '생각' 과정을 통해 확실한 이점을 보여줬어요. 성능 격차가 벌어지기 시작했죠. - 높은 복잡성 작업 : 문제는 여기부터였어요. 특정 복잡성 임계점을 넘어가자마자, 두 모델 유형 모두 '정확도 완전 붕괴' 현상을 겪었어요. LRM이 붕괴를 조금 늦추기는 했지만, 결국 비추론 모델과 마찬가지로 근본적인 한계에 부딪혔답니다. 📉 "'생각'이 줄어드는 이상한 현상" 더욱 흥미로운 점은 LRM의 '추론 노력' 패턴이었어요. 모델은 문제 복잡성이 증가함에 따라 초기에 추론 노력 (즉, '생각'에 사용하는 토큰 수)을 늘리다가, 정확도 붕괴 지점에 가까워지면 오히려 생각 토큰 사용량을 줄이는 '반직관적인 스케일링 한계'를 보였어요. 충분한 토큰 예산이 있었음에도 불구하고 더 어려운 문제에 직면할수록 모델이 '생각'을 덜 하는 것처럼 보인다는 거죠. 이건 현재 LRM의 추론 능력에 근본적인 스케일링 한계가 있다는 것을 시사한답니다. 🧠 "모델의 '생각' 속을 들여다보니" 연구팀은 LRM의 내부 추론 과정인 '생각' 트레이스도 깊이 분석했어요. 여기서도 여러 가지 패턴을 발견했는데요. - '과도한 생각(Overthinking)' 현상 : 단순한 문제에서는 모델이 생각 과정 초반에 이미 정답을 찾았는데도, 계속해서 불필요하게 오답을 탐색하며 연산 자원을 낭비하는 모습을 보였어요. - 중간 복잡성 : 이 경우 모델은 처음에 오답들을 탐색하다가 생각 과정의 후반부에 가서야 정답에 도달하는 경향을 보였어요. - 높은 복잡성 : 이 구간에서는 모델이 아예 정답을 찾지 못하고 완전히 붕괴하는 모습을 보였답니다. 간단히 말하면 쉬운 문제는 쓸데없이 오래 생각하고, 어려운 문제는 아예 해결을 못하는 거죠. 🤔 "예상치 못한 모델의 한계점" 가장 놀라운 결과 중 하나는 LRM이 정확한 계산 단계나 알고리즘을 실행하는 데 어려움을 보였다는 점이에요. 모델들이 퍼즐 유형에 따라 일관적이지 않은 추론 행동을 보인다는 점도 주목할 만했어요. 이 연구는 현재 LRM의 능력과 한계점을 명확히 보여주면서, 이 모델들이 진정으로 일반화 가능한 추론 능력을 갖추기 위해서는 앞으로 더 많은 연구와 발전이 필요하다는 점을 강조하고 있습니다. 💭 AGI는 생각보다 멀리 있나.. Apple이 추론모델 내줬으면 좋겠.. 'The Illusion of Thinking in LLMs' Blog machinelearning.apple.com/research/illus… Paper (pdf) ml-site.cdn-apple.com/papers/the-ill…

keyboard_arrow_left Previous keyboard_arrow_right Next

일반적인 Node.js 애플리케이션을 개발할 때 프레임워크와 무관하게 함께 일하는 동료들에게 필수적으로 추천하고 싶은 아티클이 있다.

Most React Native teams are wasting time and money on CI, because they rebuild the project from scratch regardless the source of change. We helped one team cut their native build frequency by 96% and make related compute 10x smaller. Here’s what we learned ⬇️

Apple contributes VisionPro support to Godot: github.com/godotengine/go…

I was waiting for this... 😍 github.com/swiftlang/swif…