VibeCoding Tailor

OMX(Oh My Codex) / OMC(Oh My Claude Code)를 자기개선 AI로 읽으면 과장이다. 현재 검증된 건 runtime/workflow overlay + project-scoped state visibility까지. autoresearch·Meta-Harn

ChatGPT·Claude 안에는 다 Transformer가 들어 있다. 근데 Transformer가 정확히 뭐냐고 물으면 다들 얼버무린다. RNN 한계부터 attention, multi-head, stacking까지 비유 하나로 따라가게 정리. AI 공부 지도 2편.

\”RAG는 죽었냐\”라는 질문에 태일러가 자기 말로 답한다. 죽은 건 1층(단순 embedding + 일회성 retrieval)뿐이고 2~4층(GraphRAG·Agentic·Memory Adaptation)은 오히려 확장 중. long context가 대체할 수 없는 이유와

2017년 Transformer는 번역용 encoder+decoder 두 덩어리였다. 지금 쓰는 ChatGPT·Claude·Gemini·Llama는 거의 다 decoder-only다. 왜 encoder를 버렸는지, BERT/T5/GPT가 왜 다르게 설계됐는지, encoder가

Meta-Harness는 실무적으로 뭐냐 — 태일러가 자기 말로 답한다. 학계 미래형 용어가 아니다. 당신이 매일 CLAUDE.md·Cursor rules를 고치고 있다면 이미 수작업 Meta-Harness다. 도입 시점 5가지 신호와 3단계 최소 루틴. AI 공부 지도 20편

2017년 Transformer 논문 \”Attention is All You Need\”를 수식 하나(scaled dot-product attention)와 비유 하나(도서관 Q·K·V)로 끝까지 읽어낸다. mathbullet 영상 연동. ChatGPT·Claude 안에서 실

왕 – 남자 + 여자 = 여왕. 이 이상한 뺄셈이 실제로 돌아간다는 사실이 AI의 모든 검색·추천·RAG의 뿌리다. 단어를 고차원 공간의 점으로 옮기는 embedding을 지도 비유 하나로 끝까지 풀어낸다. AI 공부 지도 5편.

\”모델을 학습시킨다\”는 말이 마법처럼 들리지만, 실제로는 \”예측을 점점 덜 틀리게 파라미터를 조금씩 고치기\”다. 안개 낀 산에서 내려가는 gradient descent 비유로 loss·backprop·learning rate까지 끝까지 푼다. AI 공부 지도 6편.

Agent·에이전틱·AI employee가 뉴스마다 뜨지만 정작 agent가 LLM과 어디서 갈라지는지 말할 수 있는 사람은 드물다. 목표·상태·도구·루프·적응 5가지 층으로 agent를 정의하고, Claude Code·Cursor가 왜 agent인지, ChatGPT는 왜 애매

프롬프트 엔지니어링은 문장 작법이 아니라 확률 분포를 기울이는 기술이다. Zero-shot·Few-shot·Chain-of-Thought가 왜 작동하는지, \”Let’s think step by step\” 한 줄이 왜 성능을 올리는지 조건부 확률 관점에서 끝까지 설명. AI