Codex가 지시를 자꾸 잊는다면 프롬프트를 더 길게 쓰기 전에 이걸 확인해.
AGENTS.md는 루트부터 현재 폴더까지 합쳐 읽고, 더 가까운 폴더의 규칙이 나중에 적용돼. 같은 폴더에 AGENTS.override.md가 있으면 AGENTS.md보다 먼저 선택되고.
즉 프로젝트별 규칙은 작업 폴더 가까이에 두는 게 핵심이야. 규칙이 안 먹으면 “기억력”보다 파일 위치부터 봐.
Public shared posts
$NBIS outlook is pretty insane yet again.
$582.3M revenue (+454% Y/Y, +46% Q/Q) off ~50% adjusted EBITDA margin (AI Cloud). $8.04B cash on hand.
Reiterates financial guide (2026 revenue: $3.0–$3.4B
2026 EoY ARR: $7–$9B), I was hoping for a raise, but it's already massive growth.
Not really about this quarter financials, but these signals:
"We could sell our entire 2027 capacity on these terms today." massive visibility on demand
"4 customer agreements averaging over $1B+ each in contract value"
Around 70% of Q2 deals included customer prepayments…
1 / 3
$AEHR receives another $22M follow on order for AI processor wafer level burn in systems.
By their lead AI processor company.
It’s cool to see this tiny company grow up so fast across so many verticals (memory, silicon photonics, etc).
Up +5.39% premarket off the news. https://t.co/YkOtELzkmo
1 / 2
Cloud AI · Summary · Aug 12
AEHR가 선도 AI 프로세서 고객사로부터 AI 프로세서용 웨이퍼 레벨 번인 시스템 추가 주문 2,200만 달러를 확보했다는 소식이 핵심이며, 이로 인해 주가가 프리마켓에서 5.39% 상승했다. 이 내용은 AEHR가 메모리와 실리콘 포토닉스 등 여러 분야로 빠르게 사업을 확장하며 성장하고 있다는 점을 강조한다.
Cloud AI · Glossary · Aug 12
용어
웨이퍼 레벨 번인(Wafer-level burn-in)
반도체를 패키징하기 전에 웨이퍼 상태에서 고온·전기적 스트레스를 가해 초기 불량을 걸러내는 신뢰성 시험입니다. 패키지 단계보다 더 일찍 결함을 선별해 수율과 신뢰성을 높이는 데 쓰입니다. 출처AI 프로세서(AI processor)
인공지능 연산, 특히 행렬 연산과 추론/학습을 효율적으로 처리하도록 설계된 전용 또는 가속형 프로세서입니다. 일반 CPU보다 AI 워크로드에 최적화된 구조를 갖는 경우가 많습니다. 출처실리콘 포토닉스(Silicon photonics)
실리콘 기반 공정으로 광신호를 다루는 집적회로 기술로, 데이터 전송이나 통신에서 전기 신호 대신 빛을 활용합니다. 고대역폭·저전력 연결이 중요한 데이터센터와 통신 장비에서 많이 논의됩니다. 출처메모리 반도체(Memory semiconductor)
데이터를 저장하는 반도체 소자로, DRAM이나 NAND 플래시 같은 제품군을 포함합니다. 문맥상 번인 시스템이 적용되는 주요 타깃 시장 중 하나입니다. 출처프리마켓(premarket)
미국 증시의 정규장 개장 전 거래 시간대를 뜻합니다. 뉴스 반영으로 정규장 시작 전 주가가 움직일 때 사용되는 거래 용어입니다. 출처
장문의 글 요약은 잘하는데,
정작 “그래서 이 개념들이 어떻게 연결되는 건데?”에서 막히는 경우 많음.
GitHub 2.8k Star ai-knowledge-graph는
보고서나 회의록, 기술 문서를 넣으면
내용을 개체 → 관계 → 개체로 풀어서 지식 그래프로 만들어줌.
그냥 요약문 몇 줄 주는 게 아니라
누가 무엇과 연결되는지, 핵심 개념이 어디에 모여 있는지
확대·필터·클릭으로 직접 따라갈 수 있음.
중복 개념은 최대한 합치고,
원문에 있는 관계인지 AI가 추론한 관계인지도 구분해줌.
OpenAI API 형식과 호환되고
Ollama·LM Studio·vLLM 같은 로컬 모델도 연결 가능.
연구 보고서, 회의록, 복잡한 기술 문서 볼 때
문단 100개 읽는 것보다 이걸로 구조부터 잡는 게 빠를 수 있음.
Github https://github.com/robert-mcdermott/ai-knowledge-graph…
☕️ X 크리에이터 수익화, 오늘부터 판이 바뀝니다. 🚨
기존 Revenue Share는 신규 신청을 중단했고,
기존 참여자는 9월 7일까지 기존 방식으로 정산됩니다.
9월 8일부터는 새 프로그램 Original Content Rewards(OCR) 신청이 시작됩니다.
이제 리포스트·저가치 답글·퍼온 글·대량 AI 자동 포스팅만으로 수익 내기는 훨씬 어려워질 듯합니다.
핵심은 Premium 유저의 홈 타임라인에 노출된 내 원본 콘텐츠입니다.
새 신청 조건
→ Premium / Premium+ 구독
→ 인증 팔로워 500명 이상
→ 최근 90일 인증 유저 홈 타임라인 노출 50만 회
기존의 “총 500만 노출”에서 숫자는 줄었지만, 인증 유저의 홈 노출만 인정된다면 체감 난이도가 꼭 낮아졌다고 보긴 어렵습니다.
기존 조건을 이미 채웠던 분들은 9월 8일 이후 Creator Studio 신청 탭을 꼭 확인해보세요.
☕️ 화면 녹화, 아직도 여러 SaaS를 전전하고 계신가요?
GitHub 20.6K Star의 “Cap”은
녹화 → 편집 → 공유 → 피드백을 한곳에 담은 오픈소스 Loom 대안입니다. 🎥
급하게 공유해야 한다면 「Instant Mode」.
녹화 중에도 업로드가 진행돼서, 종료 버튼을 누르는 즉시 공유 링크가 생성됩니다.
조금 더 완성도 있는 영상이 필요하다면 「Studio Mode」.
로컬로 녹화한 뒤 트리밍, 배경 추가, 화면 줌, 자막 작업까지 하고 파일로 내보낼 수 있어요.
협업 기능도 꽤 탄탄합니다.
→ 영상 아래에 댓글·리액션 남기기
→ AI가 자막, 제목, 요약, 챕터 자동 생성
→ 시청 데이터 확인
→ 팀 워크스페이스·커스텀 도메인 지원
→ 기존 Loom 영상 가져오기
S3, Cloudflare R2, Backblaze B2, MinIO 같은 S3 호환 스토리지를 연결할 수도 있고,
민감한 녹화본은 로컬에만 보관하거나 Docker로 전체 서비스를 직접 호스팅할 수도 있습니다. 🔒
“무료인데 녹화만 되는 툴”이 아니라,…
☕️ 저장해두면 계속 쓰게 되는 실용 사이트 30곳 🔖
브라우저에서 바로 쓰는 Photoshop. PSD 편집도 가능합니다.
임시 가입용으로 유용한 일회용 이메일.
PDF·이미지·영상·파일 작업을 한곳에서.
사라진 페이지나 웹사이트의 과거 버전을 찾아볼 때.
유료 소프트웨어의 무료 대안을 찾을 때.
보고 싶은 영화나 시리즈를 어디서 볼 수 있는지 확인.
저작권이 만료된 고전 도서를 무료로.
MIT 강의 자료를 무료로 볼 수 있습니다.
수학·데이터·과학 질문에 강한 계산 엔진.
이미지 배경을 한 번에 제거.
사진 속 사람이나 불필요한 물체 지우기.
영상이나 GIF 배경을 손쉽게 제거.
화질 손실을 줄이며 이미지 용량 압축.
손그림 느낌의 다이어그램·화이트보드.
코드를 보기 좋은 이미지로 만들어줍니다.
전 세계 항공편을 실시간으로 확인. ✈️
Amazon 상품의 가격 변동 추적.
☕️ 80페이지짜리 PPT를 AI에 넣을 때 진짜 걱정되는 건
AI가 내용을 못 읽는 게 아닙니다.
제목 순서가 꼬이고, 표가 무너지고, 이미지 설명이 사라져서
결국 사람이 다시 정리해야 하는 상황이죠.
Firecrawl이 최근 오픈소스로 공개한 “AnyDoc”은
Word, PPT, Excel, PDF, EPUB, CSV 등 14가지 형식의 문서를
깔끔한 Markdown으로 통일해주는 도구입니다. 📄
핵심은 외부 서비스나 AI 모델에 의존하지 않는다는 점.
로컬에서 바로 전환할 수 있고,
웹 체험판도 브라우저 내부에서 실행돼 파일이 외부 서버로 업로드되지 않습니다. 🔒
제목, 테이블표, 목록, 각주, 발표자 노트 같은 문서 구조도
Markdown으로 최대한 보존합니다.
공식 벤치마크 기준 문서 1개 변환의 중앙값은 4.4ms.
Claude Code나 Codex에 Skill로 설치해두면
Agent가 사무 문서를 만나도 먼저 Markdown으로 변환한 뒤 읽을 수 있어
매번 내용을 복사해 넣을 필요가 없습니다.
다만 스캔본 PDF는 예외입니다.
1 / 2
이미지는 자주 만드는데
1
이미지는 자주 만드는데
정작 프롬프트가 가장 막막한 사람들 많음.
매번 처음부터 어떻게 써야 할지 고민하다가
시간 다 쓰는 경우도 많고.
이럴 때 꽤 편해 보이는 게 Promptcard임
원하는 이미지를 넣으면
그걸 바로 프롬프트로 바꿔주고,
그걸 참고해서 조금만 수정한 뒤
바로 Image2 같은 툴에 붙여넣어 쓰는 방식.
즉,
매번 처음부터 프롬프트를 짜는 게 아니라
이미지 → 프롬프트 → 수정 → 재사용
이 흐름으로 훨씬 빨라짐.
이런 유형의 툴은
프롬프트 감각이 부족한 사람보다
오히려 이미지 작업 많이 하는 사람한테 더 체감이 클 수도 있음.
좋은 이미지를 다시 좋은 프롬프트로 바꿔서,
작업 속도를 확 줄여주는 툴임.
https://
promptcard.net
#AI #AICaffeine #Image2 #Prompt
{{IMAGE_0}}
2
다만 하나 참고할 점은 있음.
현재는
무료 크레딧이 일부만 제공되는 방식이라
계속 쓰려면
직접 충전하거나
본인 API를 연결해야 함.
완전 무제한 무료 툴은 아니라는 점은
미리 알고 들어가는 게 좋을 듯.
{{IMAGE_1}}
{{IMAGE_2}}
1 / 3
주씨노트 토큰을 가장 아끼는 방법일까여 Jun 18
고선 GoSun | AI 바이브코딩 생각지도 못한 부분 적용해 봐야겠네요 배워갑니다. Jun 22
More cool stuff in the paper!
This was a project led by me,
@DavidSchmotz
and
@iliaishacked
together with
@JSchaeff3r
@lbeurerkellner
@AmyPrb
@jonasgeiping
@maksym_andr
at the
@MATSprogram
Paper: https://arxiv.org/abs/2608.09867
Reasoning examples: https://stolen-thoughts.com
AI로 만든 웹 화면이 어딘가 비슷해 보이는 이유는, 모델의 문제가 아니라 ‘디자인 판단’을 넘겨버렸기 때문일 수 있습니다.
Hallmark는 Claude Code·Cursor·Codex에 넣어 쓰는 오픈소스 디자인 스킬입니다. 흔한 AI식 결과물을 피하고, 계층·타이포그래피·여백·색상에서 더 의도적인 선택을 하도록 돕습니다.
결국 AI 시대에 더 희소해지는 건 화면을 만드는 속도가 아니라, 무엇을 덜어낼지 결정하는 감각일지도요.
프로젝트: github.com/Nutlo…
AI가 만든 디자인에서 가장 먼저 걸리는 지점은 무엇인가요?
github.com
GitHub - Nutlope/hallmark: Anti-AI-slop design skill for Claude Code, Cursor, and Codex.
https://github.com/Nutlope/hallmark
최신 연구에 따르면 우리가 사용하는 알고리즘에도 국적이 있는데, 어이없게도 그 나라는 일본입니다.
기존 통설에 따르면 영어 데이터량이 압도적이기 때문에 대형 언어 모델이 서구권, 특히 영미권 중심의 시각을 많이 반영한다는 우려가 지배적이었습니다.
하지만 특정 국가나 지역을 명시하지 않은 문화 관련 질문, 예를 들어 “이 지역에서는 어떤 음식을 매일 먹나요?", "몇 살에 학교에 진학하나요?" 같은 맹탕한 질문을 할 때, 제미나이와 ChatGPT를 포함해 테스트한 주요 모델 8개 중 6개 모델이 일본의 문화적 사례(식문화, 생활 양식 등)를 가장 빈번하게 자동 선택하는 기현상이 확인되었는데, LLM이 스스로 일본을 기본값 모델로 가정한다는 겁니다.
우리가 중립적이라고 믿는 알고리즘조차 데이터의 구축과 정렬 과정에서 생겨나는 편향과 디지털 데이터 생태계의 불균형을 그대로 투영할 수밖에 없다는 것, AI가 주는 깔끔한 답변 뒤에 숨겨진 기본값이 무엇인지를 한 번쯤 의심해봐야 합니다.
1 / 3
아래 arXiv 링크를 통해 원문 PDF 및 관련 상세 내용을 확인하실 수 있습니다.
Cloud AI · Summary · Jul 23
최신 연구는 대형 언어 모델이 문화 관련 질문에서 중립적인 답을 내놓는 것처럼 보여도, 실제로는 일본을 기본값처럼 선택하는 경향이 있다는 점을 보여줍니다. 기존에는 영어 데이터 비중 때문에 서구권, 특히 영미권 편향이 클 것이라는 우려가 있었지만, 이번 테스트에서는 오히려 여러 주요 모델이 일본의 식문화와 생활양식을 가장 자주 자동 선택했습니다. 이는 AI의 답변이 데이터 구축과 정렬 과정에서 생긴 편향을 그대로 반영할 수 있음을 시사합니다. 결국 우리가 믿는 알고리즘의 “기본값”이 무엇인지 경계하며, AI의 출력 뒤에 숨은 문화적 편향을 의심해볼 필요가 있다는 메시지입니다.
Cloud AI · Custom Prompt · Jul 23
🔎 신뢰성 점검
빠른 판정
- 핵심 사실: 논문이 실제로 존재하고, LLM들이 문화 관련 모호한 질문에서 일본을 자주 참조한다는 방향의 결과는 원문과 대체로 맞습니다.
- 작성자 해석: “알고리즘에도 국적이 있다”, “일본이 기본값이다”는 연구 결과를 비유적으로 강하게 풀어쓴 해석입니다.
- 출처 상태: 원문 링크 있음 · 내용 확인됨
- 전체 주의 수준: 보통
주의할 표현
“최신 연구에 따르면 우리가 사용하는 알고리즘에도 국적이 있는데, 어이없게도 그 나라는 일본입니다.”
- 분류: 🟠 과장·후킹 + 🟣 의견·해석
- 이유: 논문은 국가적 “국적”을 가진다고 말하지 않고, 특정 문화 질문에서 일본을 자주 선택하는 경향을 관찰합니다. 비유가 강해져 사실처럼 읽힐 수 있습니다.
- 근거 상태: 원문 확인됨 · 표현이 원문보다 강함
- 판정 신뢰도: 높음
“기존 통설에 따르면 영어 데이터량이 압도적이기 때문에 대형 언어 모델이 서구권, 특히 영미권 중심의 시각을 많이 반영한다는 우려가 지배적이었습니다.”
- 분류: 🔵 사실 주장 + 🔴 출처 부족
- 이유: 일반적 배경 설명이지만, 이 게시물 안에는 해당 ‘통설’이나 ‘우려’를 뒷받침하는 직접 출처가 없습니다.
- 근거 상태: 원문 링크 없음 · 게시물 내 근거 미제시
- 판정 신뢰도: 보통
“제미나이와 ChatGPT를 포함해 테스트한 주요 모델 8개 중 6개 모델이 일본의 문화적 사례(식문화, 생활 양식 등)를 가장 빈번하게 자동 선택하는 기현상이 확인되었는데”
- 분류: 🔵 사실 주장 + 🔴 출처 부족
- 이유: 원문은 8개 프론티어 모델을 평가했다고 확인되지만, 게시물의 “8개 중 6개”와 “가장 빈번하게 자동 선택”이라는 수치·표현은 원문에서 바로 확인되는 형태로 제시되지 않았습니다. 비교 기준과 집계 방식도 이 문장만으로는 불명확합니다.
- 근거 상태: 원문 링크 있음 · 세부 수치/표현은 직접 대조 미흡
- 판정 신뢰도: 보통
“LLM이 스스로 일본을 기본값 모델로 가정한다는 겁니다.”
- 분류: 🟣 의견·해석
- 이유: 논문은 일본 선호 경향을 보고하지만, 모델이 “기본값”으로 일본을 가정한다고 단정하진 않습니다. 관찰 결과를 해석한 문장입니다.
- 근거 상태: 원문 확인됨 · 해석 강함
- 판정 신뢰도: 높음
“우리가 중립적이라고 믿는 알고리즘조차 데이터의 구축과 정렬 과정에서 생겨나는 편향과 디지털 데이터 생태계의 불균형을 그대로 투영할 수밖에 없다는 것”
- 분류: 🟣 의견·해석
- 이유: 논문은 post-training/instruction 단계에서 편향이 유입될 수 있다고 시사하지만, “투영할 수밖에 없다”는 표현은 일반화가 강합니다.
- 근거 상태: 원문 확인됨 · 결론이 강화됨
- 판정 신뢰도: 높음
“AI가 주는 깔끔한 답변 뒤에 숨겨진 기본값이 무엇인지를 한 번쯤 의심해봐야 합니다.”
- 분류: 🟣 의견·해석
- 이유: 주장이라기보다 독자에게 던지는 평가/권고입니다.
- 근거 상태: 원문과 직접 대응되지 않음
- 판정 신뢰도: 높음
원문·출처 관계
- 원문 링크: https://arxiv.org/abs/2604.21751
- 원문 확인 여부: 확인됨
- 원문보다 강해진 표현: “국적”, “기본값”, “기현상”, “어이없게도” 같은 표현이 연구 결과보다 더 단정적입니다.
- 추가로 확인할 원출처: 논문 본문 Figure/Table에서 “8개 모델 중 6개”라는 집계가 실제로 어떻게 산출됐는지, 그리고 어떤 기준으로 “일본의 문화적 사례”가 가장 빈번하다고 본 것인지 확인 필요합니다.
결론
이 게시물은 “LLM 문화 편향을 다룬 논문이 있다”는 점과 “일본 관련 참조가 많이 나온다”는 큰 방향은 참고할 수 있습니다. 다만 이를 “알고리즘의 국적이 일본”이라는 식의 사실 진술로 받아들이면 안 되고, 특히 수치와 비교 기준이 생략된 부분은 원문 기준으로 다시 확인해야 합니다.
분석 태그
#사실주장 #의견포함 #과장가능성 #출처부족 #원문미확인
adult East Asian woman in her twenties, Japanese ethnicity, long straight black hair with bangs, pouting expression, standing and taking a mirror selfie, wearing a white sleeveless high-neck top featuring an intricate sheer floral lace panel on the chest revealing skin underneath, paired with a tight grey mini wrap skirt that hugs her curves, holding a black smartphone, soft indoor lighting, plain light beige wall background, medium shot, sharp focus, high resolution.
Linux do:https://linux.do/
nodeseek:https://www.nodeseek.com/
3.appstreprice:https://appstoreprice.org/zh/apps
分享几个实用的工具网站
- Linux do： AI 订阅羊毛信息大多出自这里。
大佬太多了，很多 X 作者也是从这里搬运的。
2.nodeseek： 活跃度最高的 VPS 中文社区。
可以看不同品牌/VPS 的实测结果，也可以交易。
现在性价比最高的机子还是 DMIT的http://Lax.AN4.Pro.TINY
3.Appstoreprice： 全球 app store 应用/订阅比价
以前尼区和土耳其性价比突出，现在涨价了。
链接放在评论区了。
很难想象Serenity现在仍然多次公开看好一支股票
要知道现在serenity已经坐拥90万+的粉丝，影响力已经是另一个量级了，要公开看好一个还未爆发增长的小盘股需要多大的能量和信心呢？
而且她不跟你打谜语，就是看好机器人赛道，且看好其中的Agility Robotics $CCXI ，把看好的原因都告诉你了
Respect！白毛股神 @aleabitoreddit 🫡
Cloud AI · Summary · Jul 9
Serenity는 로봇산업이 다음 큰 흐름이자 미국의 국가 안보 과제가 될 것이라며, 특히 로보틱스와 휴머노이드 공급망의 미국 내 자립이 중요하다고 강조했다. 중국이 전 세계 로봇 배치의 54% 이상을 차지하는 상황에서, 국가 차원의 로보틱스 전략과 안전 규제, 그리고 물리 세계 데이터를 축적할 수 있는 인프라가 필요하다는 입장이다. 또한 미국산 부품 비중이 높아 초기 원가가 다소 높더라도 공급망 측면에서 유리한 Agility Robotics를 선호한다고 밝혔다. 전체적으로 이 글은 로보틱스가 곧 본격적으로 커질 분야이며, 투자와 정책 모두에서 미국 중심 생태계 구축이 핵심이라는 메시지를 전한다.
我这些年反复讲过，让AI Agent好好写代码，所有的秘诀都写在了1990年代的教材里：
踏踏实实写test，多写test，让test coverage尽可能高
认真做好CI/CD，千方百计避免messed up
对于一个新项目，做好top-down design（specs driven），从features和requirement出发，设计architecture 和 interface，一层一层设计下去
对于一个快速增长的项目，先切分好文件，再切分好module，再划分成一堆service或者executives，提前解耦
对于一类的功能，提前做好design pattern的功课，减少重复，增加复用
如果codebase足够大，要么一点点修复但是提高test coverage，要么保持好specs、test、interface直接推倒重写，有空就重写， 永远重写，重写重写重写
近两年人类做的事情，就是把上面这些东西重新实践了一遍。
A few resources on harness engineering I'm really enjoying learning from recently:
https://walkinglabs.github.io/learn-harness-engineering/en/ - excellent course that covers how to constrain agent behavior in a productive way, what the challenges are using LLMs especially maintaining context, and how to make the harness more agentic and work to the proper conclusion of a task
https://twotimespi.dev/ - build a simplified agent in Python (Tau).
Cloud AI · Summary · Jul 9
이 글은 코딩 에이전트를 제대로 만들기 위해서는 모델 자체보다 하니스(harness) 엔지니어링을 이해하는 것이 중요하다고 강조합니다. 작성자는 특히 Tau라는 간단한 파이썬 코딩 에이전트를 통해 모델 출력 스트리밍, 도구 호출, 세션 관리, 터미널 UI 확장 같은 핵심 구조를 단계적으로 배울 수 있다고 소개합니다. 함께 제시된 자료들은 에이전트의 행동을 유용하게 제약하는 방법, 문맥 유지의 어려움, 작업을 끝까지 수행하게 만드는 설계 원칙을 다룹니다. 핵심 takeaway는 복잡한 에이전트를 만들 때는 숨은 마법이 아니라, 잘 설계된 하니스와 여러 구성 요소의 조합이 성패를 좌우한다는 점입니다.
저는 투자할 때 MTS를 켜지 않습니다.
이제는 Codex를 켜고 모든 걸 해결합니다.
tradingcodex는 코덱스를 나만의 자산운용사로
바꿔주는 오픈소스입니다.
최근 스타수가 빠르게 증가하고 있습니다.
리서치부터 포트폴리오/리스크 관리, 증권사/거래소 연동 등 투자에 필요한 대부분의 업무를 에이전틱하게 수행할 수 있습니다.
1/
처음엔 아래 스킬만 기억하면 됩니다.
$tcx-workflow
→ 종목 리서치, thesis review, Decision Package, 포트폴리오 적합성, 리스크 리뷰
$strategy-creator
→ 나만의 투자 규칙을 reusable strategy skill로 만들기
$tcx-build
→ 브로커/provider 연동, capability profile, execution boundary 확장
한마디로, Codex를 투자 리서치/운용 OS처럼 쓰기 위한 구조입니다.
Cloud AI · Summary · Jul 9
TradingCodex는 코덱스를 투자 리서치와 운용을 수행하는 에이전틱 오퍼레이팅 시스템으로 바꾸는 오픈소스 프로젝트이며, 최근 주목도가 빠르게 높아지고 있다고 소개한다.
핵심은 하나의 모델이 모든 판단을 맡는 방식이 아니라, head-manager가 요청을 해석한 뒤 fundamental, technical, news, macro, valuation, portfolio, risk 같은 전문 에이전트에게 역할을 분담하는 구조다.
요청 유형에 따라 필요한 워크플로가 달라지며, 연구에서 시작해 밸류에이션, 포트폴리오 적합성, 리스크 검토로 확장되거나 되돌아가는 동적 흐름을 지원한다.
또한 Decision Package에 가정, 근거, 반대 증거, 후속조치, 무효화 조건을 기록해 결정 과정을 구조화하고 추적 가능하게 만든다.
judgment-reviewer가 결과를 다시 검토하며 출처 신뢰도, 과신 여부, 반대 근거, 업데이트 조건을 점검해 품질을 높인다.
전체적으로 이 글은 TradingCodex가 투자 판단을 자동화하는 도구라기보다, 리서치와 검증, 승인, 실행을 분리해 더 안전하고 재사용 가능한 투자 운영 체계를 만드는 데 초점을 둔 프로젝트라고 설명한다.
Meta가 8년 묵힌 사내 디자인 시스템을 통째로 오픈소스로 풀었습니다.
이름은 Astryx. 사내 13,000개 이상의 앱을 지탱하던, Meta에서 가장 많이 쓰이는 디자인 시스템입니다.
그런데 발표문에서 가장 눈에 띈 단어는 컴포넌트 개수가 아니라 "agent ready"였어요 🧵
1/ 우선 Astryx스펙부터.
- 컴포넌트 150+ (접근성 대응)
- 브랜드 테마 + 다크모드
- 배포 가능한 템플릿 + CLI
- React + StyleX 기반, MIT 라이선스
테마 이름이 neutral, butter, chocolate, matcha, y2k... 대기업 디자인 시스템 맞나 싶게 힙합니다.
2/ 진짜 포인트는 설계 철학입니다.
"사람과 AI 에이전트가 같은 문서, 같은 CLI, 같은 컨벤션으로 빌드한다."
다니엘쌤 김명호 | 작심삼일 탈출 영어코치 소중한 정보 공유해주셔서 감사합니다 Jul 3
클로드코드 창시자 : AI 시대의 다섯 가지 일하는 사람의 패턴(원형)이 있다.
클로드 코드 팀을 관찰하며 얻은 인사이트인데, 매우 흥미롭습니다.
앞으로의 제품 조직의 미래는 과연 어떻게 될까요?
1 / 12
키워드마스터 웹이 사라질꺼같아요 ㅎㅎㅎ Jul 3
마음공학 엔지니어 | 베비투스 스위퍼가 제일 재미없겠다 Jul 3 1 like
Just dropping these 3 slides from Agility Robotics ( $CCXI ) presentations.
For the US robotic program doomposters:
“75% of parts” - sourced from the USA
Just eyeballing the graph, looks like <$30k BOM mass production.
People were just looking at the ~$145K cost.
- 10,000 RoboFab capacity, and they build in Salem/Pittsburgh/Fremont (USA).
So looks like majority US supply chains with targets of <$30K mass production
It does help they’re backed by $AMZN / SoftBank / Foxconn / $NVDA as investors to get this done.
Just personal thoughts as a shareholder in $CCXI (NFA):
My personal biggest fear were US humanoid leaders like $TSLA were just building out their entire supply chains in China.
So US robotics could just be export controlled/halted down the road.
eg. South China Morning Post: ‘Optimus chain’: Chinese suppliers form the backbone of Tesla’s humanoid robot initiative and engaged with hundreds of Chinese component suppliers.
1 / 3
Cloud AI · Summary · Jul 5
Agility Robotics의 자료를 근거로, 글쓴이는 미국산 부품 비중이 높고 대량생산 시 BOM 원가가 3만 달러 이하로 내려갈 가능성이 보이며, RoboFab의 1만 대 규모 생산능력까지 고려하면 미국 내 로봇 공급망 구축이 현실적일 수 있다고 본다. 이는 테슬라처럼 중국 공급망에 크게 의존하는 미국 휴머노이드 로봇 프로그램에 대한 우려를 덜어주고, 미국·서방 기반 로봇 산업의 경쟁력과 자립 가능성을 검증하는 사례가 될 수 있다는 메시지다. 결국 글쓴이는 상장 기대가 있는 Agility를 미국 휴머노이드 상용화의 유망한 투자처로 보고 있다.
Cloud AI · Glossary · Jul 5
용어집
BOM
제품을 만들 때 필요한 원재료, 부품, 하위 조립체와 각 수량을 정리한 명세서입니다. 제조 원가 산정, 조달, 생산 계획에 쓰입니다. 출처EVT (Engineering Validation Test)
설계가 실제 생산용 재료와 공정으로 만들었을 때 기능적으로 동작하는지 검증하는 단계입니다. 시제품을 통해 설계 결함과 성능 문제를 초기에 찾아내는 데 목적이 있습니다. 출처비가출원(Nonprovisional) 특허출원
미국 특허에서 심사를 받는 정식 특허출원입니다. 청구항과 필요한 서류를 포함해야 하며, 심사를 거쳐 특허로 등록될 수 있습니다. 출처휴머노이드 로봇
사람의 형태를 본뜬 로봇으로, 보통 사람과 유사한 형상과 동작을 목표로 설계됩니다. 사람과 같은 환경에서 작업하도록 만들어지는 경우가 많습니다. 출처
Cloud AI · Summary · 6d ago
Agility Robotics(CCXI)의 발표 슬라이드를 근거로, 부품의 75%를 미국 내에서 조달하고 양산 시 BOM 원가가 3만 달러 미만이며 Salem/Pittsburgh/Fremont 공장에서 연 1만 대 생산능력(RoboFab)을 갖춘다는 점을 들어 미국 중심 공급망이 가능함을 강조하고 있다. 이는 테슬라 옵티머스처럼 중국 공급망에 깊이 의존해 수출 통제 리스크에 노출된 경쟁사들과 대비되며, 아마존·소프트뱅크·폭스콘·엔비디아의 투자를 등에 업은 Agility가 "메이드 인 아메리카" 휴머노이드 로봇의 유효성을 입증할 잠재력이 있다는 것이 핵심 메시지다. 저자는 테슬라·Figure·Agility·보스턴다이내믹스·Apptronik을 미국 휴머노이드 상업화 선두주자로 꼽으면서, 투자자로서 비적대적이고 상장이 임박한 Agility에 대한 기대감을 드러낸다.
Fable 5 토큰 아끼는 방법은
Fable한테 코드를 못 짜게 하면 됩니다.
Fable 5는 지금 쓸 수 있는 모델 중에서도 비싼 모델입니다.
그런데 이 모델한테 보일러플레이트 짜고, 테스트 돌리고, 포매팅까지 시키면?
비싼 토큰이 제일 싼 일에 녹습니다.
그래서 핵심은 이겁니다.
Fable은 지휘만 한다.
손과 발은 다른 저렴한 모델들한테 시킨다
1)
구조는 간단합니다.
Fable 5를 메인 모델로 두고, reasoning effort를 최대로 올립니다.
다만 역할은 코더가 아닙니다.
Fable은 오케스트레이터입니다.
즉, 작업을 계획하고, 쪼개고, 배분하고, 마지막에 종합합니다.
코드를 직접 만지는 역할이 아니라
누가 어떤 일을 할지 정하는 역할입니다.
그 밑에 서브에이전트를 둡니다.
첫 번째는 deep-reasoner.
이 역할은 Opus 고정입니다.
맡는 일은 이런 것들입니다.
- 아키텍처 설계
- 복잡한 디버깅
- 알고리즘 판단
- 추론이 무거운 결정
쉽게 말하면,
머리 많이 써야 하는 문제 담당입니다.
2)
두 번째는 default-worker.
이 역할은 Sonnet 고정입니다.
맡는 일은 이런 것들입니다.
- 보일러플레이트 작성
- 테스트 코드 작성
- 리팩터링
- 포매팅
- 중간 단계 구현
즉, 실제 손발 역할입니다.
Fable이 “무엇을 해야 하는지” 정하면,
Sonnet이 “실제로 구현”합니다.
여기에 가벼운 작업용으로 task-worker를 둡니다.
이 역할은 Haiku가 맡습니다.
간단한 수정, 작은 파일 정리, 반복 작업처럼
굳이 비싼 모델을 쓸 필요 없는 일은 Haiku에게 넘깁니다.
핵심은 이겁니다.
비싼 모델은 판단에만 쓴다.
싼 모델은 실행에 쓴다.
5)
의외의 네 번째 멤버가 있습니다.
Codex입니다.
Claude Code에 OpenAI 공식 Codex 플러그인을 붙여도 되지만 플러그인 설치없이 갑벼게 codex exec 명령으로 불러서 사용할 수도 있습니다.
Cloud AI · Glossary · Jul 3
오케스트레이터 (Orchestrator)
멀티에이전트 시스템에서 전체 작업을 계획하고, 하위 에이전트들에게 세부 작업을 배분하며 결과를 종합하는 중앙 조율 역할의 AI 에이전트. 직접 실행하지 않고 "누가 무엇을 할지"를 결정한다. 출처
서브에이전트 (Sub-agent)
오케스트레이터로부터 특정 작업을 위임받아 독립적인 컨텍스트 윈도우 내에서 실행되는 하위 AI 에이전트. 각각 별도의 모델, 시스템 프롬프트, 도구를 가질 수 있으며, 처리 결과만 상위 에이전트에 반환한다. 출처
Reasoning Effort (추론 강도)
AI 모델이 응답 생성에 투입하는 연산 자원의 수준을 조절하는 파라미터. 높을수록 출력 품질은 올라가지만 속도가 느려지고 토큰 비용이 증가한다. Claude에서는 high, xhigh 등의 옵션으로 설정한다. 출처
보일러플레이트 (Boilerplate)
소프트웨어 개발에서 거의 변경 없이 반복적으로 사용되는 표준화된 코드 블록. 창의적 판단이 필요 없는 단순 반복 작업에 해당하므로, 이 글에서는 저렴한 모델에 위임해야 할 작업으로 분류된다.
컨텍스트 (Context Window)
AI 모델이 한 번의 추론에서 처리할 수 있는 입력 토큰의 최대 범위. 오케스트레이터의 컨텍스트가 커질수록 매 턴마다 소비되는 고가의 입력 토큰 수가 늘어나므로, 지휘자 역할 모델의 컨텍스트는 가볍게 유지하는 것이 비용 효율적이다. 출처
사주다이소 좋은인사이트네요 Jul 2 1 like
hanaseru_gorilla 코드짜는것은 그럼 어드단계의 모델정도면될까요? 오퍼스면될까요!? Jul 3
reasons why you should save & bookmark the post:
you will need it
easy access to it later
you will definitely thank yourself later
REPO LINK: https://github.com/cobusgreyling/loop-engineering
GitHub - cobusgreyling/loop-engineering: Practical patterns, starters & CLI tools for loop engine...
I Made My Hermes Agent 10x Faster Without Changing the Model
Last week I read about an AI that designed a vaccine fighting coronaviruses we haven’t even encountered yet (ScienceDaily). Cambridge ran the first human trial, and 39 volunteers received the antigen.
It’s crazy to think that an algorithm analyzed the entire genetic family of a virus and engineered protection against members still circulating in animals and waiting to jump. But when I ask it to fetch my latest brief from a list of docs, it can spend nearly two minutes opening the wrong files in my vault just to show me a brief from three months ago.
And I know Cambridge uses a custom trained AI, but what I want to show you is that the gap between what AI can do and what a setup lets it do is what makes or breaks your workflow and productivity.
I never built scaffolding on purpose, until recently. It piled up around the agent by accident, folder by folder, until the agent lost its way inside a mess I shaped for myself.
1 / 11
📌 AI 시대 찐 고수와 바이브코더, 결과물이 아니라 질문 하나로 구분된다는 거 알고 있었음 (이거 모르면 본인이 어느 쪽인지도 모름)
•행복경로 vs 실패경로 (구분선은 여기임)
•착각 효과 (빨라졌다고 느끼는데 실제론 느려짐)
•검증 능력 (같은 도구, 다른 결과)
고수는 “안 되는 경우”를 먼저 물어봄 찐 고수와 바이브코더를 가르는 질문은 딱 하나다, “이거 언제 깨지는데?” 바이브코딩으로 만든 코드가 일관되게 빠뜨리는 게 엣지케이스, 에러 처리, 예외 로직이라고 한다. 근데 이게 AI가 까먹어서가 아니다, 개발자가 애초에 그걸 명세하지 않아서다. 시스템의 실패 방식을 모르는 사람은 그걸 요구할 수도 없다는 거임. 데모는 행복경로(해피패스)에서 돌아가지만, 프로덕션의 실력은 안 행복한 경로에서 드러난다.
바이브코더의 제일 무서운 특징은 “빨라졌다는 착각” 2025년 무작위대조시험(RCT) 하나가 업계를 뒤집었다. 숙련된 오픈소스 개발자들에게 AI 도구를 쓰게 했더니 작업 완료 시간이 오히려 19% 늘었다, 근데 정작 본인들은 24% 빨라질 거라고 예측했었다.
단숨에 354개의 스킬을 에이전트에 꽂아주는 저장소가 있음 👀
「claude-skills」
지금 GitHub에서 이미 19.6k stars.
평소 Claude Code, Codex, Cursor 같은 툴 쓸 때
의외로 힘 빠지는 건 모델이 못해서가 아니라
내가 직접 프롬프트 짜고, 흐름 보정하고, 역할 나누고,
실행 방식을 정리해야 한다는 점임.
이 저장소는 그걸 엄청 직설적으로 해결함.
350+ skills
30+ agents
21개 /cs:* custom commands
이걸 한 번에 정리해둬서
마케팅 카피 쓰기, 컴플라이언스 체크, 비즈니스 분석 같은 작업도
그냥 맞는 skill 불러서 바로 쓰면 되는 구조.
좋은 점은
Codex, Gemini CLI, Cursor 포함해서
여러 코딩 에이전트 툴에서 같이 쓸 수 있다는 것.
즉, 한 번 세팅하면
여러 환경에서 거의 같은 방식으로 재사용 가능함.
이건 스킬 몇 개 추가하는 수준이 아니라,
AI 어시스턴트에 거의 만렙 스킬트리를 통째로 꽂는 느낌.
🔗GitHub:…
GitHub 又一款本地跑 AI 模型的开源新工具：Shimmy，直指 Ollama 的痛点。
单文件仅 5MB，却能提供快速、稳定的本地推理，并带完整的 OpenAI 兼容 API，接入成本几乎为零。
它用 Rust 打底，把性能榨到极致：启动不到 100ms、内存占用约 50MB。
项目地址：http://github.com/Michael-A-Kuykendall/shimmy
更省心的是开箱即用：无需配置、自动分配端口，还能自动发现模型来源——Hugging Face、Ollama 以及本地目录都支持。
对比 Ollama，在体积、启动速度、内存占用等关键指标上基本是“全线领先”。想体验更轻更快的本地推理，可以装一个试试。
Loop Engineering: The Karpathy Method - and the workflow that just made it 5x better
Most people use AI the same way they used Google in 2005
- Type something, read what comes back, type again
The AI sits there doing nothing until you push it - you are the engine - The AI is a wrench you pick up and put down between every turn.
That worked fine for two years. It does not work anymore.
The people getting 10x more out of AI right now are not writing better prompts and not using secret models.
They are building loops. And the person who made this idea impossible to ignore is Andrej Karpathy
This article will explain:
1 - from scratch what a loop is
2 - show you how to use them the way Andrej Karpathy does
3 - then describe a method to improve this approach by a factor of 5
4 - and provide tips for getting started.
Part 1 · The Basics
1.1 - What a loop actually is ?
https://pbs.twimg.com/media/HMJe3b6XkAA9hKr.png
A prompt is one instruction. You ask, you get an answer, you decide what to do next.
1 / 11
How To Become An AI Engineer in 2026 (Without a CS Degree)
Most people think you need a computer science degree to work in AI.
Save this :)
A small group of people figured out that the highest-paid building role in tech right now doesn't care what your diploma says. It cares what you've shipped.
The difference between those two groups is not credentials.
It is a portfolio.
An AI engineer is the person who builds the systems that connect large language models to real products. The support bot that actually resolves the ticket. The internal search that finds the answer buried in ten thousand documents. The agent that runs a multi-step workflow without a human babysitting it. This is not research. It is not training models from scratch. It is building production software with AI at the core, and it is one of the most in-demand jobs in the entire market.
Here is the part nobody told you. For the majority of these roles, a portfolio of shipped projects carries more weight than a degree.
How to set up Claude the right way:
(so you actually get the most out of it)
1 - Download this infographic. Send it to your team.
2 - Switch between chat vs. cowork vs. code.
3 - Pro tip: Use Cowork 80% of the time.
To download my entire Claude Cowork setup:
Step 1. Go to http://how-to-ai.guide.
Step 2. Subscribe for free. Don't pay anything.
Step 3. Open my welcome email (most skip this).
Step 4. Go to the mentioned Notion link.
Step 5. Open the "Claude Cowork" folder.
Bonus. Enjoy my best copy-paste prompts.
You now master Claude within 5 minutes.
尴尬了😅，Codex-memory 代码在本地Git了，没有同步到GitHub仓库，幸好今天有朋友提醒我，非常感谢！
所有之前拉取了代码的朋友，可以试着更新一下，效果是显著提升的：https://github.com/mcncarl/codex-memory
指导配置的Skill：https://github.com/mcncarl/yichen-skills/tree/main/codex-memory
GitHub - mcncarl/codex-memory: Public-safe Obsidian-first Codex memory template with SQLite indexing
One of the smartest things you can do with Hermes right now:
Use Obsidian to build a second-brain database that self-evolves over time.
Here's how to set it up in <5 minutes:
Step 1. Download Obsidian
Head to obsidian . md and download the desktopp app.
Create a new Obsidian vault (this is where all notes live locally).
Start dumping everything in here:
Business context
Personal goals
Meeting summaries
The more you put in, the more powerful it gets.
Step 2. Connect Hermes to your Obsidian vault
Open the new Hermes desktop app and paste this prompt:…
1 / 2
太牛逼了，我基于EverOS这套开源记忆框架重构了我的Codex记忆系统！现在不仅能跨项目记住重要事项、隔离Agent记忆和用户决策，还能最大程度上节省Token和自动沉淀有价值的Skill。（评论区附小白无脑复制提示词）
我原来的记忆系统基于Obsidian的md形式储存，现在加上了SQLite记录状态，本地索引的准确度大大提升。同时考虑到之后知识库扩大，还可以加入LanceDB做embedding语义搜索。
当然，我的Codex记忆系统的升级全都是@evermind伟大开源EverOS的功劳：
1.把Markdown作为唯一可信数据源，透明，人工修改控制容易，这和我本来的记忆系统底层不谋而合。
2.把用户记忆和 Agent 记忆分开，这一点做的特别好，不容易把人工决策和Agent数据搞混。
3.里面有自动化沉淀 cases / skills ，我借鉴这个做了个候选cases升级skills的机制，最大程度上压缩了重复步骤。
4.用 SQLite 存状态，我也偷偷学习了一手，现在本地索引更便捷、更省Token。
5.把历史经验沉淀成更短、更可复用形态的方向也给了我另一层启发——每次Codex对话结束修改的文件，都会加一层省查文件大小，看一下是否需要自动压缩文件，防止知识库臃肿。…
1 / 2
GLM 4.7 Flash · Summary · Jun 22
The author, 逸尘, has refactored their Codex memory system using the open-source EverOS framework.
Key improvements include:
- Data Storage: Switched from Markdown to SQLite for state and local indexing, with plans to integrate LanceDB for semantic search.
- Architecture: Implemented a five-dimensional retrieval system (user_id, agent_id, app_id, project_id, session_id) to separate user and agent memories.
- Efficiency: Introduced mechanisms to compress files and automatically upgrade candidate cases into reusable skills to save tokens and prevent database bloat.
- Compatibility: The system is designed to be platform-agnostic, usable with Claude Code, OpenClaw, or Herms.
The author links to the repository: https://github.com/EverMind-AI/EverOS
📌 진짜 멘탈 강한 사람들, 사실 특징 하나만 보면 바로 구분됨 (근데 이게 마냥 좋은 것만은 아니었음)
•현실 왜곡 없음
•감정의 주도권
•고독을 견디는 힘
•통제 가능한 것에만 집중
상황을 각색하지 않고 있는 그대로 받아들임 멘탈 강한 사람들의 제일 큰 특징은 정서적 성숙이다. 안 좋은 일이 생기면 사실관계, 피드백, 주변 조언을 있는 그대로 받아들인다, 유리하게 각색하거나 스스로에게 유리한 방향으로 기억을 바꾸지 않는다는 거다.
감정의 통제권을 절대 남에게 안 넘김 “저 사람 때문에 기분 나쁘다”는 말을 잘 안 쓴다고 한다, 이유는 자기 감정에 대한 반응은 결국 자기가 선택하는 거라고 보기 때문이다. 그러니까 경계(바운더리)를 명확히 긋고, 다른 사람이 자기 감정을 좌우하게 내버려두지 않는다. 여기서 반전 포인트, 멘탈이 강하다는 게 감정을 안 느낀다는 뜻이 아니라 오히려 감정을 정확히 인식하고 그 반응을 스스로 고른다는 뜻에 더 가깝다는 거임.
혼자 있는 시간, 침묵을 두려워 안 함 멘탈 강한 사람은 혼자 있는 걸 잘 견딘다고 한다, 침묵이 무섭지 않아서 그 시간을 오히려 생산적으로 쓴다.
this is f*cking gold
1
this is f*cking gold
someone just open sourced the entire "LOOP ENGINEERING" framework for free
if I had this a year ago, I would've shipped my first agent in a day instead of 2 weeks
bookmark before someone takes it down
in the right hands, this changes everything:
{{IMAGE_0}}
{{IMAGE_1}}
2
reasons why you should save & bookmark the post:
- you will need it
- easy access to it later
you will definitely thank yourself later
REPO LINK:
1 / 2
your AI agent can now read all of X from inside Claude, Cursor or Copilot, and you don't have to build a single thing to make it work.
X just turned on what's called a hosted MCP server, which is really just a ready-made bridge that lets your AI talk to X directly. Before this you had to build and run that bridge yourself, now X runs it for you.
once it's connected, your agent can:
→ search posts and look up any user
→ read and organize your bookmarks
→ pull data and draft articles
→ reach 200+ X tools through one link
it's read-only for now, so it can look things up but can't post for you yet.
what you get for $0:
→ nothing to build, host or keep running
→ no stitching 200 different tools together yourself
→ it works inside the AI app you already use
what it used to take:
→ writing and hosting your own bridge to X, basically a weekend of work
→ connecting the X API piece by piece
→ handling login tokens by hand in your code
how to set it up (about 5 minutes):…
바이브코딩하면서 쓰는 사이트
📌 Stitch - Design with AI
주소 : https://stitch.withgoogle.com/
무슨 사이트?
👉 앱이나 홈페이지 디자인을 AI가 대신 그려주는 사이트
할 수 있는 것
앱 화면 만들기
홈페이지 디자인 만들기
Figma로 내보내기
────────────────────
📌 Google AI Studio
주소 : https://aistudio.google.com/
무슨 사이트?
👉 Google AI랑 대화하면서 그림, UI, 영상 아이디어를 만드는 사이트
할 수 있는 것
앱 화면 아이디어
그림 만들기
로고 만들기
아이콘 만들기
AI 프롬프트 테스트
────────────────────
📌 Supabase
무슨 사이트?
👉 앱 뒤에서 데이터를 관리해주는 창고
할 수 있는 것
회원가입
로그인
데이터 저장
사진 저장
────────────────────
📌 Vercel
주소 : https://vercel.com/
무슨 사이트?
如今AI工具虽然多如牛毛，但绝大多数都是套壳换皮的平庸之作。
Gas哥分享的这8个，是真正有趣、有创意、能让你在体验时忍不住惊叹的作品哈。
1️⃣ AI换脸工具 http://reface.ai
只需上传一张你的照片，就能一键将你的脸融合到电影片段、热门GIF、名人影像或游戏角色中。想知道自己穿上钢铁侠战衣是什么画风？三秒即刻生成。
2️⃣ AI语义搜书 http://books.google.com/talktobooks
直接抛出“什么是幸福”这类抽象问题，它便能从数百万册书籍中，为你挖掘出语义最契合的段落。这并非简单的关键词匹配，而是真正意义上的语义理解，堪称读书爱好者的福音。
3️⃣ 实时变声器 http://voicemod.net
提供超过200种AI声音，兼容Discord、游戏、直播和Zoom等平台。想象一下，在会议中突然切换成机器人音色，绝对能让你的同事瞬间愣住。
4️⃣ AI纹身设计 http://tattoosai.com
苦于没有纹身灵感？只需输入你的想法，并挑选几何、水彩、点阵等风格，AI便能秒速生成原创图案。让你在纹身前先预览效果，比去店里口头描述高效得多。
5️⃣ AI历史照片 http://myheritage.com…
Fable 5 토큰 절약법. 👇
이런 분들 써보세요.
· Fable 5 켜두면 한도가 너무 빨리 닳는 분
· "좋은 모델한테 다 시키는 게 최선"이라고 생각했던 분
· ChatGPT 구독이 있는데 Codex를 안 쓰고 있는 분
핵심은 하나입니다.
제일 비싼 모델한테 일을 시키지 말고, 지휘만 시키는 겁니다.
제 셋업:
- Fable 5 = 오케스트레이터
/model에서 Fable 5 선택, effort는 max.
계획 짜기, 일 나누기, 결과 종합. 이것만 합니다.
- deep-reasoner = Opus 고정 서브에이전트
아키텍처, 어려운 디버깅, 알고리즘 설계.
머리 쓰는 일은 전부 여기로.
- fast-worker = Sonnet 고정 서브에이전트
보일러플레이트, 테스트, 포맷팅, 단순 수정.
잡일은 전부 여기로.
- Codex = 다른 관점의 동료
/plugin marketplace add openai/codex-plugin-cc
/plugin install codex@openai-codex
/codex:setup
중요한 결정은 같은 문제를 Opus랑 Codex한테 따로 던집니다.
서로 답을 안 보여주고, Fable이 둘의 최선만 종합합니다.
마지막으로 CLAUDE.md에 규칙을 박습니다.
"너는 오케스트레이터다. 추론은 deep-reasoner,
잡일은 fast-worker, 새 관점은 Codex에게."
이러면 Fable 토큰은 계획과 종합에만 나갑니다.
fable produced 60+ (!) ready to merge prs for @mainframe overnight.
here's how you can set up a software factory using fable as an orchestrator. prompt included!
narrate your entire todo list — everything that's top of mind — using dictation. i used @usemonologue and my prompt was ~10K words! you have to use voice because we want excruciating levels of detail.
locally, tell fable to plan all the work and put it in @linear. the goal is to make it such that a dumb model dropped in linear knows exactly what to do. aka all issues should have a clear DAG, plan, and optimize for max. parallelizability.
i recommend running fable on high and having it fan out to codex subagents on xhigh (using the cc codex plugin.) to save usage. just make sure that fable itself is doing the architecture for the hardest issues!
- now switch to @DevinAI. we'll use devin to run our factory because our orchestrator needs to be a cloud agent (it's going to run for a long time!), and be able to spin up other cloud subagents.
Today we're launching Brand Skills in Claude.
This is a set of skills /gooseworks that gives Claude full context on your brand — logo, colors, voice, positioning — so anyone can make on-brand ads and content directly in Claude, Claude Code, Cowork, or Codex.
Here's how it works:
Install the skills: npx gooseworks install --all
Run this prompt: /gooseworks --skill brand-intel-branddev [your-website] — pulls your logo, brand colors + company data in ~15 seconds
Run brand-voice-extractor, brand-research and update-brand-kit — Claude learns how you sound, your positioning and audience, and saves it all as a reusable brand kit
Every other skill reads your brand kit automatically. So every ad and post you generate is accurate to your brand's messaging, logo, assets, etc. By default.
It's that easy.
But this is just the start.
Asked codex to download+transcribe all sessions from @aiDotEngineer and tailor them to my interests. https://t.co/xstoDcngcf
1 / 2
100 GitHub repositories every developer should bookmark.
Instead of dropping all 100 in one post, I'm splitting this into a 5-part series so it's easier to save and explore.
Day 1/5 👇
Ollama — run LLMs locally
LangChain — build AI agents and LLM apps
Dify — open-source AI app builder
Langflow — visual AI workflow builder
n8n — open-source workflow automation
Open WebUI — ChatGPT-like interface for local AI
Aider — AI pair programmer in your terminal
Browser Use — AI-powered browser automation
Firecrawl — convert websites into LLM-ready data
Mem0 — memory layer for AI agents…
1 / 4
NBIS는 이번 분기에도 매출과 수요 지표가 매우 강하게 나왔고, 특히 AI Cloud 부문의 높은 조정 EBITDA 마진과 폭증하는 계약·선수금·전력 확보 계획이 핵심 메시지입니다. 다만 대규모 CAPEX와 현재 GAAP 순손실이라는 부담은 여전히 남아 있지만, 2027년까지의 용량을 사실상 다 팔 수 있다는 수준의 수요 가시성이 긍정적으로 해석됩니다.