Client-Server
전통적인 요청-응답 모델
기술과 문화 이야기
전통적인 요청-응답 모델
양방향 실시간 통신
서버→클라이언트 단방향 스트림
GraphQL 스키마 기반 실시간 이벤트
이벤트 발생 시 HTTP 콜백
메시지 브로커를 통한 비동기 통신
큐를 통한 비동기 작업 처리
중앙 서버 없이 직접 통신
리버스 터널로 로컬 서버를 인터넷에 노출
Webhook 없이 아웃바운드 WebSocket으로 이벤트 수신
SSE로 토큰 단위 실시간 응답 전달
git push → HTTP POST → CI/CD 트리거
Redis 기반 백그라운드 잡 큐 시스템
브라우저 간 직접 영상/음성/데이터 전송
AI 모델과 외부 도구를 표준 방식으로 연결하는 오픈 프로토콜
로컬 개발과 클라우드 SaaS 배포의 차이
터미널 멀티플렉서로 세션 유지 & 분할
WebRTC의 복잡함에 지쳐 QUIC으로 전환한 실전 사례
단일 WiFi 신호의 물리 계층 데이터를 레이더처럼 활용
BLE 신호만으로 생활 패턴·위치·행동이 추적되는 원리
Model-View-Controller — Rails의 핵심 아키텍처
Rails의 핵심 철학 — 규약이 설정보다 우선
프로젝트 폴더별 역할과 컨벤션
Rails 아래에서 동작하는 HTTP 처리 레이어
resources 한 줄로 7개 라우트 자동 생성
요청 파라미터 접근과 허용 목록 관리
액션 실행 전후에 공통 로직을 끼워넣는 방법
여러 Controller에서 공유하는 모듈
ORM — 객체로 데이터베이스를 조작
코드로 데이터베이스 스키마를 버전 관리
has_many, belongs_to — 모델 간 관계 설정
Model 레벨에서 데이터 무결성 보장
저장/삭제 전후에 자동 실행되는 훅
재사용 가능한 쿼리를 이름 붙여 관리
성능의 적 — includes로 해결하는 방법
HTML 안에 Ruby를 삽입하고, 재사용 가능한 조각으로 분리
페이지의 공통 골격을 레이아웃으로 관리
form_with로 안전하고 편리한 폼 작성
JavaScript 없이 SPA 같은 UX 구현
HTML 중심의 경량 JavaScript 프레임워크
Rails 표준 인증 시스템
Cross-Site Request Forgery 공격 자동 방어
Mass Assignment 공격 방지
BDD(Behavior-Driven Development) 테스트 프레임워크
테스트 데이터를 깔끔하게 생성
HTTP 요청/응답을 테스트하는 통합 테스트
Active Job + Sidekiq — 무거운 작업을 비동기로 처리
Rails 내장 WebSocket — 실시간 기능 구현
반복 연산을 줄여 응답 속도를 극적으로 향상
JavaScript, CSS, 이미지 등 프론트엔드 에셋 관리
My Convention — 데이터 로직은 Controller에, Helper는 최소한으로
터미널 테마 및 입력 최적화
토큰 사용량 vs 지능 수준 조절
MCP 서버, 스킬, 에이전트 확장
.claude/agents에 커스텀 에이전트 생성
권한 사전 승인으로 워크플로우 가속
파일/네트워크 격리로 안전성 향상
컴포저 하단에 커스텀 정보 표시
모든 키바인딩을 자유롭게 재매핑
Claude 라이프사이클에 결정론적으로 개입
로딩 스피너 동사 커스터마이징
응답 톤과 포맷 설정
37개 설정 + 84개 환경 변수
프로젝트별 컨텍스트를 Claude에게 전달
/ 명령으로 빠르게 기능 실행
세션 간 컨텍스트 자동 기억
대화를 오염시키지 않고 별도 질문이 가능한 기능
도구 사용을 자동 판단하여 장시간 자율 작업 가능
음성으로 Claude Code에 지시하기
프로젝트 규칙을 Cursor에게 전달
멀티 파일 자동 편집
코드 자동 완성 최적화
프로젝트 규칙을 Copilot에게 전달
코드베이스 전체를 컨텍스트로 활용
Issue → Plan → Code 자동 워크플로우
CLAUDE.md vs .cursorrules vs copilot-instructions
AI 코딩 에이전트에게 명확하게 지시하기
토큰 한도 내에서 효율적으로 작업하기
코드 작성 후 바로 테스트 요청
뉴런을 모방한 연결주의 학습 모델
Self-Attention 기반 병렬 처리 아키텍처
대규모 데이터로 범용 지식을 학습하는 단계
사전학습 모델을 특정 태스크에 맞게 재학습
인간 피드백 기반 강화학습
보상 모델 없이 직접 선호도 최적화
소수의 파라미터만 학습하는 효율적 Fine-tuning
프롬프트 설계로 LLM 능력을 최대한 끌어내기
검색으로 외부 지식을 주입하여 정확도 향상
단계별 추론으로 복잡한 문제 해결
LLM이 외부 도구를 호출하여 실제 작업 수행
모델 가중치를 낮은 정밀도로 변환하여 경량화
대형 모델의 지식을 소형 모델로 전달
필요한 전문가만 활성화하여 효율적 스케일링
소형 모델로 예측 초안을 만들고 대형 모델이 검증
이미지와 텍스트를 함께 이해하는 AI
노이즈를 점진적으로 제거하여 이미지 생성
텍스트를 자연스러운 음성으로 변환
LLM이 자율적으로 계획하고 도구를 사용하여 태스크 수행
AI와 외부 도구를 연결하는 표준 프로토콜
평가(Eval) 기반으로 AI 시스템을 반복 개선
AI를 인간의 의도와 가치에 맞게 작동시키기
헌법(원칙)으로 AI 스스로를 개선시키는 방법
AI가 사실이 아닌 내용을 그럴듯하게 생성하는 현상
오디오를 이산 토큰으로 변환하여 LLM처럼 처리
규칙 기반 → 딥러닝 파이프라인 → 토큰 기반 → 통합 멀티모달
Pre-training과 Fine-tuning이 실제 코드에서 어떻게 동작하는지
Rails에서 동적으로 클래스명을 지정하여 has_one 관계 설정