『요즘 우아한 개발』
1장 배민다움 만들기

1. 내가 경험한 B마트 프런트엔드의 온보딩 프로세스
2. 결제시스템팀을 소개합니다
3. 우아한형제들에서 시니어 개발자로 일하면 어떨까?
4. 공통시스템개발팀 코드 리뷰 문화 개선 이야기
5. 팀 문화의 탄생
6. 우아한형제들에서 PM끼리 소통하는 법, 카르페피엠

2장 프런트엔드 개발자로 성장하기

1. 나의 첫 프런트엔드 개발팀 이야기
2. 개발자를 위한 셀프서비스 디자인 시스템
3. 콜라 좀 쉽게 담을 수 없나요?
4. 만드는 사람이 수고로운 UX 개발기

3장 백엔드 개발자로 성장하기

1. 개발자 머피의 법칙
2. 메인 데이터베이스 IDC 탈출 성공기
3. 메시지 발송 이중화 여정기
4. 배민상회와 검색플랫폼 연동기
5. 네트워크 인증시스템 교체기
6. 사장님용 통계 데이터 서빙하기

4장 인공지능으로 한 단계 업그레이드하기

1. 머신러닝으로 배민 앱 리뷰 품질 높이기
2. 배민의 AI 서비스와 MLOps 도입기
3. 슬랙에 ChatGPT를 연결하여 업무에 활용해보기

5장 테스트와 코드 품질 관리하기

1. 잊을 만하면 돌아오는 정산시스템 테스트
2. 가파르게 성장하는 서비스를 담당한 어느 품질 담당자의 회고
3. 단위 테스트로 복잡한 도메인의 프런트엔드 프로젝트 정복하기
4. 자동화된 UI 회귀 테스트 도입하기

6장 시행착오 겪으며 성장하기

1. 가정의 달 이벤트가 쏘아올린 배민 선물하기 대란
2. 외부 시스템 장애에 대처하는 우리의 자세
3. 우아한 장애 대응
4. 장애와 관련된 엑스트라백업 적용기
5. 사례별로 알아본 안전한 S3 사용 가이드

원문 링크

『요즘 우아한 AI 개발』
[PART 1] AI로 개발 생산성 높이기

01장. 코파일럿 ‘열일’하게 만들기
_VSCode에 코파일럿 설치하기
_VSCode 깃허브 코파일럿 주요 기능 소개
_실험 - 코파일럿은 얼마나 유능할까?
_코파일럿을 더 잘 사용하기 위한 팁
_마치며

02장. 챗GPT를 활용한 Git Flow 관리 자동화
_화제의 챗GPT
_자동화를 결심한 계기
_챗GPT와 대화해보자

[PART 2] AI로 더 편리한 서비스 만들기

03장. 리뷰를 재료로 GPT가 만든 메뉴 추천, 메뉴뚝딱AI
_AI 프로덕트 만들기 미션, 그런데 GPT가 주재료인
_도입 배경
_무엇을 할 수 있을까?
_어떻게 할 수 있을까?
_뚝딱이가 메뉴를 추천합니다
_검색에서의 메뉴 추천하기
_GPT와 함께 성장하는 메뉴뚝딱AI

04장. 프롬프트 엔지니어링으로 메뉴 이미지 품질 검수하기
_이미지 검수에 GPT를 활용한 이유
_프롬프트 엔지니어링 : GPT를 업무 환경에 맞추는 과정
_GPT 한계 극복 : 하이브리드 접근의 필요성
_세상에 등장한 ‘AI 이미지 검수’
_배포 그 후, 기대보다 높은 사용률
_우아한형제들에서 AI와 일하는 방법

05장. 배민선물하기 AI 메시지 제작기
_배민선물하기에서 AI 메시지를 만들게 된 이유
_문제
_가설
_금쪽이 GPT를 훈련시키는 솔루션 3단계
_마치며

06장. 실시간 반응형 추천 개발 일지 1부 : 프로젝트 소개
_기존 추천 방식 소개
_기존 방식의 한계
_실시간 반응형 추천 시스템
_개별 컴포넌트 소개
_A/B 테스트
_교훈
_앞으로의 계획
_마치며

07장. 실시간 반응형 추천 개발 일지 2부 : 벡터 검색, 그리고 숨겨진 요구사항과 기술 도입 의사 결정을 다루는 방법
_프로젝트에서는 원했다, 숨겨진 요구사항을
_기술적인 문제로의 환원
_새로운 기술 컴포넌트 도입 후보 선정하기
_벡터 유사도 검색이 필요한 이유
_벡터 유사도 검색 : 우리는 무엇이 다른가?
_HNSW 알고리즘에서 보는 프리 필터의 문제
_기술 후보군 선택과 실험 설계하기
_1차 실험
_1차 실험 구축
_2차 실험
_2차 실험 구축
_간단한 성능 최적화 방법(RDS)
_마치며

[PART 3] AI로 쉽고 빠르게 데이터 활용하기

08장. AI 데이터 분석가 ‘물어보새’ 등장 1부 : RAG와 Text-To-SQL 활용
_우리는 ‘왜’ 다시 뭉치게 되었을까?
_우리는 ‘무엇을’ 만들었을까?
_우리는 ‘어떻게’ 일을 했는가?
_Text-to-SQL을 ‘어떻게’ 구현했을까?
_물어보새 1부를 마치며

09장. AI 데이터 분석가 ‘물어보새’ 등장 2부 : 데이터 디스커버리
_우리는 ‘왜’ 데이터 디스커버리 영역으로 확장했을까?
_질문 이해 단계는 ‘어떻게’ 구현했을까?
_정보 획득 단계는 ‘어떻게’ 구현했을까?
_물어보새의 향후 계획
_마치며

10장. 폴라스로 데이터 처리를 더 빠르고 가볍게 with 실무 적용기
_폴라스가 필요했던 이유
_폴라스 소개
_기술적인 폴라스 장점
_IO 기능
_Lazy API와 쿼리 최적화
_사용성 측면에서 폴라스 장점
_실무 적용 사례 소개
_마치며

[PART 4] 안정적인 AI 서비스 운영하기

11장. 빠르고 안정적인 AI 서빙 시스템 구성하기
_AI플랫폼이란?
_서빙 컴포넌트
_CI : 이미지 생성 자동화
_CD : 서빙 자동화
_모니터링 및 알람
_운영 중 맞이한 문제와 해결 사례
_마치며

12장. 생성형 AI 서비스 : 게이트웨이로 쉽게 시작하기
_개발 배경
_생성형 AI를 잘 활용하려면 무엇이 필요한가?
_풀어야 할 문제들
_AI API 게이트웨이
_지원 서비스
_자격증명 관리
_향후 계획
_마치며

[PART 5] 로봇과 머신러닝 모델 최적화하기

13장. 로봇 머신러닝 모델의 경량화 1부 훈련 후 양자화
_로봇이 실외에서 자율주행을 하려면?
_엔비디아 GPU와 제트슨 플랫폼의 특징
_양자화
_TensorRT를 이용한 최적화
_양자화 단계별 성능 비교
_실험 방식
_실험 결과 및 결론
_마치며

14장. 로봇 ML 모델의 경량화 2부 : 양자화 인식 훈련
_훈련 후 양자화의 한계점
_양자화 인식 훈련이란?
_양자화 인식 훈련(QAT) 수행하기
_NVIDIA pytorch-quantization을 활용한 QAT 수행 및 ONNX/TensorRT 변환 가이드
_마치며

15장. 로봇을 위한 MLOps 1부 : 에지 디바이스와 K3s, 에어플로
_머신러닝 모델을 개발하는 과정과 문제들
_에지 디바이스
_로봇을 위한 머신러닝 개발 과정과 MLOps 시스템이 해결해야 할 문제들
_K3s와 에어플로 : 자원 관리 솔루션과 워크플로 관리 솔루션
_설치하기
_DAG 예제
_마치며

16장. 로봇을 위한 MLOps 2부 : 에지 파이프라인의 구성
_에지 파이프라인의 필요성
_에지 디바이스에서의 AI 연산이 필요한 이유
_에지 파이프라인의 목적
_엔비디아 도구들 소개
_엔비디아 Nsight Systems
_Trt-Infersight 개발
_에지 파이프라인의 구성
_마치며

『요즘 당근 AI 개발』
[PART 01] AI 활용의 첫걸음: 비개발자의 AI를 개발 도전기

01장 비개발자를 위한 바이브 코딩 도전기
__바이브 코딩이란
__바이브 코딩 맛보기
__검색어 이상치 탐지 프로그램 만들기
__인터랙션 프로토타입으로 요구사항 전하기
__바이브 코딩 프롬프트 팁

02장 당신과 함께 해서 행복했던 인형 올림
__내가 판 물건이 편지를 써준다면?
__물건의 마음을 AI에게 물어보기
__1차 시도, 혹시 후기를 써주실 수 있을까요?
__2차 시도, 후기를 쓰면 물품이 보낸 편지를 볼 수 있어요!
__마치며 : AI로 만든 편지가 알려준 것들

03장 PM이 이끄는 AI 글쓰기 서비스 개발기
__판매자는 글쓰기가 너무 귀찮다
__LLM 시대가 만든 새로운 가능성
__AI로 만든 ‘더 잘 팔리는 글쓰기’ 경험
__문제에서 솔루션까지, LLM으로 방향 잡기
__핵심 UX를 만드는 프롬프팅
__작게 시작하고, 빠르게 배우고, 사용자에게 집중하기
__마치며 : 결국 핵심은 사용자 문제 해결입니다

[PART 02] AI 기반 운영 자동화 및 시스템 연동기

04장 GPT를 사용한 리뷰 자동화 시스템 구축기
__글로벌 기업들의 앱 리뷰 관리 전략
__앱 리뷰의 중요성과 당근의 가치
__앱 리뷰 요약 자동화가 왜 필요했을까요?
__리뷰 요약 자동화 : GPT가 매일 대신써줘요
__리뷰 라벨링 자동화 : 6시간 수작업이 30분으로
__인사이트 도출 자동화 : 실무에 바로 쓰는 리포트 만들기
__자동화 시스템, 어디까지 왔을까?
__마치며 : AI 도구, 거대한 시스템이 아니라도 좋습니다

05장 LLM을 활용한 당근 중고거래 운영 자동화 전환기
__운영, 바쁘게 쳇바퀴 돌기
__반복에 매몰된 운영, 자동화를 고민하다
__운영자가 만든 첫 AI 도구
__반복을 이해하고 자동화 설계하기
__프롬프트 작성하기
__운영팀의 반응과 실제 적용기
__마치며 : 완전 자동화를 향한 다음 발걸음

06장 작은 팀, LLM으로 큰 업무효율 내기
__끝없는 온콜의 늪, 작은 팀의 절규
__외부 세계와 연결하는 MCP
__직접 구축한 MCP 서버를 소개합니다
__n8n으로 워크플로 자동화하기
__실전 사례 1 : 국가별 가입자 수 변화 분석 리포트
__실전 사례 2 : 에러 실시간 분석 '에러박사'
__마치며 : 끝없이 문제 풀이에 도전하기

[PART 03] LLM을 이용한 개발기

07장 LLM으로 복잡한 게시글을 구조화하기까지
__왜 티켓/교환권 게시글을 분류하기 시작했나
__우리는 무엇을 뽑아야 하는가
__추출 기준을 세운다는 건
__LLM에게 기준을 가르친다는 것
__오류는 정답보다 많은 걸 알려준다
__마치며 : LLM은 좋은 기준을 먹고 자란다

08장 LLM을 활용한 스마트폰 시세 조회 서비스 구축하기
__스마트폰 시세조회는 왜 필요할까요?
__상품 정보 추출하기
__데이터 기반 시세 집계
__유사 게시글 제공
__마치며 : 더 좋은 경험을 제공하는 것에 진심입니다

09장 3살 아가가 좋아할 만한 장난감 LLM으로 추천하기
__AI에게 왜 물품을 추천해달라고 했을까요?
__AI 물품 추천을 소개합니다
__AI 물품 추천을 위한 프롬프트 작성하기
__더 나은 추천 결과를 향해서 기능개선하기
__엉뚱한 질문을 해도 괜찮을까요?
__처음은 언제나 어렵기에 더 쉽게!
__마치며 : 새로운 탐색의 가능성을 보다

10장 연간 LLM 호출 비용 25% 절감, 인턴이 도전한 시맨틱 캐싱 도입 기록
__과제 정의 및 해결 아이디어 도출하기
__시맨틱 캐싱 아키텍처 설계 및 구현하기
__시맨틱 캐싱 셋 구성을 위한 발화 패턴 분석
__성능 검증 및 비용 절감 효과 분석하기
__마치며 : 인턴이 쏘아 올린 작은 공

[PART 04] AI 플랫폼과 AI 에이전트 개발기

11장 VoC 플레이그라운드로 고객 목소리에 반응하는 당근 만들기
__사용자 의견을 반영하는 데 필요한 두 가지 작업
__당근에서 사용자 의견을 다루는 방식
__첫 번째 도전 : AI로 데이터를 정리해보기
__두 번째 도전 : 팀 관련 데이터만 분류하는 VoC 플레이그라운드 고안하기
__분류된 사용자 의견으로 의미 있는 보고서를 만들기
__보고서를 활용한 의미 있는 정기 보고서를 만들기
__VoC 플레이그라운드 정말 도움이 되었을까요?
__로컬 비즈니스 실의 월간 VoC 리포트 발행 효율화
__마치며 : 더 많은 데이터를, 더 신뢰할 수 있는 방식으로 보고 싶다

12장 모든 당근 사용자에게 AI 에이전트 제공하기 - 1부
__자주 묻는 질문을 자주 보지 않는 딜레마
__문의하기로 바로 가는 사람이 하루에 2,000명이라면
__AI 에이전트를 소개합니다
__직접 만든 멀티 AI 에이전트 시스템, KAMP 구상하기
__노코드/로우코드로, KAMP에서 AI 에이전트 구성하기
__KAMP에서 에이전트 오케스트레이션 하기
__마치며 : KAMP 개념을 정립 끝, 그리고 남은 과제

13장 모든 당근 사용자에게 AI 에이전트 제공하기 - 2부
__KAMP에 당근 특화 기능 넣기
__AI로 맥락에 맞는 UI 제공하기
__KAMP로 당근 AI 에이전트 만들기
__마치며 : 성공적인 에이전트, 팁 6가지

[부록 A] 바이브 코딩 프롬프트 팁
[부록 B] AI 에이전트를 성공적으로 구축하고 운영하기 위해 반드시 고려해야 할 6가지 핵심 팁

『요즘 우아한 백엔드 개발』
[PART 1] 우형이 마주한 아키텍처 고민들

_01 자바야… 우리 그만 헤어져. 코틀린으로 환승연애
_02 전체 서비스를 관통하는 도메인 모듈 안전하게 분리하기
_03 Spring Statemachine 도입기
_04 이젠 보내줄 때가 되었다: 대규모 트래픽의 C++ 시스템 자바로 전환하기
_05 장시간 비동기 작업, 카프카 대신 RDB 기반 Task Queue로 해결하기

[PART 2] 우형이 대규모 트래픽을 다루는 법

_06 KafkaConsumer에 동적 쓰로틀링 적용하기
_07 실시간 마케팅을 위한 PoC 개발기
_08 Elasticsearch 병렬 테스트를 향한 여정
_09 검색 성능 개선을 위한 Elasticsearch 인덱스 구조와 쿼리 최적화
_10 Server-Sent Events로 실시간 알림 전달하기

[PART 3] 우형이 데이터를 다루는 법

_11 B마트 OMS의 물류주문관리를 통한 출고 최적화
_12 postgres_fdw로 마이그레이션 생산성 높이기
_13 WMS 재고 이관을 위한 분산 락 사용기
_14 Spring Cache(@Cacheable) + Spring Data Redis 사용 시 record 직렬화 오류 원인과 해결

[PART 4] 기술로 비즈니스 성과 높이기

_15 최적화된 인스턴스 추천을 위한 Rightsizing Recommendations 시스템 개발 여정
_16 승인 프로세스 뒤에 숨겨진 일꾼들: 사장님 입점요청 승인툴 고도화 프로젝트 경험담
_17 '대략'이 아닌 '정확한' 데이터로!: 생산성 측정 지표 개발기

[PART 5] AI로 새로운 가능성 시험하기

_18 GPT를 활용한 카탈로그 아이템 생성
_19 제미나이로 개발자의 뒤죽박죽 업무 메모 정리하기
_20 우리 서비스와 연결된 MCP Server 빠르게 구현해보기

[PART 6] 우아하게 문제 해결하기

_21 개발자 의식의 흐름대로 적용해보는 서킷브레이커
_22 GuardDuty 이벤트 분석으로 살펴보는 침해 대응 아키텍처 고도화 사례
_23 RADIUS 인증 실패 분석 및 해결 사례
_24 IllegalArgumentException은 400 Bad Request인가?
_25 JPA에서 아이디를 자동 증가값으로 사용 시 하이버네이트의 @NaturalId 사용해보기
_26 Redis New Connection 증가 이슈 돌아보기