📰 데일리 테크 다이제스트 - 2026-07-18

🔥 오늘의 주요 소식

In-House LLM Serving at Netflix

Netflix 기술 블로그가 사내 LLM 서빙 구축 경험을 다뤘다. 외부 API에 의존하는 대신 자체 서빙 인프라를 운영하는 접근을 소개하는 글이다.

💡 왜 중요한가: 대규모 트래픽에서 자체 서빙을 택하는 조직이 늘고 있으므로, 요청량과 지연 요건이 임계점을 넘었다면 관리형 API 대비 총비용을 다시 계산해볼 시점이다.

🔗 원문 보기 · Netflix

Kubernetes & Cloud Native

Flipkart and LitmusChaos at KubeCon + CloudNativeCon India 2026: A recap

CNCF

CNCF가 KubeCon + CloudNativeCon India 2026에서의 Flipkart와 LitmusChaos 활동을 정리했다. 행사는 6월 1819일 뭄바이에서 열렸다. Flipkart는 CNCF End User Case Study Contest에서 수상하고 "From Afterthought to Practice: How Flipkart Built a Multi-tenant Chaos Platform on LitmusChaos"라는 키노트를 발표했다. Flipkart가 구축한 중앙 집중식 카오스 플랫폼은 네 가지 커스터마이즈를 담았다. 하이브리드 멀티테넌시 아키텍처, DaemonSet 기반 고가용성 모델, 동적 타깃팅을 위한 Script Runner 폴트, 쿠버네티스 외 워크로드를 위한 하이브리드 VM 카오스 확장이다. LitmusChaos 프로젝트 파빌리온에는 100200명 사이의 방문자가 찾았다. 논의된 주제는 AI 워크로드에 대한 회복탄력성 테스트, ChaosHub 폴트 라이브러리, CI/CD 자동화, 그리고 새로 도입된 LitmusChaos MCP(Model Context Protocol 통합)였다.

💡 카오스 플랫폼을 멀티테넌트로 만들면서 쿠버네티스 밖 VM 워크로드까지 포함시킨 점이, 혼재된 인프라를 가진 조직에 참고할 만한 확장 방향이다.

AI & ML

Fine-tune video and image models at scale with NVIDIA NeMo Automodel and 🤗 Diffusers

Hugging Face

NVIDIA가 NeMo Automodel과 Hugging Face Diffusers로 영상·이미지 모델을 대규모 파인튜닝하는 방법을 공개했다. 핵심은 pretrained_model_name_or_path를 Hub의 아무 Diffusers 모델 ID로 지정하면 체크포인트 변환 없이 바로 학습이 시작된다는 점이다. 지원 모델은 텍스트-이미지의 FLUX.1-dev·2-dev(12B32B), 텍스트-비디오의 Wan 2.1·2.2(1.3B27B), HunyuanVideo 1.5(13B), Qwen-Image(20B)다. 병렬화 옵션으로 FSDP2, 텐서 병렬, 전문가 병렬, 컨텍스트 병렬, 파이프라인 병렬을 설정으로 고를 수 있다. 벤치마크는 H100 8장에서 FLUX.1-dev 전체 학습이 초당 35.51장, Wan 2.1(1.3B)이 초당 8.50클립을 기록했고 LoRA 변형은 메모리를 크게 줄인다. 전체 파인튜닝과 파라미터 효율적 LoRA 어댑터를 모두 지원하며 사전 인코딩된 VAE 잠재값과 다중 해상도 버킷팅을 쓴다. Apache 2.0 오픈소스로 Docker 컨테이너나 pip 설치로 제공되며 Diffusers 학습 가이드에 통합 방법이 문서화돼 있다.

💡 체크포인트 변환 단계가 사라진다는 점이 실무 마찰의 상당 부분을 걷어내므로, Hub 모델을 시험 삼아 파인튜닝해보려던 계획을 앞당길 수 있다.

A scorecard for the AI age

OpenAI

OpenAI CFO Sarah Friar가 AI 시대의 스코어카드를 제시했다. 어디서나 CFO들에게 듣는 질문은 단순하다. AI 지출에서 어떻게 더 많은 가치를 얻느냐는 것이다. 오랫동안 시장은 소프트웨어의 성공을 구매한 좌석 수, 활성 사용자, 갱신된 라이선스 같은 채택 지표로 측정했지만, AI의 가치를 이해하려면 더 강력한 척도인 "완수된 작업"이 필요하다는 것이 논지다. CFO와 경영진이 마주한 기본 경제 질문은 AI가 완수하는 작업의 가치가 그것을 만드는 비용보다 빠르게 늘어나는가다. 이 질문에 답하려면 토큰당 비용 같은 지표보다 깊이 봐야 한다. 저비용 모델은 토큰이 싸지만 좋은 결과를 얻으려면 더 많은 시도와 시간, 인간 검토가 필요할 수 있고, 더 유능한 모델은 토큰이 비싸도 같은 작업을 한 번에 끝낼 수 있다. 중요한 것은 성공적인 결과를 만들어내는 전체 비용이며 그 결과가 만드는 가치와 견줘야 한다. 스코어카드는 네 질문으로 구성된다. 얼마나 많은 유용한 작업이 이뤄지는가, 성공한 작업당 비용은 얼마인가, 그 결과를 사람들이 신뢰할 수 있는가, 사용이 늘수록 AI에 쓴 1달러가 더 많은 가치를 내는가. 출발점으로는 하나의 워크플로를 골라 "완료"가 무엇인지 정의하고 그 결과를 실제 작업이 일어나는 시스템에서 측정하라고 권한다.

💡 저비용 모델이 더 많은 재시도와 인간 검토를 부른다는 지적이 실무 핵심이라, 모델 비교를 토큰 단가가 아니라 성공한 작업당 총비용으로 다시 세워야 한다.

클라우드 업데이트

Cloudflare WAF protects WordPress applications from two high-severity vulnerabilities

Cloudflare

Cloudflare가 WordPress 보안팀에게 제보받은 고심각도 취약점 두 건에 대응해 WAF 규칙 두 개를 배포했다. 취약점은 SQL 인젝션인 CVE-2026-60137(High)과 미인증 원격 코드 실행인 CVE-2026-63030(Critical)이다. 영향 범위는 SQL 인젝션이 WordPress 6.8 이상, RCE가 6.9 이상이며 6.8 이전 버전은 영향을 받지 않는다. 패치는 WordPress 7.0.2와 6.9.5·6.8.6·7.1 Beta 2 백포트로 배포됐다. WAF 규칙 ID는 Managed Ruleset의 1c060d3a371549219ee290d7ed933fcc과 7dfb2bd4708d4b88b9911dc0550664b6, Free Ruleset의 db003b39b7774859a8d588ce33697a1a과 ebd3f2df15c74ddcbf6220c9b5ec246a다. 보호 대상은 무료·유료 요금제를 가리지 않고 Cloudflare WAF를 통과하는 트래픽을 쓰는 영향받는 WordPress 버전의 모든 고객이다. 규칙은 2026년 7월 17일 17:03 UTC에 기본 동작을 Block으로 하여 활성화됐다.

💡 미인증 RCE가 포함돼 있어 WAF 뒤에 있더라도 패치를 미룰 이유가 없으며, 6.8 이전 버전만 안전하다는 점에서 버전 인벤토리부터 확인해야 한다.

Eclipse Dataspace Components on AWS: Cost optimization strategies

AWS Architecture

AWS가 Eclipse Dataspace Components(EDC)를 AWS에서 운영할 때의 비용 최적화 전략을 다뤘다. EDC 커넥터를 배포할 때 먼저 부딪히는 문제가 필요한 인프라 비용을 예측하고 통제하는 것이라는 인식에서 출발한다. 기본 인프라 비용 요인은 Amazon Aurora PostgreSQL(비즈니스 크리티컬 기준 월 276달러), AWS Fargate를 쓰는 Amazon ECS(월 83달러), Network Load Balancer(월 20달러)다. 비용 절감 전략으로는 중요도가 낮은 워크로드에 더 작은 데이터베이스 인스턴스(db.t4g.medium)와 AWS Fargate Spot 용량을 써서 최대 58% 절감하고 컴퓨트를 70% 줄이는 방법을 제시한다. 데이터베이스는 Aurora Serverless v2가 애플리케이션 수요에 따라 용량을 자동 조절해 최대 용량 기준 프로비저닝을 없앤다. 컴퓨트는 중단을 감내할 수 있는 워크로드에서 Fargate Spot으로 최대 70%를 아낄 수 있으며 특히 개발·비핵심 환경에 적합하다. 스토리지는 S3 수명주기 정책으로 접근 빈도가 낮은 데이터를 Intelligent-Tiering이나 Glacier Instant Retrieval로 전환한다. 예측 가능한 정상 상태의 비즈니스 크리티컬 커넥터에는 Aurora와 Fargate의 Savings Plans가 상당한 할인을 제공한다.

💡 월 276달러의 Aurora가 최대 비용 항목이라는 분해가 유용해서, 데이터스페이스 커넥터를 여러 개 운영할 계획이라면 인스턴스 등급 정책부터 정하는 것이 순서다.

Eclipse Dataspace Components on AWS: Architecture patterns in production

AWS Architecture

AWS가 Eclipse Dataspace Components 커넥터를 AWS 운영 환경에서 돌릴 때의 아키텍처 패턴을 정리했다. 격리, 관리형 서비스, 보안 계층에 대한 의도적인 설계 결정이 필요하다는 전제에서 출발한다. EDC 커넥터는 컨트롤 플레인과 데이터 플레인을 컨테이너로 배포하며 AWS Fargate를 쓰는 Amazon ECS로 서버리스 확장을 오케스트레이션한다. 비밀 저장과 OAuth 2.0 자격 증명 발급에는 AWS Secrets Manager, Amazon Aurora, Amazon Cognito를 관리형 서비스로 쓴다. 공유 데이터는 Amazon S3가 담당하고, API Gateway와 Network Load Balancer가 사설 서브넷 안의 VPC 링크를 통해 안전하고 격리된 접근을 제공한다. 격리 모델은 하나의 EDC 커넥터 인스턴스에 속한 모든 클라우드 리소스가 격리된 아키텍처 셀을 이루는 형태이며 컨트롤 플레인과 데이터 플레인은 서로 다른 보안 컨텍스트를 갖는다. 다층 방어 원칙으로는 네트워크 격리, IAM 최소 권한, 저장·전송 시 암호화, 독립적 장애 복구를 가능하게 하는 구성요소 분리를 든다. 실제 검증 사례로는 교육 부문에서 ECS Fargate, S3, Lambda, EventBridge를 쓴 Prometheus-X Data Space Connector 구현이 제시된다.

💡 커넥터 인스턴스 단위를 "격리된 아키텍처 셀"로 잡은 설계가 핵심으로, 조직 간 데이터 공유에서 장애와 침해의 전파 범위를 인스턴스 경계로 묶는 방식이다.

Eclipse Dataspace Components on AWS: Data sharing fundamentals

AWS Architecture

AWS가 Eclipse Dataspace Components를 AWS에 구현하는 3부작 시리즈의 1부로 데이터 공유의 기초를 정리했다. EDC는 International Data Spaces Association(IDSA) 표준에 따른 데이터 스페이스 기술 구성요소를 제공해 조직 간 안전한 데이터 공유를 가능하게 한다. 시리즈 구성은 1부가 기초 개념, 2부가 AWS 운영 배포 패턴, 3부가 비용 최적화 전략이다. 핵심 구성요소는 연합 카탈로그, 컨트롤 플레인과 데이터 플레인으로 이뤄진 커넥터, 참여자 자격 증명을 관리하는 아이덴티티 허브다. 프로토콜로는 데이터 교환을 담당하는 Dataspace Protocol(DSP)과 분산 식별자·검증 가능한 자격 증명으로 신뢰를 수립하는 Decentralized Claims Protocol(DCP)을 쓴다. 커넥터 아키텍처에서 컨트롤 플레인은 계약을 협상하고 데이터 플레인은 법적 경계를 넘어 제공자와 소비자 사이에 정보를 전송한다. AWS 통합은 모듈식 Gradle 기반 구조로 Amazon S3, Secrets Manager, DynamoDB용 AWS 확장을 커스텀 EDC 빌드에 넣는 방식이다.

💡 계약 협상(컨트롤 플레인)과 데이터 전송(데이터 플레인)을 분리한 구조는, 조직 간 공유에서 "누가 무엇에 동의했는가"를 전송 경로와 독립적으로 감사할 수 있게 한다.

What’s new with Google Cloud

Google Cloud

구글 클라우드의 "What's new with Google Cloud" 페이지가 다이제스트에 포함됐다. 구글 클라우드의 최신 소식, 발표, 자료, 행사, 학습 기회를 한곳에 모아두는 상시 갱신 허브 페이지다. 이 페이지는 계속 갱신되므로 수집 시점의 개별 항목은 이후 내용과 다르다.

💡 상시 갱신 허브 페이지는 RSS 수집에서 매번 같은 URL로 잡히므로, 다이제스트 파이프라인에서 이런 항목을 걸러낼지 여부를 정해두는 편이 낫다.

Level Up Your Column-level Security: Using IAM Data Governance Tags in BigQuery

Google Cloud

구글 클라우드가 BigQuery의 열 수준 보안을 IAM 데이터 거버넌스 태그로 개선하는 방법을 소개했다. 그동안 많은 BigQuery 고객이 민감 정보 보호에 정책 태그(policy tag)를 써왔고 열 수준 접근 제어의 기본 해법이었다는 것이 배경이다. 데이터 거버넌스 태그가 정책 태그를 대체하며, 정책 태그가 리전 단위로만 동작하던 한계와 달리 전역 범위와 확장성을 제공한다. 사용 절차는 IAM Resource Manager에서 --purpose=DATA_GOVERNANCE로 태그 키를 만들고, 최대 5단계 깊이의 계층형 태그 값(예: PII > Financial > CreditCardNumber)을 구성한 뒤, JSON 스키마나 SQL ALTER TABLE로 BigQuery 열에 태그를 붙이고, 태그 값을 참조하는 리전 단위 데이터 정책을 정의해 접근을 허용·거부하거나 마스킹을 적용하는 것이다. 장점으로는 프로젝트 전반에 걸친 전역 범위와 리전 단위 집행, 보조 리전으로의 자동 재해복구 복제, 접근 정책 집행 전에 데이터에 태그부터 붙일 수 있는 거버넌스 분리, 계층적 분류를 통한 세밀한 통제를 든다. 데이터 정책은 리전 단위이므로 테이블 리전과 일치해야 하고, 데이터 정책이 2차 보안 계층으로 작동하려면 사용자에게 roles/bigquery.dataViewer 같은 기본 테이블 접근 권한이 먼저 있어야 한다.

💡 태그 부착과 정책 집행을 분리할 수 있다는 점이 실무적으로 중요해서, 접근 통제를 켜기 전에 민감 데이터 분류부터 전수 완료하는 순서가 가능해진다.

13 hands-on demos to build on Gemini Enterprise Agent Platform

Google Cloud

구글 클라우드가 Gemini Enterprise Agent Platform 위에서 만들어보는 13개 실습 데모를 공개했다. 이 플랫폼은 올해 초 에이전트를 구축·확장·통제·최적화하는 곳으로 소개된 바 있다. 구축 단계 데모 넷은 CLI·웹 UI를 갖춘 기본 대화형 에이전트를 만드는 ADK Foundation 코드랩, FastAPI와 Pub/Sub을 쓰고 사람이 개입하는 그래프 기반 워크플로의 상시 경비 에이전트, BigQuery·파일 검색·API 연동을 다루는 Model Context Protocol, 시각 컴포넌트를 실시간 렌더링하는 Agent-to-UI(A2UI)다. 확장 단계 넷은 Memory Bank 영속성을 쓰는 Agent Runtime 배포의 상태 유지 데이터 사이언스 에이전트, 내구성 있는 상태 기계와 체크포인트 재개를 다루는 장시간 에이전트, Agents CLI로 Agent Runtime에 배포하고 Cloud Trace·Logging·BigQuery로 분석하는 경비 에이전트, OIDC 인증 Pub/Sub 파이프라인을 갖춘 Cloud Run 프런트엔드 대시보드다. 거버넌스 단계는 TDD·STRIDE 위협 모델·Semgrep 사전 커밋 훅·PreToolUse 게이트를 다루는 보안 에이전틱 코딩과, mTLS·IAP·IAM·Model Armor 콘텐츠 검사를 적용한 Agent Gateway를 포함한다. 최적화 단계는 AutoRaters를 쓰는 5단계 평가 품질 플라이휠과 A2A 프로토콜로 파이썬·Go 에이전트를 잇는 교차 언어 멀티 에이전트, ADK 컨트롤룸에 LangGraph와 CrewAI를 A2A로 묶는 멀티 프레임워크 오케스트레이션이다.

💡 거버넌스 데모가 코드 수준 게이트(Semgrep 훅, PreToolUse)까지 내려가 있다는 점이 눈에 띄며, 에이전트 보안을 런타임 정책만으로 다루던 접근과 대비된다.

Why your AI agent framework isn't enough: 7 platform capabilities missing from production

Red Hat

Red Hat이 AI 에이전트 프레임워크만으로는 부족하다며 운영 환경에서 빠져 있는 플랫폼 역량 일곱 가지를 꼽았다. 첫째는 범위가 제한된 자격 증명과 함께 워크로드 아이덴티티를 검증 가능하게 증명하는 암호학적 아이덴티티다. 둘째는 침해된 워크로드를 하드웨어·애플리케이션 수준에서 격리하는 실행 샌드박싱이다. 셋째는 에이전트의 도구 접근을 인프라 수준 정책으로 결정하는 도구 거버넌스다. 넷째는 프롬프트·도구 호출·결과를 담는 전체 실행 트레이스를 확보하는 관측성과 추적이다. 다섯째는 운영 중 산출물을 정책과 정답 기준으로 채점하는 지속적 평가다. 여섯째는 출력이 고객이나 데이터베이스에 닿기 전에 가로채는 가드레일인 안전성 집행이다. 일곱째는 플릿 전반에서 에이전트를 배포·갱신·확장·퇴역시키는 수명주기 관리다. 언급된 Red Hat 제품은 Red Hat AI, Red Hat OpenShift AI, Red Hat Enterprise Linux, Red Hat Ansible Automation Platform이다.

💡 일곱 항목 중 다섯이 프레임워크가 아니라 플랫폼 계층에 속한다는 구분이 유용해서, 에이전트 도입 계획을 짤 때 프레임워크 선정과 플랫폼 준비를 분리해 잡을 근거가 된다.

Introducing Red Hat build of Karpenter

Red Hat

Red Hat이 Red Hat build of Karpenter를 공개했다. 인프라 효율을 달성하고 컴퓨트 비용을 통제하는 것이 끝나지 않는 과제라는 전제에서 출발한다. Karpenter는 대기 중인 파드의 요구사항에 맞춰 적정 크기의 컴퓨트를 적시에 프로비저닝하고 활용도가 낮은 노드를 통합하는 쿠버네티스 네이티브 노드 오토스케일러다. 지원 플랫폼은 호스티드 컨트롤 플레인을 쓰는 Red Hat OpenShift Service on AWS(ROSA)이며 OpenShift 4.22 이상이 필요하다. OpenShift 4.22 릴리스와 함께 사용할 수 있고 업그레이드 후 기존 클러스터에서도 활성화할 수 있다. CPU·메모리·스케줄링 제약에 따라 최적의 EC2 인스턴스를 자동으로 프로비저닝하며, 컨트롤러는 워커 노드가 아니라 호스티드 컨트롤 플레인에서 돈다. 비용 측면 이점으로는 자동 적정 크기 조정, 적시 확장, Spot 인스턴스 활용, AWS 약정(ODCR, ML용 Capacity Blocks) 우선 적용, 운영 부담 감소를 든다. Cluster Autoscaler와 공존해 점진적 이전이 가능하며 kubelet 설정, TuneD 프로파일, FIPS·SOC 2·FedRAMP 규정 준수를 지원한다.

💡 Cluster Autoscaler와 공존한다는 점이 이전 계획에서 가장 중요한 조건으로, 노드 그룹 단위로 나눠 점진 전환하면서 실측 비교가 가능하다.

Friday Five — July 17, 2026

Red Hat

Red Hat의 주간 소식 모음 "Friday Five" 2026년 7월 17일자다. 첫째, InfoWorld가 Red Hat OpenShift 4.22를 다뤘다. 이 하이브리드 클라우드 애플리케이션 플랫폼의 최신 버전은 클라우드 인프라 비용 절감, 가상화 워크로드 운영 단순화, 민감 데이터 보호에 초점을 맞춘다. 둘째, Technically Speaking 팟캐스트에서 Red Hat CTO Chris Wright와 Jered Floyd가 주권 AI를 논하며 "주권 AI의 네 기둥"과 데이터 소유권·플랫폼 자율성 문제를 다뤘다. 셋째, Red Hat이 CDC 및 NIH와 협력해 공중보건 인프라의 기업 활용을 위한 Model Context Protocol을 개선한다. 에이전틱 AI 시스템을 안전하고 표준화되고 신뢰할 수 있게 만드는 것이 목표다. 넷째, 스위스 IT 관리형 서비스 제공업체 Centris가 Red Hat Developer Hub, OpenShift, OpenShift Pipelines, OpenShift GitOps로 전달 속도를 높인 사례가 소개된다. 다섯째, Bloomberg Intelligence Tech Disruptors에서 Chris Wright와 액센츄어의 Jefferson Wang이 광자 기반 네트워크와 그것이 AI 경제의 잠재력을 여는 가능성을 논했다.

💡 공공보건 기관과 함께 MCP를 기업용으로 다듬는다는 항목이 눈에 띄며, 프로토콜이 규제 산업의 요건을 흡수하기 시작했다는 신호로 읽을 수 있다.

DevOps & 인프라

The cost of saying yes has changed

GitHub

GitHub 엔지니어링 블로그가 "예"라고 말하는 비용이 달라졌다고 주장한다. 코드를 쓰는 비용은 떨어졌지만 그것을 소유하는 비용은 그대로라는 것이 핵심 구도이며, AI 시대에 어떤 변경이 실제로 값싼지 판단하는 프레임워크를 제시한다. 분류는 셋이다. 소유 비용이 싼 것(표시용 필드 추가, 테스트가 갖춰진 헬퍼 리팩터링), 싸지 않은 것(인가 변경, 데이터 보존 의미 변경, 프라이버시·과금·규정 준수에 닿는 것), 그리고 언제 시도하고 언제 논의하고 언제 거절할지 아는 "가격 불확실성" 판단 능력이다. 구체적 예로 설정 페이지에 기존 last_active_at 타임스탬프를 노출하는 것은 대개 싸지만 인가 동작을 바꾸는 것은 결코 싸지 않다고 든다. 생성된 패치는 diff를 통해 실제 구현 범위를 드러내는 "가격 확인" 역할을 한다고 본다. 핵심 변화로는 작은 기능 요청에서 가장 비싼 부분이 예전에는 코드 작성이었지만 이제는 대개 그 코드를 쓸지 말지 논의하는 회의라는 점을 든다.

💡 생성된 패치를 "가격 확인"으로 쓰라는 제안이 실용적이며, 논의로 시간을 쓰기 전에 diff를 먼저 만들어 실제 범위를 확인하는 순서로 바꿀 수 있다.

Kimi K3 tops Arena’s coding leaderboard — and it’s open-weight

The New Stack

Moonshot AI가 이번 주 Kimi K3를 공개했고, 목요일 데뷔 몇 시간 만에 이 오픈 웨이트 모델이 Arena의 프런트엔드 코딩 리더보드 1위에 올라 블라인드 평가에서 주요 폐쇄형 시스템을 앞질렀다. AI로 개발하는 사람들은 가장 까다로운 코딩 작업에는 대체로 앤스로픽 Fable이나 OpenAI GPT-5.6 Sol 같은 독점 모델에 의존해왔는데, 이번 릴리스는 오픈 웨이트 모델이 예상보다 빠르게 따라잡고 있을 가능성을 시사한다. Arena의 블라인드 평가에서 K3는 프런트엔드 코딩 과제에서 앤스로픽 Opus 4.8과 OpenAI GPT-5.6 Sol을 앞섰고, 일반 텍스트 리더보드에서도 Opus 4.8을 넘고 Sol과 거의 대등한 성적을 냈다. 인상적인 데뷔지만 아직 벤치마크 하나일 뿐이며 진짜 시험은 개발자들이 실제 문제를 던지기 시작할 때 온다는 단서가 붙는다. 대부분의 AI 코딩 도구가 이미 여러 모델에 연결할 수 있지만 가장 어려운 작업은 여전히 OpenAI나 앤스로픽 모델로 가는 경향이 있는데, Kimi K3가 그 수준의 성능을 낸다면 엔지니어링 팀은 모든 요청을 서드파티 API로 보내는 대신 자체 환경에서 돌릴 또 하나의 선택지를 갖게 된다.

💡 오픈 웨이트 모델이 블라인드 평가에서 상위 폐쇄형을 앞섰다는 것은 자체 환경 실행이 성능 타협이 아닐 수 있다는 뜻이라, 데이터 반출 제약이 있는 조직에는 선택지가 하나 늘어난 셈이다.

1Password’s new browser integration for Claude changes how AI uses your credentials

The New Stack

1Password가 Claude용 브라우저 통합을 내놨다. AI 에이전트가 온라인 계정 관리 같은 작업을 더 많이 맡으면서 인증이 실질적인 엔지니어링 문제가 됐고, Coinbase처럼 이미 1,000개가 넘는 에이전트를 운영에 돌리는 기업도 있다는 것이 배경이다. 이 기능은 에이전트 무리가 LLM에 비밀번호를 노출하지 않고 로그인하게 하는 것으로, 회사는 이를 "무노출 보안 프레임워크"라 부른다. 자격 증명은 필요한 순간에만 복호화돼 브라우저로 직접 전달되므로 Claude는 근본 비밀번호나 일회용 인증 코드를 보지 못한 채 작업을 완료한다. 1Password CTO Nancy Wang은 복호화와 입력이 사용자의 Mac에서 1Password 표준 자동입력 엔진으로 로컬 처리된다고 설명한다. 에이전트가 인증해야 할 때 1Password가 기기에서 자격 증명을 복호화해 보안 채널로 대상 웹사이트에 직접 주입하며, Claude는 그 동작을 요청할 수 있을 뿐 평문 자격 증명을 돌려받거나 모델 컨텍스트에 넣지 않는다. 호환 AI 에이전트가 브라우저를 제어하는 것을 인식하면 확장 프로그램은 최소 권한을 강제하는 Agentic Mode라는 제한 상태로 들어가, 에이전트가 사용자 볼트를 탐색하거나 검색하지 못하게 하고 현재 작업에 명시적으로 허용된 자격 증명 외에는 접근할 수 없게 한다. Claude 접근은 작업 단위로 부여되며 사용자는 Touch ID나 비밀번호로 한 번의 생체 확인을 통해 세션마다 승인하거나 거부한다.

💡 평문 자격 증명이 모델 컨텍스트에 절대 들어가지 않는다는 설계가 핵심이라, 에이전트에 로그인 권한을 줄 때 요구할 최소 기준선으로 삼을 만하다.

“They’re dead if they don’t offer this”: DoorDash’s CLI for agents may be out of necessity

The New Stack

DoorDash가 에이전트가 자사 플랫폼에서 실제 주문을 넣을 수 있는 터미널 도구를 내놓는다. AI 에이전트가 코드 작성을 넘어 사람의 일상 업무를 처리하는 쪽으로 진화하면서 이들을 제 궤도에 유지할 인프라도 따라가야 한다는 것이 배경이다. DoorDash 공동창업자 겸 CTO인 Andy Fang이 이번 주 X에 "dd-cli"라는 명령줄 인터페이스를 발표했고, 미국과 캐나다의 macOS 개발자에게 대기자 명단을 통해 제공된다. 이 CLI는 개발자가 만들고 있는 어떤 에이전트에든 DoorDash 주문을 직접 연결할 방법을 준다. 예를 들어 개인 비서를 만들어 dd-cli로 근처 식당을 검색하고 가격을 비교하고 장바구니에 담고 결제하는 일을 명령 하나로 처리하게 할 수 있다. DoorDash는 이미 Claude 커넥터와 ChatGPT 연동, 자체 "Ask DoorDash" 어시스턴트로 AI가 쇼핑을 돕게 하고 있지만, 그 경우엔 모두 사람이 개입해 주문 전에 검토한다. CLI는 그 단계를 없애 앱을 조작하는 사람 고객뿐 아니라 전적으로 타인을 대신해 행동하는 자율 소프트웨어까지 상대하게 만든다. 개발자에게는 반가운 소식이지만 이 선택이 DoorDash 수익에 실제로 좋은지를 두고 논쟁이 일었고, X에서 Gergely Orosz는 음식 배달 사업의 특성을 들어 이런 방향을 택한 것에 놀랐다는 반응을 남겼다.

💡 사람이 주문을 검토하던 단계를 의도적으로 제거했다는 점이 핵심이라, 결제가 걸린 에이전트 자동화를 설계할 때 승인 지점을 어디에 남길지가 곧 위험 설계가 된다.

How we brought agentic workflows to Cloud SIEM with the Datadog MCP Server

Datadog

Datadog이 Datadog MCP 서버로 Cloud SIEM에 에이전틱 워크플로를 도입한 과정을 공개했다. 만든 MCP 도구는 탐지 규칙 작성, 시그널 조사, 그리고 한 번에 최대 500건까지 시그널을 할당·종료·보관하는 일괄 분류 작업이다. 사용 데이터 분석 결과 메시지의 44%가 규칙 작성·편집이었고 고객의 25%가 일괄 분류를 수행했으며 14%는 UI의 50건 시그널 한도에 부딪혔다. 점진적 공개 기법으로는 스키마 도구가 제품 유형과 탐지 방식으로 탐지 규칙 스키마를 걸러내 전체 카탈로그를 제공할 때보다 토큰 사용량을 41~47% 줄였다. 일괄 분류 도구는 시그널 ID 목록 대신 검색 쿼리를 받도록 재설계해 ID를 에이전트 컨텍스트 밖에 두고 500건 규모 작업을 가능하게 했다. 자체 평가 프레임워크는 CI에 통합돼 기준선 대비 5%를 넘는 회귀를 표시하고 신규 도구가 운영에 들어가기 전 최소 평가 커버리지를 요구한다. 일괄 분류 재설계로 시그널 50건에 2분 넘게 걸리던 갱신이 수백 건에 약 1분으로 줄었고, 한 고객은 9분 만에 350건 넘는 시그널을 분류했다.

💡 도구가 ID 목록 대신 쿼리를 받게 바꿔 에이전트 컨텍스트에서 ID를 빼낸 설계가 핵심이며, MCP 도구를 만들 때 컨텍스트 예산이 곧 처리 규모 한계라는 점을 보여준다.

이 다이제스트는 RSS 피드에서 수집한 뒤 AI(Claude)가 요약·정리했습니다. 자세한 내용은 원문 링크를 확인하세요.