I AM ML Engineer¶

읽은 것을 "왜 이렇게 만들었나" 까지 파고들어 정리하는 저장소

About¶

논문, 기술 블로그, 오픈소스 저장소를 읽고 정리합니다. 요약이 아니라 판단에 쓸 수 있는 형태로 남기는 것이 목표입니다.

정리마다 다음을 지킵니다.

원문 확인: 수치와 인용은 원문에서 직접 확인합니다. 2차 자료를 옮겨 적지 않습니다
한계 명시: 어떤 조건에서 나온 결과인지, 어디까지 일반화되는지 함께 적습니다
상호 연결: 같은 문제를 다루는 자료끼리 링크로 잇습니다
적용 지점: 읽은 내용 중 다른 곳에 옮길 수 있는 원리를 따로 뽑습니다

Readings¶

가장 최근에 추가한 8건입니다. 전체는 아래 주제별 표에 있습니다.

2026-10-07 배럭: 인프라 요청을 폼과 봇 PR로 바꾼 사내 플랫폼 · 비브로스 기술 블로그
2026-10-07 Opik: LLM 관측·평가 플랫폼과 Langfuse 비교 · GitHub
2026-10-01 Why Does PTQ Work: 4비트로 깎아도 LLM이 버티는 이유 · arXiv
2026-09-29 GraphRAG-Bench: RAG에 그래프는 언제 필요한가 · arXiv / ICLR 2026
2026-09-28 RAGSearch: 에이전트 검색 시대에도 GraphRAG가 필요한가 · arXiv
2026-09-28 PathRAG: 이웃을 다 넣지 말고 경로만 넣는 GraphRAG · arXiv / AAAI 2026
2026-09-28 JEV-as-a-Judge: 확신하면 받고, 모르면 넘기는 판정기 · arXiv
2026-09-18 Cache-to-Cache: 모델끼리 KV 캐시로 대화하기 · arXiv / ICLR 2026

그래프와 지식 표현¶

GraphRAG 계열과 지식 그래프. 서로 반박하고 보완하는 관계라 묶어서 읽는 편이 낫습니다. 열 건이 서로 어디에 놓이는지는 GraphRAG 지식 지도에 정리했습니다. 아직 읽지 않은 후보 68건은 읽을 논문 대기열에 모아 두고 하나씩 정리합니다.

날짜	제목	출처	태그
2026-09-29	GraphRAG-Bench: RAG에 그래프는 언제 필요한가	arXiv / ICLR 2026	`#GraphRAG` `#Benchmark` `#HippoRAG2` `#ContextRelevance` `#TokenCost`
2026-09-28	RAGSearch: 에이전트 검색 시대에도 GraphRAG가 필요한가	arXiv	`#GraphRAG` `#AgenticSearch` `#Benchmark` `#HippoRAG2` `#MultiHopQA`
2026-09-28	PathRAG: 이웃을 다 넣지 말고 경로만 넣는 GraphRAG	arXiv / AAAI 2026	`#GraphRAG` `#LightRAG` `#PathRetrieval` `#Pruning` `#TokenCost`
2026-09-10	Graph RAG의 모든 것: 패턴과 구현체 지형도	dev.to	`#GraphRAG` `#RAPTOR` `#DRIFT` `#KnowledgeGraph` `#AWS`
2026-09-10	LLM on Graphs 서베이: GraphRAG는 이 지형의 한 칸이다	arXiv	`#Survey` `#GraphNeuralNetwork` `#GraphRAG` `#TextAttributedGraph`
2026-09-08	Microsoft GraphRAG 동작원리 단계별 해부	Towards AI	`#GraphRAG` `#KnowledgeGraph` `#Leiden` `#LocalSearch` `#GlobalSearch`
2026-08-31	ROGRAG: 다단계 검색 GraphRAG	arXiv / GitHub	`#GraphRAG` `#LogicForm` `#KnowledgeGraph` `#Ablation`
2026-07-02	LogicRAG: Adaptive Reasoning Structures	arXiv / GitHub	`#RAG` `#GraphRAG` `#MultiHopQA` `#DAG`
2026-06-14	Open Knowledge Format(OKF)	PyTorchKR	`#OKF` `#지식표현` `#LLMWiki` `#GoogleCloud` `#MCP`

에이전트와 도구 연결¶

MCP, 멀티 에이전트, 도구 선택, 에이전트 운영 인프라.

날짜	제목	출처	태그
2026-09-10	에이전트 중단 기능 설계: Flag 체크포인트	Liner	`#AIAgent` `#SSE` `#Redis` `#PubSub` `#상태관리`
2026-09-02	Bedrock AgentCore: LangGraph 위에 운영 레이어 얹기	AWS 기술 블로그	`#AgentCore` `#Bedrock` `#LangGraph` `#MCP` `#Observability`
2026-09-02	The End of Software Engineering: 에이전트 패러다임 선언 검토	arXiv	`#AgenticEngineering` `#AIAgent` `#PositionPaper` `#SWEbench`
2026-07-10	RAG-MCP: Prompt Bloat 없는 MCP 도구 선택	arXiv	`#MCP` `#RAG` `#ToolSelection` `#PromptBloat`
2026-07-06	Agentic AI: Single vs Multi-Agent Systems	Medium	`#AgenticAI` `#MultiAgent` `#LangGraph` `#WorkflowDesign`
2026-07-06	How Many Tools Should an LLM Agent See?	arXiv	`#LLMAgent` `#ToolSelection` `#Retrieval` `#MCP` `#BoR`
2026-07-02	OpenWiki: repo 문서화 에이전트	LangChain Blog	`#OpenWiki` `#AIAgent` `#Documentation` `#DeepAgents`
2025-12-31	AI 테스트 에이전트 구축	Medium	`#TDD` `#AIAgent` `#ClaudeCode` `#SubAgent`
2025-12-30	Context Engineering 핵심역량	SK devocean	`#ContextEngineering` `#LLM` `#ContextWindow`
2025-12-30	OMS Claude AI 워크플로우	컬리 기술블로그	`#ClaudeAI` `#MSA` `#팀생산성`
2025-12-29	Visa Intelligent Commerce + AgentCore	AWS ML Blog	`#AgenticAI` `#Bedrock` `#MCP` `#MultiAgent`
2025-12-25	Claude Code 스타일 스킬 시스템	AWS Samples	`#LLM` `#Agent` `#Skill-System`
2025-12-24	Table Agent 테이블 데이터 처리	채널톡	`#RAG` `#Text-to-SQL` `#Agent`
2025-12-22	Subagents Supervisor 패턴	LangChain	`#MultiAgent` `#Supervisor`
2025-12-18	MCP vs Claude Skills 비교	요즘IT	`#MCP` `#ClaudeSkills`

LLM 서빙과 추론 최적화¶

처리량, 지연, 메모리. 엔진 설정과 서빙 구조를 나눠 보는 관점.

날짜	제목	출처	태그
2026-10-01	Why Does PTQ Work: 4비트로 깎아도 LLM이 버티는 이유	arXiv	`#Quantization` `#PTQ` `#NVFP4` `#Interpretability` `#LMHead`
2026-09-18	Cache-to-Cache: 모델끼리 KV 캐시로 대화하기	arXiv / ICLR 2026	`#MultiLLM` `#KVCache` `#ModelCommunication` `#Inference`
2026-09-14	NCP-ArchPreview: 토큰 다음에 개념을 예측하게 만들기	arXiv	`#LatentSpaceLM` `#NextConceptPrediction` `#VectorQuantization` `#Pretraining`
2026-09-11	DeepSeek-V4.1-Flash: KV 캐시를 토큰당 890바이트로	DeepSeek-AI	`#KVCache` `#SparseAttention` `#MoE` `#LongContext` `#FP4`
2026-09-10	EKS에서 vLLM 콜드 스타트 428초를 226초로	AWS 기술 블로그	`#vLLM` `#EKS` `#ColdStart` `#Karpenter` `#SleepMode`
2026-09-08	서빙 구조가 LLM 처리량을 바꾸는 방식	Notion	`#vLLM` `#RayServe` `#Triton` `#KServe` `#Throughput`
2026-07-06	Fused Linear Cross-Entropy: 메모리 아끼면서 CE 계산하기	Trillion Labs Research	`#CrossEntropy` `#LLMTraining` `#MemoryOptimization` `#CUDA`
2026-01-04	JSON vs TOON 토큰효율	네이버클라우드	`#TOON` `#JSON` `#토큰효율` `#LLM`
2025-12-19	LLM 서빙 성능최적화	네이버 CLOVA	`#LLM` `#KVCache` `#Goodput`
2025-12-19	Speculative Decoding 적용기	네이버 CLOVA	`#LLM` `#SpeculativeDecoding`
2025-12-19	Tensor Parallelism 심층분석	liyuan24 블로그	`#LLM` `#TensorParallel`
2025-12-18	토스 대규모 데이터 서빙 아키텍처	토스 기술블로그	`#DataEngineering` `#StarRocks`

신뢰도와 환각 탐지¶

답을 믿어도 되는지 판단하는 신호들. 입력 단계 가드레일 후보 22건은 가드레일 읽을 논문에 모아 두었습니다.

날짜	제목	출처	태그
2026-09-28	JEV-as-a-Judge: 확신하면 받고, 모르면 넘기는 판정기	arXiv	`#LLMasJudge` `#Calibration` `#Cascade` `#EvalCost`
2026-06-11	Future Context 기반 LLM 환각 검출	네이버 CLOVA	`#환각검출` `#BlackBox` `#FutureContext` `#ACL2026`
2026-06-09	Logits as Confidence: LLM·VLM 신뢰도 활용	Medium	`#Logits` `#Confidence` `#LLM` `#VLM` `#LogProbs`
2025-12-24	ML 모델 벤치마크 필요성	채널톡	`#RAG` `#벤치마크` `#하이브리드검색`

엔지니어링 일반¶

날짜	제목	출처	태그
2026-10-05	배럭: 인프라 요청을 폼과 봇 PR로 바꾼 사내 플랫폼	비브로스 기술 블로그	`#PlatformEngineering` `#GitOps` `#ArgoCD` `#Terraform` `#승인게이트`
2025-12-27	AI 진화: 계산기부터 LLM까지	네이버 CLOVA	`#AI역사` `#딥러닝` `#옴니모달`
2025-12-27	Logistic Regression 통계 vs ML	Velog	`#LogisticRegression` `#MLE` `#SGD`
2025-12-23	머신러닝 테스트 코드 구현	velog	`#MLOps` `#Testing` `#pytest`
2025-12-18	LLM 버그 트리아지 자동화	채널톡	`#LLM` `#자동화`

Repos & Tools¶

직접 뜯어본 오픈소스 저장소와 도구입니다. 코드 규모, 기여자, 라이선스, 실제 구현 여부까지 확인해 적습니다.

날짜	레포	조직	태그
2026-09-11	GPT-6 Astra 프롬프트 설계 분석	CL4R1T4S	`#SystemPrompt` `#PromptDesign` `#권한설계` `#PromptInjection`
2026-09-11	llm-as-a-verifier: logprob 분포로 에이전트 궤적 채점	llm-as-a-verifier	`#Verifier` `#LogProbs` `#TestTimeScaling` `#BestOfN` `#PrefixCache`
2026-09-02	reef: 서빙하면서 스스로 학습하는 에이전트 인프라	Human-Agent-Society	`#ContinualLearning` `#SelfImprovingAgent` `#RL` `#HarnessEvolution` `#SGLang`
2026-07-31	MatrAIx-Persona-8B: 페르소나 인구규모 AI 평가 인프라	MatrAIx-ai	`#PersonaSimulation` `#AI평가` `#SyntheticData` `#LLMAgent` `#Benchmark`
2026-07-23	AgentENV: 에이전트 환경 대규모 실행 플랫폼	kvcache-ai	`#AgenticRL` `#Firecracker` `#Sandbox` `#E2B` `#KimiK3`
2026-04-11	late.sh: SSH 한 줄로 들어가는 터미널 클럽하우스	mpiorowski	`#SSH` `#TUI` `#Rust` `#LLMFirstDocs` `#Kubernetes`
2026-03-22	OpenCrab: 에이전트에 MCP로 붙이는 온톨로지 공장	AlexAI-MCP	`#MCP` `#Ontology` `#KnowledgeGraph` `#GraphRAG` `#ReBAC`
2023-05-10	Opik: LLM 관측·평가 플랫폼과 Langfuse 비교	comet-ml	`#LLMObservability` `#LLMasJudge` `#Langfuse` `#ClickHouse` `#SelfHosting`

Interview Prep¶

interviews/ 에 질문별 답변과 기업별 출제 경향을 정리합니다.

파일	내용
01_통계_수학.md	선형대수, 확률, 통계
02_머신러닝.md	ML 알고리즘과 개념
03_딥러닝.md	딥러닝 일반
04_자연어처리.md	NLP
14_OpenAI_MLE_출제경향.md	OpenAI ML Engineer 문제 유형 분포

Hands-on Experiments¶

직접 구현하며 확인하는 노트북입니다. Pre-Quiz → TODO 구현 → 테스트 → 시각화 → Post-Quiz 구조입니다.

분류	노트북
ML/DL 기초	Gradient Descent · Activation · Backprop · Regularization · BatchNorm · PCA
Transformer	Attention → Mini GPT (8개 노트북, 08_mini_gpt 에서 Decoding Strategies 포함)

Repository Structure¶

I_AM_ML_Engineer/
├── readings/              # 읽은 자료 정리 (이 저장소의 중심)
│   ├── papers/            # 논문
│   ├── blogs/             # 기술 블로그
│   ├── repos/             # 오픈소스 저장소·도구
│   └── _maps/             # 노트 사이의 관계를 그린 지도
├── interviews/            # 면접 질문 정리와 기업별 출제 경향
├── experiments/           # 실습 노트북 (직접 구현)
│   ├── basics/            # ML/DL 기초
│   └── transformer/       # Attention 에서 GPT 까지
├── deep_learning/         # Transformer, CNN, RNN 개념 정리
└── practical_tips/        # 실무 경험과 팁

정리 형식¶

파일명은 [YYYYMMDD] 출처_제목.md 로 통일합니다. 각 정리는 다음 뼈대를 따릅니다.

메타데이터 - 원문 링크, 저자, 발행일, 실험 환경, 읽은 날짜, 태그
한 줄 요약 - 이 자료가 주장하는 것
본문 - 아래 본문 규칙을 따릅니다
읽을 때 감안할 것 - 조건, 표본, 검증되지 않은 전제, 발견한 오기
가져갈 지점 - 다른 자료에 옮길 수 있는 원리와 저장소 내 관련 정리 연결
결론 - 이 자료를 어떻게 쓰는 것이 맞는지

4번이 핵심입니다. 벤더 자료의 정량 지표 부재, 단일 환경 실험, 인용 오류 같은 것을 여기 적습니다.

본문 규칙¶

논문은 원문 목차를 그대로 따라갑니다. 절 번호와 제목을 원문과 같게 두어 대조하며 읽을 수 있게 합니다. 임의로 재구성하지 않습니다. 4번과 5번 절만 읽는 쪽이 덧붙인 것으로 표시합니다.

블로그와 저장소 정리는 원문 구조를 따르되 주제 단위로 묶습니다. 원문이 절 번호를 쓰지 않는 경우가 많고, 흐름이 설명에 맞춰져 있기 때문입니다.

공통으로 지키는 것은 다음과 같습니다.

수치와 표는 원문에서 직접 확인해 옮깁니다. 2차 자료의 인용을 재인용하지 않습니다
원문에서 발견한 오기나 불일치는 4번 절에 기록합니다
같은 문제를 다루는 다른 정리와 상대 경로로 링크를 겁니다

Contributing¶

정리 내용에 대한 피드백이나 토론은 환영합니다. Issues에 남겨주세요.

License¶

MIT License