Codebase Memory MCP — 코드베이스를 지식 그래프로 색인하는 로컬 코드 분석 서버
Codebase Memory MCP는 Tree-sitter와 언어별 의미 분석을 결합해 코드 구조를 영속적인 지식 그래프로 만드는 MCP 서버입니다. Linux 커널 전체 색인에 3분, 구조 질의에 1ms 미만이 걸렸다고 보고하며, 다섯 가지 질의에서 파일별 탐색보다 토큰 사용량을 99.2% 줄였다고 제시합니다.
AI · 최신기사
AI 모델과 서비스, 활용 도구와 이용 조건을 다룹니다.
Impeccable — AI 코딩 도구에 디자인 지침과 검사 기능을 더하는 도구
Impeccable은 AI 코딩 도구에서 프런트엔드 디자인을 계획하고 다듬도록 돕는 스킬과 CLI입니다. 24개 명령과 61개 결정론적 검사 규칙을 제공하며, 브라우저에서 시안을 반복 수정하거나 CI에서 디자인 문제를 탐지할 수도 있습니다.
obra/superpowers — 코딩 에이전트용 스킬 프레임워크와 개발 방법론
Superpowers는 코딩 에이전트가 요구사항을 구체화하고 설계를 확인한 뒤, 계획과 테스트 주도 개발에 따라 구현하도록 돕는 스킬 프레임워크입니다. Claude Code, Codex, Cursor 등 여러 에이전트 환경에서 설치할 수 있으며, 작업별 검토와 브랜치 정리까지 개발 절차에 포함합니다.
gg-friggin-ez — Jev·Laya를 활용한 빠른 무료 욕설·유해성 탐지
gg-friggin-ez는 Node.js용 다국어 욕설·유해성 탐지 도구로, 로마자 표기된 인도어 욕설이나 leetspeak, ASCII 그림 같은 우회 표현을 걸러냅니다. 제작자는 500ms 미만 응답과 낮은 비용을 내세우지만, 공개한 벤치마크는 14개 언어, 42개 메시지로 초기 검증 단계입니다.
MiMo-V2.6 — 공개 훈련 과정을 거친 오픈 옴니모달 모델
Xiaomi가 텍스트·이미지·오디오·비디오를 처리하고 100만 토큰 문맥을 지원하는 MiMo-V2.6 Pro와 Flash를 공개했습니다. 모델 가중치와 기술 보고서뿐 아니라 RL 환경과 훈련 코드도 함께 공개합니다.
Plane Agents — 팀원처럼 AI 에이전트에게 일을 맡기세요
Plane Agents는 작업 공간에 에이전트를 팀원으로 추가해 업무를 배정하고, 변경 사항이나 일정에 따라 실행하는 기능입니다. 프로젝트 범위, 재사용 가능한 기술, 외부 도구 연결, 실행 간 기억을 설정할 수 있으며, 유료 플랜에 포함된 AI 크레딧을 사용합니다.
PixelCrew — AI 에이전트 팀이 만드는 프로덕션용 디자인
PixelCrew는 여러 AI 에이전트가 조사, 크리에이티브 방향 설정, 와이어프레임, QA를 거쳐 디자인 시스템과 HTML을 만드는 도구입니다. 알파 버전은 무료이며 OpenRouter 키를 연결해 원하는 모델을 사용할 수 있습니다.
Anomalo — 데이터가 보내는 신호를 놓치지 마세요
Anomalo Analyst는 Snowflake, Databricks, BigQuery 데이터를 읽기 전용으로 모니터링해 추세와 이상 변화를 먼저 찾아냅니다. 각 인사이트에 업무 요약과 기술 설명, 분석에 사용한 근거를 제공해 실제 사업 변화와 데이터 오류를 구분하도록 돕습니다.
사이드 프로젝트를 그만 만드세요. 아무도 신경 쓰지 않습니다 — 불편한 계산
사이드 프로젝트가 취업, 학습, 사업에 도움이 된다는 통념을 반박합니다. AI가 구현 결과물을 빠르게 만들어내는 시대에는 실제 사용자에게 배포하고 운영하며 얻는 판단력이 더 가치 있다고 주장합니다.
Clueso MCP — 채팅으로 동영상 만들고 편집하기
Clueso MCP는 Claude, ChatGPT, Cursor 등 MCP 호환 에이전트에서 프롬프트와 자료를 받아 동영상을 기획하고 편집합니다. 결과물을 전용 편집기에서 세밀하게 수정할 수 있으며, 개발팀은 타임라인 도구 호출, 여러 프레임 피드백 등 에이전트의 편집 제어 방식을 소개했습니다.
Show HN: 타입 지정 의사결정 모델을 위한 재현 가능한 벤치마크, JevBench
JevBench는 상태와 제한된 평가 기준을 입력받아 구조화된 답을 내는 Jev 계열 모델을 정확도·보정·속도·비용으로 비교합니다. 534개 결정 과제를 같은 조건에서 측정한 v1.3.0 결과와 점수 산정 규칙을 공개해, 모델 선택 시 성능과 운영 비용을 함께 살피게 합니다.
Unreal Agent — 비동기 도구 호출로 에이전트 비용을 줄이는 하네스
Unreal Agent는 도구 호출을 백그라운드에서 실행하고, 완료 전에도 사용자가 에이전트를 조정할 수 있게 설계한 Go 기반 에이전트 하네스입니다. 자체 벤치마크에서 Codex보다 최대 40%, Pi보다 최대 20% 비용을 아꼈다고 보고했으며, 댓글에서는 비교 조건과 비동기 호출의 실제 비용 절감 효과를 두고 검증이 이어졌습니다.
AI 크롤러 차단용 robots.txt를 붙여 넣다가 기존 규칙을 풀 수 있습니다
robots.txt에 AI 봇 전용 그룹을 추가하면 해당 봇에는 와일드카드(*) 그룹 규칙이 적용되지 않을 수 있습니다. 기존 Disallow 규칙을 유지하려면 현재 파일을 확인한 뒤 바꾸려는 규칙만 수정하고, 같은 사용자 에이전트 그룹은 RFC 9309에 따라 결합해야 합니다.
토큰 가격이 계량하기도 어려울 만큼 낮아지고 있습니다
기계학습 추론 비용이 하드웨어·소프트웨어·모델 개선으로 빠르게 낮아지고 있으며, 작업당 비용은 토큰 단가보다 더 큰 폭으로 줄고 있다고 분석합니다. 글쓴이는 모델이 도구보다 저렴해지면 소프트웨어에 지능을 내장하는 사례가 늘고, 값싼 지능이 개발과 산업의 선택지를 바꿀 수 있다고 전망합니다.
AI 에이전트가 사실을 읽고도 기록하지 않은 이유
회의록을 전략 보고서로 바꾸는 멀티 에이전트 파이프라인에서, 전체 점수는 양호했지만 경쟁사 관련 사실이 반복해서 누락됐습니다. 작성자는 중간 단계의 분류 기준에서 누락 원인을 찾고 수정했으며, 항목별 평가와 작은 표본의 한계도 함께 짚습니다.
평문 파일이 사라질 위기에 놓였습니다
평문 파일은 운영체제와 앱에 덜 종속되는 범용 데이터 형식이지만, 스마트폰과 앱 중심 사용 환경에서 일반 사용자가 파일을 다루는 일이 줄었습니다. 글쓴이는 개발자마저 LLM 에이전트로 편집을 넘기면 편집기와 파일 시스템 생태계가 약해질 수 있다고 우려합니다.
OpenAI는 Jev를 빠르게 따라잡을 유리한 위치에 있습니다
TypeSafe의 Jev는 자연어로 분류 기준을 지정하고 결과와 확률을 빠르게 얻는 모델입니다. 글쓴이는 LLM이 다음 토큰 확률을 활용해 이미 도구 호출 같은 분류를 수행해 왔다고 설명하며, OpenAI가 이 능력을 모델 내부에 넣어 추론 비용과 지연을 줄일 수 있다고 주장합니다. Jev의 경쟁력은 구조보다 학습 데이터와 보정 과정, 실제 정확도에 달렸다는 분석입니다.
GPT-6 Sol·Luna 공개 — 가격은 절반, 캐싱 효율은 개선
OpenAI가 GPT-6 계열의 중간·경량 모델 Sol과 Luna를 공개하고 API 가격을 이전 GPT-5.6 모델보다 50% 낮췄습니다. 업무 자동화·코딩·컴퓨터 사용 성능과 프롬프트 캐싱 개선치를 제시했으며, Hacker News에서는 낮은 가격을 반기는 반응과 구독 사용량·실사용 성능을 따져야 한다는 의견이 함께 나왔습니다.
우리 모두에게 ‘진지한 작업용 AI’와 ‘그냥 써보는 AI’가 생겼습니다 — 언제부터였을까요?
작성자는 AI 모델을 의식적으로 역할 분담하지 않았지만, 작업의 난이도와 도구 사용량, 응답 신뢰도에 따라 자연스럽게 선택 기준이 생겼다고 말합니다. 더 똑똑한 모델보다 작업 형태에 맞고 덜 귀찮은 도구를 고르는 과정이 개인별 AI 계층을 만든다는 이야기입니다.
AI에는 지혜가 없고, 당신도 그렇게 될 수 있습니다
AI가 코드를 빠르게 만들더라도 유지보수성과 설계 품질을 즉시 평가하기는 어렵습니다. 글은 코드 읽기와 실수에 대한 책임을 포기하면 개발자의 숙련도도 자라지 않는다고 지적하며, AI를 도구로 쓰되 판단과 학습을 넘겨서는 안 된다고 주장합니다.