글

TanStack AI 1.0 사용법: 업그레이드·에이전트와 안전한 권한 설정

이미지
TanStack AI 1.0은 자바스크립트·타입스크립트 앱에서 채팅, 도구 호출, 이미지·음성, MCP, 에이전트를 한 흐름으로 구성하는 오픈소스 툴킷의 첫 안정 버전입니다. 핵심은 “모든 것이 안정화됐다”가 아닙니다. 기존 채팅·도구·미디어·어댑터 중심의 코어 API는 1.0으로 안정화 됐지만, 장시간 작업과 하위 에이전트를 관리하는 새 Agent Harness는 여전히 실험 버전 입니다. 따라서 새 프로젝트는 안정 코어로 작게 시작하고, 기존 0.x 프로젝트는 패키지를 한꺼번에 올린 뒤 타입 검사와 저장 데이터 이전을 마쳐야 합니다. 코딩 에이전트 하네스는 별도 시험 브랜치와 샌드박스에서 평가하는 편이 안전합니다. 핵심 요약 @tanstack/ai* 의 안정 패키지는 1.0으로 함께 업데이트합니다. 클라이언트와 서버 모두 같은 1.0 계열을 사용해야 합니다. threadId 는 브라우저와 서버에서 직접 안정적인 값으로 전달해야 합니다. @tanstack/ai-harness 와 하네스 CLI는 0.x 실험 단계입니다. 권한 플러그인은 승인 흐름이지 샌드박스가 아닙니다. 신뢰하지 않는 코드는 격리 환경에서 실행합니다. TanStack AI 1.0에서 달라진 경계 공식 발표에 따르면 1.0 코어는 23개 공급자 어댑터와 OpenAI 호환 어댑터, 여러 UI 프레임워크, 도구 호출, 미디어 생성, 지속성, MCP를 하나의 타입 시스템 아래 제공합니다. chat() 과 각 프레임워크의 채팅 훅을 이용하는 일반적인 제품 기능은 이제 1.0을 기준으로 설계할 수 있습니다. 반면 Agent Harness는 한 대화가 오래 살아 있으면서 새 메시지를 받고, 승인을 기다리고, 하위 에이전트를 실행하고, 배포나 장애 뒤에도 이어지는 작업을 만들기 위한 별도 계층입니다. 기능은 풍부하지만 관련 패키지가 아직 0.x이고, 마이너 업데이트에서도 API가 바뀔 수 있습니다. 구분 1.0 안정 코어 실험 Agent Harness 주요 목적 채팅, 도구...

Framer MCP 사용법: Codex·Claude·Cursor로 사이트 안전하게 편집하기

이미지
Framer MCP는 Codex, Claude, Cursor 같은 외부 AI 도구를 Framer 프로젝트에 연결해 페이지, 레이아웃, 콘텐츠, CMS를 편집하게 하는 공식 원격 MCP 서버다. 예전처럼 로컬 브리지 프로그램을 계속 실행할 필요가 없고 Framer 편집기를 열어 두지 않아도 된다. 다만 연결한 Framer 계정의 권한으로 작동하며, 명시적으로 게시를 요청하면 라이브 사이트도 바꿀 수 있다. 따라서 설치보다 중요한 것은 대상 프로젝트를 정확히 지정하고, 브랜치에서 변경하고, 사람이 검토한 뒤 게시하는 흐름 을 먼저 정하는 것이다. 핵심 요약 지원 조건: 원격 Streamable HTTP MCP와 OAuth를 지원하는 AI 클라이언트 공식 서버 주소: https://mcp.framer.com/mcp 접근 범위: 로그인한 Framer 계정이 접근 가능한 프로젝트와 그 계정의 권한 안전한 기본값: 전체 프로젝트 링크 지정 → 작은 읽기 작업 → 브랜치 편집 → 반응형·CMS 검토 → 마지막에 게시 출시 시점 제한: Framer MCP는 현지화 워크플로를 지원하지 않으며, 이 작업은 기존 로컬 @framer/agent 방식이 필요하다. 무엇이 달라졌나: 내장 Agent와 로컬 CLI 사이의 원격 연결 Framer 안의 내장 Agent는 Framer에서 바로 작업하는 방식이다. 반면 Framer MCP는 이미 쓰고 있는 Codex, Claude Code, Cursor, Pi, Windsurf 같은 외부 도구에서 Framer 프로젝트를 목적지로 연결한다. 파일, 스크립트, 조사 자료, 다른 API처럼 AI 클라이언트가 가진 도구와 Framer 작업을 한 대화에서 조합할 수 있다는 점이 핵심이다. 기존 External Agents는 로컬에서 @framer/agent 브리지를 실행하는 방식이다. 새 MCP는 Framer가 호스팅하는 원격 서버와 OAuth로 연결하므로 별도 로컬 브리지가...

DeepSeek DeepInfer 사용법: 설치 조건·오프라인 추론과 성능 검증

이미지
DeepInfer 는 DeepSeek가 실제 대규모 서비스에서 사용한다고 밝힌 추론 엔진을 Apache 2.0으로 공개한 프로젝트다. 핵심은 새 모델을 학습하는 것이 아니라, 이미 학습된 DeepSeek-V4.1-Flash를 여러 가속기에 나눠 더 많은 요청을 처리하고 결과를 재현 가능하게 검증하는 데 있다. 다만 일반 PC에 설치하는 로컬 실행 도구와는 거리가 멀다. 현재 공식 지원 하드웨어는 NVIDIA SM100 GPU와 Huawei Ascend 950 NPU이며, 완전한 온라인 서비스에 필요한 KV 캐시 시스템과 단계 분리, 복제본 간 로드 밸런싱은 공개판에 포함되지 않았다. 따라서 이 글의 목표는 “바로 운영에 넣기”가 아니다. 설치 가능 여부를 먼저 판단하고, 공식 오프라인 예제로 빌드 상태를 확인한 뒤, 결정적 출력·구조화 출력·벤치마크를 어떤 순서로 검증해야 하는지 정리한다. 먼저 결론: 누가 지금 써볼 수 있나 상황 판단 이유 일반 노트북·소비자용 GPU 현재는 부적합 공식 지원 목록에 없고, 대상 모델과 병렬 구성이 대규모 인프라를 전제로 한다. SM100 또는 Ascend 950 클러스터 검토 가능 공식 빌드 경로와 오프라인 추론·벤치마크 예제가 제공된다. vLLM·SGLang 운영팀 비교 실험 가치 있음 DeepInfer는 vLLM에서 출발했고 DeepGEMM·DeepEP·FlashMLA 등 DeepSeek 커널을 통합한다. 즉시 쓸 완성형 API 서버가 필요한 팀 추가 구성 필요 공개판은 오프라인 추론 중심이며 서비스 핵심 구성 일부가 빠져 있다. DeepInfer는 요청 스케줄링, 프리필·디코드, 병렬 실행, 출력 검증을 하나의 추론 흐름으로 묶는다. DeepInfer에서 달라지는 것 1. 프리필과 디코드를 각각 최적화한다 대형 언어 모델 추론은 입력 토큰을 한꺼번에 처리하는 프리필 과, 이후 토큰을 순차 생성하는 디코드 의 성격이 다르다. DeepInfer 예제는 두 단계의 배치 크기와 측정 항목을 분리한다...

ChatGPT Slides 사용법: 프레젠테이션 생성·공동 편집·PPT 내보내기

이미지
ChatGPT Slides는 대화나 파일에서 발표 자료의 초안을 만들고, 슬라이드 요소를 직접 고치고, 팀원과 같은 덱을 편집한 뒤 PowerPoint·PDF·Google Slides로 내보내는 기능입니다. 단순히 “목차를 써 주는 챗봇”이 아니라 프레젠테이션 파일이 만들어지고 수정되는 작업 공간이 ChatGPT 안에 생겼다는 점이 핵심입니다. 다만 모든 유료 계정에서 즉시 보이는 기능은 아닙니다. 2026년 10월 16일부터 Space를 사용할 수 있는 Pro·Business·Enterprise 계정에 순차 배포되고 있으며, Windows 데스크톱 환경과 공유 권한에도 제약이 있습니다. 이 글에서는 시작 전 확인할 조건부터 자료 준비, 생성 요청, 공동 편집, 내보내기 후 검수까지 실제 작업 순서대로 정리합니다. 먼저 알아둘 핵심 변화 기존에는 ChatGPT에 발표 개요나 슬라이드별 문구를 요청한 뒤 PowerPoint나 Google Slides로 옮기는 과정이 필요했습니다. ChatGPT Slides에서는 대화, 개요, 첨부 파일, 기존 템플릿을 재료로 삼아 편집 가능한 덱을 만들 수 있습니다. 텍스트뿐 아니라 이미지, 도형, 표, 차트를 직접 선택해 수정하거나 특정 요소를 선택한 뒤 Request edits 로 변경을 요청할 수 있습니다. 팀 작업 방식도 달라집니다. 덱을 Space에서 공유하면 편집 권한을 받은 사람이 동시에 같은 슬라이드를 고칠 수 있고, 댓글에서 팀원이나 ChatGPT, dot을 언급해 수정 작업을 요청할 수 있습니다. 발표가 끝난 뒤에도 ChatGPT에만 묶이지 않습니다. 웹에서는 PowerPoint, PDF, Google Slides로 내보낼 수 있어 최종 전달 형식에 맞춰 후속 편집을 이어갈 수 있습니다. 대화와 자료를 바탕으로 슬라이드를 만들고 팀과 함께 수정하는 ChatGPT Slides의 공식 예시. 출처: OpenAI, 2026년 10월 21일 확인. 시작 전 준비사항 5가지 요금제와 배포 상태 확인: 공식 안내 기준 ...

Hy Memory 2.0·MemHub 사용법: Codex·Claude Code 기억 공유 가이드

이미지
AI 코딩 도구를 바꿀 때마다 “이 저장소에서는 pnpm을 쓴다”, “마이그레이션 파일은 직접 고치지 않는다” 같은 규칙을 다시 설명해야 하는 경우가 많습니다. Tencent Hunyuan이 2026년 10월 16일 공개한 Hy Memory 2.0 과 MemHub 는 이 문제를 모델 자체가 아니라 별도의 기억 계층으로 풀려는 오픈소스 프로젝트입니다. Codex와 Claude Code의 대화 기록을 사용자가 허용한 범위에서 로컬 기억으로 정리하고, 필요한 도구가 MCP를 통해 다시 조회하게 만드는 방식입니다. 이 글은 벤치마크 순위를 홍보하기보다, 지금 공개된 구성요소 중 무엇을 선택해야 하는지, MemHub를 설치하기 전에 어떤 버전과 권한을 확인해야 하는지, Codex·Claude Code 연결이 실제로 어떤 파일을 바꾸는지를 중심으로 설명합니다. 확인일은 2026년 10월 20일 입니다. 먼저 알아둘 핵심 MemHub 는 일반 사용자가 여러 AI 도구의 기억을 한곳에서 관리하는 로컬 우선 앱입니다. Hy Memory SDK 는 개발자가 자신의 에이전트에 채팅·업무·코딩 기억을 넣을 때 사용하는 Python 계층입니다. Hy-Memory-30B-A3B 는 기억 추출·갱신용 오픈 모델입니다. MemHub를 써보기 위해 이 30B 모델을 직접 실행할 필요는 없습니다. 공개 v1.0.4 자산은 macOS Apple Silicon DMG와 Linux x64/arm64 Runtime입니다. Windows와 Intel Mac용 공개 설치 파일은 확인되지 않았습니다. Codex와 Claude Code 연결은 자동으로 모든 기억을 프롬프트에 넣는 방식이 아닙니다. 기본적으로 Skill이 조회 시점을 안내하고 모델이 MCP 도구를 호출합니다. 모델은 기억 읽기·쓰기를, SDK는 저장·갱신·검색을, MemHub는 여러 AI 도구 연결을 담당합니다. 출처: Tencent Hunyuan 공식 Hy Memory 2.0 페이지, 20...

Shopify Shop MCP 사용법: AI 쇼핑 검색·장바구니·Shop Pay 결제 연결

이미지
AI 쇼핑 에이전트가 상품을 찾아주는 데서 끝나지 않고 장바구니와 결제까지 이어지려면, 상품 정보·재고·가격·구매자 확인·결제 승인을 한 흐름으로 연결해야 합니다. Shopify가 2026년 10월 13일 공개한 Shop MCP 는 이 과정을 MCP 호환 에이전트에서 사용할 수 있도록 만든 공개 연결 지점입니다. 10월 16일에는 UCP 구매자 동의 확장도 지원하기 시작해 이메일·문자 마케팅 같은 선택을 상점의 실제 정책과 함께 처리할 수 있게 됐습니다. 이 글은 Shop MCP를 단순히 “쇼핑 가능한 챗봇”으로 소개하지 않습니다. 검색만 시험하는 가장 작은 시작부터 장바구니, Shop Pay, 사용자 승인, 개인정보 동의, 주문 상태 확인까지 어떤 경계를 지켜야 하는지 공식 문서를 기준으로 정리합니다. 결제를 직접 실행하지 않아도 구조와 검증 순서를 이해할 수 있도록 구성했습니다. 핵심 요약 Shop MCP 공개 주소는 https://mcp.shop.com 이며, 검색 기능은 API 키 없이 시험할 수 있습니다. search_catalog , lookup_catalog , get_product 로 상품을 찾고 상세 정보와 판매 상점을 확인합니다. 장바구니는 구매자가 아직 비교하는 단계, 체크아웃은 주소·배송·결제처럼 확정 값이 필요한 단계에 적합합니다. 구매 완료 전에는 총액과 결제 수단을 구매자가 확인해야 하며, 상점은 계속 판매 주체로 남습니다. UCP 2026-08-25의 구매자 동의를 협상하면 분석·환경설정·정보 판매 또는 공유·이메일과 SMS 마케팅 선택을 상점 정책에 맞춰 표시할 수 있습니다. Shop MCP의 중요한 경계는 상품 검색과 결제 사이에 구매자의 확인 단계를 두는 것입니다. Shop MCP가 바꾼 점 기존의 상품 검색 연동은 에이전트가 조건에 맞는 제품을 찾아도 실제 구매 단계에서 상점 웹사이트로 사용자를 넘기는 경우가 많았습니다. Shop MCP는 Shopify Catalog 검색, 장바구니 작성, 체크아...

GitHub AI Scan 사용법: PR 보안 검사 설정·비용과 안전한 검토

이미지
GitHub AI Scan for pull requests 는 풀 리퀘스트(PR)에 포함된 변경 코드에서 보안 문제를 찾아 주는 AI 기반 코드 스캔 기능이다. 2026년 10월 15일 정식 출시됐으며, PHP·Shell/Bash·Terraform HCL·Dockerfile·JSP·Blazor처럼 CodeQL이 현재 직접 다루지 않는 언어와 프레임워크의 빈틈을 보완한다. 다만 결과는 어디까지나 검토 신호다. AI Scan 경고만으로 병합을 막을 수 없고 오탐도 가능하므로, “켜기”보다 “어떻게 검토하고 비용을 통제할지”가 더 중요하다. 이 글에서는 사용 조건, CodeQL과의 차이, 조직과 공개 저장소에서 켜는 순서, PR에서 결과를 읽는 법, 안전한 시험 운영 방법을 차례대로 정리한다. Read this guide in English . AI Scan이 해결하는 문제 기존 코드 스캔은 규칙과 데이터 흐름 분석이 잘 갖춰진 언어에서 매우 강하다. 그러나 팀의 실제 저장소에는 배포 스크립트, 인프라 구성, 컨테이너 정의, 오래된 서버 템플릿처럼 분석 범위가 고르지 않은 파일도 함께 있다. AI Scan은 PR에 새로 들어온 변경분을 중심으로 이런 영역을 살펴보고, 위험 설명과 수정 제안을 PR 화면에 표시한다. 동작 조건은 세 가지다. 저장소에서 코드 스캔이 활성화돼 있어야 하고, AI Scan 설정이 켜져 있어야 하며, 포크나 Dependabot이 만든 PR이 아닌 적격 PR에 지원 대상 변경이 있어야 한다. PR을 만들거나 새 커밋을 푸시하면 자동으로 다시 실행된다. CodeQL 기본 설정이 반드시 필요한 것은 아니며, CodeQL 분석이 실패하거나 대기 중이어도 AI Scan은 독립적으로 실행될 수 있다. 구분 AI Scan CodeQL 주요 범위 PR의 변경 코드, CodeQL 미지원 영역 보완 지원 언어의 정적 분석과 데이터 흐름 결과 위치 PR의 Conversation·Files changed PR 및 저장소 Security의 코드...