소개

소개

안녕하세요. Apple-IO 는 한 명의 개발자가 운영하는 개인 블로그입니다.

운영자

  • 활동명: GOLDTAGWORKS
  • 1998년부터 개발자로 활동 (현재 28년차)
  • 2011-2017: RealNetworks 개발자
  • 2018-2021: 카카오 개발자
  • 2022-현재: 카카오 엔터테인먼트 개발자
  • 최근 관심사: AI 협업 개발 (Claude, ChatGPT) 과 사이드 프로젝트
  • 현재 진행 중인 사이드 프로젝트:
  • 타로 카드 리딩 웹앱
  • 사주명리 분석 앱
  • 비주얼 노벨 게임 (Ren'Py)

위 프로젝트들의 개발기 시리즈는 현재 정리 중이며, 이 블로그에서 점진적으로 공개될 예정입니다.

외부 채널

어떤 블로그인가요

이 블로그는 변화하는 개발 환경 하에서 어떻게 하면 보다 적극적으로 편하게 AI를 활용할 수 있을지를 개발과 엮어 풀어가는 이야기를 다룹니다. 많은 인플루언서들이 다루는 거창한 이론보다는, 현업 개발자가 매일 코드를 짜면서 마주치는 구체적인 문제들 — Claude나 ChatGPT, GitHub Copilot 같은 AI 도구를 어떻게 쓰면 더 잘 쓰는지, 어디서 막히고 어떻게 풀었는지를 개인적인 경험으로 모두와 공유하기 위해 기록합니다.

다루는 주제는 대략 이런 것들입니다.

  • AI 도구를 활용한 코딩, 디버깅, 아키텍처 설계
  • 실제 사이드 프로젝트를 AI와 함께 만든 과정과 시행착오
  • 프롬프트 엔지니어링, AI 에이전트 개발, MCP 같은 신기술 실전 사용기
  • AI 시대의 개발자 워크플로우와 생산성 변화
  • 이런 시대를 맞으며 현업 개발자가 겪고 있는 고민과 방황

왜 글을 쓰나요

AI가 등장하기 이전에도 20년 전 짠 코드, 10년 전 짠 코드, 한 달 전 코드, 오늘 짠 코드 사이에는 변화가 존재합니다. 20년 전에는 내가 왜 그렇게 만들었을까? 10년 전에는 왜 그랬지? 한 달 전에는? 이러한 고민 속에 AI가 생성한 코드를 보더라도 어느 순간 맥락을 잃어가는 모습을 보면, 과거의 비슷한 모습이 투영되는 것 같다는 생각이 듭니다.

AI가 코딩을 바꾸고 있다는 말은 너무 많이 들었지만, 정작 "오늘 내가 짠 코드 중 몇 줄이 AI 덕분에 달라졌는지" 구체적으로 기록한 글은 드물다고 느꼈습니다. 그래서 직접 써보기로 했습니다. 누군가에게 도움이 된다면 좋고, 안 되더라도 미래의 저에게는 유용한 일지가 될 거라고 생각합니다.

글의 원칙

  • 과장 없이 — AI가 잘하는 것과 못하는 것을 둘 다 씁니다
  • 구체적으로 — 코드 예시와 Before/After 비교를 곁들입니다
  • 실패도 기록 — 안 풀린 문제, 잘못된 선택도 가능한 한 솔직하게 적습니다

블로그 정보

  • 도메인: apple-io.com
  • 운영자: GOLDTAGWORKS
  • 시작: 2026년
  • 언어: 한국어 (메인), English (번역)

댓글

댓글 쓰기

이 블로그의 인기 게시물

개발자는 코드를 쓰는 사람이 아니다 — AI 시대에 남는 자리는 '책임'에 있다

개발자는 코드를 쓰는 사람이 아니다 — AI 시대에 남는 자리는 '책임'에 있다 AI 때문에 개발자가 없어질 거라는 말, 요즘 진짜 많이 듣는다. 특히 AI를 매일 쓰는 개발자들이 더 불안해하는 것 같다. 매일 AI가 자기 대신 코드를 짜는 걸 보다 보면, 이 일이 얼마나 더 이어질까 싶은 거다. 예전엔 주니어만 대체된다는 이야기였는데, 이제는 시니어까지 같이 묶여서 이야기가 나온다. 얼마 전엔 지인 한 명이 커리어를 바꿀까 고민 중이라고 했다. 30년 넘게 코딩했는데, 요즘 자기가 일주일 걸릴 작업을 AI가 몇 시간 만에 해치우는 걸 보면서 "내가 지금 쌓고 있는 스킬이 3년 뒤에도 의미가 있을까"라는 생각이 든다고 했다. 다른 한 명은 반대로, AI를 거의 안 쓰는 동료들을 보면서 "저 사람들 지금 뭐하고 있는 건가" 싶다고 했다. 같은 시기에 완전히 다른 종류의 불안을 겪고 있는 거다. 둘 다 이해는 간다. 근데 이 불안의 전제 자체가 틀렸다고 본다. 정확히는 반은 맞고 반은 틀렸다. 개발자가 없어지는 게 아니라, "개발자"라는 단어가 가리키는 대상이 바뀌고 있을 뿐이다. 근데 그 변화가 혼란스러워 보이니까 "개발자가 사라진다"는 쉬운 말로 퍼지는 것 같다. 작년에 사내에서 한 발표를 준비하면서 이 주제를 나름대로 정리해본 적이 있다. 주제는 복잡한 크로스플랫폼 데스크톱 앱을 리팩토링하면서 겪은 경험이었는데, 진짜 하고 싶었던 이야기는 프로젝트 경험담이 아니라 한 발짝 더 떨어진 곳에 있었다. "AI를 잘 쓰는 법"이 아니라, AI를 쓰다 보니 내가 하는 일의 무게중심이 어디로 옮겨가고 있는가. 그 이야기를 하고 싶었다. 그리고 1년이 지난 지금, 그때 적었던 결론은 오히려 더 또렷해졌다. 구현자에서 "다시 설계자로" 발표에서 썼던 문장 하나가 지금 다시 봐도 정확한 것 같다. 개발자가 사라지는 흐름이라기보다는,...
자세한 내용 보기

What Is Harness Engineering — Designing the Reins for AI Agents

What Is Harness Engineering — Designing the Reins for AI Agents In Part 1 of this series, I talked about the decline of prompt engineering. With CLI-based tools on the scene, the value of manually crafting elaborate prompts was fading. But as 2026 unfolded, I realized that what replaced prompt engineering wasn't simply "better tools." Prompt engineering gave way to context engineering, and now context engineering is giving way to an entirely new paradigm: harness engineering . In this post, I'll break down what harness engineering is, why it matters right now, and what its key components look like. A Harness for a Horse, a Harness for an Agent A harness originally refers to the tack fitted onto a horse. Bridle, saddle, stirrups — equipment designed not to suppress the horse's power, but to channel it in the right direction. In AI, the term means exactly the same thing. A harness is the entire external system that controls and directs an AI agent's power...
자세한 내용 보기

Harness Engineering in Practice — How Anthropic Designs AI Agents

Harness Engineering in Practice — How Anthropic Designs AI Agents The previous post covered the concept and components of harness engineering. This time, it's the real thing. Drawing on the concrete architecture patterns Anthropic published in their official engineering blog — along with experimental results from the OpenAI Codex team — let's look at how harnesses are actually applied in practice. The Basic Structure of an Agent Loop: The Inner Loop At the heart of every AI agent sits an agent loop . In Claude Code, it's called queryLoop . At its core, it's a while(true) loop. while (true) { 1. Prepare context (plan-mode attachments, task reminders) 2. Call the model (streaming API call) 3. Execute tools (detect tool call → validate schema → check permissions → execute) 4. Decide whether to continue (does the model have more to do?) } Each iteration is one "think, act, observe" cycle. The model thinks, invokes a tool, observes the resul...
자세한 내용 보기