귤랑귤랑

[귤랑귤랑 @gyulrangdev]

간만에 게임 하려고 닌텐도 켰는데 저장데이터가 싹 다 날아갔네… ㅜ

[개발자스럽다 @gaeraecom]

📚❮케라스 창시자에게 배우는 딥러닝(개정 3판)❯
▪️ 텐서플로, 파이토치, JAX, 케라스를 활용한 딥러닝 실전 지침서
▪️ 창시자의 철학까지 담은 머신러닝/딥러닝 핵심 원리와 실무 기법

🎁 도서 증정 이벤트
∙ 리포스트 + 팔로우
∙ 3명 | ~2026년 9월 27일

👉https://t.co/Lo1OvzsM3R

[뺍새🥩 @NEVERDIEBAEB]

이 악마같은 놈들이 진짜 작정을 했나….

[귤랑귤랑 @gyulrangdev]

아~~ 번아웃 초기증상

[귤랑귤랑 @gyulrangdev]

좀 쉬어야할 것 같다… 약간 멍하고 머리도 안굴러가

[귤랑귤랑 @gyulrangdev]

퇵..

[귤랑귤랑 @gyulrangdev]

노트북 안 끈지 20일째… 힘든지 버벅인다. 휴식 시간을 줘야겠어

[귤랑귤랑 @gyulrangdev]

툌 터덜터덜

[Nico @nicos_ai]

Esto es una auténtica joya.

Hace cinco semanas, Andrej Karpathy se unió a Anthropic.

Dos ingenieros senior de Anthropic llevaron el enfoque de Karpathy un paso más allá con el concepto de Graph Engineering.

Los sistemas agénticos mejoran de verdad cuando conectas los agentes en forma de grafo.

Lo integré en mi configuración y la primera respuesta ya fue completamente distinta.

No fue una mejora pequeña. Fue un cambio total.

Claude dejó de dar respuestas genéricas y empezó a trabajar exactamente como yo quería.

Guárdalo antes de que se pierda en tu feed.

Léelo ahora y luego échale un vistazo al artículo de abajo👇

[귤랑귤랑 @gyulrangdev]

퇴근 터덜터덜…

[Nico @nicos_ai]

De prompt engineering → context engineering → harness engineering → loop engineering → graph engineering:

La lista no deja de crecer, y cada nuevo término suele tratarse como si sustituyera al anterior.

Pero la realidad es otra: cada capa envuelve a la anterior. La forma más sencilla de diferenciarlas es preguntarse cuál es su unidad de trabajo.

Prompt engineering es el mensaje

El modelo no recuerda nada antes de esa llamada, así que el prompt tiene que contener todo lo necesario: el rol, el contexto, las instrucciones, algunos ejemplos y el formato de salida.

Si el resultado no es el esperado, la clave está en descubrir qué elemento falta o falla, no en reescribir todo el prompt una y otra vez.

La unidad de trabajo es una única entrada.

Context engineering es la memoria

A lo largo de varios pasos, la ventana de contexto es limitada, pero la información disponible no lo es. Por eso hace falta un proceso de selección.

Ese proceso consiste en conservar lo importante, resumir lo útil pero voluminoso y descartar el resto.

Un buen contexto no consiste en meter más información, sino en saber qué eliminar.

La unidad de trabajo es lo que permanece dentro de la ventana de contexto.

Harness engineering es la máquina

Por sí solo, un modelo solo genera texto.

El harness se encarga de recopilar la información necesaria, ejecutar el modelo, llamar a herramientas o subagentes y verificar el resultado mediante pruebas o un evaluador.

Ese paso de verificación es, en gran medida, lo que diferencia una simple llamada a una API de un agente de IA.

La unidad de trabajo es una ejecución completa de la máquina.

Loop engineering es la ejecución iterativa

Una sola ejecución rara vez resuelve todo el problema.

Hace falta un mecanismo que decida si la máquina debe volver a ejecutarse. Para ello se necesita un objetivo definido desde el principio, límites como un número máximo de iteraciones o un presupuesto de coste, y un criterio automático que determine cuándo la tarea realmente ha terminado.

Que un agente deje de pedir herramientas no significa que haya completado el trabajo; solo significa que ha terminado ese turno.

La unidad de trabajo es toda la ejecución del ciclo.

Graph engineering es la coordinación

Cuando varios bucles tienen que trabajar juntos, necesitas definir qué se ejecuta, cuándo se ejecuta, qué puede hacerse en paralelo y qué componentes supervisan a otros.

Los nodos realizan el trabajo, las conexiones (edges) deciden qué ocurre después y el estado compartido fluye entre ellos.

De hecho, un único bucle no deja de ser un grafo de un solo nodo con una conexión que apunta de vuelta a sí mismo. Por eso los grafos organizan los bucles, no los sustituyen.

La unidad de trabajo es el proceso completo.

La relación entre todas estas capas es sencilla:

El prompt y el contexto viven dentro de la fase de recopilación del harness.

El harness ejecuta una pasada completa.

El loop decide si esa pasada debe repetirse.

El graph decide qué bucles se ejecutan y cómo se coordinan entre sí.

Cuanto más amplías la perspectiva, mayor es la unidad de trabajo.

Cuanto más profundizas, vuelves al prompt.

Y eso también indica dónde depurar un problema: identifica qué capa ha fallado según su unidad de trabajo y corrige esa capa.

El prompt es la parte más fácil de modificar, por eso suele recibir la culpa de errores que, en realidad, se originan tres niveles más arriba.

En el articulo de abajo, se explica que es el graph engineering, donde explica la idea principal, cómo empezar, cómo gestionar el estado compartido, cómo crear un enrutamiento fiable y cuándo usar un grafo realmente merece la pena.

Si quieres mantenerte al día, léelo a continuación👇

[Leaf Meta 🇰🇷 @leafmeta]

📌 '그래프 엔지니어링' 책을 썼다, 453쪽 무료 공개하며 남기는 메모

- 두 트랙 : 지식 그래프(무엇을 아는가) & 에이전트 그래프(무엇을 하는가)
- 하네스 엔지니어링 : 에이전트를 감싸는 실행 골격을 설계하는 일

1) 제가 쓴 책이다. 본문 35장, 부록 6편, 453쪽으로 풀었다. 파는 게 목적이 아니라 틀린 데를 지적받는 게 목적이라 그렇게 했다.

2) 초기 AI는 그래프였다. 딥러닝이 그걸 벡터로 녹였고, 에이전트 시대에 우리는 다시 그래프를 그린다. 돌아온 게 아니라 한 바퀴 돌아 올라온 거다. GQL이 1987년 SQL 이후 ISO가 낸 첫 새 질의어 표준이라는 사실도 같은 이야기다.

3) 성공담보다 실패담을 길게 썼다. 노드 하나 잘못 그려서 3주 날린 이야기, 문서 1만 건에서 뽑은 트리플 절반이 거짓이던 이야기. 매끄럽게 지우지 않았다.

💬 개념마다 표준, 사실상 표준, 실험 라벨을 붙였다. 특히 에이전트 그래프 쪽은 용어 자체가 아직 안 굳었다. 어디까지가 검증이고 어디부터 제 추정인지 문장으로 갈라 뒀다. 각 장 끝에는 「내가 아직 모르는 것」 상자를 남겼다.

당장 써먹을 지점은 하나다. 에이전트 체인이 자꾸 부러진다면 프롬프트를 고치지 말고 상태와 종료 조건을 그래프로 그려봐라. 부러지는 자리가 보인다.

반면에 저도 틀릴 수 있다. 그래서 마지막 35장은 제 주장 다섯 개를 직접 지목하고 반증 조건을 붙이는 데 썼다. 컨텍스트 창이 더 커지고 모델이 알아서 계획하면, 이 정교한 배선은 과잉 설계로 남을지도 모른다. 어쩌면 상관없을 수도 있다.

#그래프엔지니어링 #AI에이전트 #지식그래프 #메타인지

🔗 관련 정보:
* 바로 읽고 싶다면, 453쪽 PDF 내려받기 — https://t.co/RHvn06qGuS
* 목차부터 훑고 싶다면, 저장소 README — https://t.co/Ljwkv91uxm
* 손부터 움직이고 싶다면, 장별 예제 코드 — https://t.co/WUXQVoiyKD

[귤랑귤랑 @gyulrangdev]

@a7w2en7z_ AI는 멀쩡한데 인간의 뇌 용량이 바닥났습니다 ㅋㅋ

[귤랑귤랑 @gyulrangdev]

아 너무 찝찝하게 퇴근하지만 더이상은 못해 상태에 도달해서 어쩔 수 없어

[귤랑귤랑 @gyulrangdev]

@sonsubari 킄 주말에도 좀 해야할듯~~ 이것까진 해야해~

[Granite @Granite0x]

🚨 stop rebuilding your agent harness.

langchain just open-sourced the finished one. free

sub-agent spawning, todo-list planning, a virtual filesystem, durable runs on LangGraph. batteries included.

it's called deepagents. the exact harness you keep re-inventing - already done.

26,000+ stars. MIT. one install.

you were about to build this again. don't. it's already done, and it's free.

save it before your next agent build.

[귤랑귤랑 @gyulrangdev]

매우 극심한 피곤이 몰려온다악

[귤랑귤랑 @gyulrangdev]

@sonsubari 이게 가 능?

[귤랑귤랑 @gyulrangdev]

집가는 중… 터덜터덜… 이번주에 집에 일찍가는 날은 없을듯

[당근 팀 @daangnteam]

프롬프트 한 줄로 화면이 나오는 시대, ‘당근스러운 화면’을 만드는 법
https://t.co/0FqaFmoDFK