HyunWoo Lee

Android(React Native) Engineer @toss__official
Organizer GDG Korea Android/Kotlin User Groups Seoul

[The React Native Rewind @ReactNativeRwd]

Your designer sends you a mockup featuring a mesh gradient and a liquid-metal logo.

You google "GLSL tutorial."

Your therapist asks why you seem different this week.

You tell the designer it is not feasible.

𝗣𝗮𝗽𝗲𝗿 𝗦𝗵𝗮𝗱𝗲𝗿𝘀 made it a one-line import. Zero dependencies. Every effect is a React component with props.

𝗪𝗵𝗮𝘁'𝘀 𝗶𝗻𝘀𝗶𝗱𝗲

➡️ 𝗜𝗺𝗮𝗴𝗲 𝗳𝗶𝗹𝘁𝗲𝗿𝘀: paper texture, fluted glass, water distortion, halftone dots, halftone CMYK, image dithering. Drop them on any element.

➡️ 𝗟𝗼𝗴𝗼 𝗮𝗻𝗶𝗺𝗮𝘁𝗶𝗼𝗻𝘀: heatmap, liquid metal, gem smoke. Feed it your SVG and watch it move.

➡️ 𝗘𝗳𝗳𝗲𝗰𝘁𝘀: mesh gradients, warp, spiral, swirl, waves, neuro noise, Perlin, Voronoi, metaballs, god rays, pulsing borders, smoke rings, dot orbits. Over 20 GPU-rendered effects.

➡️ 𝗭𝗲𝗿𝗼 𝗱𝗲𝗽𝗲𝗻𝗱𝗲𝗻𝗰𝗶𝗲𝘀: no Three.js. No WebGL framework. Raw GLSL compiled to a canvas. Also ships as standalone GLSL if you are not using React.

𝗪𝗵𝘆 𝗶𝘁 𝗺𝗮𝘁𝘁𝗲𝗿𝘀

Every one of these effects used to require a developer who understood fragment shaders, uniforms, and coordinate spaces. Now it is a component with colour and speed props. The entire library loads faster than a single Three.js import.

#React #Shaders #GLSL #WebGL #Frontend #WebDev #Design #OpenSource #TypeScript #GPU

[HyunWoo Lee @woolee2828]

Maintaining Cloudy has been a great opportunity to explore new ideas, and it's exciting to finally see them coming to life.

Huge thanks to skydoves. I'll keep building and sharing more animations and visual effects whenever I can.

[Jaewoong Eum @github_skydoves]

This stunning rainy window animation was built 100% with Compose Multiplatform, using the Cloudy library.

Shoutout to @woolee2828 for the recent contributions and this beautiful example.

https://t.co/L4aRR1ripM

[HyunWoo Lee @woolee2828]

✨️ Thanks @androidweekly

[HyunWoo Lee @woolee2828]

Wondering how I made this?

https://t.co/6UpSFIkcIQ

[HyunWoo Lee @woolee2828]

POV: You step outside in Korea right now (made with cloudy)

[HyunWoo Lee @woolee2828]

@DaehyeonMun @expo You deserve it, congratulations daehyeon 🎉

[HyunWoo Lee @woolee2828]

KotlinConf Extended South Korea 2026 스피커를 모집합니다 🎤

Kotlin 15주년을 함께 기념하며, Kotlin 생태계와 관련된 여러분의 이야기를 들려주세요.

첫 발표도 환영합니다!

CFP 마감: 7/15
https://t.co/DvlvFAdk74

[Mehmet Songur @mehmetsongur_]

Akademisyenler için Claude Code’u nasıl kullanacağınıza dair basit bir giriş.
Alessandro Spina'ya ait sunum slaytları ve GitHub deposu.

🔗 https://t.co/FCfOers2Lw

[박사런돈미새 @buddha_for_cash]

[퍼온 글]
AI 스타트업들이 더 열심히 해야하는 이유

[Open AI 한국 팀을 만나서 배운것 - 삼성전자 전사 도입 이야기]

1. 밖에서 보면 “삼성이 가장 좋은 모델을 골랐다” 정도로 보일 수 있는데, 실제 이야기는 제품이 아닌 서비스에서 승부가 갈렸음. 6-7개월 간의 치열한 물밑 싸움.

2. 처음부터 OpenAI가 압도적으로 이긴 것도 아니었다고 함. 삼성 내부에서 여러 모델을 열어두고 테스트했고, 초반에는 각 모델별 성과 차이가 크지 않았다고.

3. 이때 OpenAI 한국 팀이 한 일이 매우 흥미로움. 모델 성과를 더 강조하는것이 아니라 임직원들이 ChatGPT와 Codex를 업무에 어떻게 써야 하는지, Codex를 개발자 전용 도구가 아니라 사업 조직도 쓸 수 있는 업무 도구로 어떻게 써야 하는지 교육 및 변화관리 세션들을 열었음. 특히 개발자가 아닌 비즈니스 조직은 Codex를 잘 몰랐고, ChatGPT도 컨슈머처럼만 쓰고 있었다고.

4. 고객이 AI 모델을 평가하는 기준 자체도 같이 설계했다는 점이었음. “어떤 모델이 더 똑똑한가”가 아니라 “우리 조직의 업무 방식을 바꿀 수 있는가”를 보게 만든 것.

5. 가장 흥미로웠던 대목은 삼성이라는 조직에 맞게 어떻게 모델을 이해하고 쓰게 할 것인가에 집중했고 조직의 변화를 위한 로드맵까지 같이 기획함. 마치 모델 회사가 아니라 컨설팅 혹은 시스템 회사를 보는 듯한 장면.

6. 결국 삼성전자는 전사 도입할 모델에 gpt를 선정했음. 끝까지 성능 차이는 크지 않았지만, 고객사 의사결정자의 한마디가 의미심장. - “OpenAI 제품만 고른 게 아니라 OpenAI 팀을 골랐다"

7. 삼성 입장에서는 어떤 모델이 조금더 좋냐보다 누가 이 조직을 바꿔줄수 있느냐가 중요했던 것.

8. OpenAI 한국 팀은 작은 팀이었지만, 핵심 의사결정 라인을 잡고, 전사 테스트를 만들고, 교육하고, 평가 기준을 만들고, 고객의 실제 사용 방식을 바꿔낸 셈임. 거의 스타트업처럼 움직였다고 느꼈음.

9. 가장 큰 깨달음 - "심지어 세계 최고의 모델과 기술을 갖추고 있는 회사조차 저렇게 일하는데, 정말로 이제 우리는 아예 해자(moat)랄게 없는 시대에 살고 있구나. 이제 진짜 중요한 건 속도/ 서비스/ 브랜드 가치. 그리고 이걸 잘하기 위한 채용, 조직 문화, 인력 관리가 지금보다 훨씬 더 중요해지겠다. 아니 이게 그냥 모든 것임."

[HyunWoo Lee @woolee2828]

Great! nitro-cookies is skyrocketing 🚀

https://t.co/95YV5qp6Un

[HyunWoo Lee @woolee2828]

Just published `nitro-webview` v0.1.0 🚀
A React Native WebView built on Nitro Modules. Drop-in compatible with react-native-webview.
→ https://t.co/hNnKdA48d3

[HyunWoo Lee @woolee2828]

I'm in KotlinConf venue now!

[HyunWoo Lee @woolee2828]

@github_skydoves You deserve it

[HyunWoo Lee @woolee2828]

:)

[DroidKaigi @DroidKaigi]

（´-`）.｡oO（せっかくなのでDroidKaigi 2025の振り返りを…）

DroidKaigiでは毎年40以上のセッションが行われています。公募によって集まった様々な登壇者の方によって魅力的な技術や知見の共有がされているので、Androidアプリ開発の最前線に触れることができます！

[Sian @iamjustsian]

[Obsidian과 함께하는 카파시의 LLM 지식 베이스]

최근 정말 유용하게 쓰고 있는 것: LLM으로 다양한 연구 관심사에 대한 개인 지식 베이스를 구축하는 것.
덕분에 최근 내 토큰 사용량의 상당 부분이 코드 조작이 아니라 지식 조작(마크다운과 이미지로 저장)에 쓰이고 있다. 최신 LLM은 이걸 꽤 잘한다.

📥 데이터 수집
소스 문서(아티클, 논문, 레포, 데이터셋, 이미지 등)를 raw/ 디렉토리에 인덱싱한 뒤, LLM을 사용해 점진적으로 위키를 "컴파일"한다.
위키는 디렉토리 구조의 .md 파일 모음이다. raw/에 있는 모든 데이터의 요약, 백링크를 포함하고, 데이터를 개념별로 분류해 아티클을 작성하고 서로 링크한다.
웹 아티클을 .md로 변환할 때는 Obsidian Web Clipper 확장을 사용하고, 단축키로 관련 이미지를 로컬에 다운로드해서 LLM이 쉽게 참조할 수 있게 한다.

🖥️ IDE
Obsidian을 IDE "프론트엔드"로 사용한다. 원본 데이터, 컴파일된 위키, 파생된 시각화를 모두 볼 수 있다. 중요한 점은 LLM이 위키의 모든 데이터를 작성하고 유지한다는 것—내가 직접 건드리는 경우는 거의 없다.
데이터를 다른 방식으로 렌더링·조회하기 위해 몇 가지 Obsidian 플러그인(예: 슬라이드용 Marp)도 사용해봤다.

❓ Q&A
흥미로운 건 위키가 충분히 커지면(예: 내 최근 연구 위키는 ~100개 아티클, ~40만 단어), LLM 에이전트에게 위키를 대상으로 온갖 복잡한 질문을 할 수 있다는 것이다.
에이전트가 알아서 조사하고 답을 찾아온다. 고급 RAG가 필요할 줄 알았는데, LLM이 인덱스 파일과 문서 요약을 자동 관리하면서 이 정도 소규모에서는 관련 데이터를 꽤 잘 읽어낸다.

📤 출력
텍스트/터미널로 답을 받는 대신, 마크다운 파일이나 슬라이드쇼(Marp 포맷), matplotlib 이미지로 렌더링하게 하고, 이걸 다시 Obsidian에서 본다.
쿼리에 따라 다양한 시각적 출력 포맷을 상상할 수 있다. 종종 출력물을 다시 위키에 "파일링"해서 후속 쿼리를 위해 위키를 강화한다. 내 탐색과 질문이 항상 지식 베이스에 축적되는 셈이다.

🧹 린팅
위키에 LLM "헬스 체크"를 돌려봤다. 예를 들어 일관성 없는 데이터 찾기, 누락 데이터 보완(웹 검색으로), 새 아티클 후보가 될 흥미로운 연결고리 찾기 등으로 위키를 점진적으로 정리하고 데이터 무결성을 높인다. LLM은 추가로 조사할 질문을 제안하는 것도 꽤 잘한다.

🔧 추가 도구
데이터 처리용 추가 도구도 개발하고 있다. 예를 들어 위키에 대한 간단한 검색 엔진을 바이브 코딩으로 만들었는데, 웹 UI로 직접 쓰기도 하지만, 더 자주는 대규모 쿼리를 위해 CLI 도구로 LLM에게 넘겨준다.

🔮 향후 탐색
레포가 커지면 자연스럽게 합성 데이터 생성 + 파인튜닝을 생각하게 된다. LLM이 데이터를 컨텍스트 윈도우가 아니라 가중치에 "알고 있게" 만드는 것이다.

TLDR: 여러 소스에서 수집한 원본 데이터를 LLM이 .md 위키로 컴파일하고, LLM이 다양한 CLI로 Q&A하며 위키를 점진적으로 강화하고, 이 모든 걸 Obsidian에서 조회한다. 위키를 직접 작성·편집하는 일은 거의 없다—그건 LLM의 영역이다. 여기에 해키한 스크립트 모음 대신 놀라운 새 제품이 나올 여지가 있다고 본다.

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[nishan (o^▽^o) @nishanbende]

@birch_js this is heavily vibe coded and untested, with RN skia. I think pretext port can be created on top of RN skia as it has the measure text/font APIs (haven't checked all the capabilities though 😅).
Also native measure text API + absolute RN Texts might just work in theory.

[Xuan Huang · 黄玄 @Huxpro]

Always bet on @LynxJS_org

No Canvas/Skia hacks -- swap measureText with the Lynx one, and Pretext just works on the main thread.

[lucas @lucas_flatwhite]

"기존의 틀을 완전히 깨부수는,
금기된 수준의 창의력을 기르는 방법"

정말 간만의 Dan Koe의 아티클이네요. 반가워서 잘 읽어봤어요.

'최근 몇 주 동안 머리가 완전히 타버린 듯한 느낌을 받았습니다.'라고 시작하는데...

우리가 왜 아이디어를 잃어버리는지, 그리고 가장 창의적인 상태로 돌아가기 위해 어떻게 불법(?!)처럼 느껴질 정도의 창의성을 되찾을 수 있는지에 대한 이야기로 써내려갔네요.

현대 사회에서 창의성은 가장 희소한 자원이 되었죠. 기술이 발달할수록, 모두가 똑같은 길을 갈 때 남들이 생각하지 못한 길을 선택하는 사람만이 이기게 되죠.

꽉 막힌 우리의 뇌를 초기화하고, 다시 살아있음을 느끼게 해주는 방법에 대한 얘기일지도 모르겠네요.

↓

우리의 마음을 좁히는 3가지 방해물

창의성은 특별한 재능이 아니라 자연스러운 본성이예요. 하지만 시간이 지나면서 이 능력은 무언가에 의해 깊이 묻혀버리게 되죠.

1. 조건화
아이들은 세상을 신선한 눈으로 바라봅니다. 하지만 어른이 되면서 우리는 사회에 맞추기 위해 무수한 부정적 피드백을 내면화합니다.

창의성은 세상의 룰을 정답이라 믿지 않고, 엉뚱한 아이디어라도 느슨하게 쥐고 즐기는 것에서 시작됩니다.

2. 생산성 집착
우리는 끊임없는 마감일에 쫓기고 있습니다. 생존을 걱정하는 스트레스 상태에서는 새로운 연결고리를 찾을 수 없습니다.

분 단위로 쪼개며 효율만 따지는 사람들은 우연히 좋은 아이디어를 발견할 기회조차 잃어버립니다. 쓸모없는 방황이 필요합니다..

3. 무한한 인풋, 제로 프로세싱
음식을 너무 많이 먹으면 몸이 느려지듯, 뇌도 마찬가지..

끊임없이 정보와 팟캐스트를 채워 넣지만, 소화할 시간을 주지 않으면 지적 대사량이 망가지겠죠.

↓

진짜 '지루함'의 힘

"나는 지루한데 창의적이지도 않아요.."라고 말한다면, 그것은 지루한 게 아닙니다.

만성적으로 과자극된 상태일 뿐입니다. 도파민의 극단에 있다 보니 자극이 없는 상태를 지루함으로 착각하는 것이죠. 진짜 지루함은 이런 놀라움을 줍니다.

새로움으로 가는 관문일 수 있습니다. 합리적인 뇌가 모든 걸 억지로 해결하려는 노력을 멈출 때, 돌파구가 열리고 내면의 진짜 욕망이 드러날 수 있죠.

도파민 수용체 회복.. 쾌락을 통제하면 역설적으로 단순한 기쁨이 다시 즐거워집니다. 산책길의 구름이나 음식의 향기가 다시 짜릿하게 다가옵니다. 삶이 다시 전기가 통하듯 생동감 있어지죠.

그리고 정보의 홍수 속에서 우리는 너무 많은 컨텍스트에 짓눌려 있습니다.

아무것도 하지 않고 침묵을 견디면, 마침내 삶의 새로운 단계로 도약할 명확성을 얻게 됩니다.

↓

다시 살아있음을 느끼기 위한 7일 프로토콜

머리가 과부하된 상태라면, 마음을 위한 '간헐적 단식'이 필요합니다.

Day 1-2: 인풋 줄이기
가장 습관적으로 소비하던 소스를 차단하세요. 출퇴근길의 영상이나 자기 전의 스크롤링을 멈추고 침묵 속에 앉아보세요. 헤드폰 없이 산책을 나가 뇌의 '배회' 시스템을 활성화하는 겁니다.

Day 3-4: 이미 있는 것 소화하기
책을 읽더라도 빨리 끝내려 하지 마세요. 문장이 와닿으면 덮어두고 그 이유를 곱씹어보세요. 매일 10분씩 아무것도 하지 않고 앉아 마음이 제멋대로 놀게 놔두며 소화되는 과정을 지켜보세요.

Day 5-6: 삶에 흥미 되찾기
색깔이 선명해지고 대화가 재밌어지는 걸 느낄 겁니다. 좋은 생각이 떠올라도 억지로 메모하려 애쓰지 말고 의식의 흐름을 타보세요. 그리고 타인과 목적 없는 '진짜 대화'를 나눠보세요.

Day 7: 떠오른 것으로 창조하기
이제 억지가 아닌 풍요로운 상태에서 무언가를 만들 수 있습니다. 계획 없이 글을 쓰거나, 레시피 없이 요리해 보세요. 어떤 잣대도 없이 오직 나만을 위한 창작을 경험해 보는 겁니다.

↓

결국.. 창조하려면 창조할 대상이 필요합니다!

어떤 단어를 새로 알게 되면 그 단어가 어디서나 보이는 경험을 해보셨을 겁니다.

우리 뇌의 망상활성계(RAS)가 중요한 것들만 필터링해서 보여주기 때문이죠.

목적지가 없는 배는 고요한 바다 위에서도 그냥 떠다닐 뿐입니다.

여러분에게는 해결되지 않은 도전적인 문제, 마음을 깊게 움직이는 의미 있는 프로젝트가 필요해요.

현재 어떤 의미 없는 일들로 내 시간을 채우며 견디고 있는지 자각하는 것부터가 시작입니다.

남들이 정해준 길이 아닌, 스스로 몰입할 수 있는 나만의 프레임을 세우고 인생의 방향을 맞춰보아요.

[HyunWoo Lee @woolee2828]

Langflow가 CodeRabbit으로 머지 신뢰도를 50% 향상시킨 사례가 있네요.

테크 파운더 혼자 주당 100+ 개의 PR을 리뷰하던 병목을 해결하고, 팀 전체가 효과적으로 리뷰에 참여할 수 있게 되었다고 합니다.

https://t.co/wpQTht0T6l