Context Rot 해결을 통한 LLM Agent 추론 성능 및 Instruction 준수율 최적화
Context rot: why your AI agent gets dumber the longer it runs
확률 기반 Next Token Prediction을 통한 LLM 아키텍처 구현
How AI Actually Works
1M Token Context Window와 Constitutional AI 기반의 고밀도 추론 엔진
How Claude AI Actually Works: The Technical Story Behind the Scenes
Context Bloat 제거를 통한 Claude Code 지시 이행률 최적화
Why Claude Code Ignores Your CLAUDE.md (And How to Fix It)
Tokenization과 Attention Mechanism 기반의 LLM 코드 생성 원리 분석
LLMs เข้าใจและเขียนโค้ดได้อย่างไร?
Transformer 기반 LLM을 활용한 비정형 데이터 처리 및 Agent 아키텍처 설계
Intro to Gen AI for Python Beginners: Stop Just ChatGPT‑ing and Start Using ChatGPT
Sequential 병목 해결을 위한 Attention 기반 Parallel Contextualization 구조
Understanding Attention in Transformers — Intuition Before Equations
GCF 도입을 통한 LLM Token 79% 절감 및 데이터 이해도 100% 달성
LLM Wire Format Benchmark: Which Format Can AI Actually Read and Write?
확률적 Next-Token Prediction 기반의 LLM 아키텍처 분석
How LLMs Actually Work: A Developer's Mental Model
Token Budget 기반 지침 계층화로 AI Agent Attention 최적화
The Harness Has a Token Budget
Probabilistic Context 기반 CLAUDE.md의 제약 사항 및 최적화 설계 전략
Your CLAUDE.md Rules Are Probabilistic: Why Claude Quietly Deprioritizes Some Instructions
200K Context Window 기반 RAG 대체 설계로 분석 시간 단축
200K Token Context Windows: Practical Workflows That Actually Work
고차원 Vector Space 기반 Semantic Search 및 Attention 메커니즘 구현
Word Embeddings Explained: The Math Behind AI, LLMs, and Chatbots
Memory Consolidation을 통한 LLM Context 효율 극대화 및 Noise 제거
Claude Code Dreaming - What /dream Actually Does for Your Memory
비선형 활성화 함수와 Attention 기반의 고차원 데이터 피팅 아키텍처 분석
Neural Networks: A Broad Overview
HBM 읽기 비용 최적화를 통한 LLM 추론 비용 및 속도 결정 구조 분석
Why does paying more make your LLM reply faster?
Transformer 기반 Next-token Prediction을 통한 범용 언어 생성 아키텍처 구현
How Large Language Models Work — From Transformers to Conversational AI
Context Rot 해결을 위한 토큰 버짓 기반의 Upstream Context 최적화 설계
Claude Code Context Window Rot: Why Sessions Get Dumber (And How to Fix It)
CLAUDE.md 가이드라인 분리를 통한 코드 품질 79%에서 96.9%로 향상
200 Lines in CLAUDE.md Dropped My Code Quality to 79% — Splitting into 3 Files Got It to 96.9%
DeepSeek V4 – 프런티어에 거의 근접했고 가격은 훨씬 저렴
HCA/mCH 도입으로 KV 캐시 90% 절감 및 추론 비용 혁신