MCP Server 기반 Design System 구축을 통한 AI Hallucination 제거 및 개발 생산성 극대화
Your Design System Needs An MCP Server
LLM 교차 검증의 허구성과 물적 검증(Material Probe) 원칙 정립
Deux IA d'accord = une source : la règle qui m'a évité un pipeline bâti sur du vide
확률적 코드 생성 한계를 극복한 결정론적 인프라 컨텍스트 제공
AI Generated a DynamoDB Query That Could Never Work
Keyword Swapping 탈피를 통한 AI 기반 CV Audit 시스템 설계
I gave up on asking GPT to "tailor my CV"
8.5M 패키지 분석 기반 AI Hallucination 방지 MCP 인프라 구축
161 verified AI package hallucinations across 8.5M indexed — open dataset
API 호출 없이 Snowflake ID 분석만으로 LLM 허구 데이터 95% 차단
Detecting fabricated tweet IDs from LLM agents: a snowflake-decode field guide
AI 기반 Data Pipeline 자동화 시도와 Logic Hallucination의 한계 분석
Can AI Replace Data Engineers? We Tried It.
Claude Code Hook 기반 패키지 버전 Hallucination 차단 및 공급망 보안 강화
I Built a Claude Code Plugin That Blocks Hallucinated Package Versions
Fail-Closed 기반 AIL 설계로 LLM Hallucination 및 Prompt Injection 완벽 차단
How Expensive is a Naked AI Agent? The $285M Tragedy & The Inevitability of AIL Architecture
AI Self-Review의 패턴 매칭 한계로 인한 신뢰성 결여 및 검증 프로세스 재설계
I Asked AI to Review Its Own Code. It Gave Itself 10/10.
Context Engineering을 통한 AI 에이전트 개발 속도 5~10배 향상
Agentic Development in a Nutshell: Context Engineering, the Dumb Zone, and Why Your AI Agents Are Fast, Overconfident Juniors 🤖🚀
STCO 프레임워크 도입 통한 LLM 환각률 30% 감소 및 Type-Safe 프롬프트 설계
How we built a type-safe prompt engineering framework in TypeScript
AI Agent 도입 전 반드시 확인해야 할 책임 소재와 법적 리스크
AI agents promise to 'run the business,' but who is liable if things go wrong?