20:28-20:32질문·트러블슈팅
코덱스 크레딧 절약
코덱스 크레딧이 부족한 사용자가 절약 방법을 물었다. 낮은 등급 모델 사용, Fast 비활성화, 클로드 코드와의 병행이 기본 팁으로 제안됐다. 근본적으로는 프로젝트를 리팩터링하고 필요한 코드만 참조하도록 인덱싱하며, 긴 소스와 모호한 작업 지시를 줄여 토큰 낭비를 막아야 한다는 조언이 나왔다. 계획·체크리스트·실시간 로그를 요청하고 조금씩 검토하는 방식도 제시됐다.
- 낮은 등급 모델을 우선 쓰고 Fast 사용을 피하는 절약 팁이 나왔다.
- 클로드 코드와 병행해 작업을 분산하는 방법이 언급됐다.
- 리팩터링으로 코드 구조를 정리하고 필요한 부분만 참고하게 만들라는 조언이 제시됐다.
- 프로젝트를 인덱싱 형태로 준비해 LLM이 작업하기 쉽게 만드는 방법이 언급됐다.
- 계획, 체크리스트, 진행 로그를 요청한 뒤 단계적으로 확인하라는 실무 팁이 나왔다.
20:04-20:09워크플로우·방법론
JEV 발화자 묶기
봇 응답이 다른 사람의 발언과 섞인 사례를 계기로, JEV로 대화 발화자를 구별하는 방안이 논의됐다. 메시지 단위 발화자 ID만 묶는 것보다 멘션과 답장 관계까지 함께 반영해야 정확도가 높다는 의견이 나왔다. 발화자 ID, 멘션 대상, 답장 원문 ID를 분리 저장하면 나중의 문맥 추적도 덜 꼬인다는 구체적 설계 팁이 제시됐다.
- 응답 대상이 잘못 연결되며 서로 다른 사람의 발언이 섞이는 문제가 발생했다.
- JEV를 이용해 메시지별 발화자를 식별하고 묶는 아이디어가 제안됐다.
- 발화자 ID 외에 멘션 대상과 답장 관계를 같이 분석해야 한다는 의견이 나왔다.
- 관계 정보를 별도 필드로 저장하는 방식이 문맥 추적 개선책으로 제시됐다.
21:33-21:49질문·트러블슈팅
강의영상 생성 병목
아스트라로 PPT, 대본, 장시간 강의 영상을 자동 생성하는 프로그램을 만든 뒤 맥미니 M5 Pro 구매가 효과적인지 질문이 나왔다. 단순히 새 장비를 사기보다 렌더링인지 에이전트 작업인지 병목을 먼저 분석하고, 최적화 또는 병렬 생성 가능성을 확인하라는 조언이 제시됐다. 실제 병목은 얼굴과 입모양 생성으로, 75분 영상에 약 300시간이 걸린다고 했으며 현재 장비는 16GB RAM 노트북으로 공유됐다. 로컬 실행을 권한 아스트라의 제안과 사용 모델의 요구 사양을 먼저 확인해야 한다는 의견이 나왔다.
- PPT와 대본, 장시간 LMS 강의 영상 생성을 자동화하려는 목적이 공유됐다.
- M5 Pro 48GB·1TB 맥미니 구매가 성능 문제를 해결할지 질문이 나왔다.
- 새 기기 구매 전에 렌더링·에이전트 처리 등 정확한 병목을 분리 분석하라는 조언이 제시됐다.
- 얼굴과 입모양 생성이 특히 느리며 75분 영상에 약 300시간이 든다고 언급됐다.
- 로컬 모델 사용 여부와 권장 모델의 하드웨어 요구 사양을 확인해야 한다는 의견이 나왔다.
17:51-18:46자료·링크 공유
코덱스 리셋 예측
코덱스 사용 한도 리셋 시점을 묻고 비공식 추적기 기반 정보가 공유됐다. 마지막 확인 리셋과 평균 간격을 근거로 했지만 공식 주기가 아니므로 확정 예측은 아니라는 단서가 붙었다. 이후 JEV를 이용한 리셋 확률표 사이트도 언급됐고, 공식 공지 전에는 밈처럼 보자는 반응이 나왔다.
18:15-18:46AI 모델·프롬프트
DiffusionGemma와 JEV
DiffusionGemma를 JEV와 연결한 오픈소스 vLLM 패치 글이 공유됐다. DiffusionGemma는 Gemma 4 기반 이산 확산 언어 모델로 여러 토큰을 병렬 생성하는 모델이라는 맥락이 제공됐다. JEV의 실용성을 묻는 말에 반응이 빠르다는 평가와 쓸 만하다는 의견이 나왔다.
- DiffusionGemma와 JEV를 결합하는 vLLM 패치 관련 블로그 글이 공유됐다.
- DiffusionGemma는 병렬 토큰 생성을 특징으로 하는 이산 확산 방식 언어 모델로 소개됐다.
- JEV가 실제로 쓸 만한지에 대한 질문과 긍정적 반응이 오갔다.
- 응답 속도가 빠르다는 점이 장점으로 언급됐다.
- https://share.google/Zpd4zAZABVKNHtKEp
19:43-20:05질문·트러블슈팅
맥북 RAM 부족
맥북 24GB 메모리가 여러 작업을 동시에 하니 부족하다는 경험이 공유됐다. 36GB를 쓴다는 사례와 함께 RAM은 많을수록 좋다는 의견이 모였다. 특히 브라우저 탭이 메모리를 많이 차지한다는 반응도 나왔다.
- 24GB RAM 환경에서도 여러 도구를 쓰면 부족할 수 있다는 경험담이 나왔다.
- 36GB 메모리를 사용하는 사례가 공유됐다.
- 여유 있게 사용하려면 메모리는 많을수록 좋다는 의견이 반복됐다.
- 브라우저 탭이 대표적인 메모리 사용처로 언급됐다.
20:42-20:43워크플로우·방법론
GPT·클로드 오케스트레이션
공유된 이미지의 출처가 다리오 아모데이 발언이라는 이야기가 나왔다. 이를 계기로 GPT와 클로드를 함께 오케스트레이션할 때 어떤 도구를 쓰는지 질문이 제기됐다. 대화 기록에는 구체적인 도구 추천이나 답변은 이어지지 않았다.
- 이미지 밈의 발언 출처가 언급됐다.
- GPT와 클로드를 함께 조합하는 오케스트레이션 도구에 대한 질문이 나왔다.
- 이 구간에서는 구체적인 도구나 구성 방식의 후속 답변이 없었다.
18:48-18:49워크플로우·방법론
자동매매 아이디어
JEV로 스포츠 승부 예측이나 자동매매를 만들자는 농담 섞인 아이디어가 나왔다. 자동매매보다 퀀트 작업에 활용하는 사례가 많다는 의견이 뒤따랐다. 분봉, 거래량, 차트 기술지표를 넣어 다음 틱 방향을 판단하는 스캘핑 구현 가능성도 언급됐으며, 시계열 예측에는 TimesFM-3가 더 나을 수 있다는 의견이 있었다.
- 스포츠 예측용 JEV와 자동매매 아이디어가 가볍게 제안됐다.
- 실제 활용은 자동매매보다 퀀트 분야에서 많이 보인다는 의견이 나왔다.
- 최근 분봉 데이터와 거래량, 기술지표를 입력으로 삼는 방식이 언급됐다.
- 다음 틱 상승·하락 판단 같은 단순한 스캘핑 접근이 거론됐다.
- 시계열 예측 모델로 TimesFM-3가 더 적합할 수 있다는 의견이 있었다.
19:14-19:21질문·트러블슈팅
플레인 활용 질문
복잡하게 구성하다가 어려워져 플레인을 쓴다는 발언이 나왔다. 이에 플레인이 무엇인지, 처음부터 자세한 설명과 실활용법을 요청하는 질문이 이어졌다. 해당 구간에는 구체적인 답변이 나오지 않았다.
- 구성의 복잡성 때문에 플레인을 선택했다는 경험담이 언급됐다.
- 플레인의 개념과 실제 활용법을 묻는 초보자 관점의 질문이 제기됐다.
- 대화 기록상 해당 질문에 대한 후속 설명은 제공되지 않았다.
18:50-18:52커뮤니티·잡담
변호사 밸런스게임
현재 일을 그만두고 평생 변호사로 살 기회가 주어진다면 선택할지 묻는 밸런스게임이 진행됐다. 변호사 업계의 경쟁이 심하고, 다른 전문 도메인이 없다면 권하기 어렵다는 현실적인 의견이 나왔다. 인하우스를 거쳐 개업한 뒤 다른 제조업 일을 병행하는 사례도 익명성을 유지하는 선에서 언급됐다.
- 평범한 변호사로 직업을 바꾸는 가상의 조건이 제시됐다.
- 개업과 인하우스 등 근무 형태에 따라 조건이 달라진다는 질문이 나왔다.
- 변호사 시장의 경쟁이 심하다는 의견이 공유됐다.
- 법률 외 전문성이나 도메인이 없다면 진입 장점이 적다는 평가가 있었다.