Открывайте больше.
Тратьте меньше.

GMO Flatt Security サマーインターン2026 参加記

Zennの「AI」のフィード

GMO Flatt Security サマーインターン2026 参加記 はじめに はじめまして、MooseLoveと申します。 2026年9月6日〜11日にかけて、GMO Flatt Securityのサマーインターンに参加しました。 大雨の影響もあって急遽前日入りになったり、1日目がオンラインに変更されたりと色々とバタバタすることにはなりましたが、このエピソードも含め「ここまで柔軟に動ける会社があるのか」と驚かされました。 ここまで臨機応変に動ける会社、初めてです。 サマーインターンでは「パッチなどの情報からWAFルールを自動生成する最強のAIシステム作ろうぜ」みたいな内容に5...

Балл: 57.11Уверенность: 54%

違うからこそ、わかり合える——構造認知で考える「差異」と「つながり」

Zennの「AI」のフィード

こんにちは。日本で研究をしている者です。今日は「構造認知(Structural Cognition)」という考え方を、身近な「人間関係」を入り口に紹介します。 「自分と違う人」に、なぜこんなに強く反応してしまうのか 職場でも、家族でも、SNSでも——私たちは「自分と違う人」に強く反応します。意見が違う人、価値観が違う人、育ってきた環境が違う人。 つい「わかり合えない」と壁を感じることもあれば、逆に「その違いが面白い」と惹かれることもある。この一見矛盾した感覚は、じつはひとつの原理で説明できます。 構造認知とは 構造認知は、中国・広州の研究者、林小黑(Lin Xiaohei)が提唱...

Балл: 57.11Уверенность: 54%

判断特化AI「Jev」をCloudflare Workers AIで使い、求人票14項目の判定を600回0.05ドルで検証した

Zennの「AI」のフィード

「文章を生成しない AI」を本番で使っています。TypeSafe の Jev という判断特化モデルで、Yes/No・選択・スコアの 3 種類の問いに、較正された信頼度付きで答えます。これを Cloudflare Workers AI 経由で呼び、介護職の求人票を貼ると職業安定法で明示が求められる労働条件 14 項目の「記載あり/曖昧/記載なし」を返すサービス(求人票チェック)の判定に使いました。この記事では、呼び出し方のつまずき、精度の測り方、閾値の決め方、そして「どこまで任せるか」を決めた過程を書きます。 Jev とは何か(この記事で使う範囲) 生成モデルと違って、Jev は文章を...

Балл: 57.09Уверенность: 54%

思科警告Catalyst SD-WAN Manager存在重大等級的身分驗證繞過漏洞

iThome 新聞

9月30日思科發布資安公告,Catalyst SD-WAN Manager存在重大漏洞CVE-2026-76504,問題源自API連線階段(Session)的身分驗證管理,未通過驗證的攻擊者可藉此以管理員權限的使用者遠端存取Catalyst SD-WAN Manager,CVSS嚴重程度評為9.8分。思科特別提及,由於沒有其他替代緩解措施,加上已出現遭積極利用的情形,呼籲用戶應儘速套用軟體更新因應。

Балл: 57.07Уверенность: 54%

PQC金鑰轉型應從信任根著手,傳統信任根恐讓整個金鑰階層面臨量子威脅

iThome 新聞

非營利雲端資安組織雲端安全聯盟(CSA)日前發布PQC金鑰管理報告,近期再以專文提醒企業,PQC金鑰轉型應從信任根及上層金鑰著手。

Балл: 57.03Уверенность: 54%

CSA比較5種隱私強化技術,全同態加密可直接處理加密資料但效能負擔較高

iThome 新聞

企業要分析敏感資料,又不希望暴露原始資料,可採用不同隱私強化技術。非營利組織雲端安全聯盟(CSA)發布隱私強化技術指引,比較5種隱私強化技術(Privacy-Enhancing Technologies,PETs),分析不同技術在效能、信任需求、安全性及硬體需求等面向的差異。

Балл: 57.03Уверенность: 54%

谷歌憋了半年,Gemini 4终于发布

人人都是产品经理

过去半年,AI 圈一直有一个问题: 谷歌的 Gemini,到底去哪了? OpenAI 持续推进 GPT 系列,Anthropic 靠 Claude 系列不断吸引开发者关注。 反观谷歌,虽然一直顶着 AI 巨头的名头,但 Gemini 最近的存在感明显低了不少。 甚至有人开始怀疑: 谷歌是不是在这轮 AI 竞赛里慢了一步? 结果昨天,谷歌突然亮牌。 Gemini 4 Argon,正式发布。 这一次,谷歌没有把重点放在聊天、写作这些大家已经熟悉的能力上。 它盯上的,是 AI 下一阶段最重要的方向: 让 AI 真正参与复杂工作。 不过先说一个现实问题: 目前 Gemini 4 Argon 还没有全面开放。 普通用户暂时无法直接体验。 但从谷歌公布的信息来看,这款模型明显是在为 AI Agent 时代准备。 Gemini 4 Argon,最大的变化是什么? 如果把过去的 AI 比作一个很聪明的助手,那么 Gemini 4 Argon 想做的事情,是让这个助手拥有更强的持续工作能力。 因为真正复杂的任务,从来不是一句话能解决的。 比如: 分析大量资料;维护一个大型代码项目;完成金融研究;处理企业内部流程。 这些事情需要 AI 连续思考、反复验证、不断调整。 过去模型最大的问题,不一定是不会回答,而是任务一复杂,就容易丢失上下文。 Gemini 4 Argon 这次最大的变化,就是把输出能力直接拉到了一个非常夸张的水平。 100 万 Token 输出上限。 注意,这里说的是输出 Token。 不是上下文窗口。 简单理解: 以前 AI 像一个能力很强,但容易忘事的员工。 刚开始工作效率很高。 任务一长,就需要重新解释背景。 而更大的输出空间,意味着它可以在一次任务里进行更长链路的推理和执行。 对于代码迁移、研究报告、企业自动化这些场景,会更有价值。 当然,Token 数量增加,并不代表模型一定更聪明。 真正困难的是: AI 能不能一直保持目标,知道什么时候继续推进,什么时候检查错误。 这也是未来 Agent 模型竞争的关键。 跑分成绩,谷歌这次确实打得很猛 按照谷歌公布的数据,Gemini 4 Argon 在多个测试中取得领先。 其中比较受关注的是: DeepSWE v1.1 软件工程测试:77.9% 主要测试 AI 处理真实软件开发任务的能力。 Vals Index 企业知识工作测试:68.9% 覆盖金融、法律、编码等多个专业场景。 LVBench 长视频理解测试:91.7% 考察 AI 对长视频信息的理解能力。 Harvey 法律智能体测试:19.6% 谷歌公布结果中处于领先位置。 这些成绩说明,谷歌这次的重点已经非常明确: 它想让 Gemini 从“聊天模型”变成“工作模型”。 不过也需要注意。 跑分成绩可以证明模型能力,但不能完全代表真实体验。 不同模型在不同任务中依然存在优势差异。 现在的大模型竞争,更像不同选手参加不同项目比赛。 更值得关注的是:谷歌已经让它干真实工作 相比实验室里的测试分数,谷歌公布的内部案例其实更有意思。 第一个案例,是优化数据中心资源。 谷歌表示,一组 Gemini 4 Argon 智能体分析服务器性能数据后,发现了内存优化机会。 相关优化部署后: 释放超过 300 TiB 内存。 后续预计释放规模: 500 TiB 到 1 PiB。 简单来说: AI 已经开始帮谷歌自己优化基础设施。 第二个案例,是代码迁移。 谷歌正在使用 Gemini 4 Argon 辅助 C/C++ 到 Rust 的迁移。 这类任务一直被认为非常困难。 因为底层代码不像普通应用开发,一个细节错误,都可能影响整个系统稳定性。 谷歌表示,相关修改经过自动化测试和人工审核,并不是 AI 自动完成全部替换。 此外,Gemini 4 Argon 还参与优化开源视频解码项目 libgav1。 其中涉及约: 3.2 万行 SIMD 代码调整。 最终运行速度达到原 Rust 移植版本: 2.7 倍。 这些案例释放出的信号很明显: AI 正在进入过去只有资深工程师才能处理的复杂任务。 谷歌这次,还有一个杀招:价格 除了能力,Gemini 4 Argon 的价格同样引发关注。 官方公布: 输入: 2 美元 / 百万 Token 输出: 10 美元 / 百万 Token 缓存输入: 降低 95% 这个价格放在前沿模型里面,竞争力非常明显。 谷歌最大的优势之一,就是自己的算力体系。 现在它开始把这个优势转化成价格优势。 对于开发者来说: 调用顶级模型的成本,可能会继续下降。 现在最大的问题:什么时候普通用户能用? Gemini 4 Argon 当前并没有全面开放。 谷歌采用了分阶段策略。 第一阶段,通过 Fairwind 计划开放给部分网络安全防御团队。 之后,逐步开放给付费 API 用户和 Google AI Ultra 用户。 原因也很直接。 这一次 Gemini 4 Argon 重点增强了软件分析和网络安全能力。 能力越强,开放时需要考虑的安全问题也越多。 谷歌这次,真的重新回到牌桌了吗? Gemini 4 Argon 的发布,至少证明了一件事: 谷歌没有退出 AI 竞争。 过去大家关注 AI,更多是在比较: 谁聊天更自然,谁写代码更快,谁回答问题更准,但现在方向正在变化。 下一阶段,比拼的可能是: 谁能真正接手一部分工作。 未来我们使用 AI 的方式,可能会从: “帮我写一份方案。” 变成: “研究这个项目。”、“优化这个流程。”、“处理完告诉我结果。” Gemini 4 Argon 现在最大的问题, 是谷歌什么时候愿意把它交到普通用户手里。 毕竟现在的状态有点像: AI 公司已经培养好了新员工。 但用户还在等入职通知。 本文由作者@AI星球,授权发布于平台,未经许可禁止转载。

Балл: 56.99Уверенность: 54%

Personal Agent 神仙打架 用五个维度看懂六条海外路线

人人都是产品经理

Personal Agent 赛道正上演六路争锋:OpenAI 想成为你的第二身份,Meta 接管生活交易,Google 调度邮件日历,还有产品让界面彻底消失。本文拆解 dots、Muse、Gemini Spark 等六款产品的入口、权限与执行逻辑,揭示真正的胜负手不是功能数量,而是谁能赢得用户的默认委托权。 假设你对一个 AI 说:“帮我安排下周去纽约的三天行程,避开已有会议,订好合适的酒店,再通知同行的同事。” 如果它只是列出航班、酒店和行程建议,它还是一个回答问题的助手;如果它能读取日历、比较选项、打开网站、填写信息,并在付款和发信前找你确认,它才开始接近 Personal Agent,也就是个人智能体。 最近海外产品密集涌现,容易让人产生一个直觉:把 dots、Muse、Gemini Spark、Instinct、Grok Bot 和 OpenClaw 拉成表格,比较谁能调用更多工具、谁能记住更多信息、谁的模型更聪明,就能得出胜负。 但这种横向排名很容易失真。它们看似都在做“个人助理”,实际争夺的是不同入口、不同数据和不同授权关系:有的想成为你的第二身份,有的先接管旅行和购物,有的依托邮件与文档做数字生活调度,有的希望界面彻底消失,有的给你组一支数字员工队伍,还有的把控制权交回用户自己。 所以,这一轮 Personal Agent 的“神仙打架”,争的不是谁先做出一个更大的聊天框,而是谁能成为用户的 默认委托入口 。 本文依据各产品截至 2026 年 10 月 1 日公开的官方页面与文档整理,没有把发布演示写成实测结果。文中的“六条路线”与评价框架是基于公开信息做的产品分析,不是厂商给出的行业分类。 一 为什么把 Personal Agent 做成排行榜 往往比不排更误导 传统 AI 产品对比,通常围绕模型能力、响应速度、价格和功能数量展开。Personal Agent 多了一层麻烦:同一个能力词,背后可能是完全不同的产品机制。 比如“能处理邮件”,至少可能指四件事:读取一封指定邮件、持续监控收件箱、代拟回复,或者直接把邮件发出去。前两项主要涉及信息访问,后两项已经触及外部行动和责任承担。把它们都写成一个“邮件能力:有”,会抹掉真正决定用户是否敢用的部分。 “记忆”也一样。记住这一轮对话中的名字,和长期保存用户偏好、项目文件、浏览器登录状态,不是同一层能力;“使用浏览器”可能是调用结构化接口,也可能是像人一样操作网页;“主动工作”可能是定时生成摘要,也可能是在用户没有下指令时自行发现问题。它们带来的收益、风险与授权成本都不一样。 更重要的是,这些产品不在同一条起跑线上。Google 已经拥有 Gmail、Calendar、Docs 和 Photos 的上下文;Apple 控制操作系统和设备;Meta 有 WhatsApp、Instagram 与社交关系;OpenAI 试图从 ChatGPT 向外连接应用;OpenClaw 则让愿意配置系统的人自己选择模型、数据位置与工具。 因此,比“功能多不多”更有解释力的问题是: 谁在什么入口遇见它,它知道什么,用户允许它做到哪一步,出了问题又如何停下和恢复。 图:从“回答”走向“受托执行”的能力链(原创示意) 二 先划一条线 什么才算 Personal Agent 我认为,Personal Agent 至少要同时具备四个条件。 第一,它不是一次性会话,而是有持续身份。用户下次回来,不必重新解释自己是谁、项目做到哪里、什么结果算合格。 第二,它不只生成内容,还能进入真实工具执行动作。整理资料可以只停在草稿,但订酒店、改日程、提交表单、发送消息,都要求它跨过“建议”与“行动”的边界。 第三,它能处理跨时间任务。工作可以在应用关闭、电脑合上以后继续,或者由计划、事件和新信息触发,而不是每一步都等用户继续输入。 第四,用户仍能控制它。控制不只是一个总开关,还包括数据接入范围、单次动作审批、过程查看、撤回与纠错。 沿着这四个条件,可以把产品拆成五个连续维度: 入口 :用户在哪里把事情交给它,是聊天应用、手机系统、浏览器、消息软件,还是家庭设备? 上下文 :它能获得哪些持续信息,是单次对话、邮件与文档,还是屏幕、位置、设备和长期偏好? 权限 :它能读什么、能改什么、哪些动作必须确认?授权是一次性的,还是可以细分到应用和动作? 执行 :它能否把任务真正送到终点,并在网站阻挡、登录失效或信息冲突时把问题交还给人? 信任 :用户是否看得见它做了什么,能否纠正、撤回、追责,以及是否愿意把更多个人信息长期交给它? 这五个维度不是五项孤立功能,而是一条相互牵制的链。上下文越深,执行越容易贴近个人需求;执行半径越大,权限设计和审计能力越重要。Personal Agent 的产品难点,不是把这五项都拉满,而是在具体场景里找到用户愿意接受的组合。 图:六款产品争夺“默认委托权”的不同路线(原创分析图,不代表厂商定位) 先看它们目前大致处在什么位置: 这张表只能说明产品状态,不能说明真实完成率。厂商页面展示的是设计目标、公开能力和开放范围,不等于每个网站、账户与任务都能稳定跑通。 三 六条路线 它们想成为什么 而不只是能做什么 1 OpenAI dots 把一个 Agent 变成你的 第二身份 OpenAI 在 2026 年 9 月 29 日发布 dots,给出的关键词不是某个单点功能,而是“always-on”。官方介绍称,每个 dot 有自己的云端电脑,其插件生态可连接超过 4000 个应用,并通过 ChatGPT、Slack 和 Teams 与用户协作;目前先从一个 primary dot 开始,未来再扩展为多个 dot。 这个设计的重点,是让同一个 Agent 跨任务、跨渠道保留你的目标、标准和反馈。它不只是“替我完成这次研究”,而是逐渐知道我如何判断证据、怎样写内容、哪些问题需要提前提醒。OpenAI 公开的案例也围绕这种持续关系展开:跟进客户反馈、更新发布资料、随着新数据重跑分析,再把需要人决定的地方提出来。 图:dots 任务与进度界面;来源:OpenAI 官方发布页,2026 年 9 月 29 日 这条路线的优势,是“一个主 Agent”可以降低用户管理多个工具和线程的成本。它更像长期搭档,而不是临时外包平台。 但同样的设计也把信任问题推到了最前面。OpenAI 明确区分了后台的“主动研究”和外部行动:用户不在场时,dot 使用已连接应用做的主动研究被限制为只读;应用权限由用户选择,Custom Rules 可以允许、要求批准或阻止某类动作;改密码等敏感任务仍必须由用户自己完成。官方还提醒,dots 仍可能出错,重要工作需要复核。 从产品角度看,dots 的真正挑战不是能不能再接一个工具,而是用户是否愿意让一个主体积累越来越多的长期上下文。它获得的信任越多,替换成本就越高;一旦判断出错,影响范围也会比单次聊天更大。 2 Meta Muse 从生活事务和交易切进去 Meta Muse 的切口更生活化。它运行在专用的 Muse Secure VM 中,用户可以在 Muse 应用或 WhatsApp 里交代事情。Meta 列出的动作包括发邮件、预订旅行、打开浏览器、填写表单,甚至代表用户进行协商;长任务可以在应用关闭后继续。 如果说 dots 强调“了解你如何工作”,Muse 更像一位生活与交易管家。官方举的例子包括把 Instagram 收藏的食谱转成购物清单,记住朋友的饮食限制,或者在付款时调用 Stripe Link 为 Agent 生成的一次性卡。这里的产品逻辑很直接:用户愿意付费或长期留下,不是因为聊天次数更多,而是因为它替用户完成了原本分散在搜索、比较、沟通和支付中的麻烦动作。 交易也是最难含糊的终点。推荐酒店可以有很多“看起来不错”的答案,真正付款以后,日期、价格、取消规则和责任都落到了现实世界。因此 Muse 会在发送邮件或购买前请求批准,并提供已经做过和计划要做事项的审计记录。用户还可以分别决定邮件只读还是允许代发,随时断开服务。 Muse 于 2026 年 9 月在美国向 iOS、Android 和网页端滚动开放,大部分基础使用免费,高需求用户有订阅计划。Meta 把它称为面向所有人的产品愿景,但当前实际开放仍有地区边界,不能把“为全球数十亿人设计”的表述等同于已经全球可用。 图:Muse Shopping 官方演示静帧;来源:Meta 官方发布,2026 年 9 月 8 日。发布演示不等于独立实测结果。 3 Gemini Spark 把 Google 数据变成调度优势 Google 的筹码不是先造一个陌生入口,而是把 Gemini Spark 放进用户已经存在的数字生活里。Spark 是一个云端 24/7 Agent,深度连接 Gmail、Docs、Slides 等 Workspace 工具,即使电脑关闭或手机锁屏,也能继续处理后台任务。 官方给出的例子很能说明它的方向:每月解析信用卡账单并标出新增订阅;跟踪孩子学校的邮件和截止日期;把邮件与聊天中的会议记录整理成文档,再起草项目启动邮件。到 2026 年 9 月,Google AI 计划更新 又把 Spark 与 Chrome、Google Photos 的连接列为美国 AI Pro 和 Ultra 计划能力。 Spark 的壁垒未必是“点网页按钮”本身,而是它天然站在 Gmail、Calendar、Docs、Chrome 和 Photos 之间。一个 Personal Agent 要做对事情,往往先要回答“用户现在在忙什么、承诺了什么、资料放在哪里”。Google 已经拥有大量答案。 但数据优势不会自动变成授权。Spark 由用户决定是否开启和连接哪些应用,高风险消费和发送邮件前会先询问。它还面临另一个典型问题:Google 生态外的任务,需要依赖更多连接器、MCP 或浏览器操作,稳定性和权限体验未必与原生应用一致。 图:Gemini 与 Spark 官方发布主图;来源:Google 官方发布,2026 年 5 月 19 日。当前开放状态以 9 月计划更新为准。 4 Instinct 最激进的设计 是让 Agent 没有新界面 Instinct 的官网第一句话就把路线说得很清楚:没有新的界面。它连接邮件、消息、屏幕、音频与位置,经过训练去使用手机和电脑,用户可以直接给它发消息或打电话。 这不是简单的“支持语音”。Instinct 希望把 Agent 从一个需要主动打开的目的地,变成日常沟通关系中的一个联系人。它可以跟进用户遗漏的线索,主动打电话或发消息,安排机场用车、预约上门维修。入口一旦消失,Agent 就不再和其他 App 争夺打开频次,而是进入用户本来就在做的动作。 这条路线的产品魅力也正是它的风险。读取屏幕、音频和位置,能够提供最贴近当下的上下文,同时意味着最敏感的一组权限;主动来电和提醒可能减少遗忘,也可能变成高成本打扰。用户什么时候愿意被打断、哪些信息不该形成长期记忆、误操作如何撤回,都需要比“聊天记录可删除”更细的机制。 截至本文截稿,Instinct 官网主要公布了产品定位和案例,没有清晰列出完整地区、订阅层级与普遍开放状态。因此,这里分析的是它所代表的“无新界面”方向,不把官网展示的能力当作所有用户都已可获得的成熟服务。 5 Grok Bot 不是一个全能助手 而是一支会协作的数字员工队伍 xAI 的 Grok Bot 官方文档 把 Bot 描述为可以长期保留的 AI 队友:每个 Bot 有名字、岗位和持续累积的上下文,并在带浏览器、文件系统和终端的云端电脑上工作。用户可以设立不同角色,让多个 Bot 并行执行、互相发消息、共享上下文和交接任务。 它与 dots 的差别不只是“数量更多”。dots 当前强调一个 primary dot 学会用户的整体偏好;Grok Bot 更像组织设计:研究、销售、运营等角色分别积累自己的上下文,稳定流程还能保存为技能并按计划重跑。对跨多个工具、边界清楚、可分工的任务,这种结构能减少用户自己在 Agent 之间搬运信息。 但多 Agent 也会制造新的管理成本。官方文档说明,同一账户下的 Bots 共用一台云端电脑及其文件、浏览器会话和应用登录,而不同 Bot 的对话和学习上下文保持分开。这样的共享有利于交接,也要求用户理解数据边界。网站仍可能阻止自动化、让登录过期或要求人工步骤;草稿发送等动作需要用户批准。 目前 Grok Bot 可运行在 macOS、Windows、Linux、iOS 和 Android,包含在付费 Cursor 个人与团队计划中,也可绑定部分个人 SuperGrok 订阅。它把 Personal Agent 从“一个了解我的人”,推进到“我如何配置一支队伍”。 6 OpenClaw 把 Agent 的所有权当作产品本身 OpenClaw 走的是另一条路:助手运行在用户自己的基础设施上,可以通过常用消息渠道访问,Gateway 作为持续在线的控制层。官方文档将它描述为 local-first、模型无关、可扩展和可自托管的开放系统;用户可以选择模型提供商,也可以采用本地模型方案,让数据留在自己的设备上。 图:OpenClaw 浏览器与控制界面;来源:OpenClaw 官方文档 OpenClaw 竞争的不是最低学习成本,而是所有权。用户能决定系统跑在哪里、使用哪个模型、接入什么渠道、怎样配置多个 Agent 与工具,也能检查和修改系统本身。对于有技术能力、对数据边界敏感,或者不愿被单一云服务锁定的用户,这种可控性本身就是价值。需要注意的是,2026 年 8 月的 v2026.8.1 曾以“OpenClaw 2.0”发布,但截至 10 月 1 日官方版本目录已经出现 v2026.9.6,2.0 不是当前最新版。 代价也很清楚。自托管不会让风险自动消失,它只是把更多责任从厂商转移给使用者:安装、升级、密钥、网络暴露、插件质量、模型成本和备份都需要有人负责。官方文档也建议,外联和广告投放等动作保持人在回路中,先由 Agent 起草,再由人批准。 所以,OpenClaw 不是“大厂产品的免费替代品”。它代表的是另一种交换:用户用配置和维护成本,换取更高的部署自由、模型选择权与数据控制权。 图:六款产品的“上下文深度—执行半径”位置(基于公开定位的分析示意,不代表实测排名) 四 Siri AI 和 Alexa Plus 为什么既在局内 又不完全属于同一类 还有两类产品不能忽略:操作系统里的 Siri AI,以及家庭环境里的 Alexa+。它们可能不完全符合前面“长期云端工作者”的定义,却拥有后来者很难复制的入口。 Apple 在 2026 年 9 月推出的 Siri AI 具备个人上下文理解、屏幕感知和跨系统 App 动作。官方案例中,它能从消息里找到家人提过的活动,从邮件取出食谱,再把配料加入提醒事项;也能根据屏幕内容把比赛日程加入日历。Siri AI 于 2026 年 9 月先以英语 Beta 开始推出,中国不可用,欧盟部分系统首发也不可用。 图:Siri AI 根据个人上下文起草邮件。来源:Apple Newsroom,2026 年 9 月 14 日。 Siri AI 的优势是系统级上下文和动作,不需要用户先决定“我要打开哪个 Agent”。但它目前更像随叫随到的系统助手,和 dots、Spark 那种持续在云端推进长任务的工作方式仍有差异。这个边界提醒我们:Personal Agent 不一定都以独立产品存在,操作系统可能把它吸收成默认能力。 Alexa+ 则占据家庭与环境入口。Amazon 将它定位为下一代生成式 AI 助手,可通过自然对话管理智能家居、预订服务、购物、播放内容和提供个性化建议;目前已在美国和加拿大全面开放,其他多个市场仍处于 Early Access 或分阶段上线。 图:Alexa+ 官方购物场景。来源:Amazon Alexa+ 产品页;不同国家可执行的服务和开放阶段并不相同。 Alexa+ 的核心不是一块屏幕,而是房间里的声音、家庭设备和 Amazon 商业体系。它说明了另一种可能:最常用的 Personal Agent 未必拥有最深的工作上下文,但可能因为“随口就能委托”和可连接现实设备,先占据高频生活任务。 Siri AI 与 Alexa+ 都说明,入口不是引流渠道,而是权限与上下文的来源。控制设备的人,天然更接近用户发生需求的时刻。 五 这场竞争对产品经理真正有用的五个判断 1 不要从 做一个通用 Agent 开始 先找独占上下文 模型和浏览器操作会逐渐成为可采购能力,独特上下文更难复制。邮件、日历、行业系统、设备状态、团队历史和长期偏好,都可能成为 Agent 做对事情的前提。 产品经理需要问的不是“我们也能不能加 Agent”,而是:我们掌握什么别人拿不到、用户又愿意授权的上下文?如果答案只是用户在聊天框里临时输入的一段话,产品很难形成持续优势。 2 权限设计就是核心体验 不是上线前补一页隐私协议 Personal Agent 的价值来自行动,行动必然触碰权限。好的设计不是让用户在第一天勾选一长串范围,而是形成清晰的授权阶梯:先读,后写;先生成草稿,后允许发送;先单次确认,后对稳定规则有限放行。 每次升级权限,都应该让用户看见它解决了什么问题、可能造成什么后果、如何收回。Muse 对邮件区分只读与代发,dots 用规则决定允许、审批或阻止动作,都是把权限变成产品交互,而不是隐藏在设置页里。 3 任务完成 必须有可验证的终点 Agent 最容易制造的错觉,是过程很热闹,结果却停在“差不多”。产品定义完成状态时,需要明确交付物和证据:文件保存在哪里、邮件是否真的发送、订单是否生成、日历是否更新、哪些步骤因网站阻挡没有完成。 对高风险动作,还要区分“已准备”“待批准”“已执行”和“执行失败”。用户需要看到差异,系统也需要据此决定是否重试、撤回或交给人处理。 4 真正要优化的是委托率 而不是对话次数 聊天产品习惯关注打开频次、消息数和停留时间,但 Personal Agent 的价值可能恰好表现为用户少操作。更合适的指标包括:有多少任务被完整委托、多少步骤不需要人工接管、批准前的修改比例、失败后恢复时间,以及用户是否愿意逐步开放更多权限。 不过,“自动化比例越高越好”也不成立。购买、公开发布、删除数据等高后果动作,保留确认可能是信任增长的前提。减少一次确认带来的效率收益,要和误操作成本一起计算。 5 最终形态很可能是 一个总入口 加多个专业 Agent 用户不会愿意同时管理十几个都声称了解自己的总管。更可能的结构是:一个 Agent 负责理解意图、掌握主要上下文和分发任务,多个专业 Agent 在旅行、财务、销售、研究或设备控制中执行。 dots 从一个 primary dot 起步,Grok Bot 直接强调多角色队伍,OpenClaw 提供多 Agent 路由,已经展示了三种不同组织方式。下一阶段的竞争,不只发生在 Agent 与用户之间,也会发生在 Agent 与 Agent 之间:谁拿到总入口,谁负责专业执行,权限和结果如何交接。 六 如果现在要做一款 Personal Agent 先回答这份决策清单 在画界面、接模型之前,团队至少需要把下面的问题写清楚: 用户最愿意交出的第一类任务是什么?它有明确、可验证的终点吗? 我们拥有什么独特上下文?用户为什么愿意持续授权? 产品的自然入口在哪里?用户需要专门打开它,还是能在原有动作中完成委托? 哪些步骤只能读取,哪些可以修改,哪些必须由人确认? 权限能否按应用、数据类型、动作和时间范围拆分,而不是只有“全部允许”? Agent 遇到登录过期、网页阻挡、信息冲突和模型不确定时,怎样把任务交还给用户? 用户如何查看过程、纠正记忆、撤回动作和删除数据? “完成”由什么证据证明?系统是否保留操作记录和结果回执? 如果任务跨多个专业 Agent,谁拥有最终上下文,谁对结果负责? 收费依据是什么:模型消耗、完成任务数量、节省时间,还是更高的权限与服务保障? 这份清单里没有“模型参数多大”。不是模型不重要,而是模型能力越来越强以后,真正拉开产品差距的,会是它能进入什么场景、拿到什么上下文、获得多大授权,以及出了问题能不能让用户安心收回控制。 结语 胜负手是那句 这件事交给你 六款产品正在把 Personal Agent 拉向六个方向:dots 想成为持续理解你的第二身份,Muse 先接生活事务与交易,Gemini Spark 借 Google 数据做数字生活调度,Instinct 让界面消失,Grok Bot 把一个助手扩成数字团队,OpenClaw 则把系统所有权还给用户。 Siri AI 和 Alexa+ 又提醒我们,操作系统、家庭设备和自然入口随时可能改写竞争。没有哪一条路线已经证明自己通吃所有场景,也没有一个官方演示足以证明长期可靠。 但竞争目标已经越来越清楚:真正的胜负,不是谁回答得更像人,而是谁最终获得了用户那句—— “这件事交给你。” 一旦这句话从偶尔尝试变成默认习惯,Personal Agent 才真正从一个功能,变成了人与数字世界之间的新一层关系。 主要官方资料 OpenAI:Introducing dots,2026-09-29 Meta:Introducing Muse,2026-09-08 Google:The Gemini app becomes more agentic,2026-05-19 Google:Fall 2026 AI plan updates,2026-09-09 Instinct 官网 xAI:Grok Bot 官方文档,更新于 2026-09-21 OpenClaw:What is OpenClaw? Apple:Siri AI,2026-09-14 Amazon:Alexa+ 本文由 @系阿铃 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自作者提供

[LLM.zip | 압축 해제 ] README

velog

LLM Under the Hood 입문자에서 LLM Engineer까지 LLM이라는 Black Box의 Hood를 열어 핵심 기술을 하나씩 이해하고, 마지막에는 다시 하나의 시스템으로 조립해 보는 과정. Series Roadmap 00. LLM은 어떻게 동작할까? 완성된 LLM의 구조를 먼저 살펴보고, 앞으로 공부할 기술들이 어디에 위치하는지 파악한다. Language Model → Next Token Prediction → Token → Embedding → Transformer → Generation 01. 모델의 연산을 이해하기 — Vector & NumPy Embedding과 Attention을 이해하기 위해 필요한 최소한의 수치 연산을 다룬다. Vector · Matrix · Tensor · NumPy · Dot Product · Cosine Similarity · Softmax 02. Text에서 Vector까지 — Tokenization & Embedding 입력된 텍스트가 모델이 처리할 수 있는 형태로 변환되는 과정을 살펴본다. Tokenization · Subword / BPE · Token ID · Word2Vec · Token Embedding · Positional Encoding 03. 문맥과 관계를 계산하기 — Attention & Transformer Token 사이의 관계와 문맥 정보를 모델링하는 핵심 구조를 이해한다. RNN → Attention → Q·K·V → Self-Attention → Multi-Head Attention → Transformer → GPT 04. Transformer에서 LLM으로 — Training & Inference Transformer가 대규모 데이터에서 학습되고 실제 출력을 생성하는 과정을 연결한다. Next Token Prediction · Pre-training · Loss · Instruction Tuning · Logits · Probability · Temperature · Top-k / Top-p 05. 모델의 한계를 외부 정보로 보완하기 — RAG 모델 내부의 지식만으로 해결하기 어려운 문제를 Retrieval과 결합하는 방법을 살펴본다. Chunking → Embedding → Vector DB → Similarity Search → Retrieval → LLM 06. LLM을 시스템으로 — Tool Calling & Agent LLM을 API, Database, Search 등의 외부 도구와 연결해 실제 작업을 수행하는 시스템으로 확장한다. Prompt · Function Calling · Tool Use · API / DB · Agent · Workflow 07. Final — 다시 조립하기 지금까지 살펴본 기술을 하나의 Pipeline으로 연결하여 LLM Application을 구현한다. Vector ↓ Tokenization ↓ Embedding ↓ Attention ↓ Transformer ↓ LLM ↓ RAG / Tool Calling ↓ LLM Application Why LLM Under the Hood? 내가 LLM에 깊이 관심을 갖게 된 계기는 단순히 생성형 AI라는 새로운 기술의 등장 때문만은 아니었다. 언어학과 언어인지과학을 공부해 온 배경에서 언어모델을 접하면서 한 가지 질문이 생겼다. “내가 가지고 있는 관점과 인사이트가 언어모델의 고도화에 기여할 수 있는 지점이 있지 않을까?” 그리고 나와 같은 배경을 가진 사람이 모델을 단순히 활용하는 것을 넘어 모델 자체를 이해하고 기술적인 문제까지 다룰 수 있다면 , 이 분야에서 분명히 할 수 있는 역할이 있을 것이라고 생각했다. 그 생각이 내가 AI와 NLP를 더 깊게 공부하기 시작한 출발점이었다. 하지만 기존에 가지고 있던 지식을 실제 모델의 문제와 연결하려면 또 다른 영역을 이해해야 했다. 모델이 입력을 어떤 단위로 받아들이는지, 정보가 어떤 형태로 표현되는지, Transformer 내부에서는 어떤 연산이 이루어지는지, 학습된 모델이 어떤 과정을 거쳐 결과를 만들어내는지. 모델의 결과를 관찰하는 것에서 그치는 것이 아니라 그 결과가 만들어지는 과정까지 이해할 필요가 있었다. 그래서 기술 스택을 공부하기 시작했다. NumPy 와 Vector 에서 시작해 Embedding , Attention , Transformer 를 지나 RAG , Tool Calling , Agent 까지. 처음에는 서로 다른 기술처럼 보였던 개념들이 하나씩 연결되기 시작했고, 그 연결 구조 자체가 LLM을 이해하는 하나의 지도가 되었다. 이 시리즈는 그 과정을 정리한 기록이다. 무엇을 많이 아는 것보다, 연결해서 이해하기 LLM을 공부하기 시작하면 굉장히 빠르게 수많은 기술을 만나게 된다. NumPy, Word2Vec, RNN, LSTM, Attention, Transformer, BERT, GPT, Fine-tuning, LoRA, Vector DB, RAG, Agent... 모두 중요한 기술이다. 하지만 이 시리즈에서 이 모든 기술을 하나씩 깊게 다루지는 않는다. AI나 컴퓨터공학 전반을 훑는 것이 목적이 아니기 때문이다. 이 시리즈의 기준은 하나다. “이 개념을 모르고 넘어가면 LLM의 동작과 이후 기술의 연결을 이해하기 어려운가?” 필요하다면 직접 다룬다. 그렇지 않다면 전체 흐름을 이해하는 데 필요한 정도에서만 언급한다. 예를 들어 RNN은 Transformer가 등장하게 된 배경을 이해하기 위해 살펴보지만, RNN·LSTM·GRU를 각각 깊게 구현하지는 않는다. Word2Vec 역시 Embedding이라는 중요한 전환점을 이해하기 위해 다루지만, 모든 전통적인 Embedding 알고리즘을 비교하는 것이 목표는 아니다. 많은 기술을 아는 것보다 중요한 기술들이 왜 필요했고, 어떻게 연결되어 지금의 LLM까지 이어졌는지를 이해하는 것. 그것이 이 시리즈에서 정한 범위다. Language → Number → Context → Generation 이 시리즈를 관통하는 하나의 흐름이다. LLM이 만들어내는 결과만 보면 매우 복잡한 시스템처럼 보이지만, Hood를 열어보면 몇 가지 중요한 변환 과정을 발견할 수 있다. 가장 먼저 입력을 모델이 처리할 수 있는 계산 가능한 형태 로 표현해야 한다. Language ↓ Tokenization ↓ Token ↓ Embedding ↓ Vector 여기서 첫 번째 질문이 생긴다. 의미와 정보를 숫자로 표현한다는 것은 무엇일까? 이를 이해하기 위해 Vector, Embedding, Similarity와 같은 개념이 필요해진다. 하지만 각각의 Token을 Vector로 표현하는 것만으로는 충분하지 않다. 같은 Token이라도 주변 정보에 따라 의미와 역할이 달라질 수 있고, 하나의 입력 안에서도 각 Token은 서로 다른 관계를 가진다. 그래서 다음 단계는 Context 다. Vector ↓ Token 간 관계 ↓ Attention ↓ Contextual Representation ↓ Transformer Attention을 통해 각각의 Token이 다른 Token과 어떤 관계를 가지는지 계산하고, Transformer는 이러한 연산을 반복하며 입력의 문맥적 표현을 구성한다. 그리고 학습된 모델은 지금까지 주어진 Context를 바탕으로 다음 Token에 대한 확률을 계산한다. Context ↓ Transformer ↓ Logits ↓ Probability ↓ Next Token ↓ Generation 결국 이 시리즈에서 따라가려는 핵심 흐름은 다음과 같다. Language ↓ Number ↓ Context ↓ Generation 그리고 이 네 단계 사이를 연결하는 것이 Tokenization → Vector → Embedding → Attention → Transformer → Next Token Prediction 이다. 처음에는 각각 독립된 기술처럼 보이지만, 이 흐름 안에서 바라보면 왜 앞의 개념을 알아야 다음 개념을 이해할 수 있는지 가 보이기 시작한다. 기술을 하나씩 외우지 않고 연결해서 보기 각 기술은 독립된 챕터처럼 보이지만 실제로는 계속해서 다음 단계와 연결된다. 예를 들어 Dot Product 는 단순한 수학 개념으로 끝나지 않는다. Vector ↓ Dot Product ↓ Attention Score ↓ Self-Attention ↓ Transformer ↓ LLM Cosine Similarity 역시 앞에서 한 번 배우고 끝나는 개념이 아니다. Embedding ↓ Vector ↓ Cosine Similarity ↓ Similarity Search ↓ Vector DB ↓ RAG 앞에서 배운 개념이 몇 편 뒤 전혀 다른 기술 안에서 다시 등장한다. 그때 “그래서 이걸 배웠구나.” 라고 연결되는 순간을 만드는 것이 이 시리즈에서 중요하게 생각하는 부분이다. 기술을 개별적인 지식으로 쌓는 것이 아니라, 하나의 시스템 안에서 서로 연결된 구조로 이해하는 것 이 목표다. Why → How → Code → LLM 각 기술은 가능한 한 동일한 흐름으로 정리한다. 1. Why — 왜 필요한가? 기술의 정의부터 시작하지 않는다. 먼저 어떤 문제를 해결하기 위해 등장했는지 를 살펴본다. 기존 접근 ↓ 한계 ↓ 새로운 문제 ↓ 기술의 등장 Transformer란 무엇인가? 보다 먼저, “기존 방식에는 어떤 문제가 있었기에 Transformer가 필요했을까?” 를 묻는 방식이다. 2. How — 어떻게 동작하는가? 그다음 핵심적인 구조와 연산을 이해한다. 필요하다면 수식도 사용한다. 다만 수식을 암기하거나 수학 자체를 깊게 파고드는 것이 목적은 아니다. 이 연산이 모델 내부에서 무엇을 계산하고 있는가? 를 이해할 수 있는 수준까지 다루려고 한다. 3. Code — 직접 확인한다 개념을 이해했다면 Python으로 직접 확인한다. 완성된 라이브러리를 호출하고 결과만 확인하는 데서 끝내지 않고, 필요한 경우 핵심 연산을 직접 구현한다. 예를 들어 Cosine Similarity를 배운다면, Vector ↓ Dot Product ↓ Magnitude ↓ Cosine Similarity 가 실제 코드에서는 어떻게 계산되는지 확인한다. Attention 역시 가능하다면 완성된 Transformer 모델을 호출하기 전에 핵심 연산을 직접 구현해 본다. 조금씩 Black Box의 범위를 줄여가는 과정이다. 4. LLM — 그래서 어디에 쓰일까? 마지막에는 항상 같은 질문을 던진다. 그래서 이 기술은 LLM의 어디에서, 왜 사용되는가? Why ↓ How ↓ Code ↓ LLM 개별 기술을 공부하고 다시 전체 구조로 돌아오는 과정을 반복하면서, 하나씩 LLM의 내부를 채워나간다. Why "Under the Hood"? 자동차를 운전하기 위해 엔진의 모든 부품을 알아야 하는 것은 아니다. LLM도 비슷하다. LLM을 활용하기 위해 모델 내부의 모든 원리를 알아야 하는 것은 아니다. API와 Framework를 이용하면 내부 구조를 모두 이해하지 않아도 충분히 복잡한 Application을 만들 수 있다. 하지만 Hood를 한 번 열어보면 이야기가 조금 달라진다. 내가 원하는 것은 LLM을 사용할 수 있는 것에서 한 단계 더 나아가는 것 이다. 예를 들어, "Embedding을 생성한다." → 무엇이 Vector에 표현되는가? "유사한 문서를 검색한다." → '유사하다'는 것은 어떻게 계산되는가? "Attention이 문맥을 반영한다." → 어떤 연산을 통해 관계가 만들어지는가? "LLM이 다음 Token을 예측한다." → 하나의 Token은 어떤 과정으로 선택되는가? "모델이 특정 상황에서 반복적으로 오류를 만든다." → 그 결과를 데이터나 모델의 구조와 연결해서 설명할 수 있을까? 특히 마지막 질문까지 가기 위해서는 Hood를 열어볼 필요가 있다고 생각했다. 모든 부품을 분해하는 것이 목적은 아니다. 모델의 동작과 결과를 보았을 때, 그 현상을 내부 구조와 연결해 생각할 수 있을 정도까지. 이 시리즈에서 말하는 Under the Hood 는 그 정도의 깊이를 의미한다. From Language to LLM Engineering 내가 가지고 있던 전공적 배경은 이 분야에 관심을 갖게 된 중요한 출발점이었다. 하지만 그것만으로 모델의 개선을 이야기할 수 있다고 생각하지는 않았다. 어떤 현상에서 문제를 발견하고 그에 대한 인사이트를 가지고 있더라도, 그것을 실제 AI의 문제와 연결하는 순간부터는 기술적인 이해가 필요하다. 모델의 오류를 발견했다면 그것이 데이터의 문제인지, 표현의 문제인지, Context 처리의 문제인지, Retrieval의 문제인지, 혹은 모델 자체의 특성인지 구분할 수 있어야 한다. 개선 아이디어가 있다면 가설로 끝내지 않고 실험 가능한 형태로 구현하고 결과로 검증할 수 있어야 한다. 그래서 내가 공부해야 할 범위도 자연스럽게 넓어졌다. Domain Insight │ ▼ Problem Definition │ ▼ NLP / ML │ ▼ Transformer / LLM │ ▼ Implementation │ ▼ Experiment & Evaluation │ ▼ LLM Engineering 나에게 기술 스택을 공부하는 과정은 기존에 공부해 온 영역을 버리고 전혀 다른 분야로 이동하는 것이라기보다, 내가 가지고 있던 관점을 실제 모델의 문제와 연결할 수 있도록 새로운 도구를 갖추는 과정 에 가깝다. 내가 처음 이 분야에 더 깊이 들어가야겠다고 생각했던 이유 역시 여기에 있다. 내가 가진 인사이트가 모델의 고도화에 기여할 수 있다면? 그 가능성을 이야기하기 위해서는 먼저 모델을 이해해야 했다. 그리고 단순히 개념적으로 이해하는 것을 넘어, 직접 구현하고 실험하고 검증할 수 있어야 했다. 그래서 Vector 와 Matrix 를 공부하고, Embedding 을 공부하고, Attention 과 Transformer 의 내부를 들여다보기 시작했다. 이 시리즈는 그 과정에서 쌓아가는 기술적 이해를 하나씩 기록하는 공간이기도 하다. Final — 다시 조립하기 시리즈의 시작에서는 LLM을 하나의 완성된 시스템으로 바라본다. User │ ▼ ┌───────────────┐ │ LLM │ └───────────────┘ │ ▼ Answer 그리고 하나씩 Hood를 열어본다. LLM │ ├── Tokenization ├── Embedding ├── Attention ├── Transformer └── Next Token Prediction 각각의 부품을 이해한 뒤에는 다시 실제 Application으로 확장한다. User │ ▼ LLM │ ┌───────┴───────┐ │ │ ▼ ▼ RAG Tool Calling │ │ Embedding API / DB │ │ Vector DB │ │ │ └───────┬───────┘ ▼ LLM │ ▼ Answer 처음에는 각각 별개의 기술처럼 보였던 Vector, Tokenization, Embedding, Attention, Transformer, RAG, Tool Calling 이 마지막에는 하나의 시스템 안에서 연결되어 보이는 것. 그리고 단순히 구조를 이해하는 데서 끝나지 않고 직접 하나의 LLM Application으로 구현해 보는 것. 그것이 이 시리즈의 첫 번째 도착점이다. 하지만 궁극적으로 만들고 싶은 역량은 조금 더 그 너머에 있다. 모델의 결과를 단순히 “잘 된다 / 잘 안 된다” 로 판단하는 데서 끝나지 않고, 문제 발견 ↓ 원인 분석 ↓ 가설 설정 ↓ 구현 ↓ 실험 ↓ 평가 ↓ 개선 의 과정으로 가져갈 수 있는 것. 내가 기존에 가지고 있던 관점과 새롭게 쌓아가는 기술적 이해를 함께 활용해 모델의 문제를 발견하고, 개선 가능성을 실제로 검증할 수 있는 것. 그것이 내가 LLM을 공부하고 기술 스택까지 확장하게 된 이유이자, 이 시리즈를 시작한 이유다. 이 시리즈가 도착하려는 곳 이 시리즈를 끝낸다고 해서 LLM의 모든 것을 알게 되는 것은 아니다. 오히려 앞으로 무엇을 더 공부해야 하는지 판단할 수 있는 하나의 지도 를 만드는 것이 목표에 가깝다. 처음 보는 기술을 만났을 때 단순히 사용법을 외우는 것이 아니라, 이 기술은 어떤 문제를 해결하기 위해 등장했을까? 기존 방식에는 어떤 한계가 있었을까? LLM Pipeline의 어디에 위치할까? 앞에서 공부했던 어떤 개념과 연결될까? 실제 모델의 문제를 해결하는 데 어떻게 활용할 수 있을까? 를 스스로 질문할 수 있는 기반을 만들고 싶다. 익숙한 영역에서 발견한 질문을 AI의 문제로 확장하고, 그 질문을 직접 다룰 수 있기 위해 기술을 공부한다. LLM을 사용하는 것에서, 이해하는 것으로. 이해하는 것에서, 문제를 발견하고 개선하는 것으로. LLM Under the Hood.

계산동 쓰리노 알아보기 위치부터 이용 전 확인사항까지

velog

계산동 쓰리노 알아보기 위치부터 이용 전 확인사항까지 인천에서 저녁 시간에 모임 장소를 찾다 보면 계산동을 검색하게 되는 경우가 있습니다. 계산동은 계산역을 중심으로 다양한 음식점과 주점, 카페 등이 모여 있는 지역으로, 친구 모임이나 직장인 모임처럼 저녁 시간을 활용하는 일정도 계획하기 좋은 곳입니다. 이번 글에서는 특정 업체를 소개하기보다는 계산동 쓰리노를 알아볼 때 확인하면 좋은 기본적인 정보를 정리해보겠습니다. 처음 검색하는 분이라면 어떤 부분을 확인해야 하는지부터 알아두는 것만으로도 장소를 선택하고 일정을 준비하는 과정이 훨씬 간단해집니다. 계산동 쓰리노를 알아볼 때 먼저 확인할 부분 계산동에서 관련 장소를 찾을 때 가장 먼저 확인할 부분은 위치입니다. 계산역을 중심으로 상권이 형성되어 있기 때문에 지하철을 이용하는 경우에는 역에서 얼마나 떨어져 있는지 확인하면 좋습니다. 특히 여러 명이 모이는 자리라면 참석자들의 이동 방법이 서로 다를 수 있습니다. 누군가는 지하철을 이용하고 다른 사람은 차량을 이용할 수도 있기 때문에 약속 장소를 정하기 전에 대중교통 접근성과 주차 가능 여부를 함께 확인하면 편리합니다. 장소의 정확한 위치와 건물명, 주변 랜드마크 등을 미리 확인해두면 처음 방문하는 사람도 쉽게 찾아갈 수 있습니다. 계산역 주변 상권의 특징 계산동에서 모임 장소를 찾을 때 계산역 주변을 함께 살펴보는 이유는 다양한 상업시설이 모여 있기 때문입니다. 저녁 식사를 먼저 하고 다음 일정으로 이동하거나, 모임 이후 카페에서 시간을 보내는 등 여러 가지 방식으로 일정을 구성할 수 있습니다. 예를 들어 저녁 식사 시간을 먼저 정하고 이후 별도의 공간에서 모임을 이어가는 방식으로 계획할 수 있습니다. 여러 명이 함께하는 경우에는 장소 사이의 이동거리도 중요한 요소입니다. 이동거리가 짧으면 일행이 함께 움직이기 편하고, 늦게 합류하는 사람도 약속 장소를 찾기 수월합니다. 쓰리노라는 용어의 의미 쓰리노라는 표현은 유흥업계에서 특정한 형태의 이용 방식을 설명할 때 사용되는 용어입니다. 일반적인 노래방이나 주점과는 공간 구성이나 운영 방식에서 차이가 있을 수 있으며, 독립된 룸을 이용하는 형태가 포함되는 경우가 있습니다. 다만 같은 명칭을 사용하더라도 업체마다 실제 운영 방식이나 제공되는 서비스가 다를 수 있습니다. 따라서 인터넷에서 본 용어만으로 이용 형태를 판단하기보다는 방문하려는 장소에 직접 문의해 구체적인 운영 방식과 이용 조건을 확인하는 것이 좋습니다. 인원수에 맞는 룸 선택 모임을 계획할 때 인원수는 공간을 선택하는 중요한 기준입니다. 2~3명처럼 소규모로 방문하는 경우와 여러 명이 함께 방문하는 경우에는 필요한 공간의 크기가 달라집니다. 인원이 많다면 좌석 수뿐만 아니라 테이블 크기와 룸 내부 공간까지 함께 확인하는 것이 좋습니다. 특히 일행 가운데 늦게 합류하는 사람이 있다면 예약 단계에서 예상 인원을 이야기해두는 것이 편리합니다. 최종 인원이 변경될 가능성이 있다면 처음부터 해당 내용을 전달하고 인원 변경이 가능한지도 확인하면 됩니다. 이용시간은 미리 정하기 저녁 모임은 식사부터 시작해 여러 장소를 이동하는 경우가 많기 때문에 이용시간을 미리 정해두는 것이 좋습니다. 기본 이용시간이 정해져 있다면 시작시간과 종료시간을 확인하고, 일정이 길어질 경우 추가 이용이 가능한지도 알아볼 수 있습니다. 특히 대중교통을 이용하는 일행이 있다면 귀가 시간까지 고려하는 것이 좋습니다. 모임을 시작하는 시간뿐 아니라 종료 예상시간까지 정해두면 이후 일정이나 귀가 계획을 세우기가 편합니다. 비용은 전체 구성으로 확인하기 장소를 선택할 때 비용은 단순히 기본 금액 하나만 확인하기보다 전체적인 구성을 살펴보는 것이 좋습니다. 기본 이용료 외에 주류, 이용시간, 인원 등에 따라 별도의 비용이 발생할 수 있기 때문입니다. 따라서 방문 전에 다음과 같은 내용을 확인해두면 좋습니다. 기본 이용료 기본 이용시간 주류 비용 추가 이용시간 비용 인원에 따른 비용 차이 별도로 발생할 수 있는 추가 비용 결제 방식 특히 온라인에서 확인한 금액과 실제 이용 조건이 다를 수 있으므로 방문 시점의 정확한 비용을 문의하는 것이 가장 확실합니다. 주류와 이용 구성 확인하기 모임의 성격에 따라 주류 이용 여부도 미리 정할 수 있습니다. 주류를 이용할 예정이라면 어떤 종류가 준비되어 있는지, 기본 이용에 포함되는지 별도로 계산되는지 등을 확인하는 것이 좋습니다. 여러 명이 함께 방문하는 경우에는 일행마다 원하는 메뉴가 다를 수 있기 때문에 미리 예산을 정해두면 전체적인 지출을 관리하기 편합니다. 또한 이용시간을 연장할 계획이 있다면 연장 기준과 추가 비용까지 함께 확인하는 것이 좋습니다. 주차 여부도 체크하기 계산동은 대중교통으로 접근하기 편리한 편이지만 차량을 이용하는 방문객도 많기 때문에 주차 여부를 확인해두는 것이 좋습니다. 차량으로 방문한다면 건물 내 주차장이 있는지, 무료 주차가 가능한지, 이용시간에 따른 주차 조건이 있는지 등을 확인할 수 있습니다. 여러 명이 각각 차량을 이용한다면 주차 공간의 규모도 고려할 필요가 있습니다. 주차 조건은 건물이나 업소에 따라 달라질 수 있으므로 방문 전에 직접 확인하는 것이 좋습니다. 예약 전에 전달하면 좋은 정보 예약이나 방문 문의를 할 때는 필요한 정보를 한 번에 전달하면 보다 원활하게 안내받을 수 있습니다. 기본적으로 날짜와 시간, 인원수를 먼저 전달하고 원하는 이용시간과 공간 형태가 있다면 함께 이야기하는 것이 좋습니다. 예를 들어 다음과 같이 정리할 수 있습니다. 방문 날짜 → 방문 시간 → 인원 → 예상 이용시간 → 원하는 룸 형태 → 주차 여부 이렇게 필요한 내용을 미리 정리하면 문의 과정도 간단해집니다. 인원수가 확정되지 않은 경우에는 예상 인원을 이야기하고 이후 변경이 가능한지도 함께 확인하면 됩니다. 계산동에서 함께 계획하기 좋은 일정 계산동에서 저녁 약속을 잡는다면 한 장소만 정하기보다 전체 동선을 함께 생각해보는 것도 좋습니다. 저녁 식사를 먼저 한 뒤 모임 장소로 이동하거나, 일정이 끝난 후 카페 등에서 추가로 시간을 보내는 방식도 가능합니다. 계산역 주변을 기준으로 일정을 잡으면 일행들이 모이기 편하고, 처음 방문하는 사람에게도 위치를 설명하기 쉽습니다. 차량을 이용하는 사람이 있다면 주차가 가능한 장소를 기준으로 동선을 정하는 방법도 있습니다. 처음 알아볼 때 체크리스트 계산동 쓰리노를 처음 알아본다면 아래 항목을 순서대로 확인해보는 것이 좋습니다. 위치 계산역과의 거리와 정확한 건물 위치를 확인합니다. 인원 방문 예정 인원을 정확하게 전달합니다. 시간 입장시간과 기본 이용시간을 확인합니다. 비용 기본 이용료와 주류, 추가시간 등의 비용을 확인합니다. 공간 인원에 적합한 룸과 좌석 구성을 문의합니다. 주차 차량을 이용한다면 주차 가능 여부와 조건을 확인합니다. 추가 조건 특별히 원하는 이용 조건이 있다면 방문 전에 미리 문의합니다. 마무리 계산동 쓰리노를 알아볼 때는 단순히 장소 이름만 확인하기보다 위치, 접근성, 인원, 이용시간, 비용, 공간 구성, 주차 여부를 함께 살펴보는 것이 좋습니다. 특히 계산역 주변은 다양한 상업시설이 모여 있어 식사와 모임을 하나의 일정으로 구성하기 편리합니다. 처음 방문하는 경우라면 원하는 날짜와 시간, 인원수를 먼저 정하고 예산과 이용시간까지 정리한 뒤 문의하는 방법이 가장 간단합니다. 비용 역시 기본 이용료만 확인하기보다는 주류와 추가 이용시간 등 전체적인 구성까지 확인하면 예상 지출을 보다 정확하게 파악할 수 있습니다. 가성비 업장 중심 (추천형)화려한 겉모습에 속기보다는 실제로 다녀온 사람들의 평점이 높고 마진을 낮춘 알짜배기 업장을 고르는 것이 핵심입니다. 리얼 피드백으로 엄선된 [ 검증된 데이터를 기반으로 한 계산동쓰리노 가성비 업장 추천 ] 리스트를 확인해 보시기 바랍니다. 무엇보다 업체마다 운영 방식과 이용 조건이 다를 수 있기 때문에 온라인에서 확인한 정보만으로 판단하기보다는 방문하는 시점의 정확한 조건을 직접 확인하는 것이 좋습니다. 계산동에서 저녁 모임을 계획하고 있다면 계산역 주변의 접근성과 일행들의 이동 방법을 함께 고려하면서 자신에게 맞는 공간을 찾아보면 보다 편리하게 일정을 구성할 수 있습니다.

07. Raspberry Pi 5 + Pico 2 W 프로젝트 구조 설계

velog

지금까지 Raspberry Pi 5와 Pico 2 W를 이용해 다음 내용을 살펴봤다. Raspberry Pi SSH ↓ Pico 2 W MicroPython ↓ GPIO ↓ Serial / UART ↓ Wi-Fi ↓ Network Communication 각 기능을 개별적으로 테스트하는 단계에서는 파일 몇 개만 있어도 충분하다. 하지만 센서, 데이터 저장, 통신, 분석 기능이 추가되기 시작하면 하나의 파일에 모든 코드를 작성하기 어렵다. 예를 들어 프로젝트가 다음과 같이 커질 수 있다. Sensor ↓ Pico 2 W ↓ UART / Wi-Fi ↓ Raspberry Pi 5 ↓ Data Processing ↓ CSV / Database ↓ Visualization ↓ Machine Learning 이 단계부터는 프로젝트 구조를 처음부터 잘 나누는 것 이 중요하다. 이번 글에서는 Raspberry Pi 5와 Pico 2 W를 함께 사용하는 프로젝트를 GitHub에서 관리할 수 있도록 기본적인 프로젝트 구조를 설계한다. 1. Raspberry Pi 5와 Pico 2 W의 역할부터 나누기 폴더를 만들기 전에 두 장치의 역할을 먼저 구분하는 것이 좋다. Pico 2 W Pico 2 W는 마이크로컨트롤러이므로 하드웨어와 가까운 작업을 담당한다. Pico 2 W ├─ GPIO ├─ ADC ├─ PWM ├─ Sensor Reading ├─ Timing ├─ Hardware Control ├─ UART └─ Wi-Fi 즉, Physical Layer 에 가까운 역할을 담당한다. Raspberry Pi 5 Raspberry Pi 5는 Linux 기반 컴퓨터이므로 상대적으로 복잡한 작업을 담당한다. Raspberry Pi 5 ├─ Data Collection ├─ Data Processing ├─ File Storage ├─ Database ├─ Visualization ├─ Networking ├─ Web Server ├─ Signal Processing ├─ Machine Learning └─ System Management 즉, Application / Processing Layer 역할을 맡는다. 2. 전체 시스템 구조 프로젝트 전체를 다음과 같이 생각할 수 있다. ┌─────────────────────────┐ │ Physical World │ │ │ │ Sensor / Electrode │ │ Button / LED / Motor │ └───────────┬─────────────┘ │ ▼ ┌─────────────────────────┐ │ Pico 2 W │ │ │ │ GPIO / ADC / PWM │ │ Sensor Acquisition │ │ Hardware Control │ └───────────┬─────────────┘ │ │ UART / USB / Wi-Fi │ ▼ ┌─────────────────────────┐ │ Raspberry Pi 5 │ │ │ │ Python │ │ Data Processing │ │ Storage │ │ Visualization │ │ Network │ └───────────┬─────────────┘ │ ▼ ┌─────────────────────────┐ │ Mac / GitHub / Server │ └─────────────────────────┘ 이 구조를 그대로 프로젝트 폴더에도 반영하면 관리하기 쉬워진다. 3. Git 저장소는 하나로 관리하기 Raspberry Pi 코드와 Pico 코드를 각각 다른 Repository로 만들어도 되지만 처음에는 하나의 Repository 안에서 분리하는 방식 이 관리하기 편하다. 예를 들어 프로젝트 이름을 BioLoop-Pi 라고 한다면 BioLoop-Pi/ │ ├── pi/ │ └── pico/ 처럼 구성한다. 즉, 하나의 프로젝트 ↓ 하나의 Git Repository ↓ Pi 코드 + Pico 코드 구조이다. 4. 기본 프로젝트 구조 처음 추천하는 구조는 다음과 같다. BioLoop-Pi/ │ ├── README.md ├── .gitignore │ ├── pi/ │ ├── app/ │ │ ├── main.py │ │ ├── serial_reader.py │ │ ├── network_client.py │ │ └── data_logger.py │ │ │ ├── tests/ │ │ │ └── requirements.txt │ ├── pico/ │ ├── main.py │ ├── app.py │ ├── wifi.py │ ├── communication.py │ ├── sensors.py │ │ │ ├── lib/ │ │ │ └── secrets.example.py │ ├── data/ │ ├── raw/ │ └── processed/ │ ├── scripts/ │ ├── docs/ │ └── logs/ 프로젝트가 작을 때는 다소 복잡해 보일 수 있지만 기능이 추가되기 시작하면 이런 구조가 훨씬 관리하기 쉽다. 5. 각각의 폴더 역할 pi/ Raspberry Pi 5에서 실행되는 프로그램을 저장한다. pi/ │ ├── app/ ├── tests/ └── requirements.txt Raspberry Pi에서는 일반 Python을 사용한다. 예: import serial import json import time pico/ Pico 2 W에서 실행되는 MicroPython 코드를 저장한다. pico/ │ ├── main.py ├── app.py ├── wifi.py ├── communication.py ├── sensors.py └── lib/ 이 폴더의 코드는 Pico 내부 Flash로 복사해 실행하게 된다. data/ 센서 데이터를 저장한다. data/ │ ├── raw/ │ └── processed/ raw 는 원본 데이터, data/raw/ processed 는 필터링이나 분석이 끝난 데이터로 구분할 수 있다. data/processed/ docs/ 프로젝트 문서를 저장한다. docs/ │ ├── architecture.md ├── hardware.md ├── protocol.md └── experiments.md 예를 들어 hardware.md → 회로 구성 protocol.md → Pi ↔ Pico 통신 규칙 experiments.md → 실험 기록 처럼 관리할 수 있다. scripts/ 개발 과정에서 반복적으로 사용하는 명령을 자동화한다. 예: scripts/ ├── deploy_pico.sh ├── run_pi.sh └── setup_pi.sh 프로젝트가 어느 정도 커진 뒤 추가해도 된다. logs/ 프로그램 실행 로그를 저장한다. logs/ ├── system.log ├── sensor.log └── error.log 로그 파일은 크기가 계속 증가할 수 있기 때문에 일반적으로 Git에는 포함하지 않는다. 6. Mac을 개발의 기준 Repository로 사용하기 개인 프로젝트라면 Mac에 있는 Git Repository를 주 개발 원본 으로 관리하는 방식이 편하다. 구조는 다음과 같다. Mac │ │ Git ▼ GitHub │ │ git clone / git pull ▼ Raspberry Pi 5 Pico 코드는 같은 Repository의 pico/ 폴더에서 관리한다. Mac │ ├─ pi/ │ └─ pico/ │ │ USB ▼ Pico 2 W 즉 Git Repository 자체를 Pico에 저장하는 것이 아니다. 7. Pico는 Git Repository가 아니다 이 부분이 중요하다. Pico 내부에는 MicroPython Flash 파일 시스템이 있지만 Linux 환경이 아니다. 따라서 Pico 안에서 git status git pull git push 같은 명령을 사용하는 구조가 아니다. Git의 기준 파일은 Mac이나 Raspberry Pi에 저장한다. Git Repository │ ▼ Mac / Raspberry Pi │ │ 필요한 MicroPython 파일 복사 ▼ Pico 2 W 즉 Pico 내부의 파일은 배포된 실행본 이라고 생각하면 이해하기 쉽다. 8. Pico 코드도 항상 Repository에 원본을 보관하기 예를 들어 Pico에서 사용하는 파일이 다음과 같다고 하자. main.py wifi.py sensors.py communication.py 이 파일의 원본은 BioLoop-Pi/pico/ 에 둔다. 그리고 필요한 파일을 Pico 내부로 복사한다. Git Repository pico/ ├── main.py ├── wifi.py ├── sensors.py └── communication.py │ │ Deploy ▼ Pico Flash / ├── main.py ├── wifi.py ├── sensors.py └── communication.py 이렇게 하면 Pico가 고장 나거나 Firmware를 다시 설치해도 코드를 Git에서 복원할 수 있다. 9. Pico의 main.py 는 최대한 단순하게 만들기 처음에는 모든 코드를 main.py 하나에 작성하기 쉽다. 예: import network import socket from machine import Pin, ADC # 수백 줄의 코드... 하지만 프로젝트가 커지면 관리하기 어렵다. 대신 main.py 는 프로그램의 Entry Point 역할만 담당하게 만든다. 예: import app app.main() 그리고 실제 프로그램은 app.py 에서 실행한다. MicroPython의 공식 문서에서도 복잡한 프로그램에서는 main.py 를 간단한 진입점으로 두고 실제 애플리케이션 모듈을 import하여 실행하는 구조를 사용할 수 있다고 설명한다. 10. Pico 애플리케이션 구조 예를 들어 다음과 같이 나눌 수 있다. pico/ │ ├── main.py ├── app.py ├── sensors.py ├── communication.py ├── wifi.py └── lib/ main.py import app app.main() app.py import time from sensors import read_sensor from communication import send_data def main(): while True: value = read_sensor() send_data(value) time.sleep(1) sensors.py from machine import ADC sensor = ADC(26) def read_sensor(): return sensor.read_u16() 이렇게 기능별로 파일을 나누게 된다. 11. MicroPython의 부팅 파일 MicroPython에서는 boot.py main.py 가 특별한 의미를 가진다. 기본적인 실행 순서는 Pico Power ON ↓ boot.py ↓ main.py 이다. MicroPython 문서에서도 boot.py 가 먼저 실행되고 이후 main.py 가 실행되는 부팅 구조를 설명한다. 다만 처음 프로젝트를 만들 때는 반드시 boot.py 를 만들 필요는 없다. 12. boot.py 에 모든 것을 넣지 않기 boot.py 는 초기화 용도로 사용하는 것이 좋다. 예를 들어 Hardware 초기 설정 Network 초기 설정 등을 넣을 수 있다. 하지만 프로그램 전체를 boot.py 안에서 무한 반복시키는 방식은 피하는 것이 좋다. MicroPython 문서 역시 boot.py 는 종료되는 초기화 코드에 적합하며 실제 애플리케이션은 main.py 에서 실행하는 구조를 권장한다. 처음에는 오히려 boot.py 없음 main.py → app.py 실행 정도로 시작해도 충분하다. 13. Raspberry Pi 코드도 기능별로 나누기 Raspberry Pi에서도 모든 코드를 하나의 파일에 넣지 않는다. 예를 들어 pi/app/ │ ├── main.py ├── serial_reader.py ├── network_client.py ├── data_logger.py └── config.py 처럼 구성한다. 14. Raspberry Pi main.py 예: from serial_reader import SerialReader from data_logger import DataLogger def main(): reader = SerialReader() logger = DataLogger() while True: data = reader.read() if data is not None: logger.save(data) if __name__ == "__main__": main() main.py 역시 전체 프로그램의 흐름만 관리하게 만든다. 15. Serial 코드 분리 serial_reader.py import serial class SerialReader: def __init__( self, port="/dev/ttyAMA0", baudrate=115200 ): self.serial = serial.Serial( port, baudrate, timeout=1 ) def read(self): data = self.serial.readline() if not data: return None return ( data .decode("utf-8") .strip() ) 이렇게 하면 Serial 관련 코드를 다른 부분과 분리할 수 있다. 16. 데이터 저장 코드 분리 data_logger.py from datetime import datetime from pathlib import Path class DataLogger: def __init__(self): self.path = Path( "../../data/raw/sensor.csv" ) def save(self, value): timestamp = datetime.now().isoformat() with self.path.open( "a", encoding="utf-8" ) as file: file.write( f"{timestamp},{value}\n" ) 프로젝트가 커지면 Sensor Communication Storage Processing 기능이 서로 섞이지 않게 된다. 17. Raspberry Pi에서는 Python 가상환경 사용하기 Raspberry Pi의 Python 프로젝트에서는 가상환경 을 사용하는 것이 좋다. 가상환경을 사용하면 프로젝트에 필요한 Python 패키지를 시스템 Python과 분리해서 관리할 수 있다. Python 공식 문서에서도 venv 는 프로젝트별로 독립된 Python 패키지 환경을 생성하기 위한 기능이며 일반적으로 .venv 같은 디렉터리를 사용한다고 설명한다. 프로젝트 폴더에서 cd BioLoop-Pi/pi 가상환경을 만든다. python3 -m venv .venv 환경에 따라 venv 패키지가 없다면 먼저 설치한다. sudo apt install python3-venv 18. 가상환경 활성화 source .venv/bin/activate 성공하면 Terminal 앞부분에 (.venv) 가 나타난다. 예: (.venv) minwoo@raspberrypi:~/BioLoop-Pi/pi $ 이 상태에서 설치한 Python 패키지는 해당 프로젝트 환경에 설치된다. 19. 필요한 패키지 설치 예를 들어 UART를 사용한다면 python -m pip install pyserial 추후 데이터 처리에 NumPy를 사용한다면 python -m pip install numpy 처럼 설치한다. 가상환경 안에서 pip 를 사용하면 프로젝트에 필요한 패키지를 시스템 환경과 분리할 수 있다. 20. requirements.txt 프로젝트에 필요한 Python 패키지를 기록한다. 예: pi/requirements.txt 내용: pyserial numpy 다른 Raspberry Pi에서 프로젝트를 실행할 때는 python -m pip install -r requirements.txt 로 필요한 패키지를 설치할 수 있다. 21. .venv 는 GitHub에 올리지 않는다 Python 가상환경은 다른 컴퓨터에서 다시 생성할 수 있기 때문에 Git으로 관리하지 않는다. Python 공식 문서 역시 가상환경은 소스 관리 시스템에 포함하지 않고 필요하면 다시 생성하는 것을 전제로 한다. 따라서 .gitignore 에 .venv/ 를 추가한다. 22. .gitignore 기본 구성 프로젝트 루트에 .gitignore 파일을 만든다. 예: # Python virtual environment .venv/ venv/ # Python cache __pycache__/ *.pyc # macOS .DS_Store # Secrets secrets.py .env # Logs logs/ *.log # Experimental data data/raw/ data/processed/ # IDE .vscode/ .idea/ 필요에 따라 수정하면 된다. 23. 센서 데이터는 Git에 올려야 할까? 일반적으로 대용량 센서 Raw Data는 Git에 계속 올리지 않는 것이 좋다. 예: data/raw/ 에는 실험을 할 때마다 많은 파일이 생길 수 있다. sensor_001.csv sensor_002.csv sensor_003.csv ... 이런 파일을 모두 Git에 넣으면 Repository 크기가 빠르게 증가한다. 따라서 기본적으로 data/raw/ data/processed/ 로 제외할 수 있다. 24. 폴더 자체는 Git에 남기고 싶다면 Git은 빈 디렉터리를 추적하지 않는다. 따라서 data/raw/ 폴더 안에 .gitkeep 같은 빈 파일을 넣는 방법을 사용할 수 있다. 예: data/ ├── raw/ │ └── .gitkeep │ └── processed/ └── .gitkeep .gitignore 설정에 따라 .gitkeep 예외 규칙을 추가하면 된다. 25. Wi-Fi 비밀번호와 API Key는 코드와 분리하기 다음과 같이 직접 작성하면 ssid = "MyWiFi" password = "12345678" GitHub에 코드가 올라갈 때 비밀번호도 함께 올라갈 수 있다. 따라서 Pico에서는 secrets.py 를 별도로 사용한다. 예: SSID = "MyWiFi" PASSWORD = "12345678" 그리고 secrets.py 로 Git에서 제외한다. 26. secrets.example.py 만들기 하지만 secrets.py 를 완전히 제외하면 다른 사람이 어떤 설정값이 필요한지 알기 어렵다. 따라서 secrets.example.py 를 Repository에 넣는다. SSID = "YOUR_WIFI_NAME" PASSWORD = "YOUR_WIFI_PASSWORD" 사용자는 이 파일을 복사해 secrets.py 를 만들면 된다. 27. Raspberry Pi 설정도 같은 방식으로 관리하기 Raspberry Pi에서 사용하는 설정도 코드와 분리하는 것이 좋다. 예: .env PICO_PORT=/dev/ttyAMA0 BAUD_RATE=115200 그리고 .env 로 제외한다. Repository에는 .env.example 을 저장한다. 예: PICO_PORT=/dev/ttyAMA0 BAUD_RATE=115200 28. Pi와 Pico 사이의 통신 규칙 만들기 프로젝트가 커지면 단순히 값을 하나 보내는 것보다 통신 규칙을 정하는 것이 좋다. 예: TEMP:24.8 ADC:32510 STATUS:OK 또는 JSON을 사용할 수도 있다. { "type": "sensor", "temperature": 24.8, "adc": 32510 } 이 규칙을 docs/protocol.md 에 작성한다. 29. protocol.md 예시 # Communication Protocol Baud Rate 115200 Encoding UTF-8 Message Terminator \n 메시지 종류: TEMP:<value> ADC:<value> STATUS:<value> 예: TEMP:24.8 ADC:32510 STATUS:OK 명령: LED:ON LED:OFF START STOP 이렇게 정해두면 Pi와 Pico 프로그램을 각각 수정하더라도 통신 규칙을 쉽게 확인할 수 있다. 30. 프로젝트 구조를 한 단계 더 정리하기 조금 더 체계적으로 만들면 다음처럼 구성할 수 있다. BioLoop-Pi/ │ ├── README.md ├── .gitignore │ ├── pi/ │ │ │ ├── app/ │ │ ├── main.py │ │ ├── serial_reader

정보처리 실기 문제풀이 DAY4

velog

📌 2020년 1회차 1회차 | 처음 문제 풀이 → 점수 : (19/20) 틀린 문제 : 19번 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2020년 2회차 1회차 | 처음 문제 풀이 → 점수 :(16/20) 틀린 문제 :2번, 6번, 11번, 15번 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2020년 3회차 1회차 | 처음 문제 풀이 → 점수 : (12/20) 틀린 문제 :3번, 7번, 8번, 9번, 10번, 15번, 17번, 20번 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2020년 4회차 1회차 | 처음 문제 풀이 → 점수 :(14/20) 틀린 문제 :3번, 9번, 10번, 11번, 16번, 19번 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2021년 1회차 1회차 | 처음 문제 풀이 → 점수 : (10/20) 틀린 문제 : 2, 3, 4, 8, 10, 12, 14, 15, 18, 19번 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2021년 2회차 1회차 | 처음 문제 풀이 → 점수 : (14/20) 틀린 문제 : 6, 10, 11, 12, 13, 17번 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2021년 3회차 1회차 | 처음 문제 풀이 → 점수 : (11/20) 틀린 문제 : 1, 2, 5, 6, 7, 8, 11, 13, 15 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2022년 1회차 1회차 | 처음 문제 풀이 → 점수 : 틀린 문제 : 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2022년 2회차 1회차 | 처음 문제 풀이 → 점수 : 틀린 문제 : 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 : 📌 2022년 3회차 1회차 | 처음 문제 풀이 → 점수 : 틀린 문제 : 2회차 | 문제 재풀이 → 점수 : 틀린 문제 : 3회차 | 문제 재풀이 → 점수 : 틀린 문제 :

Балл: 54.4Уверенность: 49%