Killbook / 정규열 / QL retweeted
We’ve priced our IPO at $83 per share, with trading expected to begin on Nasdaq tomorrow.
anthropic.com/news/anthropic…
Legal disclaimer: A registration statement relating to the Class A common stock was declared effective by the Securities and Exchange Commission on November 18, 2026. The offering is being made only by means of a prospectus. Copies of the final prospectus may be obtained, when available, from: Goldman Sachs & Co. LLC, Attention: Prospectus Department, 200 West Street, New York, NY 10282, by telephone at (866) 471-2526, or by email at [email protected]; or Morgan Stanley & Co. LLC, Attention: Prospectus Department, 180 Varick Street, 2nd Floor, New York, NY 10014, or by email at [email protected]
Killbook / 정규열 / QL retweeted
이미 보신 분들도 많겠지만… 네, 맞습니다..
귀여운 알프를 맡아주신 채림 성우님 본인께서 성우님 사인에 당첨되셨습니다!! 당첨 축하드립니다!! 🎉
공정한 실버 팰리스는 규칙에 예외를 둘 수 없기에…
경품은 그대로 보내드리도록 하겠습니다.
다만 채림 성우님의 사인을 기다리실 탐정님들을 위해 당첨자 1명을 추가로 선정하고자 합니다.
📌 추가 당첨자는 11월 20일 (금)에 발표 예정입니다.
뜻밖의 당첨으로 즐거움을 주신 채림 성우님께 감사드리며,
이벤트에 참여해 주신 모든 탐정님들께도 다시 한번 감사드립니다.
Killbook / 정규열 / QL retweeted
Pre-auth RCE in nginx is the bug every hacker dreams of finding. It almost never happens.
Today we’re disclosing nginx2root: five nginx vulnerabilities, and an exploit that takes an unauthenticated attacker all the way to root.
One of themhits the default config.
If you run nginx, patch now. Then read: nginx2root.com
CVE-2026-123007, CVE-2026-123634, CVE-2026-123633, CVE-2026-121810, CVE-2026-113425
내가 .. 내 사인이 당첨된 건에 대하여
Replying to @SilverPalace_KO
당첨자 명단
당첨되신 여러분 진심으로 축하드립니다! 당첨되신 탐정님들께는 DM을 통해 순차적으로 연락을 드릴 예정이니, DM 수신이 가능하도록 설정해 주세요. 이벤트에 참여해 주신 모든 분께 감사드립니다!
이래서 개발자 인터뷰할 땐 특정 기술이나 개념 콕 찝어서 이거 알아? 할 수 있어? 물어보는게 아니라
제약조건을 주고 어떻게 해결할건지를 물어봐야됨.
저번에 언급했던 것처럼
1명 2명 받기도 버거운 저성능 시스템에서 90분 뒤 200명 (2천명, 2만명일 수도 있지) 동시접속 받으라고 위에서 지시 떨어지면 90분동안 뭐할건지
외부 인터넷 끊고 외부 런타임 받지 않고 시스템에 이미 설치된 순정 상태의 OS(리눅스, 윈도 등)에서 당장 프로그래밍을 시작하라하면 어떻게 접근할건지.
같은거.
그럼 답변 안에 아는 모든걸 담을 수 없다는걸 감안해도 대강 어떤 생각으로 일하는지 알 수 있음.
Killbook / 정규열 / QL retweeted
해외에서는 google ai pro를 구독하면 유튜브 프리미엄이 딸려온다는데 우리나라는 공정거래위원회 핑계로 구글이 유튜브나 colab 혜택을 빼버린거때문에 지금 ai pro 무료 프로모션 끝나면 29000원 내고 구독을 하는게 맞나 싶어서 잼민이한테 한탄을 했더니 요런걸 알려주네요?(광고 아님)
LGU+에서 유독이라는 구독 서비스가 있는데 29000원에 유튜브 프리미엄이랑 AI Pro를 같이 구독할 수 있게 해주는 사실상 꼼수 결합구독제네요
그리고 제일 중요한거!
통신사 구분 없이 아무나 구독할 수 있습니다
지금 youtube premium lite를 따로 구독하고 있었는데 무료 프로모션 끝나면 요거로 갈아타봐야겠습니다.
같은 가격주고 구독하는거면 이쪽이 혜택이 훨씬 좋네요 ㅎㅎ AI Pro 구독 하나만 구독하는거도 19,800원이라 구글에서 구독하는 29,000원보다 9,200원정도 저렴하네요
그래...이런거라도 써먹어야지
Killbook / 정규열 / QL retweeted
서울대 나온 약사로서 솔직히 말씀드립니다.
머리 쓸 때는 당이 좋습니다.
저는 302동 공대생 때도 데자와를 입에 달고 살았습니다.
약시 칠 때는 고미건위 전략으로 떫은 포도주스로 위장 달랬습니다.
약사 되고 최근에 원고 쓸 때는 버터크림라떼로 버텼습니다.
뇌는 당이 좋아. 우나 야하.
Killbook / 정규열 / QL retweeted
変なXYプロッタが作りたいという動機で少しずつ作っていた、リング式XYプロッタが完成しました!
※わりと耳障りな音が出ますので注意。
紹介動画はOpus 5.5に作ってもらったものです。解説版の長い動画、解説記事のリンクはリプに貼る予定です。
🤖 Made with AI
Killbook / 정규열 / QL retweeted
제가 Daum에서 오픈한 API 서비스 중, 가장 자랑스러운 것 중 하나가 '개발자를 위한 우편번호 조회 서비스'였는데요. 이제 12년이 흘러서, 라이브러리 호스팅 도메인을 교체해야 하나 보네요. Daum과 Kakao 도메인 분리 때문인것 같습니다. 오랜 기간 하위호환성을 유지해왔지만, 개발 유지 보수가 안되는 사이트를 위해서, 아예 일반 사용자에게 공지를 해야 하나 봅니다. 이 공지가 보이는 웹 사이트는 11월말까지 수정하시기 바랍니다. 🤣
구. Daum 우편번호 조회 서비스가 제공 되기 전까지는, 개별 웹 사이트 회원 가입 시, 우편 번호 검색 기능은 구현도 유지보수도 만만치 않았습니다. 매번 업데이트 되는 우편 번호, 새로 추가되는 주소, 지번 주소와 도로명 주소 등등... 그동안 개발자들의 수고를 많이 덜어주었을 뿐만 아니라 국민 편익에 상당히 영향을 주었습니다. 앞으로도 중단되지 않고 계속해서 서비스를 제공해 주었으면 하는 바램이네요.
Killbook / 정규열 / QL retweeted
AirPodsでフルトラできる「FBT Pods」を公開しました
GitHubとBOOTHで配布しています。 あくまで試作品なので、このためにAirPodsを買うのはおすすめしません。
最低限必要なのは、USB Bluetoothアダプター+AirPods 2組です。
have fun!
github.com/IROHAuwu/FBTPods
killmeplzzzzzz.booth.pm/item…
Killbook / 정규열 / QL retweeted
🔥 AWS Emulator 출시 - 로컬에서 에이전트로 AWS API를 테스트하세요! 🚀
AWS 계정 연결이나 클라우드 리소스 프로비저닝 없이 내 PC에서 바로 AWS 환경을 테스트할 수 있는 AWS Emulator가 공식 출시되었습니다. Rust 기반으로 제작된 무료 오픈소스 도구는 개발자와 AI 코딩 에이전트의 개발 및 테스트 주기를 획기적으로 단축해 줍니다. 재미있는 것은 이 에뮬레이터를 개발하는 데, 수천개의 자율 AI 에이전트를 활용했다는 점입니다.
💡 주요 특징 및 장점
- 비용 제로 & 빠른 피드백: AWS 클라우드 리소스 사용료가 발생하지 않으며, 모든 리소스가 로컬 메모리에서 실행됩니다. 클라우드 배포를 기다릴 필요 없이 즉각적인 피드백을 받을 수 있습니다.
- 코드 수정 불필요: 환경 변수만 로컬 엔드포인트(포트 9297)로 변경하면, 기존 애플리케이션 코드나 AWS CLI, SDK 명령어를 수정 없이 그대로 사용할 수 있습니다.
- AI 코딩 에이전트 완벽 지원: Kiro, Claude Code 등의 AI 코딩 에이전트를 위한 aws-emulator 스킬을 제공합니다. 에이전트가 로컬에서 스스로 리소스를 생성하고 결과를 확인하며 빠르게 개발을 반복할 수 있습니다.
- 가볍고 빠른 성능: Rust로 구현되어 랩탑의 CPU와 메모리 점유율을 최소화했습니다. Linux(RPM/Debian), macOS 및 Windows(Docker), Rust 환경(임베디드 모드)을 모두 지원합니다.
- 높은 API 일치율(Fidelity): 실제 AWS SDK가 사용하는 것과 동일한 AWS API 모델을 기반으로 구축되어, 요청의 형태와 반환되는 에러 응답이 실제 AWS 서비스와 정확히 일치합니다.
🛠 활용 방법
여러분 PC에 에뮬레이터를 설치 및 실행한 후, AWS CLI나 SDK가 로컬 엔드포인트를 바라보도록 설정하기만 하면 즉시 로컬에서 테스트를 시작할 수 있습니다. 에뮬레이터를 종료하면 테스트 중 생성된 리소스는 메모리에서 깔끔하게 삭제됩니다.
더 빠르고 효율적인 클라우드 애플리케이션 개발 워크플로우를 위해 지금 바로 도입해 보세요! 👇
🔗 지금 시작하기: docs.aws.amazon.com/emulator…
🔗 소스 코드: github.com/aws/aws-emulator
🔗 평가 테스트: github.com/aws/aws-emulator-…
🔗 어떻게 만들었나? aboutamazon.com/news/aws/how…
#AWS #AWSEmulator #CloudComputing #DevOps #Rust #AICoding #개발자 #클라우드개발 #오픈소스 #테스트자동화
Killbook / 정규열 / QL retweeted
RAG vs. Graph RAG vs. Agentic RAG, clearly explained!
Standard RAG embeds documents into vectors and retrieves the most similar chunks via similarity search. For direct factual lookups, this works well.
But it breaks down when a query needs to connect facts spread across multiple documents. Similarity search retrieves individual chunks, not the relationships between them.
Graph RAG adds a knowledge graph layer on top.
→ During indexing, an LLM extracts entities and relationships from the documents.
→ During retrieval, the system traverses these connections instead of relying on embedding similarity alone.
This is what enables multi-hop queries.
Say a vector DB stores three facts about internal services:
↳ "The checkout service uses payments API."
↳ "The payments API runs on cluster-3."
↳ "Cluster-3 is scheduled for maintenance on Friday."
Someone asks: "Will the checkout service be affected by Friday's maintenance?"
Vector search can likely retrieve facts 1 and 3 because the query mentions "checkout service" and "Friday maintenance."
But it will miss fact 2, which connects the payments API to cluster-3.
That middle fact sits too far from the query in embedding space. It mentions neither "checkout" nor "maintenance," so it never makes it into the retrieved context.
A knowledge graph connects these as linked entities, and graph traversal finds the full path in one query.
Agentic RAG takes a different approach entirely.
Instead of a fixed retrieval pipeline, an LLM agent decides at query time which tools to invoke, which sources to query, and in what order.
Check the visual below to understand the three architectures thoroughly.
One thing to note here is that these three aren't levels of sophistication that you need to graduate through.
Instead, they solve different query types.
↳ Single-hop factual lookups → standard RAG
↳ Multi-hop relationship queries → Graph RAG
↳ Dynamic multi-source tasks with tool use → Agentic RAG
Once the right architecture is in place, the next leverage point is efficiency.
Most RAG architectures rely heavily on vector search, and that layer can be made 32x more memory-efficient using binary quantization.
I covered the full implementation in the article below.
👉 Over to you: Which RAG architecture are you running in production?
Killbook / 정규열 / QL retweeted
나라별로 받아들이는 느낌이 다른 "옥상으로 따라와" 🇯🇵🇰🇷🇨🇳
🇯🇵 네, 선배…
🇰🇷 좋아! 한판 뜰까?
🇨🇳 잠깐! 아직 세상은 살 만해!
































