전체 글

[코인] 스토리 프로토콜(Stroy) $IP 포세이돈 DePIN 앱 출시, 애드작 방법

Story의 AI 데이터 수집을 위한 DePIN 앱 ‘포세이돈’을 공개했습니다.간단히 음성 녹음을 통해 포인트를 파밍할 수 있으니 한번 확인해 보시죠. 난이도는 너무 쉽고, 먹여줄 가능성도 크진 않지만 적지않게 먹여줄 것 같습니다. 스토리 코인은 현재 7.9달러로 상승세를 보여주고 있습니다.[ 스토리 코인 ($IP) 차트 ] 1. 포세이돈(POSEIDON) 이란? • Story가 인큐베이팅 하는 AI 프로젝트 • 누구나 데이터를 기여하고 보상 받을 수 있는 AI 데이터 파이프라인 • a16z 주도로 1,500만 달러 투자 유치 • 웹 스크래핑으로는 한계가 있는 차세대 AI 학습용 데이터를 분산적·다양·검증된 방식으로 수집·정제 • 수집된 데이터는 저작권 문제 없는 형태로 전처리 후 스토리 블록체..

[코인] upheaval(업히벌) Based app 에어드랍 PUP코인, up포인트 파밍 방법

코인에 대해 처음으로 블로깅하게 되었습니다. 현물 또는 선물로 졸업하는 사람들을 보면서 시작한 코인인데, 불장에도 내가 가진 코인만 오르지 않는 경험이 있었습니다.현물과 선물로도 졸업을 할 수 있지만 저희 같은 개미들은 현재 어려운 장에서 살아 남기 위해선 에어드랍 파밍이 필수 입니다. 코인 상장 전 testnet에서 유동성 제공이나 간단한 퀘스트를 통해 포인트를 얻을 수 있는데, 이 포인트로 코인 파밍을 할 수 있습니다. 최근 알게된 에어드랍은 base app의 pup 코인입니다. 이번에 based app에서 에어드랍 해준 PUP코인이 현시각 기분 36.7M을 도달하면서 아래 사진과 같이 미친 듯한 상승을 보여주고 있습니다.[PUP 코인 차트] based app에 대해서 늦게 알게 되어서 PUP코인 ..

패스트캠퍼스 환급챌린지 36일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 36일차 입니다. 오늘은 part3의 'ch3. GraphRAG' 중 05. Vector 기반 GraphRAG 구현하기위 1개의 강의를 수강하였습니다. 이번 강의에서는 GraphRAG을 실제로 구현하는 실습 시간을 가졌습니다. GraphRAG 구현의 첫걸음은 Neo4j 그래프 DB 연결이었습니다. Aura DB를 사용하여 간단히 연결하고, 이후 텍스트에서 노드와 관계를 추출하기 위한 파이프라인을 구성하였습니다. LangChainTextSplitterAdapter를 활용해 텍스트를 청크로 나누는 과정이 흥미로웠습니다. 일반적인 텍스트 처리에서는 잘 다루지 않던 "문맥에 맞는 청크"라는 개념이, 이후 ..

패스트캠퍼스 환급챌린지 35일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 35일차 입니다. 오늘은 part3의 'ch3. GraphRAG' 중 04. GraphRAG 란위 1개의 강의를 수강하였습니다. 이번 강의는 GraphRAG와 RAG의 차이점에 대해서 비교하는 내용의 수업이었습니다. 기존의 RAG(Retrieval-Augmented Generation)가 정보를 검색하고 이를 바탕으로 생성하는 방식이라면, GraphRAG은 말 그대로 '그래프'를 활용해 정보를 더 정교하게 추론하고 연결하는 방식입니다. 예를 들어, "영화 괴물을 제작한 감독의 다른 영화에는 어떤 것들이 있나요?"라는 질문을 던진다고 가정해봅시다. 일반적인 RAG는 이 질문에 대해 괴물의 감독이 누구..

패스트캠퍼스 환급챌린지 34일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 34일차 입니다. 오늘은 part3의 'ch3. GraphRAG' 중03. Cyper 그래프 쿼리 언어 문법 이해하기위 1개의 강의를 수강하였습니다. 이번 강의에서는 Neo4j의 쿼리 언어인 Cypher를 학습하였습니다. 또한, 실제 영화 추천 데이터셋을 기반으로 쿼리를 작성하는 실습을 하였습니다. Cypher는 SQL처럼 직관적인 문법을 가지고 있지만, 노드(node)와 관계(relationship)를 시각적으로 표현합니다. 예를 들어, MATCH (a)-[r]->(b)와 같이 화살표 방향으로 관계를 명확히 드러낼 수 있어 관계형 데이터베이스보다 연결 중심의 사고에 훨씬 적합하다는 생각이 들었습니..

패스트캠퍼스 환급챌린지 33일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 33일차 입니다. 오늘은 part3의 'ch3. GraphRAG' 중 02. Neo4j GraphDB 사용하기위 1개의 강의를 수강하였습니다. 이번 강의에서는 Neo4j에 대해서 배웠습니다. Neo4j는 그래프 기반 DBMS로, Cypher라는 자체 쿼리 언어를 통해 그래프 데이터를 다룰 수 있는 것이 특징입니다. 처음엔 생소하게 느껴졌던 Cypher도 SQL과 비슷한 구조를 가지고 있어, 익숙해지면 오히려 더 자연스럽게 데이터 간의 관계를 탐색할 수 있을 것이라 생각들었습니다. Neo4j는 크게 AuraDB와 Desktop으로 사용할 수 있다고 배웠습니다. AuraDB는 클라우드 기반으로 완전..

패스트캠퍼스 환급챌린지 32일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 32일차 입니다. 개인 일정이 있어서 이틀이나 쉬다가 포스팅을 하게 되었네요.이로써 매일 듣기라는 저만의 약속이 깨져버렸습니다.. 이제부터라도 다시 매일 강의를 듣는 것을 목표로 해보겠습니다.오늘은 part3의 'ch3. GraphRAG' 중 01. Graph Data 이해하기위 1개의 강의를 수강하였습니다. 이번 강의에서는 '지식 그래프(Knowledge Graph)'에 대해 배웠습니다. 처음에는 단순히 '연결된 데이터의 집합' 정도로 생각했는데, 강의를 듣고 나니 그 이상으로 데이터의 의미와 맥락까지 담아내는 구조라는 것을 알 수 있었습니다. 지식 그래프는 엔터티(Entity), 관계(Rela..

패스트캠퍼스 환급챌린지 31일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 31일차 입니다. 오늘은 part3의 'ch2. 추천 시스템 Agent' 중03. 추천 시스템 Agent (2)위 1개의 강의를 수강하였습니다. 이번 강의에서는 추천 시스템 Agent를 구현하는 실습을 하였습니다. 단순한 유사도 기반 추천에서 벗어나, LLM 기반의 멀티툴 에이전트를 활용해 사용자 대화 흐름을 분석하고 유사 아이템 탐색부터 SQL 검색, 취향 기반 랭킹, 메모리 기반 사용자 정보까지 통합적으로 활용하는 구조는 꽤 인상 깊었습니다. 강의에서 실습한 추천 Agent의 구조는 크게 세 가지 도구로 나눌 수 있습니다. 첫 번째는 유사 아이템 찾기입니다. 단순히 카테고리나 가격으로만 유..

패스트캠퍼스 환급챌린지 30일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 30일차 입니다. 오늘은 part3의 'ch2. 추천시스템 Agent' 중 01. 추천 시스템 이해하기 02. 추천 시스템 Agent(01) 위 2개의 강의를 수강하였습니다. 이번 강의에서는 단순한 추천 알고리즘을 넘어서 사용자 상태(State)를 반영하는 에이전트 기반 추천 시스템을 구축하는 방법까지 다루었습니다. 콘텐츠 기반 추천과 협업 필터링 방식의 이론적 내용을 실제 코드로 구현하면서 추천 시스템이 어떤 방식으로 사용자와 소통하고 학습해나가는지를 구체적으로 체감할 수 있었습니다. 추천 시스템의 핵심은 결국 '사용자가 좋아할 만한 것을 얼마나 잘 찾아내느냐'입니다. 콘텐츠 기반 필터링은 사용..

패스트캠퍼스 환급챌린지 29일차 : 실전 AI Agent의 모든 것 - 34개 프로젝트로 MCP부터 GraphRAG Agent까지 (by. 공원나연) 강의 후기

본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. '50일의 기적 AI 환급반' 도전 29일차 입니다. 오늘은 part3의 'ch1. FastAPI' 중02. LangGraph 프로젝트를 API로 만들기위 1개의 강의를 수강하였습니다. 이번 강의를 통해 LangGraph 프로젝트를 실제로 FastAPI로 감싸 API로 구현해보는 실습을 진행하였습니다. 우선, FastAPI로 웹 API를 만드는 건 전 강의를 통해 비교적 익숙했지만 LangGraph를 비동기적으로 연결해보는 건 처음이라 구조를 이해하는 데 시간이 좀 걸렸습니다. LangGraph의 개념은 메시지를 상태(State)로 관리하고, 노드 단위로 에이전트를 구성해 그래프 형태로 흐름을 제어하는 것입니다. 이 구조 덕분에 LL..