Layered Architecture on Haxlys's Bloghttps://hugo-blog-static-site.haxlys.workers.dev/mental_models/layered-architecture/Recent content in Layered Architecture on Haxlys's BlogHugo -- 0.152.2kr-koSat, 11 Apr 2026 18:09:55 +0900에이전트 하네스의 해부학 — Anthropic, OpenAI, LangChain이 실제로 구축하는 것https://hugo-blog-static-site.haxlys.workers.dev/posts/anatomy-of-an-agent-harness/Sat, 11 Apr 2026 18:09:55 +0900https://hugo-blog-static-site.haxlys.workers.dev/posts/anatomy-of-an-agent-harness/Anthropic, OpenAI, LangChain 등이 구축하는 에이전트 하네스의 12가지 구성요소와 7가지 핵심 설계 결정을 분석한다. 동일 모델이라도 하네스 설계에 따라 성능이 20+ 랭킹 차이를 보인다.에이전틱 소프트웨어 엔지니어링 — 에이전트 구축은 쉽지만 프로덕션 운영은 분산 시스템 문제다https://hugo-blog-static-site.haxlys.workers.dev/posts/agentic-software-engineering/Sat, 11 Apr 2026 18:07:04 +0900https://hugo-blog-static-site.haxlys.workers.dev/posts/agentic-software-engineering/Ashpreet Bedi가 제시하는 에이전틱 소프트웨어 엔지니어링의 6가지 기둥(내구성·격리·거버넌스·지속성·규모·조합가능성)과 Build-Serve-Connect 3단계 프레임워크. 에이전트를 프로덕션 분산 시스템으로 다루는 체계적 접근법.LLM 에이전트를 위한 강화학습 환경 분류법 — 모델이 아닌 환경이 에이전트의 행동을 결정한다https://hugo-blog-static-site.haxlys.workers.dev/posts/rl-environments-for-llm-agents/Sat, 11 Apr 2026 18:00:44 +0900https://hugo-blog-static-site.haxlys.workers.dev/posts/rl-environments-for-llm-agents/모델 아키텍처가 아닌 RL 환경 설계가 에이전트 성능의 절반을 결정한다는 주장과 함께, 작업(T)·하네스(H)·검증기(V)·상태(S)·설정(C) 5요소 프레임워크를 상세히 분석한다.코딩 에이전트의 핵심 구성요소 — 모델이 아닌 하네스가 성능을 결정한다https://hugo-blog-static-site.haxlys.workers.dev/posts/components-of-a-coding-agent/Sat, 11 Apr 2026 17:59:06 +0900https://hugo-blog-static-site.haxlys.workers.dev/posts/components-of-a-coding-agent/Sebastian Raschka가 분석한 코딩 에이전트의 6가지 핵심 구성요소. 모델 자체보다 하네스 아키텍처(컨텍스트 관리, 도구 접근, 메모리, 서브에이전트 등)가 최종 성능을 결정한다는 주장.AI 에이전트의 지속적 학습: 모델·하네스·컨텍스트 3계층 학습 프레임워크https://hugo-blog-static-site.haxlys.workers.dev/posts/continual-learning-for-ai-agents/Sat, 11 Apr 2026 17:48:21 +0900https://hugo-blog-static-site.haxlys.workers.dev/posts/continual-learning-for-ai-agents/AI 에이전트의 학습은 모델 가중치 업데이트만이 아니라 모델·하네스·컨텍스트 3계층에서 각각 독립적으로 발생할 수 있다는 LangChain의 지속적 학습 프레임워크를 한다.