카테고리
블로그
-

[로컬 LLM] 맥북에 로컬 LLM 설치하기
LM Studio와 Open WebUI를 기반으로 맥북에서 로컬 LLM 환경을 구축한 실전 기록입니다. 모델 선택 기준, Docker·MCP·RAG 구성, 메모리 자동 관리, AnythingLLM에서 갈아탄 이유까지 실제 사용 경험 중심으로 정리했습니다.
-
[Codex] (2) 일을 잘 시키는 법: 프롬프트부터 커스터마이징까지
코덱스 프롬프트의 네 가지 구성 요소(목표, 맥락, 제약, 완료 조건)와 좋은/나쁜 예시를 비교합니다. 스레드 네 종류(로컬, 클라우드, 워크트리, 채팅)와 컨텍스트 윈도우·자동 요약(Compaction) 관리법을 다룹니다. 커스터마이징 8개 레이어를 도입 순서대로 정리했습니다. AGENTS.md로 프로젝트 규칙을 고정하고, config.toml로 모델·승인·샌드박스를 설정하고, Rules로 명령 허용·차단을 정하고, 스킬로 반복 작업을 패키지화하고, 플러그인으로 배포하고, MCP로 외부 도구를 연결하고, 훅스로 에이전트 루프에 스크립트를…
-
[Codex] (1) 코덱스란 무엇인가: 정의, 사용 환경, 작동 원리
오픈AI 코덱스는 의도를 설명하면 파일을 읽고 명령을 실행하고 코드를 수정하는 코딩 에이전트입니다. 앱, IDE 익스텐션, CLI, 웹(클라우드) 네 가지 환경에서 사용할 수 있습니다. 에이전트 루프·스레드·샌드박싱 세 가지 개념으로 작동하며, gpt-5.5부터 gpt-5.3-codex-spark까지 모델을 선택할 수 있습니다. 챗GPT 플랜별 가격 정책과 크레딧 시스템을 다루고, 되돌릴 수 없는 데이터 변환·API 키 노출·불안정 테스트 환경·전체 리팩토링·풀 액세스 자동화 등…
-
[JSON] (6) JSON 스키마를 운영에 적용하기: 호스팅·번들링·재사용
JSON 스키마를 실제 운영 환경에서 어떻게 관리하는지 설명합니다. `$id` 기반 URL 설계, HTTP 호스팅, 버전 관리, 불변성 전략, `$ref` 재사용, 번들링 구조까지 실무 흐름으로 정리합니다.

배운 것들을 차곡차곡 나눠드릴게요
프로덕트 및 경영
제품과 조직을 설계하고 운영하는 데 필요한 개념과 프레임워크를 다룹니다.
-
![[데이터 통합 전략] (4) ‘조직화’: 거버넌스와 프로세스로 굳히기](https://mustache-pm.blog/wp-content/uploads/2026/05/unifying-4.webp)
[데이터 통합 전략] (4) ‘조직화’: 거버넌스와 프로세스로 굳히기
회의에서 합의한 정의가 다음 프로젝트에서는 다시 무너지는 이유는 무엇일까요? 이 글에서는 데이터 통합 전략의 ‘조직화’ 단계를 중심으로, 네트워크 사고·CLEAN 데이터 거버넌스·프로세스 맵·성공 스펙트럼 같은 도구를 통해 합의를 문서가 아닌 조직 운영 절차 안에 정착시키는 방법을 설명합니다.
-
![[데이터 통합 전략] (3) ‘설계’: 데이터를 내부 제품으로 다루기](https://mustache-pm.blog/wp-content/uploads/2026/05/unifying-3.1.webp)
[데이터 통합 전략] (3) ‘설계’: 데이터를 내부 제품으로 다루기
데이터를 제품처럼 설계하지 않으면, 사용자는 매번 정의와 맥락을 찾아다니며 같은 해석 작업을 반복하게 됩니다. 이 글에서는 데이터 프로덕트와 JSON 스키마를 통해 데이터·구조·의미·맥락을 하나로 묶는 설계 방법을 설명합니다.
-
![[데이터 통합 전략] (2) ‘정렬’: 팀이 같은 단어로 다른 얘기를 하는 것을 막기](https://mustache-pm.blog/wp-content/uploads/2026/05/unifying-2.webp)
[데이터 통합 전략] (2) ‘정렬’: 팀이 같은 단어로 다른 얘기를 하는 것을 막기
회의에서는 모두 같은 말을 하는 것처럼 보이지만, 한 달 뒤 결과물이 전혀 다르게 나오는 이유는 무엇일까요? 이 글에서는 데이터 통합 전략의 ‘정렬(Align)’ 단계를 중심으로, 개념 우선 설계·개념 나침반·신념 점수·반사실적 시나리오 같은 도구를 통해 조직 안의 모호성과 가정을 어떻게 드러내고 합의 가능한 정의로 바꿀 수 있는지를 설명합니다.
디자인
사용자 경험과 인터페이스를 구성하는 원리와 구조를 다룹니다.
-
![[고객 인터뷰] (6) 노트 테이킹, 인터뷰 스냅샷, 인사이트 구조화](https://mustache-pm.blog/wp-content/uploads/2024/12/Frame-21248.png)
[고객 인터뷰] (6) 노트 테이킹, 인터뷰 스냅샷, 인사이트 구조화
좋은 인터뷰도 기록하지 못하면 의미가 없어요. 구체적 인용문, 사실, 감정, 모순을 명확하게 기록하고 인터뷰 스냅샷으로 보존한 뒤, 인사이트를 체계적으로 구조화하는 실무 방법과 실행 가능한 체크리스트를 지금 알아보세요.
-
![[고객 인터뷰] (5) 인터뷰 대상 찾기와 인터뷰 요청 메일 작성법](https://mustache-pm.blog/wp-content/uploads/2024/12/Frame-21247.png)
[고객 인터뷰] (5) 인터뷰 대상 찾기와 인터뷰 요청 메일 작성법
좋은 질문도 잘못된 사람에게 던지면 의미가 없어요. 내부 채널과 외부 채널에서 인터뷰 대상을 체계적으로 찾고, 응답률을 높이는 개인화된 아웃리치 메시지를 작성하는 실전 가이드를 확인해 보세요.
-
![[고객 인터뷰] (4) 3단계 질문 프레임워크와 질문 라이브러리](https://mustache-pm.blog/wp-content/uploads/2024/12/Frame-21246.png)
[고객 인터뷰] (4) 3단계 질문 프레임워크와 질문 라이브러리
어떤 주제든 깊이 있게 파고들 수 있는 3단계 질문 프레임워크가 있어요. 맥락 잡기, 타임라인 추적, 빈틈 채우기로 고객의 깊이 있는 이야기를 이끌어내는 방법을 배워요.
기술
소프트웨어를 구축하고 운영하기 위한 기술적 개념과 방법을 다룹니다.
-
![[로컬 LLM] 맥북에 로컬 LLM 설치하기](https://mustache-pm.blog/wp-content/uploads/2026/05/local-llm.webp)
[로컬 LLM] 맥북에 로컬 LLM 설치하기
LM Studio와 Open WebUI를 기반으로 맥북에서 로컬 LLM 환경을 구축한 실전 기록입니다. 모델 선택 기준, Docker·MCP·RAG 구성, 메모리 자동 관리, AnythingLLM에서 갈아탄 이유까지 실제 사용 경험 중심으로 정리했습니다.
-
![[Codex] (2) 일을 잘 시키는 법: 프롬프트부터 커스터마이징까지](https://mustache-pm.blog/wp-content/uploads/2026/05/codex-2.webp)
[Codex] (2) 일을 잘 시키는 법: 프롬프트부터 커스터마이징까지
코덱스 프롬프트의 네 가지 구성 요소(목표, 맥락, 제약, 완료 조건)와 좋은/나쁜 예시를 비교합니다. 스레드 네 종류(로컬, 클라우드, 워크트리, 채팅)와 컨텍스트 윈도우·자동 요약(Compaction) 관리법을 다룹니다. 커스터마이징 8개 레이어를 도입 순서대로 정리했습니다. AGENTS.md로 프로젝트 규칙을 고정하고, config.toml로 모델·승인·샌드박스를 설정하고, Rules로 명령 허용·차단을 정하고, 스킬로 반복 작업을 패키지화하고, 플러그인으로 배포하고, MCP로 외부 도구를 연결하고, 훅스로 에이전트 루프에 스크립트를…
-
![[Codex] (1) 코덱스란 무엇인가: 정의, 사용 환경, 작동 원리](https://mustache-pm.blog/wp-content/uploads/2026/05/codex-1.webp)
[Codex] (1) 코덱스란 무엇인가: 정의, 사용 환경, 작동 원리
오픈AI 코덱스는 의도를 설명하면 파일을 읽고 명령을 실행하고 코드를 수정하는 코딩 에이전트입니다. 앱, IDE 익스텐션, CLI, 웹(클라우드) 네 가지 환경에서 사용할 수 있습니다. 에이전트 루프·스레드·샌드박싱 세 가지 개념으로 작동하며, gpt-5.5부터 gpt-5.3-codex-spark까지 모델을 선택할 수 있습니다. 챗GPT 플랜별 가격 정책과 크레딧 시스템을 다루고, 되돌릴 수 없는 데이터 변환·API 키 노출·불안정 테스트 환경·전체 리팩토링·풀 액세스 자동화 등…

배운 것들을 차곡차곡 나눠드릴게요
조직문화
탁월한 성과를 만들기 위해 필요한 조직적 요소들을 다룹니다.
-
![[데이터 통합 전략] (4) ‘조직화’: 거버넌스와 프로세스로 굳히기](https://mustache-pm.blog/wp-content/uploads/2026/05/unifying-4.webp)
[데이터 통합 전략] (4) ‘조직화’: 거버넌스와 프로세스로 굳히기
회의에서 합의한 정의가 다음 프로젝트에서는 다시 무너지는 이유는 무엇일까요? 이 글에서는 데이터 통합 전략의 ‘조직화’ 단계를 중심으로, 네트워크 사고·CLEAN 데이터 거버넌스·프로세스 맵·성공 스펙트럼 같은 도구를 통해 합의를 문서가 아닌 조직 운영 절차 안에 정착시키는 방법을 설명합니다.
-
![[AI 유창성] AI 유창성과 4D 프레임워크](https://mustache-pm.blog/wp-content/uploads/2026/03/ai-fluency-1.png)
[AI 유창성] AI 유창성과 4D 프레임워크
AI 유창성은 단순히 프롬프트를 잘 쓰는 것이 아니에요. 언제 AI를 쓸지 결정하고, 어떻게 지시하며, 결과를 검증하는 종합적 역량이죠. 위임, 묘사, 분별, 성실의 4D 프레임워크로 체계적으로 AI를 활용하는 역량을 기르세요.
-
![[AI 시대의 패악] ‘극단적 말타기’: 생각하지 않음이 업무가 되는 세상](https://mustache-pm.blog/wp-content/uploads/2025/06/xgh-1.png)
[AI 시대의 패악] ‘극단적 말타기’: 생각하지 않음이 업무가 되는 세상
무비판적으로 AI를 활용해 프로덕트를 관리하는 것은 극단적으로 말을 타는 것과 비슷해요. 실행과 작동에만 치중하게 되면 기술 부채는 지속적으로 쌓이고, 조직적인 균열이 발생하기 시작해요. 이는 어떻게 구체적으로 발생하는지에 대해 다룹니다.
생각
특정 주제에 국한되지 않은 아이디어와 관점을 정리합니다.
-

과연 생성형 AI가 AI의 ‘핵심’이 될 것인가?
현재 생성형 AI의 근간이 되는 거대 언어 모델(LLM)은 확률적 연산에 기반하고 있기 때문에 실제 세계를 인식하기에는 비효율적이에요. 그렇게 등장한 세계 모델(World Model)의 개념을 이해해 보세요.
-
![[AI 시대의 일] AI로 인해 정말로 효율적으로 일하는가](https://mustache-pm.blog/wp-content/uploads/2025/06/ai-prod.png)
[AI 시대의 일] AI로 인해 정말로 효율적으로 일하는가
AI는 생산성을 몇 배로 높여준다고는 하는데, 오히려 무작정 더 많이 일하고 있는 건 아닐까요? AI 시대의 역설적 현실과 수단이 목적이 되는 현상을 함께 살펴보고, 진정한 목적이 무엇인지 다시 생각해 봐요.
-
![[AI 시대의 패악] ‘극단적 말타기’: 생각하지 않음이 업무가 되는 세상](https://mustache-pm.blog/wp-content/uploads/2025/06/xgh-1.png)
[AI 시대의 패악] ‘극단적 말타기’: 생각하지 않음이 업무가 되는 세상
무비판적으로 AI를 활용해 프로덕트를 관리하는 것은 극단적으로 말을 타는 것과 비슷해요. 실행과 작동에만 치중하게 되면 기술 부채는 지속적으로 쌓이고, 조직적인 균열이 발생하기 시작해요. 이는 어떻게 구체적으로 발생하는지에 대해 다룹니다.
