[Tech] 2026-03-15 기술 동향: LLM

게시 2026/03/15

By Gyu Hwan 6 분읽는 시간

🕑 Quick Glance

분류	주요 내용	중요도
New	Amazon Rufus 38% 채택률 달성 — AI 쇼핑 에이전트의 실질적 영향 시작	⭐⭐⭐
Tip	자연언어 프롬프트를 코드처럼 사용하는 에이전트 아키텍처 설계	⭐⭐⭐
Security	LLM 애플리케이션 대상 악성 봇 공격 탐지 및 차단 기법	⭐⭐
Trend	Answer Engine Optimization(AEO) — SEO에서 AI 추천 최적화로 전환	⭐⭐

핵심: 전통적인 Python 조건문 대신 Markdown 프롬프트 파일 13개로 에이전트의 행동을 정의하는 방식이 등장했다. 9B 로컬 모델(qwen3.5:9b)만으로도 소셜 네트워크 자동 포스팅, 댓글, 답글 기능을 구현 가능하다.

공통 의견: 코드는 “무엇을 결정할 것인가”의 프레임워크만 제공하고, 프롬프트가 “어떻게 결정할 것인가”를 담당한다. 이는 새로운 주제나 상황에 대응할 때 코드 수정 없이 프롬프트만 업데이트하면 되므로 유지보수성이 크게 향상된다.

실무 적용:

에이전트 행동 규칙을 config/prompts/ 디렉토리의 Markdown 파일로 관리 (relevance.md, comment.md, reply.md 등)
의도적인 모호성을 프롬프트에 남겨두어 LLM이 문맥에 따라 판단하도록 설계
4가지 핵심 원칙(axioms)을 contemplative-axioms.md에 정의하여 에이전트의 철학적 기반 구축

핵심: Amazon Rufus가 블랙프라이데이 2025에서 38% 채택률을 기록했으며, Rufus 사용자는 구매 완료율이 60% 높다. 이는 AI 에이전트가 더 이상 실험 단계가 아닌 매출 창출 도구임을 의미한다.

공통 의견: 전통 SEO의 “파란 링크 최적화”에서 “AI 추천 최적화”로 패러다임이 전환되고 있다. Rufus는 링크를 반환하지 않고 제품 추천을 반환하므로, 제품 데이터의 구조화와 의미론적 풍부함이 가시성을 결정한다.

실무 적용:

핵심: 단일 악성 봇이 초당 100,000개 이상의 요청을 생성할 수 있으며, 기존 IP 기반 레이트 리미터는 분산 공격에 무력하다. LLM 응답 파밍, 민감 데이터 스크래핑, 자격증명 스터핑이 주요 공격 벡터다.

공통 의견: Flask-Limiter 같은 단순 레이트 리미터만으로는 부족하며, 포괄적인 AI 보안 플랫폼과 LLM 방화벽이 필요하다. 에이전트 보안이 특히 취약한 영역으로 지적된다.

실무 적용:

자연언어 에이전트 아키텍처 학습 — site:github.com autonomous agent prompt markdown 검색하여 오픈소스 에이전트 구현 사례 분석 및 로컬 9B 모델(Ollama에서 qwen3.5:9b 다운로드) 설치 후 간단한 프롬프트 기반 에이전트 프로토타입 작성
제품 데이터 구조화 감사 — 현재 운영 중인 전자상거래 플랫폼의 상위 10개 제품 설명을 “누가, 무엇을, 언제, 어디서, 왜” 프레임워크로 재작성하고, 리뷰 요약 프롬프트 작성 후 LLM으로 테스트 (site:github.com product description optimization LLM)
LLM 애플리케이션 보안 테스트 — Flask 앱에 Flask-Limiter 설정 후, ab -n 10000 -c 100 http://localhost:5000/predict 명령으로 분산 공격 시뮬레이션 실행 및 로그 분석 (Apache Bench 설치 필수)