https://www.meetup.com/docker-korea/events/305988538/?eventOrigin=group_upcoming_events
1. 컨테이너 이미지를 만들 때 정말로 Dockerfile이 필요할까요?
- docker init
- 프로젝트 자동 분석 → Dockerfile을 작성해줌
- 약간의 커스터마이징만 하면 됨
- 기본적으로는 호스트 머신의 운영체제와 아키텍쳐를 따라감
—platform과 같은 옵션들을 덧붙여 빌드해주면 됨
- MSA에서는 아직 전부 인식 못 함
- Dockerfile없이 컨테이너 이미지 빌드하기
- Java, .NET에서는 현재 가능
- 자바 →
Maven, Gradle 플러그인 이용하면, 이미지 빌드 가능
- 단점) RUN instruction 사용 불가 → 커스텀 베이스 이미지를 생성해서 사용하면 됨
- 닷넷 →
msbuild : dotnet publish
- 단점) RUN instruction 사용 불가 → 커스텀 베이스 이미지를 생성해서 사용하면 됨
- 컨테이너 오케스트레이션
- docker network
- 네트워크 브릿지 생성 : network create + docker run시 네트워크 지정
- docker compose
- yaml → 정의만 하면,
docker compose up 명령어 한 줄 만으로 오케스트레이션 가능
- dotnet-aspire 오케스트레이션
- docker compose → 결국 하나의 코드 → 관리 이슈 → yaml 파일없이 그냥 오케스트레이션 안되나?
- 관측용이성 + 회복탄력성 + 자동 서비스 디스커버리
- 배포를 위한 절차를 알아서 해줌
- Java, Python, JS 앱 통합 가능
- AppHost라는, 나머지 디렉터리들을 한 곳에서 참조 관리하는 폴더에서 모든 참조 내용들과 도커 옵션들을 소스코드 레벨에서 작성
- 빌드 → 대시보드에서 모든 리소스들을 확인 가능
2. 내 AI에 커스텀 임플란트로 날개를 달아보자!
- 대 AI 시대
- 랭체인 : AI 분야의 보편적으로 사용되는 프레임워크(예 : 리액트, 스프링, 익스프레스..) → RAG + Vector/GraphDB → AI 통합 도구들(예 : cursor, docker, notion…) → ModelContextProtocol
- AI 에이전트
- MCP를 이해하기 위해, AI 에이전트를 알 필요 있음
- Monolithic Model ⇒ Compound AI System
- Monolithic Model
- 대용량으로 한 곳의 모델에 입힘 → 학습 내용으로 도출된 결과가 옳은지 알 방법 X
- Query → 답변 생성(LLM) → 오답
- Compound AI System(RAG 시스템)
- Modular System
- Query → 검색 → HR DB → 답변 생성(LLM) → 정답
- 디비에서 관련 내용을 조회해서 추론하거나 증강시켜 답변 가능
- 밑줄 부분 : “Control Logic(제어 로직)”이라고 함
- 제어 로직 구현 방법
- Program화(코드로 절차 정의)
- AI Agent(LLM에게 제어로직 마저 맡김)
- 쿼리(input) → LLM이 먼저 받음 → 자기가 설정한 계획에 대해 수행(추론) → 실패시 재귀 → 만족시 답변 도출(output)
- 핵심 요소
- Reasoning(추론) 기능 + Act(실행) 기능 + Access Memory 기능
- MCP(Model Context Protocol)
