🤖 Claude Code란? Claude Code는 Anthropic이 공식으로 제공하는 CLI(Command Line Interface) 기반의 AI 코딩 어시스턴트다. 터미널에서 직접 실행하여 코드베이스를 이해하고, 파일을 편집하고, 명령어를 실행하며, 복잡한 소프트웨어 엔지니어링 작업을 자연어로 수행할 수 있다. 기존의 채팅 기반 AI 도우미와 달리, Claude Code는 로컬 환경에서 직접 동작하며 파일 시스템, Git, 쉘 명령어 등에 접근할 수 있어 실질적인 개발 작업을 수행할 수 있다는 점이 가장 큰 차별점이다. ⚡ 주요 특징 1. 터미널 네이티브 IDE 플러그인이 아닌 터미널에서 직접 실행되므로, 어떤 개발 환경에서든 사용할 수 있다. VS Code, JetBrains, Vim 등 에디터에 종속되지 않는다. 2. 코드베이스 전체 이해 프로젝트의 파일 구조를 탐색하고, 코드를 읽고, 의존성 관계를 파악한다. 단순히 열려 있는 파일만 보는 것이 아니라 프로젝트 전체 컨

Kubernetes + Jenkins + ArgoCD로 검색엔진을 포함한 블로그 CI/CD 파이프라인 구축기 지금 이 글을 보고 있는 이 블로그는 온프레미스 Kubernetes 클러스터 위에서 돌아가고 있다. 사실 블로그 하나 띄우는 데 Kubernetes까지 필요하냐고 물으면, 솔직히 필요 없다. Vercel에 올리면 5분이면 끝난다. 근데 나는 이 블로그를 인프라 놀이터로 쓰고 싶었다. 코드를 push하면 이미지 빌드부터 배포, 검색 색인 갱신까지 자동으로 돌아가는 파이프라인을 직접 만들어보고 싶었고, 실제로 만들었다. 이 글에서는 이 파이프라인이 어떤 아키텍처로 구성되어 있고, 각 설계 결정에 어떤 이유가 있었는지를 실제 매니페스트와 함께 다뤄보려 한다. 전체 아키텍처 먼저 전체 그림을 보자. 핵심은 두 개의 Git 저장소가 역할을 분리한다는 것이다: - blog-new: 애플리케이션 소스코드. Next.js 앱, 마크다운 콘텐츠, Jenkinsfile, ES 색인 스크립트가

엘라스틱서치 데이터 핸들링

카프카 설치하기 🔍 카프카 스터디 시리즈 - Chap1. 카프카 시작하기 - Chap2. 카프카 설정하기 ⭐️ 이번 2장의 제목은 '카프카 설치하기' 이지만, 설치 방법에 대해서는 따로 다룰 가치를 느끼지 못하겠으므로 카프카 컨트롤러 노드, 메타데이터 관리, 브로커 및 컨슈머 설정 등에 대해 다루도록 하겠습니다. Zookeeper vs KRaft 앞서 에서는 Kafka가 Zookeeper 방식과 KRaft 방식으로 동작한다고 KIP-500에 대한 이야기를 포함하여 설명하였습니다. 이번 절에서는 Zookeeper, KRaft가 필요한 이유와 왜 카프카 커뮤니티가 KRaft라는 대안을 선택하게 되었는지에 대해 간략하게 알아보고자 합니다. Kafka 메타데이터 관리의 중요성 Kafka는 단순한 메시지 큐가 아닙니다. Kafka의 본질은 분산 로그 시스템이고, 분산 시스템에서 사장 어려운 문제는 데이터가 아니라 상태(state)입니다. Kafka에서 말하는 메타데이터는 source o

카프카 시작하기 🔍 카프카 스터디 시리즈 - Chap1. 카프카 시작하기 - Chap2. 카프카 설정하기 개요 카프카에 대해 제대로 공부해보고자 스터디를 시작했습니다. 이번 포스팅 시리즈에서는 서적 "카프카 핵심 가이드" 를 완독하고 카프카의 구조 및 생태계에 대한 전반적인 학습 및 각 기능의 POC를 실제로 수행하는 것을 목표로 합니다. 책의 서문에서, 유명한 과학자인 닐 디그래스 타이슨의 말을 인용합니다. "과학자들이 서로 동의하지 않는 상황이 벌어진다면, 그것은 데이터가 불충분하기 때문이다. 그리고 어떠한 데이터를 얻을 것인지를 합의하고 데이터를 얻을 수 있다면 문제는 해결된다. 내가 올든 상대방이 옳든, 아니면 둘 다 틀리든 말이다. 그제서야 우리는 그 다음으로 진행해 갈 수 있다." - 닐 디그래스 타이슨 모든 기업은 데이터로 움직이며, 우리는 이런 데이터를 얻고, 분석하고, 가공하여 단순한 데이터 이상의 것을 결과물로 산출해야만 합니다. 데이터의 모든 부분은 의미가 있

Spring Batch 성능 개선기 - N+1 문제 1. 서론 본 문서에서 다루는 배치 애플리케이션(추천 전처리 시스템)은 단순한 통계 집계가 아닌, 실제 서비스에서 사용자의 시청 이력에 기반한 개인화 푸시 알림을 빠르게 발송하기 위한 전처리 역할을 합니다. 서비스 입장에서는 수십만 명의 사용자에게 5분 이내로 추천 알림을 보내야 하고, 알림을 받은 사용자가 앱을 열었을 때 곧바로 추천 콘텐츠를 확인할 수 있어야 합니다. 하지만 알림 발송 시점마다 추천 로직을 실시간으로 실행한다면 문제가 생깁니다. 데이터베이스 I/O와 연산 비용으로 대규모 트래픽을 감당하기 어렵고, 지연도 불가피해집니다. 운영 환경에서는 마케터나 관리자들이 캠페인을 구성한 후, 특정 시간 예약 발송이나 즉시 발송을 유동적으로 선택합니다. 발송 요청 시점에야 "어느 사용자의 추천 데이터가 필요한지"가 드러나므로, 사전 계산 전략만으로는 부족합니다. 따라서 예약/즉시 여부와 무관하게 언제든 빠른 알림을 위해, 매일 자