챕터별 상세
슬롭의 정의와 정보 밀도 공식
슬롭은 단순히 나쁜 글이 아니라 측정 가능한 신호의 결핍을 의미한다. 정보 밀도는 검증 가능한 주장의 수를 전체 토큰 수로 나눈 값으로 정의했다. 예측 가능성이 높고 검증 가능한 주장이 부족한 텍스트일수록 슬롭 점수가 높게 측정된다.
Junie AI를 이용한 크롬 확장 프로그램 초기 개발
JetBrains IDE 내에서 실행되는 AI 에이전트인 Junie AI를 사용하여 크롬 확장 프로그램의 기본 구조를 생성했다. 음성 명령을 텍스트로 변환하는 Whisper Flow를 활용하여 프롬프트를 입력하고 자율 모드로 설정을 진행했다. Manifest V3 기반의 확장 프로그램 구조와 기본 UI가 5분 이내에 완성됐다.
V1의 한계와 로컬 AI 판정 모델 도입
단순한 휴리스틱 알고리즘을 사용한 첫 번째 버전은 복잡한 슬롭을 탐지하는 데 한계가 있었다. 이를 해결하기 위해 로컬에서 실행되는 7B 파라미터 규모의 Qwen 모델을 Ollama를 통해 연동했다. 로컬 LLM을 사용함으로써 사용자의 브라우징 데이터가 외부로 유출되지 않는 프라이버시를 확보했다.
헌법적 프롬프팅과 시스템 설계
AI의 판단 기준을 설정하기 위해 Anthropic의 Constitutional AI 개념을 차용한 시스템 프롬프트를 적용했다. 반증 가능성과 에피스테믹 모데스티(지적 겸손)를 핵심 가치로 설정하여 AI가 텍스트를 평가하도록 설계했다. 이를 통해 AI가 단순한 규칙이 아닌 정립된 가치관에 따라 슬롭 여부를 판단한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 18.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
