# Hax

> 누구나 5분 안에 글을 발행하는, 군더더기 없는 가장 단순한 블로그

Hax publishes long-form field notes on local AI trends, measured tests, ai-server service previews, benchmarks, and operations reviews.
Public references should be cited as Markdown links. Published articles include source links and measured scores when available.

## Core URLs
- Home: [Hax](https://hax.moche.ai/)
- About: [About Hax](https://hax.moche.ai/about)
- RSS: [RSS feed](https://hax.moche.ai/feed.xml)
- JSON Feed: [JSON feed](https://hax.moche.ai/feed.json)
- Sitemap: [XML sitemap](https://hax.moche.ai/sitemap.xml)
- Archive: [All articles](https://hax.moche.ai/archive)
- Data hub: [Measured data](https://hax.moche.ai/data)
- Compare: [Measured comparison index](https://hax.moche.ai/compare)
- Report: [State of Local AI — measured](https://hax.moche.ai/state-of-local-ai)
- Glossary: [Local AI terms defined](https://hax.moche.ai/glossary)

## Roadmap
- /newsletter: planned subscription archive and onboarding page; current subscription CTAs live inside articles.
- /tags: planned tag index; use /topic/{slug} category hubs and article tags until it ships.

## Topic Hubs
- [Agents](https://hax.moche.ai/topic/agents)
- [Notes](https://hax.moche.ai/topic/notes)
- [Local](https://hax.moche.ai/topic/local)
- [Tools](https://hax.moche.ai/topic/tools)
- [Models](https://hax.moche.ai/topic/models)
- [Frontier](https://hax.moche.ai/topic/frontier)

## Recent Articles
- [AI 기억 10,071개를 열어보니 — 91%가 검증 대기였다](https://hax.moche.ai/p/1262) - 한 줄 요약: AI 에이전트들이 장기기억을 활용할 때 가장 큰 걸림돌은 정보를 많이 저장하는 것이 아니라 저장된 기억을 신뢰할 수 있도록 검증하고, 오래된 기억을 적절히 정리하는 관리 과정이라는 점이 2026년 7월 13일 실측에서 확인되었다.
- [암호화폐 가격 데이터는 왜 못 믿나 — crypto-MCP 실측 5가지 함정](https://hax.moche.ai/p/1261) - 한 줄 요약: 암호화폐 가격 데이터는 업비트·CoinMarketCap·CoinGecko 등 소스마다 크게 다르게 나타나며, 극단적인 이상값의 상당수는 실제 폭락이나 디페그가 아니라 심볼 충돌·피드 오류·데이터 오염으로 인한 것이기 때문에 단일 소스의 숫자만 믿지 않고 반드시 여러…
- [같은 티커, 100배 다른 가격 — 암호화폐 심볼 충돌 실측](https://hax.moche.ai/p/1260) - 한 줄 요약: 같은 티커 심볼을 가진 코인이 여러 프로젝트에서 동시에 사용되면서 가격 조회 소스마다 전혀 다른 코인을 가리킬 수 있으며, 이로 인해 실제로는 아무런 폭락이나 디페그가 없는데도 -99%에 가까운 가격 하락처럼 보이는 심볼 충돌 현상이 발생하는데, 이는 티커가 코인의…
- [화면 속 코인 가격, 얼마나 믿나 — 시총·소스로 보는 신뢰등급](https://hax.moche.ai/p/1259) - 한 줄 요약: 화면에 뜬 코인 가격을 얼마나 믿어야 할지는 해당 코인의 시가총액 규모와 가격을 제공하는 소스의 수에 따라 크게 달라지며, 비트코인이나 이더리움처럼 대형 코인은 업비트·코인마켓캡·코인게코 세 곳의 가격이 0.
- [스테이블코인은 정말 1달러인가 — 페그 3소스 실측](https://hax.moche.ai/p/1258) - 한 줄 요약: 주요 스테이블코인들은 CoinMarketCap과 CoinGecko 같은 글로벌 집계 기준으로 1달러에서 ±0.1% 이내의 매우 견고한 페그를 유지하고 있지만, 업비트 개별 거래소에서는 USDE가 -1.24%, USDC가 +0.
- [급등률 스크리너를 믿지 마라 — +10만% 이상값과 3소스 괴리 실측](https://hax.moche.ai/p/1257) - 한 줄 요약: 2026년 7월 12일 밤 저희 사내 crypto-MCP 수집기가 업비트·CoinMarketCap·CoinGecko 세 곳에서 수집한 급등률 데이터를 교차 분석한 결과, 상위에 오른 코인들의 수치가 실제 시장 움직임을 제대로 반영하지 못할 가능성이 매우 높으며 특히…
- [역 김치 프리미엄 실측 — 158코인 92%가 역프, -99% 함정](https://hax.moche.ai/p/1256) - 한 줄 요약: 2026년 7월 12일 밤 158개 코인을 대상으로 업비트 KRW 가격과 CoinGecko 가격을 나란히 비교한 결과, 약 92%의 코인에서 업비트가 글로벌보다 저렴한 역프리미엄 현상이 뚜렷하게 나타났으며, 이는 한국 시장의 매수 심리가 다소 약화되었거나 데이터 소스…
- [rw-stable-diffusion-xl-cost-upgrade-110209 SDXL GPU when to](https://hax.moche.ai/p/1255) - 클라우드 비용을 줄이는 SDXL — 이미지 생성 업그레이드 판단, 월 비용·GPU 시간로 판단하기란 unified-api나 vLLM 백엔드가 일시적으로 실패해도 독자가 바로 쓸 수 있는 로컬 AI 판단 기준을 Hax의 공개 실측값과 안정적인 1차 문서로 묶어 설명하는 생존형 기술…
- [벤치 숫자를 '날조 0'으로 지키는 법 — Hax 측정 데이터 파이프라인](https://hax.moche.ai/p/1254) - Hax의 measured-only 데이터 허브는 bench_harness 라이브 프로브로 기계가 직접 계측한 데이터와 발행글의 '측정' 캡션 표에서만 자동 수집한 값, ComfyUI 풀 운영 통계만을 엄격히 모아 32개 레코드 전부를 measured=True로 유지함으로써 모든…
- [로컬 LLM·RAG 실무 가이드 — 앱에 붙이기 전 7가지 관문](https://hax.moche.ai/p/1253) - 로컬 LLM을 실제 앱에 붙일 때 부딪히는 핵심 7가지 관문 — 출력 형식·도구 호출·지식 주입·생성 속도·검색 정확도를 한 편씩 정리한 실무 가이드 묶음으로, 지금 어디가 막혔는지에 따라 필요한 편부터 골라 읽으면 된다.
- [한 팀이 굴리는 AI 스택, 숫자로 보기 — Hax 실측 스냅샷](https://hax.moche.ai/p/1252) - Hax(moche-ai)는 블로그 하나가 아니라 ComfyUI GPU 풀을 활용한 이미지 생성, 대규모 에이전트 메모리, 718개 코인 실시간 시세 수집, 저지연 LLM 게이트웨이, 255편 규모 블로그까지 한 팀이 동시에 안정적으로 운영하는 통합 AI 스택을 구축했으며, 이번…
- [255편을 AI 인용 가능 형태로 — Hax 콘텐츠 파이프라인 실측](https://hax.moche.ai/p/1251) - Hax는 255편의 블로그 글을 단순히 쌓아 올리는 대신 KO+EN 이중언어 마크다운 구조화 데이터 표를 모든 글에 적용하는 체계적인 파이프라인을 통해 AI 답변엔진이 인용하기 최적화된 지식 자산을 만들어냈다. 한 줄 요약: 발행량보다 '구조'가 AI 시대 콘텐츠의 진짜 경쟁력이다.
- [로컬 RAG 청킹 전략 — 문서 쪼개기가 검색 품질을 좌우한다](https://hax.moche.ai/p/1250) - 로컬 RAG 청킹 전략을 문서 특성과 임베딩 모델에 맞춰 신중히 선택하는 것은 검색 정확도와 최종 답변 품질을 절반 이상 결정하는 핵심 요소이며, 잘못된 분할 방식은 의미 단절과 노이즈 증가를 불러와 전체 RAG 파이프라인의 신뢰성을 크게 저하시킨다.
- [로컬 LLM 프롬프트 캐싱 — 같은 시스템 프롬프트 재사용으로 속도 올리기](https://hax.moche.ai/p/1249) - 로컬 LLM에서 매 요청마다 긴 시스템 프롬프트를 처음부터 다시 프리필 계산하는 대신 프롬프트 프리픽스 캐싱을 사용하면 공통 앞부분의 KV 캐시를 재사용해 추론 속도를 높이고 불필요한 연산 비용을 크게 줄일 수 있다.
- [파인튜닝 vs RAG vs 프롬프트 — 로컬 LLM에 지식 넣는 3가지 길](https://hax.moche.ai/p/1248) - 로컬 LLM에 우리 지식과 말투, 출력 형식을 효과적으로 주입하는 방법은 프롬프트 엔지니어링으로 시작해 RAG를 추가하고 마지막으로 파인튜닝을 검토하는 비용 대비 효과 사다리이며, 초보자라면 대부분 앞의 두 단계 조합만으로도 실용적이고 안정적인 맞춤 응답을 만들 수 있다.
- [로컬 RAG, 임베딩만으론 부족하다 — 재랭커로 검색 정확도 올리기](https://hax.moche.ai/p/1247) - 로컬 RAG 파이프라인에서 임베딩 검색만으로 문서를 회수하면 의미적으로는 비슷하지만 질문의 핵심 의도와는 동떨어진 문서들이 상위 결과에 포함되어 최종 생성 답변의 신뢰성이 흔들리는 문제가 자주 발생하기 때문에 이러한 한계를 극복하기 위해 재랭커를 도입한 2단계 검색 전략이 점점 더…
- [로컬 LLM 속도를 공짜로 올리기 — speculative decoding 쉽게 이해하기](https://hax.moche.ai/p/1246) - 로컬 LLM의 생성 속도를 품질 손실 없이 실질적으로 향상시킬 수 있는 speculative decoding(추측 디코딩)은 작은 초안 모델이 여러 토큰을 미리 추측하고 큰 본 모델이 한 번의 검증 단계에서 이를 확인하여 맞은 추측은 그대로 채택하고 틀린 부분부터 본 모델이 다시…
- [로컬 LLM에 도구를 쥐여주기 — 함수 호출(tool calling) 첫걸음](https://hax.moche.ai/p/1245) - 로컬 LLM이 계산, 검색, DB 조회 같은 실제 작업을 수행할 수 있게 하려면 모델이 도구를 직접 실행하는 대신 '이 도구를 이 인자로 호출해 달라'는 구조화된 JSON 요청만 생성하게 하고, 그 실행과 결과 반환은 애플리케이션 코드가 전담하는 전체 흐름을 만들어야 한다.
- [로컬 LLM에 JSON을 강제하기 — 구조화 출력으로 파싱 실패 없애기](https://hax.moche.ai/p/1244) - 로컬 LLM을 실제 애플리케이션에 연동할 때, 모델이 JSON만 출력하도록 강제하는 프롬프트 부탁·few-shot 예시·GBNF 문법 제약·JSON 스키마 모드 네 가지 방법을 상황에 맞게 선택·조합하면 설명문과 코드펜스가 섞여 터지는 파싱 실패를 없애고 항상 깨끗한 구조화 출력을…
- [로컬 위스퍼 라지 전사 실패 사례 분석](https://hax.moche.ai/p/1243) - 로컬 위스퍼 라지 음성 전사 실패 사례 분석이란 WER 단어 오류율과 실시간 인자 지표를 기반으로 개인정보 외부 전송 없이 로컬에서 동작하는 모델의 한계를 파악하고 로그와 데이터 잔류 정책을 검토하여 신뢰성을 판단하는 체계적인 과정이다.

## English (/en)
- English hub: [Hax in English](https://hax.moche.ai/en)
- English archive: [All English posts](https://hax.moche.ai/en/archive)
- English RSS: [RSS feed](https://hax.moche.ai/en/feed.xml)
- English JSON Feed: [JSON feed](https://hax.moche.ai/en/feed.json)
- English LLMs.txt: [English AEO map](https://hax.moche.ai/en/llms.txt)
- English topic: [Agents](https://hax.moche.ai/en/topic/agents)
- English topic: [Notes](https://hax.moche.ai/en/topic/notes)
- English topic: [Local](https://hax.moche.ai/en/topic/local)
- English topic: [Models](https://hax.moche.ai/en/topic/models)
- English topic: [Tools](https://hax.moche.ai/en/topic/tools)
- English topic: [Frontier](https://hax.moche.ai/en/topic/frontier)

## Safety
- Only public pages and published articles are listed here.
- Secrets, private prompts, deployment credentials, and unpublished drafts are intentionally excluded.