Add Korean versions of all 4 blog posts (8 posts total)

.github/workflows/deploy.yml

@@ -3,6 +3,7 @@ name: Deploy to GitHub Pages
 on:
   push:
     branches: [main]
+  pull_request:
   workflow_dispatch:
 
 permissions:
@@ -40,6 +41,7 @@ jobs:
 
   deploy:
     needs: build
+    if: github.ref == 'refs/heads/main'
     runs-on: ubuntu-latest
     environment:
       name: github-pages

src/pages/posts/ai-animation-tools-2025-ko.md

@@ -0,0 +1,34 @@
+---
+layout: '../../layouts/Post.astro'
+title: '2025년 AI 애니메이션의 현재'
+description: '현재 AI 애니메이션 환경 둘러보기 — 비디오 모델, 파이프라인 도구, 그리고 만화 스타일 생성의 행방.'
+date: '2025-03-10'
+tags: ['animation', 'movie', 'manga']
+---
+
+AI 애니메이션은 "기괴한 호기심"에서 "실제로 프로덕션에 쓸 수 있는 수준"으로 무서우리만큼 빠르게 발전했어요. 현재 환경을 제 나름대로 정리해 봤습니다.
+
+## 비디오 생성 모델
+
+핵심은 일관성입니다. 1년 전만 해도 캐릭터가 프레임 사이에서 모습이 바뀌었어요. 요즘 모델은 샷 간 캐릭터 정체성을 유지하는데, 이게 데모와 도구의 차이입니다.
+
+## 파이프라인이 바뀌고 있다
+
+기존 애니메이션 파이프라인이 재구성되고 있어요:
+
+| 단계 | 현재 AI의 역할 |
+|---|---|
+| 스토리보딩 | 완전 AI 보조 |
+| 키프레임 | 부분 자동화 |
+| 인비트위닝 | 거의 해결됨 |
+| 합성(컴포지팅) | 대부분 수동 |
+
+## 만화 스타일 생성
+
+이 부분이 가장 야생적이에요. 만화의 패널 간 일관성은 아직 가장 어려운 문제입니다 — 여러 페이지에 걸쳐 캐릭터를 온모델로 유지하려면 강력한 레퍼런스 시스템이나, LoRA로 학습된 커스텀 캐릭터가 필요하죠. 하지만 발전 속도를 보면 완전 AI 보조 연재 만화까지는 수년이 아니라 수개월 남았다고 봐요.
+
+## 앞으로의 전망
+
+가장 기대되는 건 리얼타임 생성이에요 — 스토리보드를 그리는 만큼 빠르게 렌더링되는 애니메이션 말이죠. "아이디어"와 "볼 수 있는 결과물" 사이의 간격이 무너지고 있어요.
+
+이 분야를 실험하고 계신다면 저와 비교해 보고 싶어요 — 푸터의 연락처 링크로 연락 주세요.

src/pages/posts/building-my-first-ai-agent-ko.md

@@ -0,0 +1,39 @@
+---
+layout: '../../layouts/Post.astro'
+title: '첫 AI 에이전트 만들기: 배운 점들'
+description: '도구 사용이 가능한 자율 AI 에이전트를 만들면서 배운 것들 — 계획 루프, 메모리, 그리고 실패 모드.'
+date: '2025-02-02'
+tags: ['agents', 'llm']
+---
+
+드디어 첫 번째 완전 자율 AI 에이전트를 만들었어요. 기대만큼이나 겸손해지는 경험이었죠. 제가 배운 점을 공유할게요.
+
+## 계획 루프가 모델보다 중요하다
+
+저는 처음에 단순한 "루프 안의 LLM" 방식으로 시작했어요 — 프롬프트를 보내고, 행동을 받아 실행하고, 반복하는 방식이죠. 가끔은 잘 됐어요. 전환점은 **명시적 계획**을 추가했을 때였어요. 에이전트가 행동하기 전에 단계별 계획을 먼저 적게 하고, 도구 호출이 끝날 때마다 그 계획을 수정하게 만든 거죠.
+
+```python
+while not task_complete:
+    plan = llm("Given the goal and current state, what's the plan?")
+    action = llm("Execute the next step of the plan.")
+    result = tools.execute(action)
+    memory.append(action, result)
+```
+
+## 메모리는 보기보다 어렵다
+
+단기 메모리(현재 대화)는 쉬워요. 어려운 건 **장기 메모리**예요 — 세션을 넘어 무엇을 기억할 가치가 있는지 판단하는 것이죠. 저는 결국 간단한 3계층 구조로 정리했어요:
+
+1. **스크래치패드** — 현재 작업의 모든 것
+2. **에피소딕** — 과거 도구 실행의 요약
+3. **시맨틱** — 정제된 사실들을 담은 벡터 스토어
+
+## 주의해야 할 실패 모드
+
+- **루프 중독** — 에이전트가 같은 실패하는 행동을 무한 반복하는 것
+- **환각된 도구 출력** — 실제로 일어나지 않은 결과를 "기억"하는 것
+- **범위 확장** — 단순한 작업이 40단계짜리 대작으로 불어나는 것
+
+정리하자면: 에이전트는 20% 모델, 80% 스캐폴딩이에요. 지능은 진짜지만, 유용하게 만드는 건 그 주변의 엔지니어링입니다.
+
+더 많은 실험이 준비 중이에요 — 따라오고 싶으시면 구독해 주세요.

src/pages/posts/hello-world-ko.md

@@ -0,0 +1,20 @@
+---
+layout: '../../layouts/Post.astro'
+title: '안녕하세요: 이 블로그를 시작한 이유'
+description: '이 블로그가 무엇에 관한 것인지 짧게 소개합니다 — LLM, 에이전트, 영화, 애니메이션, 만화를 아우르는 저의 AI 노트북입니다.'
+date: '2025-01-15'
+tags: ['meta']
+---
+
+환영합니다! 새 블로그의 첫 번째 포스트입니다.
+
+저는 한동안 AI에 푹 빠져 있었어요 — 논문 읽기, 새로 나온 모델 테스트, 에이전트 프로토타입 만들기, 그리고 AI가 만들어내는 영화·애니메이션·만화의 폭발을 지켜보면서요.
+
+이 사이트는 제가 모아두는 노트가 될 겁니다. 이런 주제의 글을 쓸 예정이에요:
+
+- **LLM** — 새로운 릴리스, 프롬프트 엔지니어링, 평가, 도구
+- **AI 에이전트** — 자율 워크플로, 멀티 에이전트 시스템
+- **AI 영화 & 애니메이션** — 도구와 창작 실험
+- **AI 만화** — AI가 시각 스토리텔링을 어떻게 바꾸고 있는지
+
+관심 있으시다면 뉴스레터를 구독해 보세요. 다음 포스트에서 만나요!

src/pages/posts/linear-regression-tutorial-ko.md

@@ -0,0 +1,108 @@
+---
+layout: '../../layouts/Post.astro'
+title: "선형 회귀 튜토리얼: 데이터에서 적합까지"
+description: "scikit-learn을 활용한 실습형 선형 회귀 walkthrough — 합성 데이터, 모델 학습, 결과에 대한 시각적 분석."
+date: "2025-04-05"
+tags: ["tutorial", "machine-learning", "notebook"]
+---
+# Linear Regression from Scratch
+
+이 튜토리얼에서는 scikit-learn으로 간단한 선형 회귀 모델을 만들고, 결과를 시각화하고, 모델이 무엇을 학습했는지 이해해 봅니다. 이 노트북은 블로그 포스트 역할도 겸해요 — 여기에 보이는 모든 것, 플롯을 포함해서, 노트북 자체에서 생성된 것입니다.
+
+## 데이터 생성하기
+
+선형 관계에 약간의 노이즈를 더한 합성 데이터셋을 만들어, 모델의 적합 결과를 실제 정답(ground truth)과 비교할 수 있게 합니다.
+
+
+```python
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.linear_model import LinearRegression
+from sklearn.model_selection import train_test_split
+
+rng = np.random.RandomState(42)
+X = 2 * rng.rand(100, 1)
+y = 4 + 3 * X.ravel() + rng.randn(100) * 0.8
+
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
+print(f'Train samples: {len(X_train)}, Test samples: {len(X_test)}')
+```
+
+    Train samples: 80, Test samples: 20
+
+
+## 모델 학습하기
+
+이제 ordinary least squares 회귀를 학습하고, 학습된 파라미터를 확인합니다.
+
+
+```python
+model = LinearRegression()
+model.fit(X_train, y_train)
+
+print(f'Intercept: {model.intercept_:.3f}')
+print(f'Slope: {model.coef_[0]:.3f}')
+print(f'R² score on test set: {model.score(X_test, y_test):.3f}')
+```
+
+    Intercept: 4.114
+    Slope: 2.839
+    R² score on test set: 0.874
+
+
+## 적합 결과 시각화하기
+
+아래 플롯은 학습 데이터, 회귀선, 그리고 데이터를 생성할 때 사용한 실제 정답 선을 보여줍니다. 노이즈가 있음에도 적합이 얼마나 가까운지 확인해 보세요.
+
+
+```python
+fig, ax = plt.subplots(figsize=(8, 5))
+ax.scatter(X_train, y_train, alpha=0.6, label='Training data')
+x_line = np.linspace(0, 2, 100).reshape(-1, 1)
+ax.plot(x_line, model.predict(x_line), color='crimson', linewidth=2, label='Regression fit')
+ax.plot(x_line, 4 + 3 * x_line.ravel(), color='gray', linestyle='--', linewidth=1.5, label='Ground truth')
+ax.set_xlabel('x')
+ax.set_ylabel('y')
+ax.legend()
+ax.set_title('Linear Regression Fit')
+plt.tight_layout()
+plt.show()
+```
+
+
+
+![png](/notebook-assets/linear-regression-tutorial/linear-regression-tutorial_7_0.png)
+
+
+
+## 잔차 분석
+
+잔차의 히스토그램은 오차가 대략 정규분포를 따른다는 것을 확인하는 데 도움이 됩니다 — 선형 회귀의 핵심 가정 중 하나예요.
+
+
+```python
+residuals = y_test - model.predict(X_test)
+
+fig, ax = plt.subplots(figsize=(8, 4))
+ax.hist(residuals, bins=15, color='steelblue', edgecolor='white')
+ax.axvline(0, color='crimson', linestyle='--')
+ax.set_xlabel('Residual')
+ax.set_ylabel('Count')
+ax.set_title('Distribution of Residuals')
+plt.tight_layout()
+plt.show()
+```
+
+
+
+![png](/notebook-assets/linear-regression-tutorial/linear-regression-tutorial_9_0.png)
+
+
+
+## 핵심 정리
+
+- 학습된 파라미터(절편 ≈ 4, 기울기 ≈ 3)가 데이터에 심어 둔 실제 관계를 꽤 정확히 복원했습니다.
+- 테스트 세트에서 R²가 약 0.9라는 것은 모델이 대부분의 분산을 포착했다는 뜻이에요.
+- 잔차가 대략 정규분포를 보이므로, 여기서는 모델 가정이 성립합니다.
+
+다음에는 이를 다중 회귀로 확장하고, 직접 구현한 경사 하강법과 비교해 볼 예정입니다.