study

윈도우 단축키 | 작업창, 탭 이동 단축키 - 마우스를 덜 쓰자

비빔밥계란찜 — Fri, 3 Jul 2026 15:34:08 +0900

주제 | 윈도우에서 작업창 왔다갔다, edge 혹은 구글 안에 탭들 이동 시키는 단축키가 필요할 때

Win + ← / → : 현재 Edge 창을 화면 왼쪽, 오른쪽 절반으로 붙이기
Win + ↑ : 창 최대화
Win + ↓ : 최대화 해제 → 한 번 더 누르면 최소화
Win + Shift + ← / → : 듀얼 모니터 사이로 창 이동
Alt + Tab : 여러 작업창 사이 전환

Ctrl + Tab : 오른쪽 다음 탭으로 이동
Ctrl + Shift + Tab : 왼쪽 이전 탭으로 이동
Ctrl + Page Down / Page Up : 다음 탭 / 이전 탭
Ctrl + 1~8 : 왼쪽에서 해당 번호 탭으로 바로 이동
Ctrl + 9 : 맨 마지막 탭으로 이동
Ctrl + W : 현재 탭 닫기
Ctrl + Shift + T : 방금 닫은 탭 다시 열기 (아주 유용함)

서버 | uptime 및 journalctl (로그 확인)

비빔밥계란찜 — Wed, 24 Jun 2026 20:57:12 +0900

상황 | 요즘 화재 이후로 서버가 지혼자 꺼진다 눈물이 난다.. 좁은 식견으론 전력 문제 같다. 아무튼 리부트 된 원인 찾기 위해 로그 확인 하는 방법... (간단하게만)

uptime

간단하게 시스템 상태를 확인할 수 있는 uptime 명령어

uptime 실행 결과

- 현재 시간: 20시 31분 53초

- 시스템 작동 시간: 6시간 51분 (대충 13시 40분쯤 서버 켜졌다.)

- 사용자 수: 3명

- load average? 서버가 얼마나 바쁜지 나타내는 숫자인데 1분, 5분, 15분 평균이다. 서버의 CPU core 수와 비교해서 읽으면 된다. 현재는 아예 1 미만이라 널널하다는 뜻

journalctl ? systemd의 로그 확인 명령어다.

출처: https://www.loggly.com/ultimate-guide/using-journalctl/

journalctl -b -1 -e --no-pager | tail -50

재부팅 직전 로그를 볼 수 있다.

실행 결과

로그상 큰 문제 없는데 갑자기 로그가 끊겼다. 작업 문제는 아니라는 뜻

서버 | nvitop (GPU 사용률 확인 도구)

비빔밥계란찜 — Tue, 23 Jun 2026 10:56:33 +0900

자세한 사항은 깃허브 & docs 참고

https://github.com/XuehaiPan/nvitop

https://nvitop.readthedocs.io/en/latest/

nvitop이란?

nvitop은 NVIDIA-GPU process viewer이다.

GPU 사용률, 온도, 메모리, 전력, 프로세스 등 컬러 막대로 보여준다. interactive해서 관리하기 쉽고, 설치도 간편하다.

설치

uvx nvitop
# or
pipx run nvitop

사용

# Monitor mode (when the display mode is omitted, `NVITOP_MONITOR_MODE` will be used)
$ nvitop  # or use `python3 -m nvitop`

# Automatically configure the display mode according to the terminal size
$ nvitop -m auto     # shortcut: `a` key

# Arbitrarily display as `full` mode
$ nvitop -m full     # shortcut: `f` key

# Arbitrarily display as `compact` mode
$ nvitop -m compact  # shortcut: `c` key

# Specify query devices (by integer indices)
$ nvitop -o 0 1  # only show <GPU 0> and <GPU 1>

# Only show devices in `CUDA_VISIBLE_DEVICES` (by integer indices or UUID strings)
$ nvitop -ov

# Only show GPU processes with the compute context (type: 'C' or 'C+G')
$ nvitop -c

# Use ASCII characters only
$ nvitop -U  # useful for terminals without Unicode support

# For light terminals
$ nvitop --light

# For spectrum-like bar charts (requires the terminal supports 256-color)
$ nvitop --colorful

그냥 nvitop만 해도 웬만한건 다 보인다.

Claude | PDF를 HTML로 내용 수정하기

비빔밥계란찜 — Tue, 16 Jun 2026 11:24:03 +0900

주제 | 그냥 PDF 수정하는 것이 아니라 클로드로 생성한 PDF 어떻게 수정해야..할까? 막막할 때

클로드로 생성한 PDF 이미지

요즘 혼자 실험 설계나 결과 정리할 때 클로드 등을 많이 활용중이다. 공유하기도 쉽고 노션에 냅다 정리하는 것보다 뭔가 좀 체계적으로 하려는 느낌, 잘 생성하고 옵시디언이나 노션에 넣거나 하면 되니까.. 근데 가끔 이미지의 <축별 구성 요소> 처럼 내가 원하는 단어가 잘 input이 안 될 때가 있다. (영어 썼다가 한국말 썼다가 하여튼.. 웬만하면 영어로 하는게 좋긴하다 토큰 측면에서도..) 어쨌든 초안을 작성하고 클로드로 생성하는데 진짜 디자인이 기깔난다.. 나보다 천 배는 나은듯 템플릿인건지 아무튼 이 디자인 유지하면서 중간 중간 내용만 바꾸고 싶을 때가 있는데 word로 변경하거나 그러면 유지가 안 된다.. (당연)

[1] 그럴 땐 claude에게 HTML 파일 형태로 제공해달라고 하면 된다.

HTML을 vscode로 open

[2] 텍스트 편집기로 연다. VScode나 메모장도 가능

[3] 내용만 바꿀거면 ctrl + F 해서 내용 찾고 수정하면 끝

edge나 크롬으로 그냥 열어봤을 때도 잘 적용된 모습

[4] 그 후에 edge나 크롬에서 ctrl+P 를 누르면 PDF로 저장할 수 있다.

[5] PDF로 저장할 때는 <배경 그래픽> 무조건 체크해줘야 안 깨지고 디자인이 유지된다.

Agent | LLM은 무엇일까?

비빔밥계란찜 — Mon, 15 Jun 2026 21:18:33 +0900

이전 섹션에서 각 agent는 core에 AI model이 필요하고, LLM이 가장 일반적인 AI 모델 유형이라는 것을 배웠다.

What is a Large Language Model?

The original Transformer architecture looked like this, with an encoder on the left and a decoder on the right.

LLM은 방대한 양의 텍스트 데이터를 통해 언어 패턴이나 구조, 뉘앙스 등을 학습한다. 대부분의 현대 LLM은 transformer 아키텍처를 기반으로 하는데, transformer는 아마 다들 잘 알고 있을 attention 알고리즘을 사용한 딥러닝 아키텍처이다.

transformers의 3가지 유형

[1] Encoders

인코더 기반 트랜스포머는 input text를 embeddings으로 변환한다.

- 예시: Google의 BERT

- semantic search, NER

- 일반적으로 수백만 개의 매개변수

[2] Decoders

디코더 기반 트랜스포머는 한 번에 하나의 토큰을 생성하면서 sequence를 완성한다.

- 예시: Meta의 Llama

- 텍스트 생성, 챗봇
- 일반적으로 수십억 개의 매개변수

[3] Seq2Seq (Encoder-Decoder)

Seq2Seq 트랜스포머는 인코더와 디코더를 결합한 형태이다. 인코더는 입력 sequence를 context representation으로 변환하고, 디코더가 output sequence를 생성한다.

- 예시: T5, BART

- 번역, 요약, paraphrasing

- 일반적으로 수백만 개의 매개변수

대표적인 LLM들

Model	Provider
Deepseek-R1	DeepSeek
GPT4	OpenAI
Llama 3	Meta (Facebook AI Research)
SmolLM2	Hugging Face
Gemma	Google
Mistral	Mistral

[원리]: 이전 seq를 기반으로 다음 token을 예측한다. (token이란, LLM의 unit of information이다.) token을 '단어'라고 생각해도 되긴 하지만, LLM은 효율성 문제로 전체 단어를 사용하지 않는다. 예를 들어, 영어는 약 60만개의 단어가 있지만 LLM에서는 약 32,000개의 token으로 구성될 수 있다.

Model	Provider	EOS Token	Functionality
GPT4	OpenAI	<\|endoftext\|>	End of message text
Llama 3	Meta (Facebook AI Research)	<\|eot_id\|>	End of sequence
Deepseek-R1	DeepSeek	<\|end_of_sentence\|>	End of message text
SmolLM2	Hugging Face	<\|im_end\|>	End of instruction or message
Gemma	Google	<end_of_turn>	End of conversation turn

각 LLM에는 모델 별로 고유한 특수 token이 존재한다. LLM은 이 token들을 사용해서 생성하는 text를 구조적으로 열고 닫을 수 있다. 예를 들어, seq의 시작과 끝, 메세지와 응답을 나타내려고 사용한다. 우리가 모델에 입력하는 입력 프롬프트도 특수 token을 포함한 구조로 작성된다. 그 중 가장 중요한 EOS(End of sequence) token은 종료 token인데 위의 표와 같이 모델마다 다양하다.

Understanding next token prediction

LLM은 autoregressive 방식으로 작동한다. 이전 출력이 다음 input이 되는 방식으로 이 과정이 반복된다. EOS token이 예측되면 text 생성을 중단한다.

How are LLMs used in AI Agents?

그래서 가장 중요한 LLM은 Agent에서 어떻게 사용되는가? LLM은 자연어를 이해하고 생성하는 역할을 하므로 사용자 명령을 해석하고 계획을 세우고 어떤 도구를 사용할지 결정할 수 있다. 즉, LLM은 agent의 두뇌 역할을 하므로 뗄레야 뗄 수가 없다. 이것이 핵심이다.

Reference

What are LLMs?

[Word] 변경 내용 추적

비빔밥계란찜 — Thu, 23 Apr 2026 16:15:42 +0900

[검토] - [변경 내용 추적] - [풍선 도움말] - [풍선 도움말에 수정 내용 표시]

- 논문 revision 할 때 사용

내용 추가 결과

삭제 결과

[펩타이드] 3D 구조에서 L-form D-form 구별하기

비빔밥계란찜 — Tue, 14 Apr 2026 16:42:10 +0900

[PDB] 6BVY

펩타이드를 3D 구조로 살펴볼 때 여러 펩타이드가 bond를 이루고 있어서

특정 펩타이드가 L-form인지 D-form인지 헷갈릴 때가 있다. 빠르게 파악하는 방법을 알아보자!

[1] 아미노산의 기본 구조를 항상 생각하기

COOH, R기, NH2, H 그리고 Cα

[2] Cα를 바라보면서 H를 뒤로 둔다.

[3] Cα를 기준으로 COOH와 NH2, R기가 어디있는지 확인하기

- 위의 그림처럼 시계방향으로 CO - N - R 순서로 있으면 L-form이다.

연습

위의 그림에서 Cα를 기준으로 H를 뒤로 둔 상태이다.

먼저 왼쪽에 CO, 오른쪽 R기, 그 밑에 N

시계방향으로 CO-R-N이다. 따라서 D-form이다.

[펩타이드] D-form 아미노산 CCD code

비빔밥계란찜 — Wed, 25 Feb 2026 11:16:53 +0900

Amino acid	Codes (Three-letter)	Codes (One-letter)	D-amino acid	CCD code
Alanine	Ala	A	D-Alanine	DAL
Arginine	Arg	R	D-Arginine	DAR
Asparagine	Asn	N	D-Asparagine	DSG
Aspartic acid	Asp	D	D-Aspartic acid	DAS
Cysteine	Cys	C	D-Cysteine	DCY
Glutamic acid	Glu	E	D-Glutamic acid	DGL
Glutamine	Gln	Q	D-Glutamine	DGN
Glycine	Gly	G	D-Glycine	-
Proline	Pro	P	D-Proline	DPR
Serine	Ser	S	D-Serine	DSN
Tyrosine	Tyr	Y	D-Tyrosine	DTY
Histidine	His	H	D-Histidine	DHI
Isoleucine	Ile	I	D-Isoleucine	DIL
Leucine	Leu	L	D-Leucine	DLE
Lysine	Lys	K	D-Lysine	DLY
Methionine	Met	M	D-Methionine	MED
Phenylalanine	Phe	F	D-Phenylalanine	DPN
Threonine	Thr	T	D-Threonine	DTH
Tryptophan	Trp	W	D-Tryptophan	DTR
Valine	Val	V	D-Valine	DVA

[펩타이드] Peptide bond and Dihedral angles

비빔밥계란찜 — Mon, 9 Feb 2026 23:59:26 +0900

단백질은 아미노산으로 구성되어 있다. 각 아미노산은 중심 탄소 원자 (C알파)에 아미노기와 카르복실기가 결합되어 있다.

한 아미노산의 카르복실기는 물 분자를 남기고 다른 아미노산의 아미노기와 강한 공유 결합을 형성한다. 이러한 결합을 펩타이드 결합이라고 한다.

질소는 자신의 비공유 전자쌍을 카르보닐 탄소에 제공하고, 탄소 이중 결합의 산소 전자는 산소 원자 쪽으로 밀려나게 된다.
이로 이해 질소와 카르보닐 탄소 사이에 이중 결합이 형성된다.
또한, 양전하를 띤 질소와 음전하를 띤 산소, 두 개의 전하를 띤 원자가 생성된다.
이 두 형태는 환경에 따라 교환된다.
이중 결합의 특성으로 인해 펩타이드 결합은 평면적인 구조를 갖게 된다! (중요)

펩타이드 결합을 중심으로 한 회전 각도를 오메가(omega)라고 하며, trans 형태에서는 180도로 cis 형태에서는 0도로 제한된다.
단백질의 구조는 이러한 펩타이드 평면들이 서로 어떤 방향으로 배열되어 있는지에 따라 결정된다.
이러한 펩타이드 평면의 방향을 결정하는 각도를 이면각 (dihedral angles)라고 한다.
N-C 알파 결합 주위의 비틀림 각도를 파이라고 한다.
그리고 C-C 알파 결합 주위의 비틀림 각도를 프사이라고 한다.

이면각을 계산하려면 4개의 원자와 3개의 결합이 필요하다.
(1) 회전 각도를 측정할 가운데 결합을 유지하고,
(2) 양쪽에 원자를 하나씩 더 추가한다.
(3, 4) B를 바라본다고 생각하고 살펴본다.
case 1에서 회전이 시계방향이면 +, case 2에서 회전이 반시계방향이면 - 부호를 가진다. (각도는 0도에서 180도)

이러한 기본 원리는 신약개발 분야에서 펩타이드 관련 연구를 이해하기 위해서는 꼭 필요한 개념이다.

Reference

https://www.youtube.com/watch?v=JUxhEdMOgTQ

[VSCode] 화면 확대 / 축소

비빔밥계란찜 — Tue, 3 Feb 2026 11:10:20 +0900

Task

VSCode 화면 크기가 작거나 너무 클 때

Method

※ 단축키

Ctrl + "+" : 확대
Ctrl + "-" : 축소

1) VSCode 화면 왼쪽 아래 톱니바퀴 - Settings

2) 검색창에 'zoom' 입력 - zoom level 숫자로 입력 (숫자가 커질수록 확대)