chore: Notion 동기화 2026-08-11 13:01

Author: sungbin1015

blog/.notion-sync.json

@@ -29,14 +29,14 @@
   },
   "39ce15b4-0359-8051-a39e-d78c277e3c7e": {
     "file": "blog/2026-07-13-07-langgraph-기반-방송-워크플로우-설계.md",
-    "last_edited": "2026-07-21T05:39:00.000Z",
-    "content_hash": "482a6a3c97491c317fa897f1f101b3db8855e1834d4730f0004062363f7ab7b7",
+    "last_edited": "2026-07-21T08:11:00.000Z",
+    "content_hash": "28743b88132f9f2a2edb876606894e77a7d81dad5c691cbeedd88b0e78c039c5",
     "order": 5,
     "parent_id": null
   },
   "39ce15b4-0359-80cc-afdb-fad276333f56": {
     "file": "blog/2026-07-13-07-rag-파이프라인-구축.md",
-    "last_edited": "2026-07-20T04:22:00.000Z",
+    "last_edited": "2026-07-23T01:58:00.000Z",
     "content_hash": "1eb3f10e3cc805e566149a0ab2278f467be713c18e1ccd3354ff14784c973d66",
     "order": 6,
     "parent_id": null
@@ -57,36 +57,36 @@
   },
   "39de15b4-0359-80eb-b617-db767eb5277f": {
     "file": "blog/2026-07-14-11-방송-ai-오픈웨이트-모델-활용-사례-1건.md",
-    "last_edited": "2026-07-21T05:42:00.000Z",
-    "content_hash": "0115e9be2dcae44cad52368b480b6e699c14aca28b53d74287bbb0a04d820925",
+    "last_edited": "2026-07-23T01:17:00.000Z",
+    "content_hash": "552a94476aea86f4b9f9dbf43a26acb6f48009e26563edc99b8b8d5a31ac9a65",
     "order": 9,
     "parent_id": null
   },
   "39de15b4-0359-80c8-85de-f9807821f73d": {
     "file": "blog/2026-07-14-09-vllm-기본-추론-최적화-노하우-1건.md",
-    "last_edited": "2026-07-20T07:25:00.000Z",
-    "content_hash": "852c084ddc9bd569b6a7e02e5379a3d2ab4c14466bcb4dd71571a6dc88b1ca0d",
+    "last_edited": "2026-07-23T02:15:00.000Z",
+    "content_hash": "7922d762e1c215af60e5249a6849e81d35d7b12c7975a7d6d50238e743de4e77",
     "order": 10,
     "parent_id": null
   },
   "39de15b4-0359-80b7-ae6a-da99070db110": {
     "file": "blog/2026-07-14-09-맥락-기반-광고-최적화-기술-해설-1건.md",
-    "last_edited": "2026-07-20T07:24:00.000Z",
-    "content_hash": "a0cc47090e003c0194dcf105e60be1cf88a0ebe9bafd55320b393ff78dc4d3d4",
+    "last_edited": "2026-07-21T08:17:00.000Z",
+    "content_hash": "a6fd4e6fc8587bfb7378794a9111f03236dce8cb20ceca628c694da335cd6cfe",
     "order": 11,
     "parent_id": null
   },
   "39de15b4-0359-8096-8fe0-d8cf81d3e397": {
     "file": "blog/2026-07-14-09-db-스키마-공개.md",
-    "last_edited": "2026-07-21T05:34:00.000Z",
+    "last_edited": "2026-07-21T08:05:00.000Z",
     "content_hash": "a0e3af442d6a2053402a3e161af1a44724fe96e31b9824152253f89d9ed49de0",
     "order": 12,
     "parent_id": null
   },
   "39de15b4-0359-80cf-bde8-f114c7d20501": {
     "file": "blog/2026-07-14-10-sbsi-실증-테스트-사례-공유-1건.md",
-    "last_edited": "2026-07-21T05:42:00.000Z",
-    "content_hash": "e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855",
+    "last_edited": "2026-07-24T01:10:00.000Z",
+    "content_hash": "b96656c0195fab5e3376d12c76491ab8cf445b94c3cab92c7c69e6a222355584",
     "order": 13,
     "parent_id": null
   },
@@ -99,8 +99,8 @@
   },
   "39de15b4-0359-800d-be84-c4e206eda79e": {
     "file": "blog/2026-07-14-11-오픈-소스-기여-종합-가이드-1건.md",
-    "last_edited": "2026-07-21T05:39:00.000Z",
-    "content_hash": "6d2bcad61622158a844e817760e6ee934002c80a376507b3e832e8b11691d070",
+    "last_edited": "2026-07-21T08:22:00.000Z",
+    "content_hash": "f6745dc1d24b7600bada576f543ad452e90c1655ef589112fa344d7071f918f8",
     "order": 15,
     "parent_id": null
   },
@@ -112,23 +112,23 @@
     "parent_id": null
   },
   "39de15b4-0359-8088-be18-d31d76a03c9a": {
-    "file": "blog/2026-07-14-08-숏폼-자동-생성-파이프라인-해설-1.md",
-    "last_edited": "2026-07-21T06:56:00.000Z",
-    "content_hash": "779313c823feac82c950b7310edaf34a37f194de977fad0a87d18010a533978a",
+    "file": "blog/2026-07-14-08-숏폼-자동-생성-파이프라인-해설-2.md",
+    "last_edited": "2026-08-11T01:17:00.000Z",
+    "content_hash": "e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855",
     "order": 17,
     "parent_id": null
   },
   "39de15b4-0359-801a-95e2-cf6328c4280c": {
-    "file": "blog/2026-07-14-08-숏폼-자동-생성-파이프라인-해설-2.md",
-    "last_edited": "2026-07-20T07:25:00.000Z",
-    "content_hash": "c084eb174c5fab3a4123d990ba97c1dd3bd249ee124f1bf3141b7f064838a823",
+    "file": "blog/2026-07-14-08-숏폼-자동-생성-파이프라인-해설-1.md",
+    "last_edited": "2026-08-11T01:20:00.000Z",
+    "content_hash": "ce8ce8793016791808f0bab2eed394995a0971f818d41b65eb74aade21adea0f",
     "order": 18,
     "parent_id": null
   },
   "39de15b4-0359-8002-bed8-f03d0d4763b1": {
     "file": "blog/2026-07-14-08-모아보기-서비스-구현기-1건.md",
-    "last_edited": "2026-07-21T05:42:00.000Z",
-    "content_hash": "b2df166a77444fe850633aed5cbe1d15cc79e9ef886936297096a2b66c104fcf",
+    "last_edited": "2026-07-21T08:17:00.000Z",
+    "content_hash": "7f8c4d1c556860be4c0e7c3813787ffa53ff6f76c904b747565f496120f99b8e",
     "order": 19,
     "parent_id": null
   },

blog/2026-07-13-07-langgraph-기반-방송-워크플로우-설계.md

@@ -312,7 +312,7 @@ BUDGET_TOLERANCE = 1.15   # target_duration_sec 초과 허용 배율
 
 노드별 중간 결과는 `output/<req_id>/<node>.json` 으로 덤프된다.
 
-#### 마무리
+### 마무리
 
 ---
 

blog/2026-07-13-07-rag-파이프라인-구축.md

@@ -6,7 +6,7 @@ authors: [sbin]
 description: "영상을 벡터로 접어 넣고(색인) 자연어 질의로 클립을 꺼내는(검색) RAG — 타임코드가 대칭축인 파이프라인 구축기"
 tags: [rag, milvus]
 last_update:
-  date: 2026-07-20
+  date: 2026-07-23
 ---
 
 ### 들어가며

blog/2026-07-14-08-모아보기-서비스-구현기-1건.md

@@ -12,13 +12,12 @@ last_update:
 
 - 모아보기 서비스에 대한 간단한 소개
 - 모아보기 관련 코드 작성 (compilation)
+  `service=compilation`  + `preset=감성_몽타주`  가 **텍스트로**  LLM에 전달  
 
 <!--truncate-->
 
-`service=compilation`  + `preset=감성_몽타주`  가 **텍스트로**  LLM에 전달  
 
 
-
 ### 모아보기
 
 :::note

blog/2026-07-14-08-숏폼-자동-생성-파이프라인-해설-1.md

@@ -1,18 +1,17 @@
 ---
 title: "08_숏폼 자동 생성 파이프라인 해설_1"
 date: 2026-07-14T12:08:00
-slug: 17
-authors: [sbin]
+slug: 18
 tags: [pipeline, shortform]
 last_update:
-  date: 2026-07-21
+  date: 2026-08-11
 ---
 
 ### 들어가며
 
 ---
 
-- 숏폼 자동 생성 서비스에 대한 간단한 소개이다. (pinpoint)
+- 숏폼 자동 생성 서비스에 대한 간단한 소개이다. 
 - ffmpeg 이용 커팅 되는 코드 부분 구현
 - 9/16, 16/9 
 

blog/2026-07-14-08-숏폼-자동-생성-파이프라인-해설-2.md

@@ -3,6 +3,7 @@ title: "09_DB 스키마 공개"
 date: 2026-07-14T12:09:00
 slug: 12
 authors: [sbin]
+tags: [업데이트 필요]
 last_update:
   date: 2026-07-21
 ---

blog/2026-07-14-09-db-스키마-공개.md

@@ -4,7 +4,7 @@ date: 2026-07-14T12:09:00
 slug: 10
 tags: [vllm, inference]
 last_update:
-  date: 2026-07-20
+  date: 2026-07-23
 ---
 
 ### 들어가며
@@ -15,6 +15,8 @@ last_update:
 
 <!--truncate-->
 
+/code
+
 ### 마무리
 
 ---

blog/2026-07-14-09-vllm-기본-추론-최적화-노하우-1건.md

@@ -3,7 +3,7 @@ title: "09_맥락 기반 광고 최적화 기술 해설 1건"
 date: 2026-07-14T12:09:00
 slug: 11
 last_update:
-  date: 2026-07-20
+  date: 2026-07-21
 ---
 
 ### 들어가며

blog/2026-07-14-09-맥락-기반-광고-최적화-기술-해설-1건.md

@@ -4,6 +4,17 @@ date: 2026-07-14T12:10:00
 slug: 13
 tags: [sbs]
 last_update:
-  date: 2026-07-21
+  date: 2026-07-24
 ---
 
+
+**뭐 하려는 거냐:** Real-ESRGAN이라는 AI 초해상도 모델을 쓰려는 겁니다. ffmpeg 스케일링은 픽셀을 늘려서 보간할 뿐이라 흐릿하게 커지기만 하는데, 이 모델은 저화질·압축된 영상에서 잃어버린 윤곽과 질감을 **복원하도록 학습된** 모델이라 결과가 확연히 다릅니다. 파이프라인은 이렇습니다:
+
+<!--truncate-->
+
+```text
+디코딩 → GPU 2장에 프레임 분배 → AI 4배 확대(640×360 → 2560×1440)
+  → 1920×1080으로 다운샘플(슈퍼샘플링 효과, 더 깔끔) → H.264 고비트레이트 재인코딩
+  → 원본 오디오 그대로 합치기
+```
+