Jun-seo Park
Ingegnere AI
In EveryInfra Jun-seo si occupa del routing dei modelli e del controllo dei costi nel gateway AI, compresa la policy sulle quote di utilizzo di ogni modello.
Formazione
- KAIST, laurea triennale in Informatica (2011–2015)
- KAIST, laurea magistrale in Machine learning (2015–2017)
Esperienze precedenti
- ByteDance (Seul / Pechino) — Ingegnere ML → Senior (2017–2024)
Articoli di Jun-seo Park
- GPT-6 Intelligent UI per un report sui brand da Reddit e X: esempio di configurazione MCP e test sui dati
GPT-6 Intelligent UI può rispondere con tabelle e grafici. OpenAI non dice che Intelligent UI rappresenti graficamente i dati MCP. Il nostro report su 3 brand ha generato costi API pari a 0,003336 $.
- GLM 5.3 in Claude Code: uno script per analizzare un tema su Zhihu e Weibo
Come usare GLM 5.3 in Claude Code con una chiave Z.ai o BigModel e fargli scrivere uno script che confronta le risposte di Zhihu e i commenti di Weibo, con i costi reali.
- Gemini Deep Research API con un server MCP remoto: dati social che puoi verificare
La Gemini Deep Research API accetta server MCP remoti ma non funzioni personalizzate. 7 chiamate live per dati social costano 0,0046 $. Configurazione, prezzi e verifica delle citazioni.
- Configurare DeepSeek V4 in Claude Code: quanto costa ripulire i commenti
Abbiamo fatto i conti per Claude Code su deepseek-flash, con l'MCP di EveryInfra che estrae 695 commenti da YouTube, Bilibili e Douyin. Il prezzo di picco è 1/10 di Sonnet 5.5, ma supera Haiku 5.5.
- Subagent di Claude Code: worker Haiku per analizzare gli account TikTok
Un account brand su TikTok vale circa 9.700 token di dati grezzi. Un subagent Haiku 5.5 restituisce un riepilogo di 95 token. 98 chiamate reali, gestione dei 429 e costo per 50 account.
- Osservatorio sull'ecosistema Jev (7): content scoring e filtraggio delle informazioni, dalle idee per startup ai test con le persona
Il secondo grande scenario dell'ecosistema: usare Jev per assegnare punteggi ai contenuti, filtrare i flussi di informazioni e prevedere il rendimento delle attività di outreach. Esaminiamo killmyidea, l'esperimento una tantum in cui Mike Taylor ha sottoposto a Jev 37 documenti pubblicati, il modello di viralità a 61 domande di SuperX e la simulazione con 10.000 persona di Crowdcheck.
- Osservatorio sull'ecosistema Jev (6): valutare la qualità del codice misurando i numeri reali, non le promesse
Decine di progetti dell'ecosistema dichiarano di usare Jev per valutare la qualità del codice, ma solo pochi pubblicano risultati di esperimenti controllati, costi e accuratezza. Esaminiamo i cinque risultati di agentjournal, le lezioni sui controlli meccanici di Supercov e la review per fasi di Jev Review per capire in quali casi d'uso Jev è adatto e in quali no.
- Osservatorio sull'ecosistema Jev (parte 5): come alimentare le primitive decisionali combinando dati live e calibrazione
Il riepilogo delle prime cinque parti della serie. Gli input di Noul, Choice e Score sono degli stati, e la loro provenienza determina il limite massimo dell'intera pipeline. Vediamo la divisione dei compiti tra livello dei dati e livello di giudizio, tre approcci pratici per combinarli, un catalogo pubblico eseguibile come punto di partenza e gli scenari in cui è meglio non combinarli.
- Osservatorio sull'ecosistema Jev (parte 4): il livello infrastrutturale nato in quattro giorni tra directory, cloni e adozione da parte delle piattaforme
Un'analisi di 500 repository: circa 10 demo ufficiali, 15 integrazioni con piattaforme, 50 applicazioni indipendenti, 90 strumenti per agenti e una coda lunga di 300 SDK. L'economia delle directory, i cloni compatibili, la distribuzione su due gateway e l'adozione a livello di piattaforma mostrano come si è formato in quattro giorni un nuovo livello infrastrutturale.
- Osservatorio sull'ecosistema Jev (parte 3): quattro giorni di fallimenti e quando non fidarsi
Le storie di successo possono dare alla testa. Una valutazione rigorosa da 1,43 $, un fallimento della guida rapida ufficiale e diversi difetti dichiarati dai prodotti tracciano i confini di affidabilità delle primitive decisionali: alta confidenza non significa risposta corretta, scomporre in dimensioni non significa fare meglio e con troppe opzioni il modello cede.
- Osservatorio sull'ecosistema Jev (parte 2): 30 progetti di guardrail per agenti, cosa hanno bloccato e cosa hanno lasciato passare
La supervisione degli agenti di coding è il caso d'uso principale dell'ecosistema Jev: in 72 ore oltre 30 progetti sono diventati quasi indistinguibili. Li suddividiamo in quattro architetture di guardrail, esaminiamo esempi empirici reali e ne ricaviamo principi di progettazione riproducibili.
- Osservatorio sull'ecosistema Jev (parte 1): cosa rivelano 220 casi in quattro giorni sulle primitive decisionali
Quattro giorni dopo il rilascio di Jev da parte di TypeSafe AI, abbiamo raccolto con dieci round di scansioni complete oltre 220 casi con fonti primarie. Questo è il primo articolo della serie: tre primitive semantiche, sei pattern ricorrenti, le lezioni dai fallimenti che si ripetono e il livello infrastrutturale emergente dell'ecosistema.
- Chiamare Gemini con l'SDK OpenAI: dalle richieste di testo minime a una migrazione pronta per il rollback
Isola i limiti di compatibilità di SDK, base URL e modelli. Valida richieste di testo non in streaming, errori e dettagli di fatturazione prima di ripristinare i parametri un task alla volta, senza dare per scontato che la compatibilità del client equivalga alla piena compatibilità del servizio.