(249)

89일차 회고|레슨 등록 자동화·REST API 설계|AI 오케스트레이션 개발자 국비지원

오늘은 AI 오케스트레이션 캠프 최종 프로젝트의 새로운 후보를 구체화하고, 이후 수업에서는 REST API 설계와 AI 에이전트의 툴 호출 명세를 학습했다.최근 멘토링에서 반복해서 강조된 것은 기능을 먼저 생각하지 말고, 누가 어떤 상황에서 불편을 겪는지 구체적으로 정의해야 한다는 점이었다.기존에 검토하던 AI 연애 리얼리티 서비스 역시 기존 서비스와 비교했을 때 어떤 문제가 남아 있는지 충분히 확인하지 못한 상태였다. 그래서 오늘은 다른 분야를 상상하기보다 내가 직접 경험한 일에서 문제를 찾아보기로 했다.그렇게 떠올린 분야가 음악 레슨이었다.처음에는 동네 음악 레슨을 지도에서 찾아보고 가격을 비교하는 서비스를 생각했지만, 팀원들과 논의하면서 방향이 달라졌다.레슨을 찾는 사람보다 여러 플랫폼에 레슨을 등..

최종 프로젝트 3차 멘토링 회고|사용자 검증과 페인포인트, 구현 가능성

최종 프로젝트 3차 멘토링에서는 팀원들이 준비한 서비스 아이디어를 검토하고, 실제 사용자 문제를 얼마나 구체적으로 정의했는지에 대한 피드백을 받았다.1차와 2차 멘토링에서도 타겟 사용자와 페인포인트(Pain Point)를 먼저 정의해야 한다는 이야기를 들었다. 이번에는 그 기준을 각 아이디어에 적용하면서 무엇이 부족하고, 어떤 방향으로 보완해야 하는지 더 구체적으로 살펴봤다.특히 이번 멘토링에서 강조된 내용은 세 가지였다.기능보다 사용자가 실제로 겪는 문제를 먼저 확인할 것개인적인 추측이나 AI 평가 점수보다 실제 사용자 인터뷰와 객관적인 근거를 확보할 것아무리 좋은 아이디어라도 기술적으로 구현할 수 있는지 검토할 것1. 좋은 서비스는 기능이 아니라 문제에서 시작한다이번 멘토링에서도 멘토님은 서비스 기획..

88일차 회고|사용자 화면 검증·기존 대안 비교·문제 정의|AI 오케스트레이션 개발자 국비지원

2026년 11월 17일 화요일오늘은 최종 프로젝트의 후보 기획안을 교차 검토하고, 멘토링을 위한 평가 자료를 보완했다.어제까지는 주로 **누가 어떤 문제를 겪고 있고, 어떤 기능으로 해결할 수 있을까?**를 고민했다면, 오늘은 한 단계 더 나아가 우리가 문제라고 생각하는 것이 실제로 확인된 사실인지 살펴보는 데 집중했다.특히 중고거래 피해 신고 준비 서비스를 검토하면서 중요한 차이를 발견했다.AI가 웹페이지에서 읽어낸 정보와 사용자가 실제 화면에서 찾아볼 수 있는 정보는 다를 수 있다는 점이다.오늘은 이 차이를 직접 확인하고 잘못 해석했던 부분을 정정하면서, 서비스 기획에서 근거를 검증하는 일이 얼마나 중요한지 생각해 볼 수 있었다.1. AI가 확인한 정보와 사용자가 보는 화면은 다르다중고거래 피해 신..

87일차 회고|PoC·AI 연애 리얼리티 기획·프로젝트 후보 평가|AI 오케스트레이션 개발자 국비지원

오늘 배운 내용2026년 11월 16일, AI 오케스트레이션 캠프 87일차.오늘은 최종 프로젝트의 아이디어를 구체화하고, 멘토링을 앞두고 팀의 프로젝트 후보를 비교·검토하는 데 집중했다.오전에는 강사님으로부터 기술 구현 가능성을 미리 검증하는 PoC의 중요성과 LLM의 도구 선택 성능을 평가하는 방법을 안내받았다.이후에는 개인적으로 준비한 AI 연애 리얼리티 시뮬레이션 기획안을 수정했다. 기존 서비스인 제타를 직접 플레이하며 발견한 내용을 정리하고, 팀장님의 피드백을 반영해 사용자 문제와 핵심 기능을 다시 정의했다.특히 오늘 중요하게 다룬 질문은 다음과 같았다."사용자가 이 서비스를 재미있어할 이유와, 실제로 해결해야 하는 문제는 같은 것일까?"이 질문을 중심으로 기획안을 수정하고, 팀원들이 준비한 다른..

261114_최종 프로젝트 2차 멘토링 회고 | 기능보다 문제 정의, 아이디어보다 사용자 중심의 기획

1. 멘토링 핵심 요약이번 멘토링에서는 팀원들이 제안한 프로젝트 아이디어를 검토하고, 실제로 서비스를 사용할 타겟 사용자와 페인포인트(Pain Point) 를 구체화하는 데 집중했다.멘토님이 가장 강조한 내용은 다음과 같다."기능을 먼저 생각하지 말고, 누가 어떤 불편함을 겪고 있는지부터 정의해야 한다."특히 좋은 서비스는 단순히 있으면 좋은 '비타민'이 아니라, 사용자가 겪는 문제를 직접 해결하는 '진통제'와 같아야 한다고 설명했다.아직 우리 팀은 개별적으로 아이디어를 조사한 상태이므로, 각자의 의견을 팀 전체가 검토하고 하나의 방향으로 정리하는 과정도 필요했다.2. 프로젝트 아이디어별 멘토 피드백① 연애 경험이 부족한 남성을 위한 시뮬레이션 서비스아이디어: 연애 경험이 부족한 사람이 가상의 상황에서 ..

4번째 미니프로젝트 3일차 회고|두바퀴 최종 발표, RAG·Jira 연동과 QA 검증

4번째 미니프로젝트 마지막 날오늘은 4번째 미니프로젝트의 마지막 날이었다.지난 3일 동안 진행한 **‘두바퀴 — 따릉이 민원 분류·접수 지원 시스템’**을 최종적으로 정리하고 발표하는 시간을 가졌다.이번 프로젝트에서는 Discord, n8n, RAG, Jira를 연결해 따릉이 이용자의 문의를 접수하고 처리하는 시스템을 구성했다.단순히 AI가 질문에 답변하는 챗봇이 아니라, 시민이 문의를 등록하면 AI가 처리할 수 있는 부분은 자동으로 안내하고, 해결하기 어려운 문제는 운영자에게 전달하는 구조를 만드는 것이 목표였다.마지막 날인 만큼 발표 자료와 시연 시나리오, 테스트 결과를 정리하고 실제 구현한 기능이 어떻게 동작하는지 보여주는 데 집중했다.1. 최종 발표 준비 — 무엇을 만들었는지보다 어떻게 동작하는지..

89일차 회고|레슨 등록 자동화·REST API 설계|AI 오케스트레이션 개발자 국비지원

AI 오케스트레이션 캠프/일차별 회고 2026. 11. 18. 16:31
728x90

 

오늘은 AI 오케스트레이션 캠프 최종 프로젝트의 새로운 후보를 구체화하고, 이후 수업에서는 REST API 설계와 AI 에이전트의 툴 호출 명세를 학습했다.

최근 멘토링에서 반복해서 강조된 것은 기능을 먼저 생각하지 말고, 누가 어떤 상황에서 불편을 겪는지 구체적으로 정의해야 한다는 점이었다.

기존에 검토하던 AI 연애 리얼리티 서비스 역시 기존 서비스와 비교했을 때 어떤 문제가 남아 있는지 충분히 확인하지 못한 상태였다. 그래서 오늘은 다른 분야를 상상하기보다 내가 직접 경험한 일에서 문제를 찾아보기로 했다.

그렇게 떠올린 분야가 음악 레슨이었다.

처음에는 동네 음악 레슨을 지도에서 찾아보고 가격을 비교하는 서비스를 생각했지만, 팀원들과 논의하면서 방향이 달라졌다.

레슨을 찾는 사람보다 여러 플랫폼에 레슨을 등록하는 선생님이 겪는 반복적인 업무가 더 구체적인 문제일 수 있다는 것을 발견했다.

이후 API 설계 수업을 들으며, 기획한 서비스를 실제로 구현한다면 기능뿐 아니라 요청·응답 구조, 인증과 권한, 실행 실패까지 정의해야 한다는 설계 과제도 살펴봤다.

1. 첫 번째 아이디어: 지도 기반 음악 레슨 탐색 서비스

음악 레슨 정보는 여러 곳에 흩어져 있다

예전에 미디와 믹싱을 배우려고 선생님을 찾았던 경험이 있다.

가까운 지역에서 어떤 선생님에게 배울 수 있는지 알아보려면 여러 사이트를 확인해야 했다.

  • 당근이나 숨고 같은 생활 서비스 플랫폼
  • 뮬이나 네이버 카페 같은 음악 관련 커뮤니티
  • 크몽이나 탈잉 같은 서비스 플랫폼
  • 인스타그램 등 개인 SNS

문제는 모든 선생님이 같은 플랫폼에 등록하는 것이 아니라는 점이었다.

어떤 선생님은 특정 커뮤니티에만 글을 올리고, 어떤 선생님은 SNS를 통해서만 문의를 받는다.

수업 가격도 비교하기 어려웠다.

예를 들어 한 선생님은 주 1회 90분 수업을 월 4회 진행하고, 다른 선생님은 주 1회 120분 수업을 월 4회 진행한다. 두 수업의 월 가격만 비교하면 실제 수업 시간에 따른 차이를 놓칠 수 있다.

게다가 가격을 공개하지 않고 상담을 통해 안내하는 경우도 있었다.

지도에서 위치와 가격을 비교한다면?

이 경험을 바탕으로 생각한 서비스는 다음과 같았다.

  1. 기타·보컬·미디·작곡 등 배우고 싶은 분야를 선택한다.
  2. 지도에서 원하는 지역을 탐색한다.
  3. 해당 지역의 레슨 목록과 가격을 확인한다.
  4. 수업 시간과 횟수를 기준으로 시간당 가격을 비교한다.
  5. 관심 있는 선생님의 상세 정보를 확인하고 문의한다.

부동산 앱에서 지도와 가격을 함께 확인하는 방식을 음악 레슨에 적용하는 아이디어였다.

레슨생을 직접 가르쳤던 경험에서도 위치와 가격은 중요한 조건이었다. 처음에는 선생님의 포트폴리오나 커리큘럼을 어떻게 평가해야 할지 모르는 사람도 있었기 때문이다.

하지만 이 아이디어에도 해결해야 할 질문이 있었다.

2. 팀 기획 회의: 편리한 기능이 곧 해결해야 할 문제일까?

회의에서는 지도 기반 서비스의 문제 정의가 아직 모호하다는 피드백을 받았다.

내가 제시한 불편함은 여러 사이트에 정보가 분산되어 있어 비교하기 어렵다는 것이었다.

그런데 팀원들은 이런 의견을 제시했다.

여러 사이트에 흩어진 정보를 찾는 것이 문제라면, 새로운 플랫폼을 만들지 않고 AI가 기존 사이트를 조사해 결과를 정리해 주는 방식으로도 해결할 수 있지 않을까?

생각해 보니 충분히 가능한 접근이었다.

사용자가 "수유동 근처에서 랩 레슨을 찾아줘"라고 요청하면 AI가 여러 출처에서 후보를 조사하고, 지도나 표로 정리해 보여주는 방식이다.

굳이 새로운 중개 플랫폼을 운영할 필요는 없을 수도 있었다.

플랫폼을 만든다면 선생님과 레슨생을 모집해야 하고, 등록 정보의 최신성도 관리해야 한다. 실제 문의와 거래까지 연결한다면 더 많은 운영 문제가 발생할 수 있다.

무엇보다 사용자가 기존 검색이나 일반 AI를 이용한 뒤에도 어떤 불편함을 겪는지 확인하지 못했다.

레슨을 적극적으로 비교하는 사람과 SNS에서 우연히 레슨 광고를 보고 관심을 갖는 사람은 탐색 과정 자체가 다를 수 있다는 점도 생각하게 됐다.

결국 지도는 내가 익숙하고 편하다고 생각한 인터페이스이지, 아직 검증된 해결책은 아니었다.

그래서 이 아이디어는 후속 후보로 남기고 다른 방향을 검토했다.

3. 두 번째 아이디어: 레슨 선생님의 반복적인 등록 업무

직접 레슨생을 모집하면서 겪었던 일

나는 음악 레슨을 제공하는 입장에서도 여러 플랫폼을 사용해 봤다.

플랫폼에 따라 홍보와 관리 방식이 조금씩 달랐다.

  • 네이버 카페: 일정한 주기로 레슨 모집 글을 게시했다.
  • 뮬: 기존 게시글의 '최신글 올리기' 기능을 활용했다.
  • 숨고: 견적 요청에 따라 장소, 가격, 커리큘럼 등을 다시 설명했다.
  • 다른 레슨 플랫폼: 사이트마다 요구하는 양식에 맞춰 수업 정보를 입력해야 했다.

특히 번거로웠던 부분은 같은 수업을 소개하는데도 플랫폼마다 형식이 다르다는 것이었다.

어떤 곳에서는 자유롭게 홍보 글을 작성할 수 있지만, 다른 곳에서는 정해진 항목을 입력하거나 여러 가격 상품을 구성해야 했다.

예를 들어 원래 운영하는 수업이 주 1회 90분, 월 4회 과정 하나뿐이어도 플랫폼에서 여러 가격 옵션을 요구하면 추가 내용을 준비해야 한다.

단순히 기존 글을 복사해서 붙여넣는 것으로 끝나지 않는 것이다.

최초 등록, 게시글 갱신, 문의 응대는 다른 문제였다

처음에는 이러한 일들을 모두 '레슨 홍보가 번거롭다'는 하나의 불편함으로 생각했다.

하지만 실제 업무를 나누어 보니 서로 다른 과정이었다.

업무반복되는 일

최초 등록 플랫폼별 필수 항목 확인 및 정보 입력
게시글 관리 글 재등록, 최신글 갱신, 정보 수정
문의 응대 가격·장소·커리큘럼 설명

내 경험상 하루 약 한 시간씩 견적과 상담 답장에 사용했던 시기도 있었다.

그러나 이것은 여러 문의에 응답한 시간을 합친 것이지, 최초 등록에 걸리는 시간이 아니다.

검증하지 않은 시간을 임의로 합치면 실제 해결하려는 문제가 흐려질 수 있다.

이번에는 범위를 좁혀 여러 플랫폼에 레슨을 처음 등록하는 과정부터 살펴보기로 했다.

4. AI 기반 음악 레슨 등록 자동화 서비스로 방향 전환

두 번째 아이디어를 논의하면서 문제를 조금 더 구체적으로 설명할 수 있게 됐다.

타깃 사용자

여러 플랫폼에서 레슨생을 모집하는 개인 음악 레슨 선생님이다.

랩뿐 아니라 보컬, 기타, 드럼, 미디, 작곡, 믹싱 등 다양한 음악 레슨을 고려했다.

페인포인트와 문제 정의

**페인포인트(Pain Point)**는 사용자가 실제 업무에서 느끼는 불편함이다.

이번에 발견한 불편함은 같은 레슨 정보를 여러 플랫폼에 맞춰 반복적으로 작성하고 수정해야 한다는 것이다.

이를 구체적인 문제로 정리하면 다음과 같다.

음악 레슨 선생님은 여러 플랫폼에서 레슨생을 모집할 때 같은 수업 정보를 사이트별 입력 방식과 요구사항에 맞게 반복해서 준비하고 등록하는 데 시간과 노력이 든다.

첫 번째 아이디어보다 사용자와 업무 과정이 구체적으로 드러나는 문제 정의였다.

핵심 기능: 한 번 입력하고 플랫폼별로 변환하기

구상한 서비스의 흐름은 다음과 같다.

레슨 선생님이 공통 정보 입력
          ↓
등록할 플랫폼 선택
          ↓
플랫폼별 필수 정보 확인
          ↓
부족한 정보 추가 질문
          ↓
AI가 사이트별 내용 변환
          ↓
선생님이 검토 및 수정
          ↓
허용된 방식으로 등록 지원
          ↓
완료·실패·확인 필요 상태 표시

선생님은 레슨 장소, 가격, 시간, 커리큘럼, 이력 등을 한 번 입력한다.

AI는 각 플랫폼에서 필요한 정보를 확인하고 입력 양식에 맞춰 내용을 준비한다.

여기서 중요한 것은 AI가 없는 정보를 임의로 만들어서는 안 된다는 점이다.

예를 들어 한 플랫폼이 세 가지 가격 상품을 요구하는데 선생님이 한 과정만 운영한다면, AI가 나머지 상품과 가격을 마음대로 만들면 안 된다.

필요한 정보가 부족하다고 안내하고 실제 선생님에게 확인받아야 한다.

5. AI 에이전트를 어디까지 활용할 수 있을까?

서비스 아이디어를 구체화하면서 실제 구현에 필요한 기술도 논의했다.

플랫폼별 입력 항목을 확인하고 내용을 변환하는 작업에는 LLM을 활용할 수 있을 것 같았다.

브라우저 자동화, API, MCP 등의 방법도 후보로 언급됐다.

다만 자동으로 등록할 수 있다는 가정부터 하고 개발해서는 안 된다.

플랫폼마다 정책과 인증 방식이 다르고, 자동 등록을 허용하지 않을 수도 있기 때문이다.

또한 공개된 웹페이지라고 해서 자동 수집이나 게시가 모두 허용되는 것은 아니다. 허용된 API와 자동화 경로부터 확인해야 한다.

멀티 에이전트가 꼭 필요할까?

프로젝트가 AI 오케스트레이션 과정이라고 해서 처음부터 여러 에이전트를 만드는 것이 정답은 아니다.

현재 생각한 역할은 정보 정리, 플랫폼 요구사항 확인, 내용 변환, 오류 검토, 등록 지원이다.

하지만 이것들을 각각 독립된 에이전트로 구현할 필요가 있는지는 아직 알 수 없다.

일반적인 템플릿이나 단일 AI만으로 해결할 수 있는 업무도 있을 것이다.

따라서 실제 작업을 비교하면서 역할을 분리할 필요가 있는지 판단하고, 멀티 에이전트 구조의 추가 가치도 확인할 계획이다.

6. 오늘 진행한 작업과 GitHub 기획안 정리

오늘은 아침 회의와 이전 멘토링 피드백을 정리하고, 신규 프로젝트 후보를 검토했다.

회의 과정에서 음악 레슨 탐색 서비스와 등록 자동화 서비스를 비교했으며, 두 번째 아이디어를 우선 구체화하기로 했다.

이후 회의 내용과 직접 경험한 사례를 바탕으로 AI 기반 음악 레슨 다중 플랫폼 등록 지원 서비스 1차 기획안을 작성했다.

기획안에는 타깃 사용자, 페인포인트, 문제 정의, 서비스 흐름, AI 활용 방향, 기술적 제약, 사용자 검증 계획 등을 정리했다.

또한 하루 동안 진행한 내용과 남은 과제를 GitHub 작업 기록에 남겼다.

아직 구현이나 자동 등록 테스트를 진행한 것은 아니다.

현재 완료한 것은 사용자 문제를 구체화하고 검증할 수 있는 형태의 1차 기획안을 만드는 작업이다. 팀의 최종 프로젝트 주제도 아직 확정되지 않았다.


7. REST API 설계 수업: 기능을 어떻게 연결하고 정의할 것인가?

프로젝트 기획을 정리한 이후에는 REST API 설계와 API 명세서 작성 방법에 관한 강의가 이어졌다.

이번 수업은 서비스를 실제로 개발하기 전에 프론트엔드, 백엔드, AI 에이전트가 어떤 정보를 주고받고, 각각 어떤 책임을 가져야 하는지 문서로 정의하는 과정에 관한 내용이었다.

REST API란?

REST(Representational State Transfer)는 클라이언트와 서버가 자원을 중심으로 통신하도록 설계하는 아키텍처 스타일이다.

API(Application Programming Interface)는 서로 다른 프로그램이 기능이나 데이터를 주고받을 수 있도록 정한 인터페이스다.

REST API에서는 주로 HTTP 메서드를 사용해 특정 자원에 대한 작업을 표현한다.

대표적인 메서드는 다음과 같다.

HTTP 메서드주요 기능CRUD

GET 데이터 조회 Read
POST 데이터 생성·처리 요청 Create 등
PUT 데이터 전체 교체 Update
PATCH 데이터 일부 수정 Update
DELETE 데이터 삭제 Delete

여기서 CRUD는 Create, Read, Update, Delete의 약자로 데이터를 생성·조회·수정·삭제하는 기본 작업을 의미한다.

REST API를 설계할 때는 URL에 동작을 나타내는 명령어를 넣기보다 무엇을 다루는지 자원 중심으로 표현하는 것이 중요하다고 설명했다.

예를 들어 레슨 정보를 관리하는 API를 만든다고 가정하면 다음과 같이 설계할 수 있다.

GET    /api/v1/lessons
POST   /api/v1/lessons
GET    /api/v1/lessons/{lesson_id}
PATCH  /api/v1/lessons/{lesson_id}
DELETE /api/v1/lessons/{lesson_id}

이것은 수업 내용을 레슨 서비스에 적용해 본 가상의 예시이며, 실제 프로젝트에서 확정하거나 구현한 API는 아니다.

같은 URL이라도 HTTP 메서드에 따라 수행하는 작업이 달라진다.

REST의 주요 설계 원칙

강의에서는 특히 세 가지를 설명했다.

첫 번째는 클라이언트와 서버의 분리다.

프론트엔드는 사용자에게 화면을 보여주고 입력을 받는다. 백엔드는 요청을 처리하고 데이터를 관리한다.

역할을 분리하면 화면과 서버 기능을 독립적으로 개발하고 수정하기 쉬워진다.

두 번째는 무상태성(Stateless)이다.

서버는 개별 요청을 이해하고 처리하는 데 필요한 정보를 요청마다 받을 수 있어야 한다.

이것은 서버가 데이터베이스를 사용하거나 정보를 저장할 수 없다는 뜻이 아니다. 이전 요청에서 기억한 사용자별 대화 상태에 의존하지 않고 현재 요청을 처리할 수 있도록 한다는 의미다.

세 번째는 일관된 인터페이스다.

API마다 다른 규칙을 사용하는 대신 자원 식별 방식과 요청·응답 구조에 일관성을 유지해야 한다.

이러한 규칙이 있어야 여러 개발자가 같은 API 명세서를 보고 작업할 수 있다.

8. HTTP 요청과 응답, 상태 코드를 이해하기

REST API 설계에서 중요한 부분은 클라이언트가 무엇을 보내고 서버가 무엇을 반환하는지 정의하는 것이다.

HTTP 요청은 어떻게 구성될까?

HTTP 요청 메시지는 크게 시작줄, 헤더, 본문으로 구성된다.

다음은 JSON 데이터를 전달하는 요청의 예시다.

POST /api/v1/lessons HTTP/1.1
Authorization: Bearer <JWT_TOKEN>
Content-Type: application/json

{
  "title": "미디 입문 레슨",
  "duration_minutes": 90,
  "monthly_price": 250000
}

이 예시는 설명을 위해 만든 것으로 실제 API 호출 결과는 아니다.

각 구성 요소의 역할은 다음과 같다.

  • POST: 서버에 데이터를 생성하거나 처리하도록 요청하는 HTTP 메서드
  • /api/v1/lessons: 요청 대상 자원을 나타내는 경로
  • Authorization: 인증 정보를 전달하는 헤더
  • Content-Type: 본문의 데이터 형식을 나타내는 헤더
  • JSON: 서버에 전달하는 실제 데이터 형식

JSON(JavaScript Object Notation)은 키와 값으로 데이터를 표현하는 형식으로, API에서 자주 사용된다.

상태 코드로 요청 결과 구분하기

서버는 요청을 처리한 결과를 HTTP 상태 코드로 반환한다.

상태 코드의미

200 OK 요청 성공
201 Created 새로운 자원 생성 완료
202 Accepted 요청 접수, 처리 완료는 아님
204 No Content 성공했지만 반환할 본문 없음
400 Bad Request 잘못된 요청
401 Unauthorized 인증 실패 또는 인증 정보 없음
403 Forbidden 접근 권한 부족
404 Not Found 요청한 자원을 찾을 수 없음
409 Conflict 현재 자원 상태와 요청이 충돌
422 Unprocessable Content 요청 내용의 검증·처리 문제
500 Internal Server Error 서버 내부 오류

강의에서는 상태 코드를 개별 숫자만으로 외우기보다 그룹별로 이해하는 것도 강조했다.

2xx는 성공, 4xx는 클라이언트 요청과 관련된 오류, 5xx는 서버 측 오류를 나타낸다.

특히 401과 403은 구분해야 한다.

401은 인증되지 않았거나 인증 정보가 유효하지 않은 상황이고, 403은 요청을 수행할 권한이 없는 상황이다.

사용자가 로그인했더라도 다른 사람의 레슨 정보를 수정할 권한은 없을 수 있다.

이처럼 사용자가 누구인지 확인하는 인증과 무엇을 할 수 있는지 확인하는 권한 검사는 서로 다른 과정이다.

9. API 명세서에는 무엇을 작성해야 할까?

강의에서는 API 구현에 앞서 명세서에 포함해야 하는 항목들을 설명했다.

주요 구성은 다음과 같다.

  1. 공통 정보 및 인증 방식
  2. 전체 API 목록
  3. 엔드포인트별 상세 명세
  4. 입력값 검증과 권한 규칙
  5. AI 에이전트의 툴 호출 명세
  6. 타임아웃·재시도·중복 실행 방지 등 실행 규칙

여기서 엔드포인트(Endpoint)는 클라이언트가 특정 API 기능에 접근하기 위한 경로와 요청 방식을 의미한다.

엔드포인트별 상세 명세

각 API에서는 다음과 같은 내용을 정의해야 한다.

  • 호출 목적: 누가 언제 어떤 이유로 사용하는가?
  • 요청 방식: HTTP 메서드와 URL은 무엇인가?
  • 헤더 및 파라미터: 어떤 인증 정보와 값이 필요한가?
  • 요청 본문: 어떤 JSON 데이터를 전달하는가?
  • 검증 규칙: 필수 정보와 권한을 어떻게 확인하는가?
  • 정상 응답: 성공했을 때 어떤 결과를 반환하는가?
  • 오류 응답: 실패했을 때 어떤 코드와 메시지를 반환하는가?
  • 실행 규칙: 시간 초과, 재시도, 중복 요청은 어떻게 처리하는가?

URL에서도 명명 규칙을 통일하도록 설명했다.

일반적으로 소문자와 하이픈을 사용하고, API 버전을 경로에 포함하는 방식을 활용할 수 있다.

GET /api/v1/registration-jobs

목록을 조회할 때 필터, 정렬, 페이지 번호 등은 쿼리 파라미터로 전달할 수 있다.

GET /api/v1/registration-jobs?status=completed&page=1&size=20

이러한 규칙은 서로 다른 개발자가 API를 이해하고, 프론트엔드와 백엔드를 연결하는 데 도움이 된다.

요구사항과 API 문서를 연결하기

강의에서는 기능 요구사항을 나타내는 FR ID도 강조했다.

기획서에 작성한 기능 요구사항이 실제 어떤 API로 구현되고, 어떤 데이터와 권한 규칙을 사용하는지 연결해야 한다는 내용이다.

최종적으로는 기능 요구사항, API 설계서, DB 스키마, AI 보안 규칙, 통합 테스트 결과 사이의 일관성을 확인해야 한다.

단순히 문서를 여러 개 작성하는 것이 아니라 모든 문서가 같은 기능과 동작을 설명해야 한다는 점이 중요하다.

10. AI 에이전트의 툴 호출은 일반 API와 무엇이 다를까?

이번 수업에서 프로젝트와 직접 연결해 생각해 볼 수 있었던 부분은 AI 에이전트의 툴 호출 명세였다.

일반적인 REST API에서는 프론트엔드나 외부 시스템이 서버에 요청을 보낸다.

반면 AI 에이전트가 툴을 사용할 때는 LLM이 작업에 필요한 툴을 선택하고 호출 인자를 생성할 수 있다.

예를 들어 레슨 등록 지원 서비스에서 다음과 같은 작업을 생각할 수 있다.

사용자가 레슨 정보 입력
          ↓
AI가 입력 정보 분석
          ↓
등록할 플랫폼의 필수 항목 확인
          ↓
부족한 정보 확인 요청
          ↓
등록 초안 생성
          ↓
사용자 검토 및 승인
          ↓
허용된 등록 기능 실행

하지만 LLM이 생성한 인자를 곧바로 신뢰해서는 안 된다.

AI가 잘못된 값을 생성하거나 권한을 벗어나는 작업을 요청할 수도 있기 때문이다.

AI 툴 실행 전 확인해야 할 사항

강의에서는 툴 실행 전에 서버가 다음 항목을 검증해야 한다고 설명했다.

  • 해당 에이전트에게 허용된 툴인가?
  • 요청한 사용자에게 작업 권한이 있는가?
  • 작업 대상 데이터가 해당 사용자의 소유인가?
  • 필요한 사용자 승인 절차를 거쳤는가?

예를 들어 A 선생님의 레슨 정보를 B 선생님의 계정으로 수정하거나 등록해서는 안 된다.

AI가 생성한 요청이라고 해서 인증과 권한 검사를 생략할 수 없는 것이다.

또한 에이전트가 여러 개라면 어떤 에이전트가 어떤 툴을 사용하고, 실패했을 때 누구에게 다음 작업을 전달하는지까지 명세해야 한다.

강의에서는 슈퍼바이저가 작업을 분배하고, 진단 에이전트가 문제를 분석한 뒤 복구 에이전트로 전달하는 흐름을 예로 설명했다.

이 구조를 실제 프로젝트에 적용할지는 아직 결정하지 않았지만, 멀티 에이전트 시스템에서 역할과 실행 권한을 명확히 구분해야 하는 이유를 살펴볼 수 있었다.

11. 오래 걸리는 AI 작업을 처리하는 방법

API 설계에서는 정상적으로 요청을 처리하는 것뿐 아니라 작업이 오래 걸리거나 실패하는 상황도 고려해야 한다.

동기 처리와 비동기 처리

일반적인 API 요청에서는 서버가 작업을 처리하고 결과를 반환할 때까지 클라이언트가 기다릴 수 있다.

하지만 LLM 호출이나 여러 단계의 에이전트 작업은 시간이 오래 걸릴 수 있다.

이런 작업을 모두 요청 처리 중에 끝내려고 하면 응답 시간이 길어지고 서버 자원도 오래 점유하게 된다.

이때 활용할 수 있는 방식이 비동기 작업 처리다.

사용자 요청
    ↓
서버가 작업 접수
    ↓
202 Accepted 반환
    ↓
백그라운드 작업 실행
    ↓
작업 상태 저장
    ↓
사용자가 처리 상태 조회
    ↓
완료 또는 실패 결과 확인

202 Accepted는 서버가 요청을 접수했지만 아직 작업을 완료하지 않았다는 의미다.

따라서 작업 결과를 별도로 확인할 수 있는 구조를 함께 고려해야 한다.

타임아웃, 재시도, 중복 실행 방지

강의에서는 작업이 실패했을 때 재시도하는 방법도 설명했다.

대표적인 방식이 **지수 백오프(Exponential Backoff)**다.

재시도를 즉시 반복하지 않고 1초, 2초, 4초처럼 대기 시간을 늘리는 방식이다.

다만 모든 요청을 무조건 재시도하면 안 된다.

예를 들어 플랫폼에 레슨 등록 요청을 보냈는데 응답이 늦어진 상황을 생각할 수 있다.

실제로는 등록이 완료됐지만 클라이언트가 응답을 받지 못했을 수도 있다. 이때 같은 요청을 다시 보내면 중복 등록이 발생할 수 있다.

이처럼 반복 요청에 의한 잘못된 결과를 방지하려면 **멱등성(Idempotency)**도 고려해야 한다.

멱등성은 동일한 요청을 여러 번 수행해도 서버 자원에 미치는 최종 효과가 같도록 하는 성질이다.

조회에 사용하는 GET이나 자원 교체에 사용하는 PUT은 기본적으로 멱등성을 갖도록 정의된 메서드다. 반면 POST는 일반적으로 중복 실행을 별도로 방지해야 한다.

레슨 등록 자동화에서도 실제 등록 결과를 확인하고, 같은 작업이 반복 실행되지 않도록 하는 방식이 중요할 수 있다.

12. 오늘 배운 API 설계를 프로젝트에 연결한다면?

오늘 작성한 음악 레슨 등록 지원 기획안은 아직 서비스 흐름을 정의하는 초기 단계다.

하지만 API 설계 수업에서 배운 내용을 바탕으로 구현 단계에서 확인해야 할 사항을 구분할 수 있다.

기획한 기능설계 시 확인할 사항

레슨 정보 입력 입력 JSON 형식과 필수 항목
플랫폼 선택 플랫폼별 요구사항 관리
AI 내용 변환 툴 입력·출력 명세와 검증
사용자 검토 수정 권한과 승인 상태
등록 요청 인증 방식과 중복 실행 방지
등록 상태 확인 작업 상태와 오류 응답

예를 들어 등록 지원 작업이 오래 걸린다면 요청을 접수한 뒤 별도의 작업 ID를 반환하고, 사용자가 완료 여부를 조회하는 방식을 검토할 수 있을 것이다.

또한 AI가 레슨 소개를 변환했을 때 원본에 없는 가격이나 커리큘럼이 추가되지 않았는지 확인하는 검증 단계도 필요하다.

다만 이것들은 오늘 학습한 설계 개념을 프로젝트 후보에 적용해 본 방향이다.

실제 API 명세 작성, DB 스키마 설계, 에이전트 구현, 성능 테스트까지 진행한 것은 아니다.

프로젝트 주제가 최종 선정되고 구현 범위가 정해진 뒤 구체화해야 한다.

13. 다음에 확인하고 복습할 부분

프로젝트 기획 검증

앞으로는 다른 음악 레슨 선생님들에게 직접 물어볼 계획이다.

  • 최근 어떤 플랫폼에 레슨을 등록했는가?
  • 최초 등록할 때 어떤 내용을 반복해서 입력했는가?
  • 플랫폼별 양식 때문에 추가로 준비한 정보는 무엇인가?
  • 최초 등록에 실제로 얼마나 시간이 걸렸는가?
  • 기존 템플릿이나 일반 AI로도 충분히 해결할 수 있는가?

그리고 같은 레슨 자료를 가지고 세 가지 방식을 비교해 보고 싶다.

  1. 기존 문구를 직접 복사하고 수정하는 방식
  2. 일반 AI를 활용해 플랫폼별 초안을 만드는 방식
  3. 플랫폼별 필수 항목과 입력을 지원하는 방식

작업 시간뿐 아니라 누락된 정보, 잘못 변환된 가격, 사람이 수정해야 했던 횟수도 함께 확인해야 한다.

AI가 작업 시간을 단축하더라도 가격이나 커리큘럼을 잘못 입력한다면 좋은 해결책이라고 볼 수 없기 때문이다.

우선 한 플랫폼의 실제 등록 요구사항과 허용 범위를 확인한 뒤, 11월 21일 토요일 프로젝트 논의에서 구현 범위를 검토할 계획이다.

API 설계 복습

기술적으로는 다음 개념을 복습할 필요가 있다.

  • REST API와 HTTP 메서드의 역할
  • URL 경로와 쿼리 파라미터의 차이
  • JSON 요청·응답 구조
  • JWT 인증과 401·403 상태 코드
  • API 명세서와 기능 요구사항(FR) 연결
  • AI 툴 호출 시 권한과 입력값 검증
  • 비동기 처리, 재시도와 멱등성

특히 REST API와 AI 에이전트 툴 호출의 차이, 그리고 API가 오래 걸리는 작업을 처리하는 방식을 다시 정리해 보고 싶다.

14. 오늘의 회고: 사용자 문제에서 시스템 설계까지

오늘은 프로젝트 기획과 기술 설계를 서로 다른 관점에서 살펴본 하루였다.

기획 회의에서는 무엇을 만들어야 하는가를 고민했고, 이후 강의에서는 그 기능을 실제 시스템으로 만들 때 무엇을 정의해야 하는가를 배웠다.

처음에는 여러 플랫폼에 흩어진 레슨 정보를 지도에 보여주면 편리할 것이라고 생각했다.

하지만 회의에서 질문을 받으면서 내가 제시한 기능이 실제 사용자의 가장 큰 문제를 해결하는지 확신할 수 없었다.

반면 레슨 선생님으로 활동하면서 여러 사이트에 정보를 등록했던 과정을 떠올리자 구체적인 작업이 보였다.

어떤 정보를 입력하고, 어떤 부분을 다시 수정하며, 플랫폼마다 어떤 요구사항이 다른지 설명할 수 있었다.

이러한 경험이 있다고 해서 다른 선생님도 같은 불편함을 느낀다고 단정할 수는 없다. 오히려 직접 경험한 부분과 추가 검증이 필요한 부분을 구분하는 것이 중요하다는 생각이 들었다.

또 하나 기억에 남는 것은 모든 기능을 처음부터 만들 필요가 없다는 점이다.

게시글 갱신, 광고 관리, 문의 자동 응대, 지도 기반 탐색까지 모두 구현한다면 서비스의 규모는 커질 수 있다. 하지만 실제 문제가 해결되는지는 오히려 확인하기 어려워질 수 있다.

지금은 많은 기능보다 하나의 반복 업무를 정확하게 해결할 수 있는지가 더 중요하다.

API 설계 수업 역시 이 흐름과 연결해서 생각해 볼 수 있었다.

사용자의 작업을 하나의 기능으로 정의하더라도 실제 개발에서는 요청과 응답, 인증과 권한, 오류 처리, 재시도 같은 세부적인 규칙들이 필요하다.

특히 AI 에이전트가 외부 서비스에 실제 작업을 수행하도록 만들려면 단순히 LLM이 명령을 생성하는 것에서 끝나지 않는다.

사용자가 승인한 내용인지, 실행할 권한이 있는지, 이미 처리된 요청인지, 실패하면 어떤 상태를 남길 것인지까지 고려해야 한다.

오늘은 코드를 직접 구현하거나 API 테스트를 진행한 날은 아니지만, 기획에서 구체화해야 할 사용자 문제와 이후 개발에서 정의해야 할 기술적 책임을 함께 정리할 수 있었다.

최종 프로젝트를 진행하면서 점점 더 중요하게 느껴지는 것은 AI 기술 자체보다 누구를 위해 어떤 문제를 해결해야 하는지 설명하고, 그 해결 과정을 검증 가능한 형태로 설계하는 능력이다.

다음에는 실제 음악 레슨 선생님들도 같은 문제를 겪고 있는지 확인하고, 기존 방식보다 더 나은 해결책을 만들 수 있을지 검증해 보고 싶다.

랩보다 AI 더 잘해지기

랩보다 AI 더 잘해지기

JASN OK / 제이슨 옥 RAPPER / Programmer

최종 프로젝트 3차 멘토링 회고|사용자 검증과 페인포인트, 구현 가능성

AI 오케스트레이션 캠프/최종프로젝트 2026. 11. 18. 11:16
728x90

최종 프로젝트 3차 멘토링에서는 팀원들이 준비한 서비스 아이디어를 검토하고, 실제 사용자 문제를 얼마나 구체적으로 정의했는지에 대한 피드백을 받았다.

1차와 2차 멘토링에서도 타겟 사용자와 페인포인트(Pain Point)를 먼저 정의해야 한다는 이야기를 들었다. 이번에는 그 기준을 각 아이디어에 적용하면서 무엇이 부족하고, 어떤 방향으로 보완해야 하는지 더 구체적으로 살펴봤다.

특히 이번 멘토링에서 강조된 내용은 세 가지였다.

  • 기능보다 사용자가 실제로 겪는 문제를 먼저 확인할 것
  • 개인적인 추측이나 AI 평가 점수보다 실제 사용자 인터뷰와 객관적인 근거를 확보할 것
  • 아무리 좋은 아이디어라도 기술적으로 구현할 수 있는지 검토할 것

1. 좋은 서비스는 기능이 아니라 문제에서 시작한다

이번 멘토링에서도 멘토님은 서비스 기획의 출발점이 기능이어서는 안 된다고 강조했다.

예를 들어 AI 추천 시스템을 만들 수 있다고 해서 그 시스템이 반드시 필요한 것은 아니다.

먼저 서비스를 사용할 사람이 누구인지, 그 사람이 실제로 어떤 불편함을 겪고 있는지 확인해야 한다.

이를 정리하면 다음과 같다.

타겟 사용자 → 페인포인트 → 문제의 근거 → 해결 방안 → 핵심 기능

여기서 중요한 것은 페인포인트가 단순히 불편할 것 같은 문제가 아니라, 실제 사용자가 해결하기를 원하는 문제여야 한다는 점이다.

또한 팀에서 아이디어를 선정할 때 AI 모델이 매긴 평가 점수만 믿어서는 안 된다는 피드백도 있었다.

AI 모델마다 평가 결과가 달라질 수 있고, 높은 점수를 받았다고 해서 실제 사용자에게 필요한 서비스라는 의미는 아니기 때문이다.

결국 아이디어의 가치는 AI의 평가 점수가 아니라 실제 문제의 존재와 해결 필요성을 뒷받침하는 근거를 통해 판단해야 한다.

2. 프로젝트 아이디어별 멘토 피드백

① 중고거래 사기 피해 대응 서비스

중고거래 사기 피해자가 신고나 법적 대응 과정에서 겪는 어려움을 해결하는 서비스다.

이번에는 타겟을 전체 사기 피해자가 아니라 처음 중고거래 사기를 당한 사람으로 좁혔다는 점에서 이전보다 구체화되었다는 평가를 받았다.

하지만 여전히 해결해야 할 문제가 넓다는 피드백이 있었다.

  • 신고 과정 자체가 어려운 것인지
  • 신고 이후 소송 과정이 어려운 것인지
  • 피해자가 실제로 가장 큰 불편함을 느끼는 단계는 어디인지

이러한 부분을 구분해야 한다는 것이다.

보완 방향: 처음 사기 피해를 경험한 사람이 신고 과정에서 겪는 구체적인 어려움을 조사하고, 우선 해결할 문제 하나에 집중하기.

② AI 음식·메뉴 추천 서비스

사용자의 취향이나 상황에 맞는 음식을 AI가 추천하는 서비스다.

하지만 멘토님은 메뉴를 선택하는 데 몇 분이 걸리는 것이 실제로 해결할 가치가 큰 문제인지 의문을 제기했다.

또한 서비스를 사용하는 시점도 명확하지 않았다.

식당에 가기 전에 무엇을 먹을지 고민하는 사람과, 식당에 들어간 후 메뉴를 선택하는 사람은 서로 다른 문제를 겪을 수 있기 때문이다.

특히 키오스크나 음성인식 같은 기능을 먼저 정하면, 서비스의 목적이 그 기능에 맞춰 계속 달라질 수 있다는 점도 지적했다.

보완 방향: 서비스 이용 시점과 타겟 사용자를 명확하게 정의하고, 메뉴 선택의 어려움이 실제로 해결할 가치가 있는 문제인지 검증하기.

③ 공공사업 행정업무 자동화 서비스

공공사업과 관련된 행정업무에서 반복적인 서류 발급과 수작업을 줄이기 위한 서비스다.

이번 멘토링에서 문제를 발굴한 방식에 대해 가장 긍정적인 평가를 받았다.

그 이유는 실제 업계 실무자를 인터뷰해 문제를 발견했기 때문이다.

반복적인 서류 발급으로 시간과 인건비가 낭비된다는 점이 비교적 명확했고, 실제 사용자의 경험을 바탕으로 문제를 정의했다는 장점이 있었다.

하지만 기술적인 제약도 확인되었다.

  • 정부 시스템의 간편인증 처리
  • 키보드 보안 및 인증 모듈
  • 개발팀에서 직접 해결하기 어려운 시스템 제약

실제 문제가 존재하더라도 이를 기술적으로 해결할 수 없다면 프로젝트 진행에 어려움이 생길 수 있다.

보완 방향: 기술적 제약과 구현 위험성을 검토하고, 실제 사용자 인터뷰를 통해 문제를 발굴한 접근 방식은 다른 아이디어에도 적용하기.

④ AI 연애 리얼리티 서비스

여러 AI 참가자와 상호작용하며 선택에 따라 관계와 이야기가 달라지는 연애 리얼리티 시뮬레이션 서비스다.

이번 멘토링에서는 긴 시간 논의되지는 않았지만, 두 가지 검토 사항이 제시되었다.

  • 기존 AI 채팅 서비스와 어떤 차별점이 있는지 확인할 것
  • 구현해야 할 기능이 지나치게 많아지지 않도록 범위를 검토할 것

보완 방향: 기존 서비스와 비교해 차별점을 명확히 하고, 핵심 경험을 제공하는 데 필요한 기능부터 정의하기.

3. 이번 멘토링에서 중요했던 세 가지

실제 사용자 인터뷰의 중요성

이번 멘토링에서 가장 분명하게 드러난 것은 실제 사용자 의견의 중요성이었다.

서비스를 기획하는 사람의 입장에서 불편할 것이라고 생각하는 것과, 실제 사용자가 불편함을 경험하는 것은 다르다.

공공사업 행정업무 자동화 아이디어가 좋은 평가를 받은 것도 화려한 기능 때문이 아니라, 실제 실무자에게서 문제를 발견했다는 점 때문이었다.

앞으로 다른 아이디어도 가능하다면 인터뷰나 실제 사례를 통해 문제를 검증해야 할 것 같다.

AI 평가 점수가 정답은 아니다

팀에서 여러 아이디어를 비교하고 선정할 때 AI를 활용할 수 있다.

하지만 AI가 높은 점수를 준 아이디어라고 해서 반드시 좋은 프로젝트가 되는 것은 아니다.

모델마다 판단 기준과 결과가 달라질 수 있기 때문이다.

따라서 AI의 평가는 참고 자료로 사용하되, 실제 사용자 문제와 객관적인 근거를 중심으로 팀이 직접 판단하는 과정이 필요하다.

문제의 가치와 구현 가능성은 함께 검토해야 한다

공공사업 행정업무 자동화 아이디어를 통해 또 하나의 중요한 기준을 확인했다.

문제 정의가 명확하고 실제 수요가 있더라도 기술적인 제약으로 구현이 어려울 수 있다.

반대로 기술적으로 쉽게 만들 수 있어도 사용자가 필요로 하지 않는 서비스라면 가치가 부족할 수 있다.

결국 좋은 프로젝트를 선정하려면 실제 문제의 존재, 해결 필요성, 구현 가능성을 함께 검토해야 한다.

4. 다음 멘토링 및 향후 계획

다음 멘토링은 11월 21일(토) 13:00~16:00, 창업 허브에서 오프라인으로 진행할 예정이다.

이 시간에는 문제를 발굴하는 프레임워크를 학습하고 프로젝트 기획을 구체화할 계획이다.

그전까지는 다음 내용을 중심으로 아이디어를 보완해야 한다.

  1. 각 아이디어의 타겟 사용자 구체화
  2. 실제 페인포인트와 문제의 심각성 검증
  3. 사용자 인터뷰 및 실제 사례 등 근거 확보
  4. 기존 서비스와의 차별점 확인
  5. 핵심 기능과 기술적 구현 가능성 검토

기존에 작성한 기획서와 WBS(작업 분할 구조)도 실제 프로젝트 방향에 맞춰 수정할 필요가 있다.

API 설계 문서와 DB 스키마 설계서의 제출 일정 및 수정 가능 여부는 추가 확인이 필요한 상태다.

5. 오늘의 회고

이번 3차 멘토링은 앞선 멘토링에서 배운 문제 정의의 중요성을 실제 팀 아이디어에 적용해 보는 시간이었다.

특히 이번에는 문제 정의가 명확하다는 것과 기술적으로 구현할 수 있다는 것이 서로 다른 문제라는 점을 확인할 수 있었다.

공공사업 자동화 아이디어처럼 실제 사용자 인터뷰로 문제를 발견한 사례는 좋은 참고가 되었다. 반면 실제 문제가 존재하더라도 기술적 제약이 크다면 프로젝트 범위를 다시 검토해야 한다는 점도 중요했다.

AI 에이전트를 활용하면 다양한 기능을 빠르게 구현할 수 있지만, 그렇다고 사용자가 필요로 하는 서비스가 자동으로 만들어지는 것은 아니다.

결국 AI는 문제를 해결하기 위한 도구이고, 어떤 문제를 해결할 가치가 있는지 판단하는 일은 사람이 해야 한다.

아직 최종 프로젝트에서 해결할 문제를 더 구체화해야 하는 상황이다. 다음 멘토링에서는 새로운 기능을 추가하는 것보다 실제 사용자 의견과 객관적인 근거를 바탕으로 프로젝트 방향을 정교하게 만드는 데 집중해야겠다.

좋은 프로젝트는 만들 수 있는 기능을 찾는 것이 아니라, 해결할 가치가 있는 문제를 발견하는 것에서 시작한다.

랩보다 AI 더 잘해지기

랩보다 AI 더 잘해지기

JASN OK / 제이슨 옥 RAPPER / Programmer

88일차 회고|사용자 화면 검증·기존 대안 비교·문제 정의|AI 오케스트레이션 개발자 국비지원

AI 오케스트레이션 캠프/일차별 회고 2026. 11. 17. 19:16
728x90

 

2026년 11월 17일 화요일

오늘은 최종 프로젝트의 후보 기획안을 교차 검토하고, 멘토링을 위한 평가 자료를 보완했다.

어제까지는 주로 **누가 어떤 문제를 겪고 있고, 어떤 기능으로 해결할 수 있을까?**를 고민했다면, 오늘은 한 단계 더 나아가 우리가 문제라고 생각하는 것이 실제로 확인된 사실인지 살펴보는 데 집중했다.

특히 중고거래 피해 신고 준비 서비스를 검토하면서 중요한 차이를 발견했다.

AI가 웹페이지에서 읽어낸 정보와 사용자가 실제 화면에서 찾아볼 수 있는 정보는 다를 수 있다는 점이다.

오늘은 이 차이를 직접 확인하고 잘못 해석했던 부분을 정정하면서, 서비스 기획에서 근거를 검증하는 일이 얼마나 중요한지 생각해 볼 수 있었다.


1. AI가 확인한 정보와 사용자가 보는 화면은 다르다

중고거래 피해 신고 준비 서비스 교차 검토

오늘 내가 중점적으로 검토한 기획안은 팀원 R03의 중고거래 피해 신고 준비 지원 서비스였다.

중고거래 피해를 경험한 사람이 경찰청 ECRM(사이버범죄 신고시스템)을 이용할 때 필요한 자료를 정리하고, 신고 과정의 반복 작업을 줄이는 것이 목표인 서비스다.

현재 기획안에서 주목하는 문제는 신고 과정에서 시간이 만료되었을 때 다시 인증하고 내용을 입력해야 하는 부담이다.

처음 검토하면서 ECRM 페이지 데이터에서 증빙자료와 진술서 작성 예시를 확인했다. 그래서 해당 안내를 로그인 전에 사용자가 확인할 수 있다고 해석했다.

하지만 직접 ECRM에 접속해 신고하기 버튼을 눌러보니, 내가 실제로 확인한 화면은 접수 절차를 설명하는 팝업이었다.

페이지 데이터에 안내 문구가 존재한다는 것은 확인했지만, 그 문구가 실제 화면에서 어디에 나타나는지, 로그인 전에 쉽게 찾을 수 있는지는 확인되지 않은 상태였다.

이 차이를 발견한 뒤 기존 검토 의견을 정정하고 Discord에 공유했다.

여기서 배운 점

이번 경험을 통해 다음 세 가지가 서로 다르다는 것을 알게 됐다.

  • 데이터에 존재하는 정보: AI나 프로그램이 웹페이지에서 읽을 수 있는 내용
  • 사용자가 접근할 수 있는 정보: 실제 화면에서 확인할 수 있는 내용
  • 사용자가 활용할 수 있는 정보: 필요한 순간에 어렵지 않게 찾아서 문제 해결에 사용할 수 있는 내용

서비스를 만들 때 단순히 기존 사이트에 정보가 있는지만 확인해서는 안 된다는 생각이 들었다.

이미 안내가 충분히 제공되고 있다면 새로운 서비스가 불필요할 수 있다. 반대로 정보가 존재하더라도 사용자가 찾고 활용하기 어렵다면 그 과정에 해결할 문제가 남아 있을 수 있다.

다만 현재는 실제 사용자가 어떤 안내를 찾기 어려워하는지까지 검증한 것은 아니다. 그 부분은 별도의 사용자 테스트가 필요하다.

2. AI 서비스를 만들기 전에 기존 대안과 비교하기

중고거래 신고 준비에 꼭 AI가 필요할까?

R03 기획안을 검토하면서 가장 중요하게 생각한 질문은 다음과 같았다.

"기존 방법으로도 해결할 수 있는 문제라면, 새로운 AI 서비스가 제공하는 가치는 무엇일까?"

신고에 필요한 내용을 정리하는 방법은 이미 여러 가지가 있다.

  1. 메모장에 사건 발생 과정과 증빙자료를 정리하기
  2. 체크리스트를 만들어 누락된 자료 확인하기
  3. ChatGPT 같은 범용 LLM에 충분한 지시를 제공해 신고 내용을 정리하기
  4. 별도의 신고 준비 지원 서비스를 이용하기

여기서 LLM은 사용자의 지시에 따라 문장을 작성하거나 자료를 정리할 수 있는 대규모 언어 모델을 의미한다.

처음에는 AI가 신고 준비를 도와주면 편리하겠다고 생각할 수 있다.

하지만 메모장이나 기존 AI로도 충분히 해결된다면 새로운 서비스를 사용할 이유가 약해진다.

그래서 단순히 결과물이 잘 정리되는지보다 전체 작업에 얼마나 많은 시간과 노력이 들어가는지 비교해야 한다고 생각했다.

예를 들어 새로운 서비스가 신고서 작성 시간을 10분 줄여주더라도, 서비스를 사용하기 위해 사전에 자료를 정리하는 데 15분이 추가된다면 전체 과정이 더 길어질 수 있다.

따라서 자료 준비, 입력, 검토, 수정, 재인증까지 전체 시간을 비교해야 한다.

또한 시간을 줄이는 것만큼 사실관계를 정확하게 유지하는 것도 중요하다. AI가 사건 내용을 임의로 보충하거나 확인되지 않은 내용을 사실처럼 작성한다면 오히려 문제가 될 수 있기 때문이다.

R03 기획안에는 인증 후 10~20분 단축이라는 예상 효과가 있었지만, 아직 실제 측정 결과는 아니었다.

이번 검토에서는 기존 대안보다 얼마나 나은지 확인하는 실험 자체가 필요하다는 점을 정리했다.

3. 키오스크 메뉴 선택 도우미도 같은 기준으로 검토하기

또 다른 멘토링 우선 후보는 R05의 키오스크 메뉴 선택 도우미였다.

처음 기획의 문제는 사용자가 메뉴를 고를 기준이 없다는 것이었다.

하지만 이 설명만으로는 AI가 필요한 이유가 충분하지 않았다.

단순히 가격, 맵기, 재료 등을 기준으로 메뉴를 찾는다면 기존 필터 기능만으로도 해결할 수 있기 때문이다.

이후 기획안은 사용자가 자신의 느낌이나 선호를 구체적인 메뉴 선택으로 바꾸기 어렵다는 문제에 집중하도록 수정됐다.

예를 들어 다음과 같은 상황이다.

"오늘은 속이 편한 음식을 먹고 싶은데 뭘 골라야 할지 모르겠어."

이런 요청은 가격이나 음식 종류처럼 정해진 조건으로 표현하기 어려울 수 있다.

따라서 정형화된 조건은 기존 필터로 처리하고, 모호한 요청을 이해하는 부분에 AI를 활용하는 방향으로 기획이 구체화됐다.

검증해야 할 기준도 달라졌다

R05 기획안은 v4까지 보완되면서 다음과 같은 측정 항목을 포함하게 됐다.

  • 추천한 메뉴를 실제로 선택하는 비율
  • 메뉴를 결정하기까지 걸리는 전체 시간
  • AI 응답을 기다리는 시간
  • 메뉴·옵션·총액이 잘못 안내되는 횟수
  • 음성 입력 환경에서 소음이 미치는 영향

R04의 v4 독립 평가 점수는 72.5점으로 기록됐다.

다만 점수가 나왔다고 해서 서비스의 효과가 검증된 것은 아니다. 실제 사용자와 기존 메뉴판·필터를 비교한 결과는 아직 확인되지 않았다.

이 사례에서도 중요한 것은 AI가 얼마나 자연스럽게 대답하는지가 아니라, 기존 방식보다 사용자의 선택 부담을 실제로 줄이는가였다.

4. 내 AI 연애 리얼리티 기획안도 문제 정의 수정

오늘은 다른 팀원의 기획안을 검토하는 동시에 내 기획안도 다시 살펴봤다.

내가 제안한 서비스는 AI 참가자들과 상호작용하면서 연애 리얼리티 프로그램에 참여하는 경험을 제공하는 시뮬레이션이다.

기획 과정에서 타깃 사용자에 대한 정의가 실제 의도와 다르게 정리되어 있던 부분을 발견했다.

기존 TASK-017에 남아 있던 결혼·만남 중심의 설명을 수정하고, 타깃을 다음과 같이 구체화했다.

「나는 SOLO」를 시청하면서 직접 프로그램에 참여해보고 싶다고 생각하는 사람

여기서 중요한 것은 사용자가 결혼을 원하는지, 연애 경험이 있는지, 이성과 대화하는 능력이 어떤지 등이 아니다.

연애 리얼리티 프로그램을 보면서 직접 참여하는 경험에 관심이 있다는 점이다.

참여 동기와 Pain Point는 다르다

그렇다고 프로그램에 참여해보고 싶다는 마음만으로 서비스가 해결해야 할 문제가 정의되는 것은 아니다.

이것은 서비스를 이용할 수 있는 동기에 가깝다.

실제로 확인해야 하는 것은 사용자가 AI 연애 리얼리티 시뮬레이션을 이용하면서 어떤 불편을 겪는지다.

예를 들어 여러 AI 참가자와 한 회차를 진행할 때 인물의 관계나 이전 선택이 일관되게 유지되지 않는다면 몰입에 방해가 될 수 있다.

하지만 이것 역시 현재는 검증해야 할 가설이다.

오늘은 TASK-017을 수정하면서 내가 생각한 사용자와 문제를 정확하게 구분하고, 실제 수요와 불편은 아직 확인되지 않았다는 점을 남겼다.

5. 근거가 없는 평가 점수는 비워두기

오늘 진행한 또 하나의 작업은 프로젝트 후보 평가 자료를 정리하는 일이었다.

이전에 작성된 평가에는 실제 근거가 부족한 항목에도 가정 점수가 포함되어 있었다.

이를 다시 검토하면서 근거가 없는 항목은 null로 변경했다.

프로그래밍에서 null은 값이 없다는 뜻이다. 이번 평가에서는 0점이라는 의미가 아니라, 아직 평가할 근거가 부족하다는 의미로 사용했다.

평가하지 못한 항목에 임의로 점수를 넣으면 전체 순위가 실제보다 객관적으로 보일 수 있다.

따라서 확인한 근거와 평가하지 못한 부분을 구분하는 것이 중요했다.

또한 내 기획안을 스스로 독립 채점하는 것은 공정한 평가와 구분할 필요가 있어 평가 대상에서 제외했다.

R04의 공공서류 관련 기획안도 검토했다. 현업 인터뷰 요약과 비용 추산의 한계를 확인하고, 정부24 자동 접근 및 출력의 허용 여부 등 추가 검증이 필요한 부분을 정리했다.

오늘 작업한 평가와 검토 자료는 GitHub main에 반영했고, 오후 12시 40분에는 두나님과 R05를 대상으로 검토 결과를 공유했다.

6. 팀 프로젝트 진행 상황

오늘은 팀장 부재에 따른 임시 운영 체계 아래 R05가 진행과 평가 취합을 맡았다.

멘토링 우선 검토 대상으로 다음 두 가지가 정리됐다.

  • R03: 중고거래 피해 신고 준비 지원 서비스
  • R05: 키오스크 메뉴 선택 도우미

R03 기획안은 R02가, R05 기획안은 R04가 교차 검토하는 방향으로 작업이 진행됐다.

이 과정에서 각자 작성한 기획안을 단순히 칭찬하거나 보완하는 것이 아니라, 기존 대안과 반대 근거를 찾아보는 것이 중요했다.

또한 기존 '찾아you' 프로젝트에서는 Android 앱 조사 기능을 대상으로 BFCL 형식의 함수 호출 평가 문항 30개가 작성됐다.

BFCL은 AI 모델이 상황에 맞는 함수를 선택하고, 필요한 인자를 정확하게 전달하는지 등을 평가하는 방식이다.

이번 문항에는 정상 요청뿐 아니라 정보 부족, 도구 실패, 권한 제한 등의 상황도 포함됐다. 다만 문항은 초안이며 실제 GPT-4.1 모델 실행 결과가 나온 것은 아니다.

11월 17일 오후 확인 시점에는 18시 자료 공유와 20시 멘토링이 예정되어 있었고, 실제 멘토 피드백과 최종 프로젝트 주제 선정은 확인되지 않은 상태였다.

7. 오늘 새롭게 이해한 점

오늘 가장 크게 배운 것은 정보를 확인했다는 말에도 여러 수준이 존재한다는 점이다.

웹페이지 데이터에서 문구를 확인한 것과 실제 사용자가 그 문구를 찾을 수 있다는 것은 다르다.

기획안에 예상 효과가 적혀 있다는 것과 실제 사용자 실험으로 효과를 확인했다는 것도 다르다.

AI가 제시한 평가 점수와 충분한 근거를 바탕으로 사람이 확인한 점수 역시 구분해야 한다.

이전에는 기획안을 검토할 때 기능을 어떻게 구현할지에 더 집중했다면, 오늘은 다음 질문을 먼저 생각하게 됐다.

"지금 확인한 것은 사실인가, 추정인가, 앞으로 검증해야 할 가설인가?"

그리고 AI 서비스를 새로 만드는 것보다 기존 방식으로 해결되지 않는 문제를 찾는 일이 먼저라는 점도 다시 확인했다.

8. 앞으로 보완할 부분

이번 검토를 다음 단계로 연결하려면 문서에 의견을 추가하는 것만으로는 부족하다.

우선 R03의 신고 준비 서비스는 메모장, 체크리스트, 범용 LLM과 동일한 가상 사례를 사용해 비교할 필요가 있다. 사전 준비부터 최종 검토까지 걸리는 시간과 정보의 정확성을 함께 살펴봐야 한다.

R05의 메뉴 선택 도우미는 기존 필터와 AI 추천을 같은 조건에서 비교해 어느 상황에서 AI가 실질적인 도움을 주는지 확인해야 한다.

내 AI 연애 리얼리티 기획안 역시 실제로 관심을 가진 사용자가 어떤 경험을 원하는지, 기존 서비스에서 해결되지 않는 불편은 무엇인지 조사해야 한다.

무엇보다 아직 검증하지 못한 효과를 기획안의 성과처럼 표현하지 않도록 주의할 생각이다.

9. 오늘의 회고

오늘은 새로운 기능을 많이 추가한 날이라기보다, 내가 알고 있다고 생각했던 사실을 다시 확인한 날이었다.

특히 ECRM을 검토하면서 페이지 데이터에 존재하는 안내 문구를 실제 사용자도 쉽게 확인할 수 있다고 해석했던 부분이 기억에 남는다.

직접 화면을 확인하고 기존 의견을 정정하는 과정을 통해 AI가 수집하거나 정리한 정보도 사용자의 실제 경험과 대조해야 한다는 점을 배웠다.

다른 팀원의 기획안을 검토하면서도 같은 기준을 적용하려고 했다.

신고 준비를 도와주는 AI가 메모장보다 정말 편리한지, 키오스크의 AI 추천이 기존 필터보다 선택을 빠르게 만들어주는지 아직은 알 수 없다.

그 답을 모른다는 사실을 정확히 기록하는 것부터 검증이 시작된다고 생각한다.

앞으로는 AI로 무엇을 구현할 수 있는지뿐 아니라, 사용자가 기존 방법 대신 새로운 서비스를 선택해야 할 이유가 무엇인지 더 구체적으로 확인해보고 싶다.

랩보다 AI 더 잘해지기

랩보다 AI 더 잘해지기

JASN OK / 제이슨 옥 RAPPER / Programmer

87일차 회고|PoC·AI 연애 리얼리티 기획·프로젝트 후보 평가|AI 오케스트레이션 개발자 국비지원

AI 오케스트레이션 캠프/일차별 회고 2026. 11. 16. 17:39
728x90

오늘 배운 내용

2026년 11월 16일, AI 오케스트레이션 캠프 87일차.

오늘은 최종 프로젝트의 아이디어를 구체화하고, 멘토링을 앞두고 팀의 프로젝트 후보를 비교·검토하는 데 집중했다.

오전에는 강사님으로부터 기술 구현 가능성을 미리 검증하는 PoC의 중요성과 LLM의 도구 선택 성능을 평가하는 방법을 안내받았다.

이후에는 개인적으로 준비한 AI 연애 리얼리티 시뮬레이션 기획안을 수정했다. 기존 서비스인 제타를 직접 플레이하며 발견한 내용을 정리하고, 팀장님의 피드백을 반영해 사용자 문제와 핵심 기능을 다시 정의했다.

특히 오늘 중요하게 다룬 질문은 다음과 같았다.

"사용자가 이 서비스를 재미있어할 이유와, 실제로 해결해야 하는 문제는 같은 것일까?"

이 질문을 중심으로 기획안을 수정하고, 팀원들이 준비한 다른 프로젝트 후보들도 동일한 기준으로 검토했다.

1. 프로젝트 개발 전에 PoC가 필요한 이유

오전 회의에서 강사님은 최종 프로젝트의 핵심 기능을 본격적으로 구현하기 전에 기술 검증을 진행해야 한다고 강조했다.

PoC(Proof of Concept)는 아이디어가 기술적으로 실제 구현 가능한지 작은 규모로 확인하는 과정이다.

예를 들어 프로젝트의 핵심 기능이 10개라면, 중간 발표 시점에는 그중 8~9개 정도는 우리 팀에서 구현할 수 있다는 확신이 있어야 한다는 설명이었다.

아직 검증하지 못한 기능이 너무 많으면 개발 후반에 예상하지 못한 문제가 생길 수 있기 때문이다.

또한 팀별로 LLM이 적절한 도구를 선택하는지 평가할 질문 30개를 준비하라는 안내도 있었다.

질문에는 정상적인 단일 업무, 여러 업무가 연결된 요청, 정보가 부족한 질문, 오류 상황, 권한 제한 등을 포함한다.

이는 AI가 단순히 답변을 잘 생성하는지를 넘어, 필요한 함수와 도구를 제대로 선택하고 올바른 인자를 전달하는지를 검증하기 위한 것이다.

이번 프로젝트에서도 핵심 기능을 기획하는 것과 실제로 작동하는지 증명하는 일을 구분해야 한다는 점을 다시 확인했다.

2. AI 연애 리얼리티 시뮬레이션 기획안 수정

사용 동기와 Pain Point는 다르다

처음 생각했던 아이디어는 연애 예능 프로그램에서 출발했다.

연애 예능을 보면서 직접 참가해 보고 싶다는 생각은 들지만, 현실적으로 방송에 출연하기는 어렵다. 그래서 AI 캐릭터와 함께 연애 예능에 참가하는 듯한 게임을 만들면 재미있겠다고 생각했다.

하지만 팀장님의 피드백을 받으면서 이것이 실제로 해결해야 하는 문제인지 다시 살펴보게 되었다.

연애 예능에 참가하고 싶다는 것은 서비스의 사용 동기이지, 반드시 해결해야 할 Pain Point는 아니다.

그래서 현재 검토하는 문제를 다음과 같이 수정했다.

여러 AI 참가자와 한 회차를 진행하는 동안 인물 정보와 선택, 관계 상태가 일치하지 않으면 사용자가 상황을 다시 확인하거나 수정해야 하고, 그 과정에서 몰입이 깨질 수 있다.

물론 이 문제는 아직 검증된 사실이 아니라 가설이다.

실제로 사용자들이 이런 불편을 얼마나 자주 겪는지, 기존 서비스만으로 해결할 수 없는 문제인지는 추가로 확인해야 한다.

제타를 직접 플레이하며 발견한 부분

기획안을 수정하면서 기존 AI 캐릭터 서비스인 **제타(ZETA)**를 한 차례 직접 플레이했다.

제타에서도 가명을 부여하거나 첫인상을 선택하고, 캐릭터와 대화하며 데이트를 진행하는 경험이 가능했다.

따라서 이런 기능을 단순히 추가하는 것만으로는 차별화하기 어렵다고 판단했다.

플레이 과정에서는 몇 가지 일치하지 않는 부분도 관찰했다.

  • 참가자 수와 실제 등장 묘사가 맞지 않는 부분
  • 첫인상 지명과 중복 지명에 관한 설명이 일치하지 않는 부분
  • 장면을 그만두려고 했을 때 캐릭터가 압박하는 듯한 반응

다만 한 번의 플레이로 발견한 현상이기 때문에 제타에서 항상 발생하는 문제라고 단정할 수는 없다.

이 부분을 실제 Pain Point의 근거로 활용하려면 반복 실험과 추가 사용자 확인이 필요하다.

3. 핵심 기능을 세 가지로 정리하다

기존 서비스와의 차이를 고민하면서 단순한 AI 캐릭터 채팅이 아니라, 여러 참가자의 선택과 관계가 연결되는 한 회차를 직접 경험하는 게임을 기획 방향으로 정리했다.

이를 위해 세 가지 핵심 기능을 선정했다.

① 참가자별 기억과 정보 관리

각 AI 캐릭터가 알고 있는 정보를 구분하는 기능이다.

예를 들어 A 참가자에게만 비밀을 이야기했다면 B 참가자는 그 내용을 알고 있어서는 안 된다.

또한 공개되지 않은 직업이나 개인정보를 다른 캐릭터가 먼저 언급하지 않도록 관리할 필요가 있다.

② 선택과 관계 상태 관리

연애 예능에서는 참가자들의 선택에 따라 관계가 달라진다.

첫인상 선택, 데이트, 최종 선택까지 이전 결정이 일관되게 이어져야 한다.

이를 위해 참가자별 선택 기록, 관계 상태, 현재 진행 장면을 관리하는 기능을 구상했다.

③ 장면 중단과 오류 복구

사용자가 진행 중인 장면을 중단하거나 오류가 발생했을 때 기존 기록을 잃지 않고 이어갈 수 있는 기능이다.

단순히 AI에게 이전 상황을 기억해 달라고 요청하는 것이 아니라, 진행 상태를 별도로 저장하고 확인하는 방법을 검토했다.

6:6 참가자 구성과 무작위 MBTI, 첫인상 선택과 데이트 등은 콘텐츠 규칙으로 구분했다. MBTI는 캐릭터 설정을 위한 재미 요소이며 실제 성격이나 궁합을 판정하는 기준으로 사용하지 않도록 정리했다.

이 기능들은 현재 기획 단계이며, 실제 구현에 성공한 것은 아니다.

4. 기존 서비스와 비교하기 위한 검증 계획

기획안을 작성하면서 가장 주의한 부분은 직접 관찰한 내용과 아직 확인하지 않은 가설을 구분하는 것이었다.

그래서 제타와 범용 LLM을 같은 조건에서 비교할 수 있도록 네 가지 시나리오를 준비했다.

  1. 자기소개 이전에 비공개 직업을 질문했을 때 어떻게 반응하는가?
  2. A에게만 전달한 정보를 B에게 질문하면 어떻게 대답하는가?
  3. 첫인상 선택부터 데이트, 최종 선택까지 관계 상태가 유지되는가?
  4. 사용자가 장면 중단을 요청하면 어떻게 처리하는가?

이 시나리오를 통해 기존 서비스에서 어떤 문제가 발생하는지, 그리고 별도의 상태 관리 기능이 실제로 필요한지 확인할 계획이다.

제타의 다화자 기능 안내와 이용약관도 검토했다. 자동화 접근과 답변 스크립트 활용에는 조건이 있을 수 있어 수동 확인과 최소한의 결과 요약을 우선하기로 했다.

비교 실험과 자체 PoC는 아직 실행하지 않았다. 오늘은 이를 위한 평가 기준과 시나리오를 준비한 단계다.

5. 팀 프로젝트 후보 5개 사전 평가

개인 기획안을 정리한 뒤에는 팀원들이 준비한 프로젝트 후보들을 검토했다.

우리 팀은 5개의 기획안 중 멘토에게 다시 검토받을 후보 2개를 선정해야 한다.

각 아이디어의 타깃 사용자, 기존 대안, Pain Point, 핵심 기능, 검증되지 않은 부분을 중심으로 살펴봤다.

후보주요 검토 내용
R01 시험 감독 지원 감독관의 실제 추가 업무 부담과 기관 접근 가능성 확인 필요
R02 AI 연애 리얼리티 관찰한 상태 불일치가 반복적인 사용자 불편인지 검증 필요
R03 중고거래 상담·신고 준비 실제 자료 정리 부담과 개인정보·법률 안내 범위 확인 필요
R04 공공서류 발급·정리 반복 업무의 비용 근거와 자동 발급 허용 여부 확인 필요
R05 키오스크 메뉴 선택 기존 서비스로 해결되지 않는 문제와 매장 도입 의향 확인 필요

여기서 중요한 것은 아이디어가 재미있거나 기능이 많다는 이유만으로 좋은 평가를 줄 수 없다는 점이었다.

아무리 기능이 구체적이어도 실제 사용자 문제가 확인되지 않았다면 검증이 필요한 상태로 남겨야 한다.

개인적으로 미확인 항목에 가정 점수를 넣어 참고용 순위를 만들어 보기도 했다. 하지만 이 결과는 팀의 공식 평가가 아니다.

공식 평가에서는 확인되지 않은 항목을 null로 유지하고, 팀원별 최종 제출안을 확인한 다음 독립 평가와 교차 평가를 진행해야 한다.

기획안끼리 공정하게 비교하려면 확인된 근거와 개인적인 추측을 명확하게 구분하는 것이 중요했다.

6. GitHub 문서 정리 및 공유

오늘 작성하고 수정한 내용은 GitHub 저장소에도 반영했다.

AI 연애 리얼리티 상세 기획안, 멘토 제출용 1페이지 요약, 비교 검증 준비 문서, 프로젝트 후보 사전 검토 문서를 정리했다.

관련 문서를 jangsangok 브랜치에 푸시하고 main에도 반영했으며, 11월 16일 일일 상태 문서도 업데이트했다.

특히 멘토용 1페이지 요약은 상세 기획안을 단순히 줄이는 것이 아니라 다음 내용을 중심으로 구성했다.

누가 사용하는가 → 어떤 문제가 있는가 → 기존 서비스는 왜 충분하지 않은가 → 어떤 기능으로 해결하는가 → 무엇을 검증해야 하는가

이렇게 정리하니 기획안에서 아직 근거가 부족한 부분도 구분할 수 있었다.

관련 문서:

7. 새롭게 이해한 점

오늘 가장 크게 달라진 부분은 재미있는 아이디어와 해결할 가치가 있는 문제를 구분하게 된 것이다.

처음에는 AI 캐릭터와 함께 연애 예능을 진행할 수 있다는 경험 자체에 집중했다.

하지만 기존 서비스를 조사하고 팀장님의 피드백을 반영하면서, 단순히 재미있는 기능을 추가하는 것만으로는 새로운 서비스를 개발해야 하는 이유를 설명하기 어렵다는 점을 알게 되었다.

또 하나는 문제를 발견했다고 해서 곧바로 검증이 끝난 것은 아니라는 점이다.

제타를 한 차례 플레이하며 상태가 일치하지 않는 현상을 관찰했지만, 그것이 다른 사용자에게도 반복되는 문제인지, 해결을 위해 별도의 서비스가 필요한지는 아직 알 수 없다.

관찰은 문제를 찾는 출발점이고, 검증은 그 문제가 실제로 얼마나 중요한지 확인하는 과정이다.

이 차이를 구분하는 것이 오늘 기획안을 수정하면서 중요하게 다룬 부분이었다.

8. 앞으로 복습하고 진행할 부분

11월 17일에는 오후 6시까지 팀의 최종 프로젝트 후보 2개를 선정하고, 오후 8시 멘토링에서 다시 피드백을 받을 예정이다.

그전에 다음 내용을 확인해야 한다.

  • 제타와 범용 LLM의 동일 시나리오 비교 및 자체 PoC 수행
  • AI 연애 리얼리티에서 관찰한 문제가 반복되는지 확인
  • 사용자에게 실제로 발생하는 정정 부담과 몰입 저하의 근거 조사
  • 팀원별 최종 기획안 확인 후 독립·교차 평가
  • R02의 현재 기획안과 기존 TASK-017의 관계를 팀장님에게 확인

특히 아직 검증되지 않은 부분을 억지로 확정하기보다, 멘토링에서 확인받을 질문으로 구체화할 필요가 있다.

오늘의 회고

87일차는 코드를 작성해 기능을 구현하는 시간보다, 무엇을 왜 만들어야 하는지 구체적으로 정의하는 데 집중한 하루였다.

AI 연애 리얼리티라는 아이디어를 출발점으로 기존 서비스를 직접 살펴보고, 사용 동기와 Pain Point를 구분하고, 핵심 기능과 검증 시나리오까지 정리했다.

하지만 아직 해결해야 할 문제가 실제로 존재한다는 충분한 근거를 확보한 것은 아니다. 아이디어가 좋다고 느끼는 것과 사용자에게 필요한 서비스라는 것을 증명하는 일은 다르다.

팀의 다른 후보들도 마찬가지였다. 기능의 완성도뿐 아니라 문제의 근거와 실제 구현 가능성을 함께 확인해야 한다.

오늘은 아이디어를 더 크게 확장하기보다, 아이디어를 뒷받침할 근거와 검증 방법을 구체화하는 과정이 중요하다는 것을 배웠다.

다음 멘토링에서는 이 준비 내용을 바탕으로 후보들의 부족한 부분을 확인하고, 우리 팀이 실제로 완성할 수 있는 프로젝트 주제를 결정하는 단계로 나아가야겠다.

 

 

랩보다 AI 더 잘해지기

랩보다 AI 더 잘해지기

JASN OK / 제이슨 옥 RAPPER / Programmer

261114_최종 프로젝트 2차 멘토링 회고 | 기능보다 문제 정의, 아이디어보다 사용자 중심의 기획

AI 오케스트레이션 캠프/최종프로젝트 2026. 11. 14. 12:46
728x90

1. 멘토링 핵심 요약

이번 멘토링에서는 팀원들이 제안한 프로젝트 아이디어를 검토하고, 실제로 서비스를 사용할 타겟 사용자와 페인포인트(Pain Point) 를 구체화하는 데 집중했다.

멘토님이 가장 강조한 내용은 다음과 같다.

"기능을 먼저 생각하지 말고, 누가 어떤 불편함을 겪고 있는지부터 정의해야 한다."

특히 좋은 서비스는 단순히 있으면 좋은 '비타민'이 아니라, 사용자가 겪는 문제를 직접 해결하는 '진통제'와 같아야 한다고 설명했다.

아직 우리 팀은 개별적으로 아이디어를 조사한 상태이므로, 각자의 의견을 팀 전체가 검토하고 하나의 방향으로 정리하는 과정도 필요했다.

2. 프로젝트 아이디어별 멘토 피드백

① 연애 경험이 부족한 남성을 위한 시뮬레이션 서비스

아이디어: 연애 경험이 부족한 사람이 가상의 상황에서 대화와 선택을 연습하는 서비스

멘토 피드백:

  • 20대 후반~30대 초반이라는 타겟 범위의 근거가 필요하다.
  • 연애 경험이 부족하다는 사실 자체가 페인포인트는 아니다.
  • 대화 능력 부족인지, 거절에 대한 두려움인지 등 실제로 힘들어하는 문제를 구체화해야 한다.

보완 방향: 타겟은 어느 정도 좁혀졌으므로, 이들이 실제로 겪는 불편함과 시뮬레이션으로 해결할 수 있는 문제를 명확히 정의해야 한다.

② AI 기반 부동산 검색 서비스

아이디어: 여러 부동산 플랫폼의 매물을 조사해 사용자가 자연어로 입력한 조건에 맞는 매물을 추천하는 서비스

멘토 피드백:

  • 전세·월세·매매·상가까지 포함하면 타겟 범위가 지나치게 넓다.
  • 자연어 프롬프트를 입력하는 방식이 모든 사용자에게 편리한 것은 아니다.
  • 기존 부동산 서비스가 지도 중심의 검색 방식을 사용하는 이유도 고려해야 한다.
  • 여러 플랫폼의 정보를 통합하는 것이 실제로 어떤 사용자 불편을 해결하는지 설명해야 한다.

보완 방향: 구체적인 사용자 집단을 선정하고, 해당 사용자가 기존 부동산 검색에서 겪는 문제와 적합한 검색 방식을 다시 검토해야 한다.

③ AI 기반 팀 리서치·에이전트 관리 서비스

아이디어: 여러 AI 에이전트가 작업하는 과정에서 맥락 누락, 단순 실수, 리서치 결과 통합 등의 문제를 관리하는 서비스

멘토 피드백:

  • AI의 맥락 누락이나 실수는 실제로 발생할 수 있는 문제다.
  • 하지만 이런 문제를 해결하는 기존 AI 에이전트 도구와 프레임워크가 이미 존재한다.
  • 멘토님이 직접 활용하는 팀 에이전트 사례도 공유했다.
  • 기존 도구가 해결하지 못한 문제가 무엇인지 조사해야 한다.
  • 단순히 AI 작업을 자동화하는 것만으로는 차별화된 서비스라고 보기 어렵다.

보완 방향: 기존 프레임워크를 먼저 분석하고, 아직 해결되지 않은 문제나 개선할 수 있는 부분을 찾아 서비스의 차별점을 정의해야 한다.

3. 멘토링 후 결정된 Action Items

이번 멘토링에서는 다음 작업을 진행하기로 했다.

  1. 개별 피드백 반영: 멘토링에 참여한 3명은 각자 받은 피드백을 바탕으로 아이디어를 보완한다.
  2. 팀 전체 리뷰: 개별 보완 내용을 팀원 모두가 함께 검토하고 의견을 나눈다.
  3. 미참여자 아이디어 검토: 참석하지 못한 2명의 아이디어도 팀 전체가 검토하고, 개별 보완과 재검토 과정을 진행한다.
  4. 최종 후보 2개 선정: 모든 아이디어를 검토한 후 프로젝트 후보를 2개로 압축한다.

최종 후보 2개는 다음 항목을 상세하게 정리해야 한다.

  • Target: 서비스를 사용할 구체적인 사용자는 누구인가?
  • Pain Point: 사용자가 실제로 겪는 불편함은 무엇인가?
  • Pain Point의 근거: 그 문제가 실제로 존재한다는 증거는 무엇인가?
  • Core Feature: 그 문제를 해결하기 위해 반드시 필요한 핵심 기능은 무엇인가?

다음 멘토링에서는 팀원 모두가 합의한 후보 2개를 바탕으로 더 구체적인 논의를 진행할 예정이다.

4. 협업 방식 및 다음 일정

  • 개인별 아이디어를 각자 브랜치에서 관리하는 데 그치지 않고, 팀 전체가 리뷰하여 합의안을 만들어야 한다.
  • 멘토가 공유한 GitHub 자료는 Discord에 공유해 미참여자도 확인할 수 있도록 한다.
  • 다음 온라인 멘토링은 11월 17일(화) 오후 8시로 논의했다.
  • 주말 오프라인 멘토링도 검토했으며, 원격 참여를 병행하는 방안이 논의됐다.

5. 오늘의 회고

이번 멘토링에서도 1차 멘토링과 마찬가지로 사용자와 문제를 정확하게 정의하는 것의 중요성이 강조됐다.

특히 세 가지 아이디어 모두 기술적으로 구현할 수 있는 기능은 어느 정도 설명했지만, 실제 사용자에게 왜 필요한지에 대해서는 추가 검증이 필요했다.

인상 깊었던 부분은 기존 서비스가 이미 해결하고 있는 문제를 다시 만드는 것만으로는 차별성을 만들기 어렵다는 점이었다.

AI 에이전트를 활용한다는 사실 자체가 서비스의 장점이 되는 것은 아니다. 기존 도구의 한계를 파악하고, 사용자가 실제로 불편해하는 부분을 개선해야 한다.

또한 개인별로 좋은 아이디어를 만드는 것만큼, 팀원들이 함께 검토하고 의견을 모으는 과정도 중요하다는 것을 다시 확인했다.

앞으로는 기능 구현을 서두르기보다 타겟 사용자와 페인포인트를 충분히 검증하고, 우리 팀이 해결할 문제를 명확하게 정의하는 데 집중해야겠다.


핵심 정리

좋은 프로젝트는 만들고 싶은 기능에서 출발하는 것이 아니라, 실제 사용자가 겪는 문제를 발견하고 해결하는 것에서 시작한다.

랩보다 AI 더 잘해지기

랩보다 AI 더 잘해지기

JASN OK / 제이슨 옥 RAPPER / Programmer

4번째 미니프로젝트 3일차 회고|두바퀴 최종 발표, RAG·Jira 연동과 QA 검증

AI 오케스트레이션 캠프/미니프로젝트 2026. 11. 14. 12:42
728x90

4번째 미니프로젝트 마지막 날

오늘은 4번째 미니프로젝트의 마지막 날이었다.

지난 3일 동안 진행한 **‘두바퀴 — 따릉이 민원 분류·접수 지원 시스템’**을 최종적으로 정리하고 발표하는 시간을 가졌다.

이번 프로젝트에서는 Discord, n8n, RAG, Jira를 연결해 따릉이 이용자의 문의를 접수하고 처리하는 시스템을 구성했다.

단순히 AI가 질문에 답변하는 챗봇이 아니라, 시민이 문의를 등록하면 AI가 처리할 수 있는 부분은 자동으로 안내하고, 해결하기 어려운 문제는 운영자에게 전달하는 구조를 만드는 것이 목표였다.

마지막 날인 만큼 발표 자료와 시연 시나리오, 테스트 결과를 정리하고 실제 구현한 기능이 어떻게 동작하는지 보여주는 데 집중했다.

1. 최종 발표 준비 — 무엇을 만들었는지보다 어떻게 동작하는지

발표 자료와 산출물 정리

오전에는 프로젝트의 전체 흐름과 실제 구현 결과를 발표 자료로 정리했다.

강사님은 발표에서 기술적인 설명만 나열하기보다 사용자가 어떤 문제를 겪고, 우리가 만든 시스템이 그 문제를 어떻게 처리하는지 보여주는 것이 중요하다고 강조하셨다.

또한 프로젝트 결과를 확인할 수 있도록 세 가지 문서를 준비하도록 안내하셨다.

  • Workflow Design: 에이전트의 역할, 분기 조건, 반복 처리, 권한, 오류 대응 등
  • RAG Architecture: 데이터 출처, 청킹, 임베딩, 검색 저장소, 검색 방식 등
  • Execution Results: 실제 테스트 입력, 실행 결과, 성공·실패 여부와 검증 근거 등

특히 테스트 시나리오를 작성하는 것과 테스트를 실제로 실행하는 것은 다르다는 설명이 중요했다.

‘정상 동작을 확인한다’고 적는 것만으로는 충분하지 않다. 어떤 질문을 입력했고, 어떤 응답이 나왔으며, Jira와 데이터베이스에는 어떤 기록이 저장됐는지 확인할 수 있어야 한다.

최종 발표에서는 이런 결과를 바탕으로 시스템을 설명하는 것이 중요했다.

2. 두바퀴 프로젝트의 전체 구조

Discord부터 Jira까지 하나의 흐름으로 연결

두바퀴 프로젝트의 전체 흐름은 다음과 같다.

시민의 따릉이 관련 문의
          ↓
Discord 문의 접수
          ↓
n8n 워크플로우 실행
          ↓
질문 분류 및 추가 정보 확인
          ↓
RAG 문서 검색
          ↓
근거 기반 답변 생성 및 검증
          ↓
Jira 티켓 생성·관리
          ↓
문의 상태 및 처리 기록 저장
          ↓
자동 답변 또는 운영자 확인

시민은 Discord에서 문의를 등록하고, n8n은 문의를 처리하는 전체 흐름을 관리한다.

RAG는 관련 규정과 FAQ를 검색해 답변에 필요한 근거를 제공한다. Jira는 문의를 티켓으로 관리하고, 운영자가 처리 상태를 변경하거나 추가 조치를 할 수 있도록 연결하는 역할을 맡았다.

이번 프로젝트는 실제 따릉이 운영 시스템과 직접 연결된 서비스는 아니기 때문에 환불, 강제 반납, 잠금 해제 같은 기능은 구현 범위에서 제외했다.

대신 문의 접수부터 자동 안내, 담당자 이관, 처리 이력 관리까지의 과정을 완성하는 데 초점을 맞췄다.

3. RAG — 근거가 있을 때만 답변하기

AI가 규정을 지어내지 않도록

이번 프로젝트에서 중요한 요소 중 하나가 RAG였다.

RAG는 사용자의 질문과 관련된 문서를 먼저 검색하고, 검색된 정보를 바탕으로 LLM이 답변하도록 만드는 방식이다.

따릉이 이용 방법이나 운영 규정은 정확성이 중요하다. LLM이 그럴듯한 내용을 만들어 답변한다면 오히려 사용자에게 잘못된 정보를 전달할 수 있다.

이를 줄이기 위해 관련 FAQ와 안내 문서를 수집하고, 검색할 수 있는 형태로 가공했다.

문서를 일정 단위로 나누는 청킹과 의미를 숫자 벡터로 표현하는 임베딩을 활용해 질문과 관련된 내용을 검색하도록 구성했다.

발표에서는 문서를 나누는 방식에 따른 검색 결과도 비교했다. 이번 프로젝트에서는 다루는 문의 범위가 비교적 제한적이어서 문서 전체와 문단 단위 분할 사이에 큰 성능 차이가 나타나지 않았다고 설명했다.

하지만 청킹 방식에 따라 검색 결과가 달라질 수 있기 때문에, 실제 질문을 기준으로 평가하는 과정이 필요하다는 점을 확인했다.

유사도 점수가 높으면 정답일까?

발표 이후 강사님께서는 관련 없는 질문의 유사도 점수가 얼마나 나오는지 질문하셨다.

이전 팀들의 발표에서도 비슷한 질문이 반복됐다.

여기서 중요한 것은 유사도 점수가 높다는 사실과 답변할 수 있는 근거가 있다는 사실은 다르다는 점이다.

질문과 문서의 표현이 비슷하더라도 실제로 답변에 필요한 정보가 없을 수 있다.

따라서 RAG 검색에서는 정답이 있는 질문뿐 아니라, 관련성이 애매한 질문과 완전히 관련 없는 질문도 함께 평가해야 한다.

앞으로 RAG를 구성할 때도 단순히 검색 결과가 반환되는지만 확인하지 않고, 그 문서가 실제 질문의 답변 근거로 적절한지까지 검증할 필요가 있다.

4. 최종 시연 — 네 가지 민원 처리 시나리오

발표에서는 두바퀴 시스템의 주요 기능을 네 가지 시나리오로 보여줬다.

① 정상적인 자동 답변

첫 번째는 QR코드가 인식되지 않는 상황이었다.

QR이 안 읽혀요. 자전거 번호로 대여하는 방법을 알려주세요.

Discord에서 문의를 등록하면 n8n 워크플로우를 통해 관련 문서를 검색하고, 그 근거를 바탕으로 답변을 반환하는 흐름을 보여줬다.

정상적으로 처리된 문의는 자동 답변 완료 상태로 관리됐다.

② 정보가 부족한 경우 — 최대 3회 추가 질문

두 번째는 다음과 같은 문의였다.

반납했는데 앱에 아직 이용 중으로 나와요.

이 질문만으로는 정확한 상황을 파악하기 어렵기 때문에 시스템이 자전거 번호나 이용 상황 등 추가 정보를 요청하도록 구성했다.

중요한 것은 후속 질문이 발생하더라도 새로운 문의로 처리하지 않는다는 점이다.

시스템은 연결값을 이용해 같은 문의를 이어가고, Jira에서도 동일한 티켓으로 관리하도록 했다.

시연에서는 필요한 정보가 충분히 제공되지 않는 상황을 반복했다. 세 번째 시도까지 해결되지 않자 담당자 확인이 필요한 문의로 이관되는 결과를 확인했다.

이는 AI가 계속 같은 질문을 반복하는 상황을 방지하기 위한 정책이다.

③ RAG에서 근거를 찾을 수 없는 경우

세 번째 질문은 다음과 같았다.

따릉이를 해외여행에 가져가서 한 달 동안 써도 되나요?

준비된 문서에서 답변 근거를 찾기 어려운 질문이었다.

이 경우 시스템은 임의로 답을 만들어내는 대신 담당자 확인이 필요하다고 안내했다.

이번 시나리오의 핵심은 모르는 질문에 억지로 답변하지 않는 것이었다.

④ Jira에서 운영자가 문의 처리

마지막으로 Jira 관리자 화면을 보여줬다.

앞서 Discord에서 접수한 문의들이 티켓으로 생성된 것을 확인하고, 자동 답변으로 완료된 문의와 담당자 확인이 필요한 문의를 구분했다.

운영자는 티켓을 자신에게 할당하고 상태를 ‘진행 중’으로 변경할 수 있었다.

또한 문의 내용과 추가 질문 이력을 확인하고 내부 메모를 남길 수 있는 기능도 소개했다.

이 과정을 통해 시민의 문의가 단순한 AI 답변으로 끝나는 것이 아니라, 운영자가 추적하고 관리할 수 있는 업무로 이어진다는 점을 보여줬다.

5. QA — 기능을 연결한 뒤에 발견한 문제들

개별 기능이 동작해도 전체 시스템은 실패할 수 있다

이번 프로젝트에서는 각 기능을 연결하는 과정에서 오류가 발생했다고 발표했다.

대표적으로 정상 답변이 생성됐지만 Jira에서 완료 상태로 표시되지 않거나, 티켓 전달이 제대로 이루어지지 않는 문제가 있었다.

각 기능을 따로 실행했을 때는 정상적으로 보이더라도 여러 시스템을 연결하면 데이터 전달이나 상태 변경 과정에서 문제가 생길 수 있다.

그래서 실제 문의 시나리오를 반복해서 실행하고, 기대한 결과와 실제 결과를 비교하며 오류를 보완했다.

DLQ와 미완성된 부분

발표 후에는 강사님께서 DLQ 구현 여부도 질문하셨다.

DLQ(Dead Letter Queue)는 처리에 실패한 요청이나 메시지를 별도로 저장해 두는 공간이다.

예를 들어 외부 시스템 장애로 문의 전달에 실패했다면, 해당 요청을 바로 버리지 않고 나중에 확인할 수 있도록 보관하는 것이다.

우리 팀은 DLQ에 실패한 요청을 적재하는 기능까지 구현했다고 설명했다.

다만 저장된 실패 요청을 자동으로 재처리하는 기능은 시간 부족으로 완성하지 못했다.

이 부분은 정상 처리와 예외 처리뿐 아니라, 장애가 복구된 이후의 작업까지 고려해야 실제 운영에 가까운 시스템이 된다는 점을 보여줬다.

6. 다른 팀 발표에서 확인한 설계 방식

오늘은 두바퀴뿐 아니라 다른 팀들의 프로젝트 발표도 함께 진행됐다.

사내 IT 헬프데스크, 공연 예매 고객센터, 약국 업무 지원 시스템 등 서로 다른 분야에 멀티 에이전트를 적용한 사례를 살펴봤다.

사내 IT 헬프데스크 프로젝트에서는 일반 직원과 IT 담당자의 문서 검색 권한을 구분했다. 검색 결과를 보여준 뒤 숨기는 것이 아니라, 검색 전에 접근 가능한 문서부터 제한한 점이 중요한 설계였다.

공연 예매 고객센터 프로젝트에서는 환불 금액이나 사용자 권한처럼 정확한 판단이 필요한 부분을 AI에 맡기지 않고 별도의 규칙으로 처리했다.

약국 업무 지원 프로젝트에서는 일반적인 의약품 정보는 문서를 근거로 안내하되, 복용 판단이나 위험 신호가 포함된 문의는 약사에게 넘기도록 구성했다.

세 프로젝트 모두 분야는 달랐지만 공통적으로 다음 원칙을 사용했다.

AI가 자동으로 처리할 수 있는 일은 자동화하고, 근거가 부족하거나 전문적인 판단이 필요한 일은 사람에게 넘긴다.

이번 발표를 통해 멀티 에이전트의 역할 분리는 단순히 AI를 여러 개 사용하는 것이 아니라, 각 작업의 책임과 판단 범위를 구분하는 문제라는 점을 확인할 수 있었다.

7. 3일간의 프로젝트를 마무리하며

이번 4번째 미니프로젝트에서는 따릉이라는 구체적인 도메인을 대상으로 문의 처리 시스템을 구성했다.

짧은 기간 안에 Discord, n8n, RAG, Jira, 데이터베이스를 연결하고 발표와 시연까지 준비해야 했다.

프로젝트 결과를 통해 확인할 수 있었던 것은 개별 기능보다 전체 흐름의 완성도가 중요하다는 점이다.

RAG가 올바른 문서를 검색하더라도 Jira 티켓이 생성되지 않으면 운영자가 문제를 확인하기 어렵다.

반대로 Jira 티켓은 정상적으로 생성되지만 사용자에게 잘못된 답변을 제공한다면 시스템의 신뢰성이 떨어질 수 있다.

따라서 질문을 입력받는 단계부터 답변, 이관, 기록, 운영자 처리까지 전체 과정을 함께 검증해야 한다.

또한 발표 과정에서는 기능이 동작한다는 설명만큼 실제 시연 결과와 테스트 기록이 중요하다는 점도 확인했다.

구현하지 못한 기능은 명확히 구분하고, 앞으로 어떤 부분을 보완해야 하는지도 설명할 수 있어야 한다.

8. 다음 프로젝트를 위한 복습과 과제

이번 프로젝트를 마무리하면서 다음과 같은 내용을 더 복습할 필요가 있다.

RAG 검색 평가

유사도 점수만으로 답변 가능 여부를 판단하기 어렵다. 관련 질문, 무관한 질문, 애매한 질문을 나누어 검색 품질을 평가하는 방법을 더 정리해야겠다.

예외 처리와 장애 복구

이번 프로젝트에서는 DLQ 적재까지 구현했지만 자동 재처리는 완성하지 못했다. 향후에는 재시도, 중복 방지, 실패 기록, 복구 절차를 함께 설계하는 방법을 학습할 필요가 있다.

테스트 결과와 문서화

개별 테스트 목록보다 실제 입력과 출력, 데이터베이스 기록, 외부 시스템 연동 결과를 함께 남기는 것이 중요하다.

협업과 일정 관리

최종 프로젝트는 약 9주간 진행되므로 역할 분담, 일정, 작업 의존 관계와 진행 상황을 더 체계적으로 관리해야 한다.

9. 오늘의 회고

오늘로 4번째 미니프로젝트가 끝났다.

이번 프로젝트에서 가장 중요하게 다뤘던 부분은 AI가 사용자의 질문에 답하는 기능을 실제 민원 처리 업무와 연결하는 것이었다.

Discord로 접수한 문의가 n8n과 RAG를 거쳐 Jira 티켓으로 연결되고, 운영자가 해당 문의를 확인하고 처리 상태를 관리하는 흐름을 발표로 정리했다.

AI가 모든 문제를 직접 해결하는 것보다, 해결할 수 있는 범위를 정하고 해결하지 못하는 상황에서도 다음 처리 단계가 이어지도록 만드는 것이 중요했다.

또한 정상적으로 동작하는 상황만 보여주는 것이 아니라, 정보가 부족한 경우와 근거가 없는 경우, 외부 시스템에 문제가 발생하는 경우까지 고려해야 한다는 점을 확인했다.

내일부터는 약 9주간의 최종 멀티 AI 에이전트 프로젝트가 시작된다.

이번 미니프로젝트에서 경험한 RAG, 워크플로우 오케스트레이션, 외부 시스템 연동, QA와 문서화 과정을 바탕으로, 다음 프로젝트에서는 누구에게 필요한 서비스인지부터 명확하게 정의하고 실제로 사용할 수 있는 결과물을 만드는 데 집중하고 싶다.

 
 
랩보다 AI 더 잘해지기

랩보다 AI 더 잘해지기

JASN OK / 제이슨 옥 RAPPER / Programmer

방명록