2026.07
(주)데브파이브 · AI Agent 실험 및 프론트엔드 아키텍처 연구
동일한 프론트엔드 코드베이스를 대상으로 폴더 구조와 AGENTS.md 배치 방식을 독립적으로 다르게 적용하며 AI Agent의 탐색 비용, 토큰 소비량, 작업 품질을 벤치마킹한 연구 프로젝트입니다.
925개 파일, 65,004 LOC 규모의 프론트엔드 코드베이스에서 기술 레이어 vs 도메인 구조 및 AGENTS.md 배치가 AI Agent의 토큰·비용·품질에 미치는 영향을 실험하고 분석했습니다.
초기 단일 측정에서 도메인 구조 비용이 56% 감소했으나 5회 반복 측정 후 평균 +1.8%(비용 +11.3%, 토큰 +13.6%)로 수렴하는 것을 관찰하여 단일 결과가 아닌 반복 측정의 필요성을 입증했습니다.
전역 루트 AGENTS.md 단일 배치(비용 -3.4%)보다 작업 위치와 가까운 17개 로컬 AGENTS.md 지역화 배치(비용 -9.8%)가 AI Agent의 비용과 토큰을 더 효과적으로 절감함을 입증했습니다.
AI가 직관적 폴더 트리보다 심볼 앵커 맵, 책임 경계, 금지 패턴과 대안, 코드 밖의 함정을 중심으로 맥락을 파악한다는 점을 정립하고 AGENTS.md 작성 원칙을 제시했습니다.
2026.05
2026 AI Hack Camp · 프론트엔드 및 WebAssembly 개발
공공기관 HWP 문서 작성의 진입 장벽을 낮추기 위해, 질문형 입력과 음성·손글씨 입력을 통해 문서를 작성할 수 있도록 구현한 서비스입니다.
HWP Schema 기반 입력 흐름과 브라우저 음성 전처리 파이프라인을 구현하고, 보안과 실제 사용 환경을 고려해 클라이언트와 서버의 처리 범위를 조정했습니다.
HWP 문서는 항목과 양식을 사용자가 직접 이해해야 작성할 수 있다는 진입 장벽이 있다고 판단했습니다. HWP Schema에서 필요한 필드를 질문으로 변환하고, 이전 답변에 따라 다음 질문이 달라지는 채팅형 입력 흐름을 설계해 문서 구조를 몰라도 순서대로 작성할 수 있도록 구성했습니다.
STT를 위해 원본 음성을 서버로 그대로 전달하면 민감한 음성 데이터가 불필요하게 서버까지 이동한다고 판단했습니다. 클라이언트와 서버의 처리 범위를 다시 나누고, Rust/WebAssembly로 VAD·RMS 계산·WAV 인코딩 등 전처리를 브라우저에서 수행한 뒤 필요한 음성 데이터만 STT 서버로 전달하도록 구성했습니다.
음성 분리는 기능이 동작하는 것보다 실제 발화 속도와 주변 소음에서도 안정적으로 끊어지는지가 더 중요하다고 판단했습니다. 별도 플레이그라운드에서 다양한 환경을 반복 테스트하며 VAD 임계값과 발화 구간 파라미터를 조정해 STT 입력 품질을 검증했습니다.
채팅과 음성 입력만으로는 키보드 사용이 어렵거나 종이에 익숙한 사용자의 입력 방식까지 포괄하기 어렵다고 판단했습니다. 손글씨 OCR과 모바일 입력 흐름을 추가하고, 실제 모바일 시연 과정에서 발생한 file input·touch event·animation 충돌을 수정해 입력 방식과 사용 환경의 범위를 확장했습니다.
2025.08
대회 프로젝트 · 데이터 파이프라인 및 AI 분석 개발
금융 뉴스를 수집·분석해 종목별 뉴스 요약과 감성 분석, 투자 판단에 필요한 정보를 제공하는 RAG 기반 주식 뉴스 분석 프로젝트입니다.
금융 뉴스 수집과 전처리부터 ChromaDB 기반 종목별 검색, 로컬 sLM을 활용한 RAG 요약·감성 분석, 모델 품질 평가까지 전체 AI 파이프라인을 구현했습니다.
Investing.com은 검색 페이지와 기사 본문의 구조가 달라 수집 방식을 나눴습니다. 검색 결과 탐색은 Selenium으로, 기사 본문은 requests·BeautifulSoup으로 처리하고 Alpha Vantage 데이터까지 LangChain Document 형식으로 맞춰 하나의 파이프라인에서 다룰 수 있도록 구성했습니다.
여러 종목의 뉴스가 검색 결과에서 섞이지 않도록 뉴스를 700자 단위로 나누고 100자 overlap을 적용했습니다. ChromaDB에서는 symbol metadata filter와 top-k 5 검색을 사용해 선택한 종목의 문맥만 RAG에 전달했습니다.
로컬 sLM의 감성 분류 결과가 모델과 입력에 따라 흔들리는 문제를 줄이기 위해 출력 검증·재시도·neutral fallback을 적용했습니다. 이후 Financial PhraseBank 50개 샘플로 모델별 정확도를 비교해 실제 파이프라인에 사용할 모델과 설정을 검증했습니다.
생성된 요약을 감각적으로 비교하지 않도록 10개 종목을 대상으로 정확성·완성도·간결성을 평가하는 LLM-as-Judge를 구성했습니다. 모델별 점수와 승자·판단 근거를 JSON으로 저장해 모델 간 품질 차이를 확인할 수 있도록 했습니다.
2024년 1학기
숭실대학교 · 팀원
TSP 문제를 대상으로 유전 알고리즘과 강화학습 기반 최적화 방법을 구현하고, 선택 전략과 파라미터 변화에 따른 성능을 비교한 알고리즘 프로젝트입니다.
유전 알고리즘과 Q-Learning·DQN을 직접 구현하고, 초기 집단·선택 연산·돌연변이율·학습 방식별 실험을 통해 각 접근의 성능과 한계를 분석했습니다.
유전 알고리즘의 초기 해 품질이 전체 탐색 성능에 영향을 준다고 보고, 초기 집단 생성 방식을 Random → Greedy → A* 순으로 개선해 더 나은 시작점을 확보했습니다.
토너먼트·룰렛 휠·순위 기반·공유 기반 선택 연산을 직접 구현해 비교하고, 수렴 안정성과 결과를 기준으로 토너먼트 선택을 채택했습니다. 돌연변이율도 0.01~0.5 범위에서 실험해 0.1일 때 약 47%의 개선 효과가 가장 크게 나타나는 것을 확인했습니다.
고정된 돌연변이율만으로는 세대가 진행될수록 로컬 옵티멈에 머무를 가능성이 있다고 판단해, 탐색 후반부에 돌연변이율을 높이는 동적 전략을 적용했습니다.
강화학습 방식도 함께 비교해 Value Iteration은 약 40회 반복 후 거리 27.178로 수렴했고, TD Q-Learning이 Monte Carlo 방식보다 안정적으로 수렴함을 확인했습니다. DQN은 상태·행동 공간이 빠르게 커지면서 학습에 실패했고, 샘플 효율성과 보상 설계의 한계를 분석했습니다.