재직 · 다임즈
트래픽 예측 AI · 수집 파이프라인
통신 · 지자체 과제에서 네트워크 장비 자동화, 트래픽 예측 모델, 신재생에너지 플랫폼의 실시간 수집 · ETL을 개발했습니다.
모델 비교로 운영 모델 선정LSTM · GRU · Prophet · Airflow 수집 자동화 · Kafka 스트리밍 · LoRa IoT 수집
과제별 역할과 기술 →AI 엔지니어 · 백엔드 · 대한민국
LLM 추출·검증 파이프라인부터 클라우드 운영까지 — 끝까지 직접 만드는 AI 엔지니어
통신·지자체 과제에서 데이터 파이프라인과 예측 AI를 개발했고, 지금은 LLM 데이터 추출·검증 파이프라인과 백엔드, React 대시보드를 설계·개발·운영하는 AI 엔지니어입니다. 프롬프트 세대 관리·모델 실측 평가·환각 방어·비용 최적화 등 프로덕션 LLMOps를 실무로 다루며, 법인을 세워 실서비스를 직접 배포·운영합니다.
PDF 업데이트 2026.10.20 · 스크롤 연출로 보기 · 바로 읽기
대표 프로젝트 · 먼저 살펴보기
재직 · 다임즈
통신 · 지자체 과제에서 네트워크 장비 자동화, 트래픽 예측 모델, 신재생에너지 플랫폼의 실시간 수집 · ETL을 개발했습니다.
모델 비교로 운영 모델 선정LSTM · GRU · Prophet · Airflow 수집 자동화 · Kafka 스트리밍 · LoRa IoT 수집
과제별 역할과 기술 →재직 · 비드코칭연구소
공고 문서의 추출·검증부터 모델 평가와 운영까지 설계했습니다.
서비스 7개 플랫폼 설계 · 운영근거 지표 · 가벼운 모델로 바꾼 전후 운영 로그 기준 검증 건당 비용 −82.9% · 평균 응답 −80.2%
설계 판단과 측정 기준 →재직 · 비드코칭연구소
큐 적체 원인을 추적해 처리 상한·격리·알람을 도입하고 단계별 재처리 구조로 개선했습니다.
원인 분석 → 재발 경로 차단운영 장애 처방 · 9단계 워커 구조
문제·해결·결과 보기 →법인 · 주식회사 이엘디
기획·앱·백엔드·인프라를 맡아 AI 서비스를 출시하고 운영합니다. 말로 기록하는 음성 코치와 사진 식단 분석, AI가 쓰고 MCP로 등록하는 공지, 폰에서 목소리로 PC 코딩 에이전트에 지시하는 연결까지.
iOS · Android 앱 2종피트니스 코치 · 모임 공지 서비스 — 코딩 에이전트와 함께 개발
실제 제품과 사용 화면 →회사에 재직하며 수행한 일입니다. 보안 SW, 데이터 파이프라인 · AI, 그리고 지금의 LLM 플랫폼까지 세 회사.
전자제어공학을 전공하며 AI 대회에 출전했고, 보안 SW → 데이터 파이프라인 · 시계열 예측 → 프로덕션 LLM 파이프라인 순으로 실무 범위를 넓혀 왔습니다.
대학에서 AI를 접해 관련 대회에 나가고 대학원 진학을 준비했지만, 원하던 학교에 가지 못하고 개발자의 길을 택했습니다.
다만 방향까지 바꾸지는 않았습니다. 전자제어공학 전공을 바탕으로 백엔드 · 데이터 엔지니어로 실무를 시작했고, 맡은 업무 안에서 AI 과제를 찾아 맡았습니다.
네트워크 트래픽 예측 모델을 Airflow 파이프라인 위에서 개발 · 운영했고, GPT-3 공개 직후부터는 새 모델과 기법이 나올 때마다 제 업무에 적용할 수 있는지 직접 테스트했습니다.
써 보는 데 그치지 않고 정확도 · 비용 · 지연을 정량 평가해 도입 여부를 결정하는 습관을 그때 들였습니다.
지금 다루는 LLM 파이프라인은 그렇게 쌓아 온 결과이지, 유행을 따라 옮겨온 자리가 아닙니다.
대학 시절 · 2017 — 2020
재직 · 법인 · 개인을 다른 줄로 — 한 칸이 한 달
재직
법인 · 주식회사 이엘디
개인 활동
KT · KTOA · 지자체(보령시 · 천안시) 과제 6건에서 웹 서비스, 네트워크 장비 자동화, 트래픽 예측 모델, 실시간 수집 · ETL 파이프라인을 개발했습니다.
01 KT · 2021.12 — 2022.05
프론트엔드 · 백엔드
02 KT · 2022.06 — 2022.09
백엔드
03 KT · 2022.09 — 2023.02
AI 모델 · 데이터 파이프라인
04 보령시 · 2023.03 — 2023.11
백엔드 · 데이터 엔지니어
05 천안시 · 2023.12 — 2024.04
데이터 엔지니어
06 KTOA · 2023.12 — 2024.04
설계 · 데이터 수집
공공조달 입찰공고 문서에서 핵심 항목을 LLM으로 추출 · 검증하는 플랫폼을 설계 · 구축 · 운영합니다. 최신 · 최상위 모델을 당연하게 쓰지 않고, 같은 표본으로 모델과 프롬프트를 맞대 비교(A/B)해 정확도와 비용을 잰 뒤 고릅니다. 사내 AI 교육 3부작도 기획 · 강의했습니다.
입찰공고 문서(HTML · HWP · PDF · 이미지)에서 자격조건 · 기초금액 같은 핵심 항목을 뽑아내고, 그 결과를 AI로 보완검증하는 7개 서비스짜리 데이터 플랫폼입니다. 프롬프트 세대 관리 · 모델 실측 평가 · 환각 방어 · 비용 최적화까지 프로덕션 LLMOps 전 주기를 설계부터 운영까지 맡고 있습니다.
당시 Gemini 최상위 3.5 Flash와 가벼운 3.1 Flash-Lite를 같은 문서·같은 프롬프트로 비교해, 정확도가 거의 같은(91.4% vs 90.8%) 가벼운 쪽을 골랐습니다. 새 모델도 실행마다 답이 흔들리면 도입하지 않았습니다.
LLM은 값을 추출하고 워커가 원문 근거를 대조합니다. 책임 분리 전후 검증 비용 −33.5%, 평균 응답 −40.4%를 확인했습니다.
큐 적체 원인을 분석해 처리 상한·격리·알람을 도입하고, 단계별 재처리가 가능한 워커 구조로 재설계했습니다.
1 / 7단계 수집
외부 크롤러가 모은 공고 문서를 FastAPI 서버가 받아 작업으로 만듭니다. 노후화된 기존 수집 시스템은 전면 재구축했습니다.
사람이 한 건씩 눈으로 확인하던 검수를, 조건이 성립하는 건은 자동으로 통과시키도록 바꿨습니다. 시설 분야 자동검수 비율 0% → 80%(사내 내부 지표).
2 / 7단계 분배
메시지 큐로 작업을 비동기 분배합니다. AI가 필요 없는 빠른 건과 AI가 필요한 느린 건을 큐부터 나누고, 운영 · 개발 · 테스트 환경별로 워커를 격리했습니다.
같은 공고문을 공유하는 복수 공고를 원자 판정으로 묶어 그룹당 AI를 1회만 호출합니다. 중복 AI 호출 3.2% 제거.
3 / 7단계 변환
문서 포맷마다 HTML로 정규화합니다. 디지털 PDF는 오픈소스 파서(Open Data Loader)로 텍스트를 직접 뽑아 그 경로의 변환 API 비용을 0으로 만들었고(평균 1.24초/건), 텍스트가 없는 스캔 문서에만 OCR을 남겼습니다.
AI 변환 출력을 전사율 실측 분포에서 정한 결정적 지표로 검사하고, 기준에 못 미치면 상위 모델로 올립니다.
4 / 7단계 추출
구조화된 문서는 규칙 파서로 빠르고 싸게, 텍스트가 없는 PDF · 이미지만 LLM으로 추출합니다. 기본은 경량 모델이고, 근거 확인에 실패한 항목만 다른 회사의 상위 모델로 올리는 2단 구성입니다.
장애 로그를 실측해 실패 대부분이 타임아웃 · 쿼터 초과임을 확인한 뒤, 기본 모델이 늦을 때만 보조 모델을 병렬로 띄우도록 설계했습니다. 진 쪽 응답도 버리지 않고 로그로 수확합니다.
5 / 7단계 검증
규칙으로 뽑은 값을 별도 LLM 워커가 다시 확인합니다. 먼저 LLM이 낸 값이 원문에 실제로 있는지 대조해(원문 근거 게이트), 없으면 지어낸 값으로 보고 한 번 다시 뽑게 하고, 근거가 어긋난 항목만 다른 회사의 상위 모델에 맡깁니다. 따로 모아 돌리는 점검에서는 다른 LLM을 정답지로 삼아 정확도를 다시 잽니다.
불일치를 41종 이슈코드로 나눠 등급 관리합니다. "AI는 추출만, 판정은 워커" 로 책임을 나눈 재설계가 검증 비용 −33.5% · 응답 −40.4% 를 만들었습니다.
6 / 7단계 적재
레거시 운영 DB를 정본으로 둔 채 신규 DB에 동시에 기록하는 dual-write 병행 구조로 무중단 이관을 진행 중입니다. 레거시 → 신규 증분 이관은 Airflow로 매일 돌고, 청크 단위 멱등 처리로 부분 실패를 격리합니다.
7 / 7단계 활용
React 19 · TypeScript 대시보드에서 필드별 추출 정확도, AI 호출 · 비용 현황, 자동검수 통계를 봅니다. 코딩 에이전트가 로그 · DB · 큐 · 컨테이너를 조회하고 배포까지 실행하는 커스텀 MCP 서버를 만들어 팀원들이 실업무에서 쓰고 있습니다(조회는 읽기 전용 강제 · 실행은 화이트리스트).
사람이 관리하던 정제 · 판별 규칙 1,898개를 "사람 정리본과의 차집합 → 자동 제안 → 과대제거 영향도 계측 → 사람 승인" 루프로 바꿨습니다. 유사 패턴 67개를 1개로 병합한 것도 영향도를 먼저 잰 뒤 승인했습니다.
01추구하는 개발 방향
원래는 AI에게 값이 맞는지까지 물었는데, AI가 맞다고 답하는 것 자체가 지어낸 답일 수 있었습니다. 그래서 AI는 값만 뽑게 하고, 그 값이 원문에 실제로 있는지는 프로그램이 대조하도록 역할을 나눴습니다. 근거를 찾지 못한 항목만 다른 회사 모델로 한 번 더 확인시킵니다.
−82.9 %
검증 건당 비용 (평균 응답 −80.2%)
산출 기준 운영 모델을 가벼운 모델(3.1 Flash-Lite)로 바꾸기 전과 후 — 운영 로그 기준
−33.5 %
검증 비용 (응답 −40.4%) — "AI는 추출만, 판정은 워커" 책임 분리
산출 기준 재설계 전후, 컨텍스트 캐시를 적용한 상태를 기준선으로
−14.2 %
검증 비용 — 명시적 컨텍스트 캐시 도입
산출 기준 캐시 적용 전후 — 운영 로그 기준
99.6 %
상위 모델을 부르지 않고 기본 모델만으로 끝난 비율
산출 기준 일반 트래픽 기준
0→80 %
공고문 자동검수 비율 — 시설 분야 · 사내 내부 지표
산출 기준 사람이 직접 하던 검수를 조건 기반 자동 통과로 전환한 뒤 · 사내 내부 지표, 시설 분야 기준
비용 절감률은 각 변경 전후의 운영 로그 기준입니다. 서로 다른 기준선의 절감률을 더하거나, 동일 조건의 누적 절감률로 환산하지 않습니다.
| 지표 | 비교 대상·단위 | 해석 범위 |
|---|---|---|
| 비용 −14.2% | 명시적 캐시 도입 전후 · 검증 호출 비용 | 캐시 적용 효과 |
| 비용 −33.5% 응답 −40.4% | 캐시 적용 상태에서 책임 분리 재설계 전후 | LLM 추출과 워커 판정 분리 효과 |
| 건당 비용 −82.9% 평균 응답 −80.2% | 가벼운 모델(3.1 Flash-Lite)로 바꾼 전후 · 운영 로그 | 운영 관측값. 동일 입력 A/B 비용비 8.7배와 별개 |
| 91.4% / 90.8% | 3.5 Flash 대 3.1 Flash-Lite · 같은 표본·프롬프트(해시 일치) · 항목 단위 대조 | 상위 모델 참조 정답지 기준 일치율. 절대 정확도와 구분 |
| 기본 모델 처리 99.6% | 일반 트래픽에서 상위 모델을 호출하지 않은 비율 | 처리 경로 지표이며 정답률이 아님 |
| 자동검수 0 → 80% (시설 분야) | 수동 검수에서 조건 기반 자동 통과로 전환한 뒤 · 사내 내부 지표, 시설 분야 | 시설 분야의 자동 통과 비율이며 전체 분야 대표값 · 업무시간 절감률이 아님 |
공개된 자료에는 정확한 측정 기간, 문서·항목별 표본 수, 참조 정답지의 사람 검수 범위가 포함되어 있지 않습니다. 따라서 통계적 유의성이나 전체 문서에 대한 정확도를 주장하지 않습니다. 비용 비교에는 입력량·캐시·모델별 단가가 영향을 주므로 운영 전후 변화와 고정 입력 실험을 구분합니다.
원리를 설명하기 위한 가상 예시 · 실제 업무 문서·고객 데이터 아님
“기초금액은 100,000원입니다.”
기초금액: 100000
근거: “100,000원”
정규화한 값·근거를 원문과 대조하고, 근거가 맞지 않는 항목만 재추출합니다.
LLM이 추출과 판정을 함께 수행
LLM 추출 → 워커의 원문 근거 대조 → 필요 항목만 재추출
캐시 적용 기준선 대비 검증 비용 −33.5% · 응답 −40.4%
02추구하는 개발 방향
운영 중인 시스템의 모델은 새로 나왔다고, 가장 좋다고 바로 바꾸지 않았습니다. 당시 Gemini 최상위였던 3.5 Flash와 가벼운 3.1 Flash-Lite에 같은 문서 · 같은 프롬프트를 넣고 항목마다 정답과 맞춰 본 뒤, 정확도는 거의 같고 비용은 8.7배 적은 Flash-Lite를 골랐습니다. 반대로 벤치마크 점수가 더 높던 새 세대 모델은 실행할 때마다 답이 달라지는 것을 확인하고 도입을 접었습니다. 최신 모델을 먼저 쓰는 것보다 바꿔도 되는지 판단할 기준을 갖추는 편이 결국 빨랐습니다.
당시 Gemini 최상위는 막 나온 3.5 Flash였습니다(3.5 Pro는 아직 없었습니다). 이 모델과 가벼운 3.1 Flash-Lite에 같은 표본 · 같은 프롬프트(해시로 같음을 확인)를 넣고, 상위 모델이 항목마다 만든 정답지와 얼마나 일치하는지 쟀습니다. 사람 검수 범위 · 표본 수는 공개 자료에 없어 절대 정확도로 읽지 않습니다. 비용은 상대값입니다.
일치율 차이는 0.6%p, 비용은 8.7배 — 가벼운 Flash-Lite로 운영 모델을 정했습니다.
반대로 벤치마크 점수가 더 높던 새 세대 모델은, 같은 입력에도 실행할 때마다 답이 달라져 생긴 오탐 5건을 모두 확인하고 도입하지 않았습니다.
03추구하는 개발 방향
AI가 정리 규칙을 제안하면 사람이 승인해 반영되는 루프를 만든 적이 있습니다. 기술은 돌아갔지만 승인할 사람에게는 언제나 더 급한 일이 있어서 멈췄습니다. 그 뒤로 제 설계는 “사람을 루프에 넣는 법”에서 “사람이 마지막에 한 번만 보면 되게 만드는 법”으로 옮겨갔습니다.
1차
43 장
퍼셉트론 → XOR → 다층 신경망 · 역전파. 청중이 브라우저에서 신경망을 직접 학습시키고 손글씨를 그려 인식시키는 MNIST 라이브 데모로 끝납니다.
2차
51 장
CNN · RNN · LLM · 생성 · 음성 · 코딩 AI. 웹캠 얼굴 탐지, LLM 추론 스트리밍, TTS, GAN · Diffusion을 강의 중에 라이브로 돌립니다.
3차
24 장
에이전트 · MCP · 스킬을 역사 서사로 풀고, 텔레그램 에이전트가 실서비스(Conoti AI)를 사람 승인 하에 제어하는 라이브 데모와 커서 MCP 시연으로 마무리합니다.
PPT 대신 React + TypeScript로 웹 슬라이드 플랫폼을 직접 만들었습니다. PPT는 제작 · 수정이 느리고 표현이 정적이지만, 웹은 실시간 데모를 붙이고 확장할 수 있어서입니다. 브라우저 학습은 TensorFlow.js, 실시간 데모는 FastAPI 백엔드가 맡고, 인터랙티브 시각화를 40개 넘게 직접 만들어 넣었습니다.
05추구하는 개발 방향
아무리 잘 만든 시스템도 그것을 쓰는 조직의 속도를 넘지 못합니다. 그래서 제가 아는 것을 팀이 쓸 수 있게 만드는 데 시간을 씁니다 — 팀원이 터미널을 열지 않고 대화만으로 장애를 조사하는 MCP 서버, 비개발 직군까지 함께 들은 사내 AI 교육 3부작, 품질과 비용을 직접 확인하는 대시보드가 그 결과입니다.
업무 자산이라 서버 · 접속정보 · 고객 데이터 · 물량 같은 내부 세부는 비공개입니다. 아키텍처 · 기법 · 역량 수준으로만 정리했습니다.
직접 세운 법인에서 대표 · 풀스택으로 수행한 일입니다. 스토어에 낸 자체 서비스 2종, Conoti AI 데스크톱 앱, 자체 앱 2개(CopyZoom · 실시간 점수 집계 앱), 외주 개발 1건.
법인에서 AI 앱 두 개를 App Store · Google Play에 출시하고 운영합니다. 신규 모델 · 플랫폼 기능을 실서비스에 적용하면서 AI 원가 통제와 안전장치를 함께 설계합니다.
운동하면서 말로 기록하고 코칭받습니다. 음성 모델은 듣고 말하기만 하고, 기록 · 조회 · 사진 분석 같은 실제 일은 서버가 넘겨받아 처리한 뒤 결과를 읽어 줍니다. 음성 엔진은 gpt-live-1과 gemini-3.8-live 중에서 고르고, "엘란!" 하고 부르면 바로 음성 모드로 이어집니다.
음식 사진을 올리거나 먹은 것을 말하면 칼로리 · 영양소를 추정해 식단에 기록합니다. 사진은 비전 모델이 읽고, "괜찮음 · 주의 · 초과" 판정과 남은 칼로리는 모델이 아니라 서버가 하루 목표로 계산합니다. 목표는 신체 정보 · 활동량 · 그날 운동으로 정합니다.
인바디 결과지 사진에서 체성분 숫자를 읽어 추세로 이어 붙입니다. 기록이 많으면 CSV로 한꺼번에 가져옵니다.
오늘의 체크인(컨디션 · 시간 · 부위)을 받으면 규칙 엔진이 운동 목록에서 루틴을 짜고, 최근 완료율 · 수면 · 피로에 맞춰 세트와 강도를 조정합니다. 이 부분은 LLM이 아니라 규칙 엔진이라 같은 입력이면 같은 루틴이 나오고, AI 코치와 PT 사전 상담을 하면 코치가 제안한 계획을 사용자가 동의할 때 저장합니다.
코치가 기록 · 조회 · 정정 · 되돌리기 도구를 직접 부르고(한 턴의 호출 수에 상한), 지난 상담을 요약한 장기 메모리와 운동 · 영양 지식 DB 검색으로 답을 보강합니다. 앱과 무관한 질문은 모델을 부르기 전에 규칙 분류기가 거릅니다.
대화는 가벼운 gpt-6-luna, 사진 · 결과지 판독은 gpt-6-sol로 나눴습니다. 어려운 턴만 상위 모델로 올리는 승급은 만들었지만 실제 원가가 커서 꺼 두었고, 판단만 돌려주는 모델 제브(Jev)가 턴마다 가벼운 모델로 충분한지 고르는 선택기를 개발 버전에서 시험하고 있습니다(운영 미적용).
ELANFIT — 실제 사용 화면 · 녹화 영상
01 / 05 녹화
"저녁으로 닭가슴살 샐러드 먹었어" — AI 코치가 영양소를 추정해 식단에 바로 기록합니다.
02 / 05 녹화
음식 사진을 올리면 칼로리 · 영양소를 분석하고, 하루 목표 대비로 판정해 식단 탭에 반영합니다.
03 / 05 녹화
컨디션 체크인으로 오늘 루틴 강도를 정하고, 세트 · 휴식 타이머로 바로 운동을 시작합니다.
04 / 05
채팅창 안에서 바로 음성 코치와 대화합니다 — 운동 중에도 화면을 보지 않고.
05 / 05
인바디 결과지를 사진이나 CSV로 읽어 체성분 추세를 봅니다.
ELANFIT 4.0 — 분해해서 보기
운동하면서 "스쿼트 10개 했어"라고 말하면, 여섯 층이 차례로 일합니다.
스크롤하면 층이 나뉩니다
01 / 06 화면
채팅창 안에서 바로 음성 코치와 대화합니다. 잠금화면에서도 부르는 호출어("엘란!")와 Live Activity는 Swift로 따로 만들었습니다.
02 / 06 음성 엔진
엔진 사이의 차이를 전송 방식과 도구 경로 두 축으로 모았습니다. 서버가 엔진 목록을 내려주고 앱은 그리기만 합니다. 앱이 모르는 전송 방식이 오면 조용히 넘어가지 않고 거절합니다.
03 / 06 판단 서버
음성 입출력은 모델이, 판단은 서버가 맡습니다. 서버가 도구 호출을 가로채 권한 · 확인 · 상한을 집행합니다.
04 / 06 모델 배분
대화는 luna, 사진 · 인바디 · 음성 기록 도구는 sol. 운영 코드 경로로 실측하다가 사진 호출의 추론 설정 결함을 찾아, 지연 7.7초 → 3.5초 · 빈 결과 0으로 고쳤습니다.
05 / 06 과금
분당 요금 엔진과 토큰 요금 엔진을 "사용 토큰 → 모델 단가 → 원가"로 모아 한 재화로 차감합니다. 무음 자동 종료 · 세션 시간 상한 · 하루 원가 킬스위치로 새는 원가를 막습니다.
06 / 06 인프라
코드로 만든 인프라에 롤링 배포로 올립니다. 배포 중 1초 간격 420회 요청이 전부 성공했습니다.
음성 모델이 바뀌어도, 앱은 그대로.
엔진은 서버가 고르고, 앱은 그리기만 합니다.
ELANFIT · 실시간 음성 · gpt-live-1
ELANFIT · 엔진 교체 구조
ELANFIT · 모델 배분 · gpt-6
ELANFIT · 프롬프트 캐시
ELANFIT · 과금 설계
ELANFIT · iOS 네이티브 · Swift
ELANFIT · AI 원가 · 안전
ELANFIT · 오프라인 · 멱등
ELANFIT · 배포 · 개발 체계
앱 · 서버 · 어드민 · 인프라를 코딩 에이전트와 함께 만듭니다. Claude Code · Codex · Gemini CLI · Cursor가 같은 작업 규칙 문서(AGENTS.md)를 읽고 일하고, 나눠 한 결과를 합쳐 배포 · 스토어 제출하는 일은 본인이 맡습니다.
운영자가 AI에게 말로 부탁하면 제목 · 본문 · 일정 · 반복 규칙을 담은 공지 초안을 씁니다. 지난 공지를 물으면 의미 검색 결과를 근거로 답하고, 읽음 현황을 보고 안 읽은 사람에게만 다시 보내자고 제안합니다. 실제 등록 · 발송은 사람이 확인 버튼을 누를 때만 됩니다.
ChatGPT · Claude 같은 외부 AI나 코딩 에이전트가 MCP 도구로 공지 초안 · 예약 · 반복 등록 · 발송 상태 확인 · 안 읽은 사람 재발송을 합니다. 아침 날씨 · 환율 요약, 이번 주 시간표 · 준비물, 회의록 요약, 서버 점검 알림처럼 사람이 매번 쓰던 공지를 AI에게 맡깁니다.
모임 공지용으로 만든 앱을 개발 · 운영 알림 채널로도 씁니다. 서버 상태 점검 결과와 코딩 에이전트의 작업 완료 · 확인 대기 · 오류 알림이 Conoti AI 방으로 올라와 폰 푸시로 옵니다 — 에이전트 알림은 MCP 도구로 올립니다.
PC의 Conoti AI 데스크톱 앱이 Claude Code · Codex의 대화 기록을 읽고 Claude Code 훅으로 완료 · 권한 대기를 바로 받아 PC 안의 파일 하나(SQLite)에 모으고, 폰의 "AI 작업" 탭이 그 세션을 종단간 암호화로 이어 받아 결과를 보고 답장합니다. 서버는 암호문만 넘기고 저장하지 않습니다.
채팅을 치는 대신 폰에 말로 PC의 코딩 에이전트에게 일을 시키고 결과를 듣습니다. 음성 AI(제미나이 라이브 또는 GPT-Live)는 세션 목록 · 지시 보내기 · 결과 듣기 · 끝내기 네 가지 도구만 쓰고, 그 도구는 폰이 실행해 암호화 통로로 PC에 전합니다. 되돌리기 어려운 지시는 한 번 더 확인하고, 서버는 받아쓴 글을 저장하지 않습니다.
PC 세션이 허용 확인이나 질문으로 멈추면 폰에서 답하고, 세션의 권한 모드 · 모델 · effort를 바꿉니다(tmux · IDE 터미널은 바로 적용). Claude · Codex 구독 사용량 확인, 이미지 요청 허용 · 거부, 대화 압축 · 비우기, AI 답 끝의 선택지 고르기도 폰에서 합니다 — PC 쪽은 Conoti AI 데스크톱 앱 0.14.0이 받습니다.
Conoti AI — 실제 사용 화면
01 / 04
강사 · 학원 · 동호회처럼 모임마다 공지 게시판이 생깁니다.
02 / 04
운영자가 대화로 요청하면 AI가 제목 · 본문 · 일정 · 반복 규칙을 담은 초안을 씁니다. 등록은 사람이 누를 때만.
03 / 04
참여자는 공지를 받고 읽기만 합니다. 운영자는 읽음 현황을 확인합니다.
04 / 04
ChatGPT · Claude가 MCP로 접속해 같은 도구로 공지를 등록합니다.
Conoti AI 모바일 앱 — 분해해서 보기
운영자가 AI와 대화한 뒤 참여자 폰에 푸시가 닿기까지, 층마다 무엇을 막는지 봅니다.
스크롤하면 층이 나뉩니다
01 / 06 화면
AI가 제목 · 본문 · 일정 · 반복 규칙을 담은 초안을 씁니다. 등록 버튼은 사람이 누릅니다.
02 / 06 확인 토큰
등록 직전에 발급되는 토큰이 초안 내용에 묶여 있어, 내용이 바뀌면 무효가 됩니다. AI가 잘못 알아들어도 곧바로 발송으로 이어지지 않습니다.
03 / 06 MCP 서버
ChatGPT · Claude 같은 외부 AI도 같은 도구를 씁니다. 댓글 · 읽음 현황처럼 개인 행동 데이터는 읽기라도 권한을 요구하고 기본값을 꺼 둡니다.
04 / 06 인가서버
RFC 7종을 따라 직접 구현했습니다. 이미 발급키로 쓰던 사용자를 깨지 않으려고 URL로 인증 모드를 나눴습니다.
05 / 06 의미검색
공유 DB의 다른 서비스를 멈추지 않으려고 벡터만 옆에 따로 뒀습니다. 없으면 키워드 검색으로 자동 전환합니다.
06 / 06 발송
예약 · 반복 공지를 타임존을 인식해 보내고, 파일 잠금 · 상태 CAS · 멱등키 세 겹으로 중복 발송을 막습니다.
AI는 초안까지, 보내는 건 사람이.
자율성을 넓히는 설계와 사고를 막는 설계를 한 쌍으로.
Conoti AI · MCP · OAuth 2.1
Conoti AI · MCP 서버 · 도구 21종
Conoti AI · 확인 토큰
Conoti AI · 종단간 암호화 · Noise
Conoti AI · pgvector 사이드카
Conoti AI · AI 원가 · 단일 재화 잉크
Conoti AI · 배포 · Shorebird
Conoti AI · 실패 → 테스트
앱 · 웹 · 서버를 코딩 에이전트와 함께 만듭니다. 서버 담당 · 앱 담당 · 리뷰 담당 에이전트로 일할 경로를 나누고, 개발은 개발 트리에서만 한 뒤 운영 트리에는 승격 절차로만 반영합니다.
04추구하는 개발 방향
AI에 실행 권한을 줄 때는 실수를 구조적으로 막는 장치를 같이 만듭니다. 원문에 근거가 없는 값은 걸러내는 게이트, 실행 직전 한 번만 통과하는 확인 단계처럼요. 자율성을 넓히는 설계와 사고를 막는 설계를 따로 떼어 생각하지 않습니다.
Conoti AI 모바일 앱(1.7.x)과 종단간 암호화로 연결되는 Conoti AI 데스크톱 앱(0.14.0), 법인 자체 앱 CopyZoom · 실시간 점수 집계 앱, 그리고 외주 개발 1건입니다.
주식회사 이엘디 · Conoti AI 모바일 앱 연동
공개 배포 중 — 설치 파일 · 릴리스 노트 공개(소스 비공개)
코딩 에이전트 세션을 메신저처럼 — macOS · Windows
여러 세션을 동시에 돌리면 어느 세션이 끝났고 어느 세션이 확인을 기다리는지 놓칩니다. 세션을 대화방처럼 모으고, 안 읽음과 권한 대기를 표시하고, 앱이나 폰에서 실행 중인 세션에 바로 말을 넣습니다. Claude Code 세션에 더해 0.6.0부터 OpenAI Codex 세션도 같은 목록에 모입니다.
Conoti AI 데스크톱 앱 — 분해해서 보기
여러 세션을 동시에 돌려도 끝난 것과 확인을 기다리는 것을 놓치지 않게, 세션을 대화방처럼 모으고 폰에서도 이어 받습니다.
스크롤하면 층이 나뉩니다
01 / 06 화면
세션마다 요청과 결과가 대화처럼 쌓이고, 안 읽은 결과 · 확인 필요 · 진행 중을 나눠 봅니다. 결과는 문서로 펼쳐 요청 · 작업 요약 · 바뀐 파일 · 응답을 한 장에 봅니다.
02 / 06 앱 코어
모든 기록은 로컬 파일 하나. 저장 전에 API 키 · 토큰 같은 비밀값을 가립니다. 업데이트는 앱에 고정된 공개키로 서명을 확인한 뒤, 사용자가 누를 때만 설치합니다.
03 / 06 훅
완료 · 권한 대기를 훅 이벤트로 즉시 받고, asyncRewake 대기 훅으로 실행 중인 세션에 재시작 없이 말을 넣습니다. 세션이 쉴 때만 넘기고 30초 지난 입력은 버립니다.
04 / 06 암호화
키는 폰이 PC 화면의 QR(5분 · 1회용)을 직접 찍어 교환합니다. 페어링 때 양쪽에 같은 확인 코드를 보여 중간자를 막습니다.
05 / 06 중계
방 번호로 짝만 지어 주고 암호문만 넘깁니다. 저장하지 않고, 푸시 알림에도 내용을 싣지 않습니다.
06 / 06 폰
폰에서 온 답은 원격 명령으로 봅니다. 허용한 기기 · 세션별 스위치 · 전체 멈춤 · 데스크톱 확인 · 길이와 제어문자 검사를 겹쳐 두고, 명령은 셸을 거치지 않습니다.
서버는 내용을 모릅니다.
처음 설계한 평문 저장 방식을 스스로 취소하고 종단간 암호화로 바꿨습니다.
주식회사 이엘디 · 자체 앱 · 기획 · 앱
2026.10 –
실제 앱 화면 · 시뮬레이터에 샘플 글씨를 비춘 화면(실제 개인정보 아님)
주식회사 이엘디 · 자체 앱 · 설계 · 서버 · 앱
2024.12 –
주식회사 이엘디 · 외주 · 프로젝트 총괄
2024.07 – 2024.10
회사 · 법인 업무 밖에서 공개한 기술 리서치입니다.
신규 모델 · 도구를 벤치마크하고 결과를 AI 스터디로 공개합니다(31개 주제).
2026.08.25 — 09.22
31
+ 스크롤 문서 4편
558
대본 → 로컬 TTS → 자동 합성
34
게임을 한 줄도 안 고치고, 판단이 0.6초 늦게 오는 조건에서 2분 생존에 도전.
AI 64.3초 · 규칙 66.0초 — 천장은 정책이 아니라 난이도 곡선같은 게임, 네 가지 방식. 다른 건 누가 전략을 고르느냐뿐.
"최고 142초는 실력이 아니라 운" — 자기 기록을 재실행으로 반박판단만 돌려주는 모델에게 공 피하기를 시킴 — 설명을 고치고 판단하는 동안 시간을 멈춰 130초 생존.
응답 0.56초 중 서버 계산은 0.06초 — 나머지는 오가는 시간보기 중 하나와 확률만 돌려주는 새 모델을 공식 문서와 외부 실험으로 대조.
토큰이 새는 자리와 처방을 공식 문서 기준으로 정리.
발표 글 열다섯 편으로 본 처방이 늘었다가 줄어든 2년.
출시 나흘 만에 운동 앱(ELANFIT)에 실시간 음성 모델을 붙인 기록.
같은 시험을 바깥에서 재니 18점이 빠졌다오픈소스 테스트 에이전트를 에뮬레이터에서 과제 5개로 실행.
앱 안은 눌렀고, 앱 밖은 못 나갔다 · 99.1%의 측정 조건 공백 지적같은 캐릭터 10명과 설계서로 모델에게 웹 격투 게임을 만들게 하는 비교 — 순위는 정하지 않고 진행 중인 빌드까지 공개.
소장과 기각 신청 원문으로 사실 · 공식 입장 · 진행 상황을 정리.
AI 글 표식을 둘러싼 도구 · 법 · 기관 지침.
탐지기 13종이 같은 원고에 0~100%로 답한 연구코드 도구 6개로 30장, 생성 AI로 5장을 같은 프롬프트로 비교.
30장 중 12장에서 자기 평가가 독립 심사보다 후했다무엇을 바꾸는 방법인지, 지금 상용 API로 무엇을 고를 수 있는지.
같은 모델 점수가 자료마다 30점씩 다른 이유.
점수와 같이 적어야 할 여섯 가지고정 문제 · 격리 실행으로 새 모델을 계속 잰다.
1판 9개 모델 전원 만점 → 2판은 "얼마나 싸게 해내나"로 재설계구조와 2.0 변경점.
강좌 23개를 포함한 자료 360개 둘러보기.
클라우드 컴퓨터 한 대를 봇 여럿이 나눠 쓰는 구조.
여러 에이전트를 동시에 굴리고 지켜보는 도구.
자료 범위 안에서만 답하는 방식이 실제로 어떤지.
"제일 게으른 방법" 규칙 한 장이 주는 효과를 12번 돌려 잼.
여섯 번 다 짧아졌다 — 61줄에서 11줄익명 모델의 정체가 드러난 과정.
에이전트 10종을 같은 잣대로 비교.
EU 법에 따른 워터마크와 제거 도구.
출처가 갈린 곳 5 · 아직 확인 못 한 것 11을 따로 적음병목이 어디로 옮겨 갔나.
사람과 에이전트가 한 채팅방에서 일하는 도구.
실제 화면 스무 장으로 본 영상 제작 흐름.
상시 비서형 에이전트를 실제로 써 본 기록.
청중 맞춤 설명 스킬을 이 사이트 글쓰기 기준으로 채택.
지침서를 주고 / 안 주고 다섯 차례 48번 A/B.
결과로 쓰던 스킬 여섯 개 중 다섯 개를 지웠다맡길 수 있는 일 아홉 가지를 읽기 · 만들기 · 되돌릴 수 없음으로 분류.
문장마다 실측 / 내가 보탠 것 / 확인 필요를 가릅니다. 색이 아니라 채움으로 구분해 흑백에서도 읽히고, "확인 필요"를 "실측"으로 올리는 것은 금지입니다.
BM25 검색 → 모델이 JSON으로 답 → 서버가 실제로 넘긴 조각 id만 출처로 인정합니다. 요청 속도 · 길이 · 하루 비용 상한, 규칙 기반 즉시 거절(지시문 공개 · 탈옥 · 개인정보), 범위 판정을 겹쳐 둡니다. 시험지 45문항 전부와 대화 흐름 5단계를 통과한 뒤 공개.
대본이 정본입니다. 대본 → 점검 → 캡처 → 오픈 웨이트 TTS를 로컬에서 합성 → 받아쓰기로 발음 검증 → 합성. 5분 상한, 첫 30초는 결론 요약.
1920×1080 무대를 창 크기에 맞춰 통째로 줄입니다. 글자를 줄이지 않고 장을 쪼개고, 폰 세로에서만 세로 문서로 바뀝니다. 기본 청중은 비전문가 — 전문용어는 그 자리에서 한 줄로 정의합니다.
회사와 법인을 가로질러 지켜 온 작업 원칙입니다.
01
개발자로서 가장 위험한 태도는 모르는 것을 아는 척하는 것이라고 봅니다. AI를 붙이면 이 위험은 몇 배가 됩니다 — 모델은 모른다고 말하는 대신 그럴듯하게 지어내기 때문입니다. 경험이 없는 영역은 없다고 적고, 대신 가장 가까운 경험과 지금 준비하고 있는 것을 함께 적습니다. 예를 들어 컨테이너 오케스트레이션은 Docker Compose 까지가 제 실무 범위이고, Kubernetes 는 운영해 본 적이 없어 이 사이트 어디에도 경험으로 적지 않았습니다.
02
제 생각과 맞지 않는 제안을 받으면 먼저 왜 그렇게 제안했는지 설명을 요청합니다. 같은 조직에 있어도 각자 봐온 환경이 달라서, 제가 보지 못한 것을 보고 있을 수 있다고 생각합니다. 상대의 근거를 듣고 제 근거도 함께 꺼낸 다음 이 프로젝트에 무엇이 최선인지 같이 정합니다. 제 말을 관철하는 것이 목적이 아닙니다.
03
기획 · 운영이나 프론트엔드 팀과 부딪힌 적이 여러 번 있습니다. 서로 해내려는 마음이 확인되면 핑계를 찾는 대신 소통 방식 자체를 바꿔서 끝냈습니다. 1인 법인을 운영하며 회사 입장과 클라이언트의 니즈를 동시에 봐야 했던 경험이 여기에 쓰입니다.
04
법인을 운영하며 디자이너와 프리랜서 개발자 사이에서 중간 조율을 맡았다가 실패한 적이 있습니다. 일정과 산출물을 맞추는 데 집중하느라, 함께 일하던 분이 개인적으로 감당하기 어려운 상황에 있다는 것을 충분히 살피지 못했습니다. 조율은 요구를 맞추는 일이기 이전에 사람의 상태를 살피는 일이라는 걸 그때 알았습니다.
05
공공조달 문서 도메인도 처음에는 몰랐습니다. 규칙과 예외를 데이터로 하나씩 확인하며 익혔고, 그 과정에서 나온 실패 케이스를 규칙으로 축적하는 방식으로 정확도를 올렸습니다. 도메인을 아는 것보다 도메인을 익히는 방법을 아는 것이 옮겨 다니는 자산이라고 봅니다.
경력 · 한눈에
위 일들에 쓴 기술 44가지
AI
시계열 예측에서 LLM 추출 · 검증, 실시간 음성 모델, MCP 에이전트까지 — 새 모델은 실측으로 평가하고 도입합니다.
INFRA
큐 · 배치 파이프라인, dual-write 이관, GCP · AWS · Terraform, 종단간 암호화 중계까지 운영 가능한 형태로 만듭니다.
PRODUCT
기획 · 설계 · 개발 · 스토어 출시 · 운영 · 원가 통제까지 — App Store · Google Play에 앱 두 개를 출시해 운영합니다.
다양한 기술 스택이 아니라, AI에 대한 폭넓은 지식과 경험 · 인프라 구축 · 끝까지 완성해 낸 제품이 곧 실력인 시대입니다.
국립한밭대학교 전자제어공학과 졸업 (2020.02) · 정보처리기사 · PC정비사 2급 · ITQ (한글 · 엑셀 · 파워포인트) · 워드프로세서 1급