1. TL;DR

• What: AI 친구 대화, 학습 지원, 게임, 응답 평가를 연결하는 웹 서비스.
• Why: 단발성 응답을 넘어 대화 맥락과 학습 활동을 이어가는 경험을 탐색.
• My role: 3인 팀의 Jiho·Teacher, 웹 서비스·게임 구현. Isabella·별도 오토레이터는 팀원 담당.
• Result: 장기기억 10문항의 실패 원인 분석, 당시 연속 7턴 서버 처리 평균 4.64초. 기존 단위 테스트 23개 통과.

2. Project Overview

3. Problem

챗봇 설계 노트는 자연스러운 응답 길이, 먼저 말하기, 과거 대화 활용, 응답 타이밍을 요구합니다. 질문에 답을 생성하는 기능만으로는 이런 상호작용을 관리하기 어렵습니다. 여러 세션의 상태와 모델 호출, 학습 활동을 어떻게 분리해 연결할지가 구현의 핵심입니다.

이 사례는 대화·학습 경험을 구현하고 내부 시나리오로 평가한 캡스톤입니다. 실제 학생의 학습 효과를 검증한 연구 결과로 제시하지 않습니다.

4. My Contribution

3인 팀에서 Jiho 대화 Agent, Teacher 학습 흐름, FastAPI·React 웹 서비스와 학습 게임 구현을 담당했습니다. Isabella Agent와 Learning Friend 오토레이터는 팀원이 담당했습니다.

5. Approach / Architecture

flowchart TD
    U[사용자 대화와 학습 활동] --> UI[React 화면과 API client]
    UI --> API[FastAPI v1 routers]
    API --> APP[Application services와 session registry]
    APP --> D[대화 정책 / Agent 정의 / 게임 domain]
    APP --> A[Infrastructure adapters]
    A --> L[LLM 호출]
    A --> M[기억 저장소]
    M --> S[Jiho: embedding + Supabase 검색]
    M --> N[Configurable agent: namespace별 메모리]
    APP --> G[점수 저장: remote + process-local fallback]
    L --> UI

모든 Agent가 동일한 RAG 저장소를 사용하는 것은 아닙니다. Jiho의 장기기억 경로와 configurable agent의 메모리 경로를 구분합니다. 별도의 autorater 데스크톱 도구는 응답 데이터와 rubric을 받아 결과 파일을 생성합니다.

6. Key Technical Decisions

7. Key Challenges

8. Results

장기기억을 내부 시나리오로 평가하고, 서버 로그를 통해 단계별 응답 시간을 측정했습니다.