StudyHelper — AI 간격 반복 학습 도구

배경

CS 면접 준비를 위한 체계적 학습 도구가 필요했지만, 기존 플래시카드 도구들은 마크다운 학습 자료의 구조적 분석, AI 기반 개념 추출, 적응형 복습을 통합적으로 제공하지 못했습니다. 복수의 마크다운 파일을 한 번의 LLM 호출로 구조화하면 토픽 누락, 파일 분류 오류, 비논리적 순서 문제가 발생했고, LLM이 생성한 개념 목록에도 품질 문제가 빈번했습니다.

해결 과정

4일 MVP + 클린 아키텍처: "먼저 동작하게 만들고, 그 다음 제대로 만든다"는 전략으로 Day 1에 MVP를 단일 커밋으로 구현한 뒤, 같은 날 바로 app/application/infrastructure/core/workflows 5개 레이어로 리팩토링했습니다. API 라우트를 얇은 HTTP 핸들러로 축소하고, 7개 Prisma 리포지토리와 워크플로우 엔진을 독립 모듈로 분리했습니다.

4단계 프롬프트 체이닝: 하나의 복잡한 판단을 토픽 추출 → 파일 분류 → 챕터 구성 → 검증 4단계로 분리하여 각 단계가 이전 단계의 구조화된 출력을 입력으로 받는 구조로 LLM 응답 신뢰성을 확보했습니다. 멀티파일 챕터에는 2단계 개념 분석 체인을 추가하고, 전체 과정에 폴백 캐스케이드를 구축했습니다.

LLM Gateway 패턴: Claude API/CLI 프로바이더를 런타임 전환 가능하게 추상화하고, generateAndValidate<T>()에서 Zod 스키마 검증 + 자동 재시도를 내장하여 호출부가 타입 안전한 결과만 받도록 했습니다.

개념 품질 자동 보증: 자동 스코어링(총 개수, 보조 비율, Bloom 균일도 등 5개 지표) → 조건부 LLM 수리 패스 → 헤딩 폴백과의 품질 비교 선택이라는 3단계 품질 보증 파이프라인을 구축하여 LLM 출력 품질의 하한선을 보장했습니다.

백그라운드 콘텐츠 프리페칭: DB 기반 잡 큐(LearnJob 테이블)와 인프로세스 백그라운드 워커로 사용자가 첫 개념을 학습하는 동안 나머지 개념의 콘텐츠를 미리 생성하여, 캐시 히트 시 즉시 로딩을 달성했습니다.

어노테이션 시스템: 텍스트 선택 기반 인라인 하이라이트/메모, 색상 코딩, 필터링/정렬, 챕터별 노트북 뷰를 구축하여 학습과 정리를 하나의 인터페이스에 통합했습니다.

성과

• 4일간 9개 티켓 전량 완료, 10개 DB 모델, 클린 아키텍처 5개 레이어 구성
• Day 1에 MVP 구현과 클린 아키텍처 전환을 동일 일에 완료
• 4단계 프롬프트 체이닝 + 개념 품질 자동 스코어링/수리로 LLM 출력 품질 하한선 보장
• 백그라운드 프리페칭으로 캐시된 개념은 즉시 로딩, 학습 몰입도 유지
• 하이라이트/메모/필터/노트북 뷰 어노테이션 시스템으로 학습-정리 통합