Starcloud Studio: 옵시디언용 AI 멀티미디어 저작 플러그인

✨ Starcloud Studio (Obsidian AI Extension) MOC

1. 프로젝트 개요

옵시디언 내의 텍스트 노트를 기반으로 시각적/청각적 멀티미디어 자산을 자동 생성하는 전문 플러그인. ‘보는 노트’를 ‘경험하는 콘텐츠’로 변환하는 것이 핵심 목표.

2. 주요 생성 모듈 (Output Modules)

  1. Knowledge Posters: 복잡한 노트를 한 장의 인포그래픽 포스터로 시각화 (Canvas API/SVG 활용).
  2. Interactive Slides: 마크다운을 Reveal.js 기반의 HTML 슬라이드 또는 PPTX로 자동 변환.
  3. Speech Audio (TTS): Google/OpenAI TTS를 활용하여 노트를 팟캐스트 형식의 오디오로 변환.

3. 핵심 시스템 통합

  • Google Drive Sync: 원클릭으로 생성된 결과물을 클라우드로 백업 및 공유.
  • GitHub Pages Integration: 슬라이드 및 포스터를 웹에 즉시 호스팅하여 온라인 배포 자동화.
  • Multi-AI Support: Gemini, OpenAI, Claude 중 최적의 모델을 선택하여 콘텐츠 기획 및 초안 작성.

4. 리소스 및 경로

Status Note: 플러그인 핵심 아키텍처 및 도구 통합 완료. 제텔카스텐 지식을 외부 콘텐츠로 확장하는 최종 출구(Exit) 시스템으로 운용.

Sigil Automation: 고품질 EPUB 전자책 자동 제작 시스템

📚 Sigil Automation MOC

1. 프로젝트 목적 (Purpose)

  • EPUB 제작 효율화: 마크다운(Markdown) 또는 HTML 형태의 원고를 Sigil 규격에 맞는 고품질 EPUB3 전자책으로 자동 변환하여 정식 출판(교보문고, 리디북스 등) 가능한 상태로 마감.
  • 포맷팅 자동화: 스타일시트(CSS) 삽입, 메타데이터 입력, 목차(TOC) 생성 등의 반복적이고 기술적인 공정을 자동화.

2. 주요 기능 및 파이프라인

  • MD-to-EPUB Converter: [[05 Projects/EduPrompT/사과 하나의 무게_최종본|EduPrompT 원고]]와 같은 마크다운 파일을 Sigil 전용 HTML 구조로 변환.
  • Automated CSS Injector: 전자책의 가독성을 극대화하는 프리미엄 폰트 및 레이아웃 스타일시트를 자동으로 주입.
  • Validation Check: EPUB 표준 규격(EPUBCheck) 준수 여부를 자동으로 검증하여 유통 오류 방지.
  • Cover & Metadata Auto-Sync: 책 표지 이미지와 제목, 저자 정보를 원본 메타데이터에서 추출하여 EPUB 내부에 자동 삽입.

3. 핵심 아키텍처

  • Processor: Python 기반의 BeautifulSoup 및 EbookLib 라이브러리 활용.
  • Template Engine: 장르별(에세이, 전문 서적, 만화 등)로 최적화된 EPUB 템플릿 라이브러리 운용.

4. 리소스 및 경로

  • Source Code Path: F:/dev/sigil-automation
  • Related Project: [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher System]]

Status Note: 원고-전자책 변환 핵심 파이프라인 구축 완료. 출판 준비가 완료된 텍스트를 정식 도서 규격으로 전환하는 ‘최종 마감 공정’으로 활용됨.

Quizlet Update: 디지털 단어장 자동 동기화 시스템

📚 Quizlet Update MOC

1. 프로젝트 목적 (Purpose)

  • Vocabulary Workflow Integration: 수업 중 추출된 핵심 어휘 또는 [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]의 단어 데이터를 퀴즐렛(Quizlet) 플랫폼으로 자동 전송하여 학생용 디지털 단어장을 생성/업데이트.
  • Manual Effort Elimination: 수동 입력 과정을 제거하여 교육 콘텐츠의 디지털 전송 속도 극대화.

2. 주요 기능 및 파이프라인

  • Data Extractor: Excel, CSV, 또는 마크다운 형식의 단어 리스트에서 표제어와 뜻, 예문을 자동 추출.
  • Quizlet Auto-Uploader: 퀴즐렛 웹 인터페이스 또는 API(지원 시)를 연동하여 새로운 세트를 생성하거나 기존 세트를 덮어쓰기.
  • Example Sentence Generator: AI(Gemini)를 활용하여 단어의 난이도에 맞는 자연스러운 예문을 추가하여 학습 효과 증대.

3. 핵심 시스템

  • Automation Core: Python (Selenium 또는 Requests 활용).
  • Format Support: 한글(HWP)/엑셀 데이터를 퀴즐렛 표준 업로드 포맷으로 변환하는 전처리기 포함.

4. 리소스 및 경로

  • Source Code Path: F:/dev/quizlet-update
  • Related Context: [[05 Projects/Homework_2025_MOC|Integrated Vocabulary Management]]

Status Note: 어휘 데이터 전처리 및 퀴즐렛 업로드 자동화 스크립트 구축 완료. 매주 신규 클래스별 전용 단어장 배포용으로 운용 중.

Paddle OCR: 영어 원서 및 시험지 디지털화 시스템

🔍 Paddle OCR Digitization System (MOC)

1. 프로젝트 개요

종이 기반의 영미 아동 문학 원서 및 한국 중/고교 영어 시험지를 AI 텍스트 데이터로 변환하기 위한 고성능 OCR 웹 인터페이스 서비스.

2. 핵심 기술 스택

  • OCR Engine: PaddleOCR (PP-OCRv4 모델 사용) – 다국어 및 수직/경사진 텍스트 인식에 강점.
  • Backend Framework: Flask / FastAPI
  • Frontend: HTML5 + Vanilla JS (Drag & Drop interface)
  • Processing Unit: CPU/GPU 동적 감지 및 가속 모델 적용.

3. 데이터 파이프라인 (The Pipeline)

  1. Upload: 다중 이미지 (JPG/PNG) 업로드.
  2. Pre-processing: 대비 향상 및 수평 조정(Deskewing) – 인식률 극대화 작업.
  3. Extraction: 각 영역별 텍스트 및 신뢰도(Confidence score) 추출.
  4. Post-processing: 수능 또는 시험지 특유의 특수기호(예: ■, ①) 및 단락 구분 자동 보정.

4. 응용 및 확장

  • 추출된 텍스트는 즉시 [[02 F-Drive-Index/text-dna-gen|LECTURA AI]]의 분석 소스로 전달됨.
  • 대량의 아동 도서 데이터를 [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher]]의 리서치 데이터로 활용.

Status Note: 다중 이미지 일괄 처리 엔진 안정화 완료. 실제 가공 환경(F:/paddle_ocr)에서 운용 중.

Obsidian Plugin Dev: 나만의 지식 엔진 커스텀 도구 제작소

🛠️ Obsidian Plugin Development MOC

1. 프로젝트 목적 (Purpose)

  • Custom Knowledge Engine: 옵시디언의 기본 기능을 넘어, 베이컨(Bacon-style) 사고 체계 또는 에이전틱(Agentic) 워크플로우에 최적화된 고유의 플러그인을 직접 개발하고 배포.
  • Workflow Optimization: 지식 수집, 인덱싱, 출력(Publishing)으로 이어지는 전 공정의 마찰을 줄이는 자동화 도구 라이브러리 구축.

2. 주요 개발 항목 및 기술

  • Knowledge Linker (Concept): 노트 내용의 문맥을 AI가 읽어 유사한 개념을 가진 노트를 자동으로 추천하거나 연결해주는 지항 기능.
  • Plugin Scaffolding: 옵시디언 플러그인 개발을 위한 기본 템플릿 및 빌드 환경(Webpack/Vite) 관리.
  • API Sandbox: 옵시디언 내부의 MetadataCache, App, Vault API를 테스트하고 활용하는 코드 조각(Snippets) 저장소.

3. 기술 스택

  • Language: TypeScript (Type-safe Obsidian API interaction).
  • Runtime: Node.js (Development environment).
  • Framework: Svelte 또는 React (플러그인 설정 및 복잡한 UI 구현용).

4. 리소스 및 경로

  • Source Code Path: F:/dev/obsi-plugin
  • Reference: [[05 Projects/Starcloud_Studio_MOC|Integrated Output Plugin Example]]

Status Note: 플러그인 개발 환경 및 핵심 스니펫 라이브러리 구축 완료. 제텔카스텐의 생산성을 극대화하기 위한 ‘맞춤형 도구 제작소’로 활용 중.

Obsidian 2025: 에이전틱 세컨드 브레인 구축 로드맵

Obsidian 2025: 에이전틱 세컨드 브레인 구축 로드맵

🏟️ Obsidian 2025 Strategic MOC

1. 프로젝트 목적 (Purpose)

  • Active Agentic Brain: 단순한 메모 저장소(Vault)를 넘어, AI 에이전트들이 스스로 정보를 수집, 연결, 비판하는 ‘살아있는 지식 생태계’로의 진화.
  • 2026 Moonlight Academy Backbone: 학원의 모든 교육 콘텐츠, 학생 관리 데이터, AI 파이프라인의 핵심 관제 센터(Command Center) 구축.

2. 핵심 추진 과제 (Key Pillars)

  • The Spider & Tapestry Linker: 새로운 지식 유입 시 자동으로 기존 노트와 연결망(Link)을 형성하는 지행 자동화 에이전트 상주.
  • Multimodal Intelligence Layer: 텍스트뿐만 아니라 이미지, 영상, 오디오 데이터를 브레인 커널([[00 Brain Kernel/00_Metacognition|Metacognition]])이 이해하고 처리할 수 있는 구조로 확장.
  • Real-time Synced Dashboard: [[05 Projects/Neural_News_Web_MOC|Neural News Web]] 및 [[05 Projects/CC_Usage_Monitor_MOC|Cost Monitor]] 데이터를 옵시디언 대시보드에서 실시간으로 관제.

3. 기술적 진화

  • Advanced Metadata System: 모든 노트에 고유 UID 및 시계열 추적 태그를 도입하여 지식의 진화 과정을 데이터화.
  • Local LLM & Cloud Hybrid: 보안이 중요한 개인 지식은 로컬 LLM으로, 방대한 리서치는 Gemini 2.0/Pro 클라우드 모델로 분산 처리.

4. 리소스 및 경로

  • Context Archive: F:/obsidian_2025
  • Core Instruction: [[00 Brain Kernel/01_Master_Routing|Master Routing Protocol]]

Status Note: 2025년형 지식 베이스 아키텍처 수립 및 핵심 에이전트 통합 완료. 현재 2026년의 새로운 지능적 도약을 위한 ‘중앙 지휘소’로 가동 중.

  • [[obsidian_2025]]

🔍 연계 지식 탐색 (Connected Intelligence)

이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

3D 지식 Galaxy 열기 →

Neural News Web: AI 기반 뉴스 큐레이션 및 분석 플랫폼

Neural News Web: AI 기반 뉴스 큐레이션 및 분석 플랫폼

📰 Neural News Web MOC

1. 프로젝트 목적 (Purpose)

  • AI-Driven News Intelligence: 산발적으로 발생하는 전 세계 AI 기술 및 교육 뉴스를 수집하고, 신경망(Neural) 기반의 연관 지도를 통해 사용자에게 최적화된 통찰을 제공하는 웹 플랫폼.
  • Next.js Full-stack App: 고성능 서버 사이드 렌더링(SSR)을 통해 최신 정보를 실시간으로 배포.

2. 주요 기능 (Core Capabilities)

  • 실시간 뉴스 피드: AI 관련 주요 매체(arXiv, TechCrunch, Verge 등)의 데이터를 통합 피드로 구현.
  • 지능형 요약 및 태깅: 수집된 각 뉴스를 LLM(Gemini/GPT)을 통해 한글 요약 및 지식 태깅(Knowledge Tagging) 수행.
  • 연관 지식 네트워크: 개별 뉴스를 관련 [[07 Resources/AI Case Library|AI Case Library]] 또는 관련 프로젝트와 자동으로 연결하여 입체적 독법 제공.

3. 기술 스택 (Tech Stack)

  • Framework: Next.js 14+ (App Router)
  • Language: JavaScript / TypeScript
  • Styling: Tailwind CSS (깔끔한 다크모드 및 미니멀리즘 인터페이스)
  • Host: Vercel / GitHub Pages

4. 리소스 및 경로

  • Source Code Path: F:/dev/neural-news-web
  • Related Source: [[00 Brain Kernel/01_Master_Routing|Latest Intelligence Feed]]

Status Note: 웹 플랫폼 기본 골격 및 Next.js 환경 세팅 완료. 실시간 크롤링 및 AI 요약 파이프라인 연동 단계 운용 중.

🔍 연계 지식 탐색 (Connected Intelligence)

이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

3D 지식 Galaxy 열기 →

Meta Question Workbook: 사고의 궤적을 추적하는 질문 생성기

🧠 Meta Question Workbook MOC

1. 프로젝트 목적 (Purpose)

  • Beyond Correct Answers: 단순히 정답을 맞히는 것을 넘어, 학생이 어떤 사고 과정을 거쳐 그 답에 도달했는지를 스스로 인지하게 만드는 ‘메타 질문’ 중심의 워크북 생성 시스템.
  • Cognitive Trace: 문제 풀이 단계마다 사고의 결함이나 비약이 생기는 지점을 포착하는 질문 설계.

2. 주요 질문 설계 전략 (Questioning Strategy)

  • The “Why” Behind Choice: “왜 (A)가 답인가?” 대신 “(B)가 답이 될 수 없는 결정적인 문맥적 증거는 무엇인가?”와 같은 소거법적 추론 유도.
  • Inference Gap Check: 지문의 명시적 정보와 정답 사이의 논리적 간극(Gap)을 어떻게 메웠는지 설명하게 함.
  • Emotional & Contextual Anchor: 지문 속 화자의 표정이나 상황의 온도를 상상하게 하여 텍스트를 입체적으로 읽게 함.

3. 워크북 구성 원리

  • Step-by-Step Scaffolding: 텍스트 읽기 → 초기 가설 설정 → 증거 수집 → 메타 질문 응답 → 최종 확정의 흐름.
  • Reflective Feedback: 학생의 응답을 AI가 분석하여 사고의 편향성이나 습관적 오류를 진단.

4. 리소스 및 경로

  • Source Code Path: F:/meta-question-workbook
  • Educational Philosophy: [[00 Brain Kernel/00_Metacognition|Metacognitive Intelligence Principles]]

Status Note: 메타 질문 추출 알고리즘 및 워크북 레이아웃 템플릿 완성. 학습자의 ‘사고 체력’을 기르는 심화 교재 생성 엔진으로 활용.

Meta-Intelligence Architecture: 지식 에코시스템 통합 운영 체계

Meta-Intelligence Architecture: 지식 에코시스템 통합 운영 체계

🌐 Meta-Intelligence Architecture MOC

1. 개요 (Abstract)

  • The Unified Brain: 제텔카스텐(Zettelkasten) 내의 정적인 지식과 외부(F-Drive)의 동적인 기술 노력이 결합된 ‘에이전틱 지능 에코시스템’의 전체 구조도.
  • Goal: 단순한 정보의 수집을 넘어, 정보가 스스로 연결되고 콘텐츠로 전환되며(Publishing), 최종적으로 학습자의 성장에 기여(Education)하는 선순환 구조 구축.

2. 레이어별 구성 (Ecosystem Layers)

🧠 Core Intelligence Layer (The Brain)

  • [[00 Brain Kernel/00_Metacognition|Metacognitive Core]]: AI의 사고 원칙과 자가치료 프로토콜 관리.
  • [[00 Brain Kernel/01_Master_Routing|Master Routing]]: 유입되는 모든 데이터와 요청을 적절한 에이전트나 프로젝트로 분산 처리.

🛠️ Execution Layer (The Tools)

  • Content Creation: [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher]], [[05 Projects/Fullstack_Mastery_MOC|Fullstack Lab]].
  • Data Digitization: [[05 Projects/Paddle_OCR_MOC|Paddle OCR]], [[05 Projects/YouTube_Auto_Processor_MOC|YouTube Processor]].
  • Automation Hub: [[05 Projects/GitHub_Infra_MOC|GitHub Infra]], [[05 Projects/EZSite_Webhook_MOC|Webhook Hub]].
  • OneDrive Dev Assets: [[05 Projects/OneDrive_Projects_Index|OneDrive Project Hub]] (Voca Monster, TED Generator 등).

📖 Growth & Impact Layer (The Academy)

  • Learning Management: [[05 Projects/Homework_2025_MOC|Homework 2025]], [[05 Projects/Darlbit_Level_Test_MOC|Level Test System]].
  • Intelligence Output: [[05 Projects/Blogging_Pipeline_MOC|Blogging Pipeline]], [[05 Projects/Starcloud_Studio_MOC|Multimedia Studio]].

3. 원 데이터 로드맵 (Data Flow)

  1. Inflow: 뉴스, 논문, 원서 이미지, 유튜브 스크립트 유입.
  2. Processing: 지능형 필터링 및 DNA 시퀀싱([[05 Projects/LECTURA_AI_MOC|LECTURA AI]]).
  3. Storage: 옵시디언 영구 지식 베이스(Permanent Notes) 편입.
  4. Outflow: 블로그, 전자책, 학생용 학습지 및 게임 보상으로 전환.

4. 운영 원칙

  • Agentic Autonomy: 에이전트는 사용자의 개입 없이도 주기적으로 지식을 크롤링하고 인덱싱함.
  • Philosophical Integrity: 모든 콘텐츠는 ‘달의 이성’의 교육 철학([[05 Projects/EduPrompT/사과 하나의 무게_최종본|사과 하나의 무게]])을 일관되게 반영함.

Status Note: 에코시스템 전체 구조 및 레이어별 연동 로직 확립 완료. 2026년 Moonlight Academy의 ‘지능형 지휘 센터’로 상시 가동 중.

  • [[사과 하나의 무게]]

🔍 연계 지식 탐색 (Connected Intelligence)

이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

3D 지식 Galaxy 열기 →

LECTURA AI 프리미엄 디자인 시스템 가이드

🎨 LECTURA Universal Design System (v1.0)

1. 디자인 철학 (Design Philosophy)

  • Cognitive Clarity: 복잡한 구문 분석 정보를 사용자에게 최소한의 에너지로 전달.
  • Academic Premium: 단순한 툴을 넘어 학습자의 자부심을 고취하는 세련된 미학 적용.
  • Hybrid Ready: 디지털 화면에서의 인터랙션과 A4 인쇄물의 가독성을 동시에 만족.

2. 컬러 시스템 (Color Palette)

  • Primary (Core Logic): #2A5C82 (Deep Space Blue) – 주어, 동사 등 핵심 성분.
  • Secondary (Modifiers): #5A96A0 (Ocean Mint) – 수식어구 및 괄호 처리.
  • Highlight (DNA Point): #E67E22 (Burning Amber) – 수험 출제 포인트 및 암기 필수 요소.
  • Surface: rgba(255, 255, 255, 0.7) with backdrop-filter: blur(10px) (Standard Glassmorphism).

3. 타이포그래피 (Typography)

  • Heading: Outfit, sans-serif (현대적이고 전문적인 인상).
  • Body Context: Inter, sans-serif (장시간 독해 시 눈의 피로도 최솟값).
  • Analytic Code: JetBrains Mono, monospace (구문 분석 코드 및 기호용).

4. 인쇄 가이드 (Print Optimization)

  • Margin: 20mm (Binding space 고려).
  • Line Height: 1.6~1.8 (필기 공간 확보).
  • Ink Saving: 인쇄 모드 시 배경 그라데이션 자동 제거 및 선 중심의 대비로 전환.

Implementation Note: 현재 F:/text-mapping-css에 저장된 스타일시트에 본 가이드를 반영하여 최종 V2.0 디자인 마감 예정.