Category Archives: Uncategorized

Tools & Utilities: 생산성을 극대화하는 범용 도구 모음

🛠️ Tools & Utilities MOC

1. 프로젝트 목적 (Purpose)

  • Universal Productivity Boost: 반복적인 파일 작업, 데이터 형식 변환, 단순 API 호출 등의 공수를 줄이기 위해 상시 사용되는 소형 유틸리티 및 스크립트의 통합 관리.
  • Micro-Automation Hub: 거창한 시스템이 필요하지 않은 자잘한 작업들을 일관되게 처리하는 ‘맥가이버 칼’ 역할.

2. 주요 도구 카테고리 (Toolbox)

  • File Converters: JSON-to-CSV, MD-to-HTML, ZIP 파싱 등 다양한 포맷 간의 즉석 변환 스크립트.
  • API Helpers: OpenAI/Gemini/Claude API의 정상 작동 여부를 테스트하거나 간단한 토큰 사용량을 계산하는 유틸리티.
  • OS Automation: 파일 대량 이름 변경(Bulk Rename), 디렉토리 구조 덤프, 시스템 로그 수집 등 윈도우/리눅스 환경 도구.
  • Data Scrapers: 특정 웹페이지의 정보를 마크다운으로 클린하게 추출하는 소형 스크래핑 엔진.

3. 핵심 기술

  • Scripting: Python, Node.js (CLI focus), PowerShell (Windows optimization).
  • Format Handling: Pandoc, BeautifulSoup, jq 등 범용 처리 도구 연동.

4. 리소스 및 경로

  • Source Code Path: F:/dev/tools
  • Related Project: [[05 Projects/GitHub_Infra_MOC|Infrastructure Automation Hub]]

Status Note: 범용 유틸리티 및 자동화 스크립트 뱅크 구축 완료. 모든 프로젝트의 개발 및 운영 마찰을 최소화하는 ‘생산성 윤활유’로 활용 중.

Training & Practice: 지속적인 기술적 진화를 위한 훈련장

🏋️ Training & Practice MOC

1. 프로젝트 목적 (Purpose)

  • Continuous Skill Sharpness: 새로운 AI 모델(Gemini 2.0+), 프레임워크(Next.js 15+), 또는 언어적 특성을 익히고 실험하는 개인적인 기술 연마 공간.
  • Fail-Fast Sandbox: 정규 프로젝트에 도입하기 전, 코드의 성능과 효율성을 검정하는 샌드박스 테스팅 환경.

2. 주요 훈련 영역

  • Algorithmic Thinking: 대규모 데이터 처리 및 논리적 추론 능력을 기르기 위한 알고리즘 문제 풀이 및 최적화 연습.
  • AI Prompt Engineering Lab: [[00 Brain Kernel/00_Metacognition|Metacognitive Principles]]를 반영한 고난도 프롬프트 기법실험 및 결과 대조.
  • New Stack Exploration: 최신 기술 스택(예: Bun, Hono, Vector Databases)을 기존 프로젝트에 어떻게 이식할지 프로토타이핑.

3. 기록 및 마일스톤

  • Learning Logs: 학습한 기술의 핵심 요약 및 시행착오 기록.
  • PoC(Proof of Concept): 새 아이디어의 기술적 실현 가능성을 증명한 코드 조각들.

4. 리소스 및 경로

  • Source Code Path: F:/dev/training
  • Philosophy Reference: [[00 Brain Kernel/01_Master_Routing|Moonlight Academy Intelligent Evolution Roadmap]]

Status Note: 개인 기술 연마 및 최신 AI 트렌드 실험 파이프라인 정립 완료. 모든 정규 프로젝트의 ‘기초 체력’을 담당하는 상시 훈련 체계로 운용 중.

TOAST UI: 인터랙티브 마크다운 편집 및 시각화 라이브러리

🍞 TOAST UI Integration MOC

1. 프로젝트 목적 (Purpose)

  • Rich Markdown Editing: [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]이나 [[05 Projects/02 F-Drive-Index/blogging|Blog Pipeline]]에서 사용자가 텍스트를 마크다운과 위지윅(WYSIWYG) 모드를 오가며 직관적으로 편집할 수 있는 인터페이스 제공.
  • Data Visualization: 학습 성취도 데이터를 테이블이나 차트로 시각화하여 대시보드에서 활용.

2. 주요 통합 기능

  • GFM (GitHub Flavored Markdown) 지원: 테이블, 체크리스트, 코드 하이라이팅 등 수험 자료 제작에 필수적인 마크다운 규격 완전 지원.
  • Plugin System: 이미지 드래그 앤 드롭 업로드, 수식(Chart/KaTeX) 입력을 위한 플러그인 연동.
  • Custom UI Components: Moonlight Academy 고유의 디자인 시스템([[05 Projects/LECTURA_Universal_Design_System|LECTURA Premium UI]])에 맞춘 에디터 테마 커스터마이징.

3. 기술 스택

  • Engine: @toast-ui/editor, @toast-ui/chart.
  • Framework: React / Vanilla JS 통합.
  • Runtime: Node.js 기반 빌드 및 서빙.

4. 리소스 및 경로

Status Note: 에디터 핵심 모듈 및 차트 시각화 라이브러리 통합 완료. 사용자의 텍스트 입력을 구조화된 지식 데이터로 전환하는 ‘인터랙티브 입력 게이트웨이’로 운용 중.

TILNote Data: 과거의 학습 기록 및 개인 지식 마이그레이션

📚 TILNote Data Management MOC

1. 프로젝트 목적 (Purpose)

  • Legacy Knowledge Integration: 과거 Tilnote 플랫폼에 기록해온 수년간의 ‘Today I Learned(TIL)’ 데이터(moonpages.json)를 현재의 [[00 Brain Kernel/00_Metacognition|Moonlight AI Second Brain]] 체계로 통합 및 마이그레이션.
  • Knowledge Continuity: 파편화된 과거의 통찰을 현재의 [[05 Projects/Meta_Intelligence_Architecture_MOC|Meta-Intelligence Architecture]] 내로 흡수하여 검색 및 활용 가능한 상태로 전환.

2. 데이터 분석 및 가공 전략

  • Extraction: 66MB 규모의 거대 JSON 파일에서 노회의 제목, 내용, 태그, 생성 시간 데이터를 정밀하게 추출.
  • Deduplication: 현재 옵시디언 금고(Vault) 내의 기존 노트와 중복되는 내용을 필터링하여 지식의 순도 유지.
  • AI-Refining: 과거의 거친 메모들을 [[05 Projects/LECTURA_AI_MOC|LECTURA AI]] 또는 별도의 정제 에이전트를 통해 현재의 ‘Permanent Note’ 규격에 맞춰 재작성 및 요약.

3. 기술 사양

4. 리소스 및 경로

  • Context: [[05 Projects/Fullstack_Mastery_MOC|Full-stack Mastery Persistence]].

Status Note: 거대 지식 데이터셋의 분석 및 기초 파싱 로직 수립 완료. 과거의 지산을 현재의 지능형 에코시스템으로 이식하는 ‘지식 마이그레이션 브리지’로 활용 중.

Streamlit Level Test: 웹 기반 영어 레벨 인터랙티브 진단 도구

📊 Streamlit Level Test MOC

1. 프로젝트 목적 (Purpose)

  • Interactive Diagnosis: [[05 Projects/Darlbit_Level_Test_MOC|Darlbit Level Test Engine]]을 웹 환경에서 즉시 실행하고 결과를 시각화하기 위한 경량 웹 애플리케이션.
  • Accessibility: 별도의 설치 없이 브라우저상에서 학생이 응시하고, 교사가 실시간으로 성취도를 파악할 수 있는 환경 제공.

2. 주요 기능 및 구성

  • Real-time Assessment: 문항 응시와 동시에 서버(Streamlit)에서 채점 및 단계별 분석 수행.
  • Dynamic Visualization: 학생의 역량(어휘, 문법, 추론, 유창성 등)을 레이더 차트나 바 형식으로 실시간 대시보드 출력.
  • Instant Report Generation: 테스트 종료와 동시에 개별 피드백 리포트를 웹 화면에 렌더링하고 PDF 다운로드 지원.

3. 기술 스택

  • Engine: Python
  • Frontend/Backend Framework: Streamlit (반응형 웹 UI)
  • Data Integration: SQLite 또는 로컬 JSON 파일을 활용한 임시 응시 기록 저장.

4. 리소스 및 경로

  • Source Code Path: F:/dev/streamlit-lv-test
  • Core Engine: [[05 Projects/Darlbit_Level_Test_MOC|Darlbit Level Test System Core]]

Status Note: 웹 UI 프레임워크 및 실시간 대시보드 연동 완료. 상담 시 신규 학생의 기본 역량을 즉석에서 진단하는 도구로 활용 중.

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.