🚀 120-Day Full-stack Web Developer Mastery MOC

1. 프로젝트 목적 (Purpose)

• Technical Threshold Breakthrough: 120일이라는 집중된 기간 동안 현대적 웹 기술 스택(Full-stack)을 완전히 체득하여, 아이디어를 즉시 구현 가능한 수준의 기술적 자유도를 확보.
• Project-Based Learning: 이론 공부에 그치지 않고 [[05 Projects/Neural_News_Web_MOC|Neural News Web]]이나 [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]과 같은 실전 프로젝트를 직접 구축하며 역량 강화.

2. 핵심 커리큘럼 및 훈련 체계

• Front-end Deep Dive: HTML5/CSS3부터 최신 Next.js 14/15, Tailwind CSS, Framer Motion 등을 활용한 리치 유저 인터페이스(UI) 개발.
• Back-end & Systems: Node.js(Express), Python(FastAPI), SQL/NoSQL 데이터베이스 설계 및 RESTful/GraphQL API 구축.
• Daily Automator: 전용 파이썬 스크립트(daily_automator.py)를 통해 매일의 학습 기록을 정리하고 [[05 Projects/GitHub_Infra_MOC|GitHub Repo]]에 커밋 및 대시보드 업데이트.

3. 주요 성과물 및 지표

• Progress Dashboard: 실시간으로 학습 진행률과 프로젝트 완성도를 시각화한 웹 페이지.
• Technical Portfolio: 120일간 구축된 30개 이상의 소형/대형 프로젝트 결과물.
• Automated Workflow: 학습 중 발견한 반복 작업을 자동화하는 [[05 Projects/Tools_Utilities_MOC|Tools & Utilities]] 라이브러리 확장.

4. 리소스 및 경로

• Source Code Path: F:/dev/120day-fullstack-web-developer-mastery
• Tracking Dashboard: GitHub Pages Dashboard

Status Note: 120일 집중 훈련 과정의 핵심 모듈 및 자동화 시스템 구축 완료. 현재 모든 기술 프로젝트의 수혈원이자 ‘지속적 성장의 엔진’으로 운용 중.

🎓 English Exam Question Evaluator MOC

1. 프로젝트 개요 (Overview)

• 수능 문항의 과학적 분석: 수능(CSAT) 및 모의고사 영어 문항의 질적 완성도를 이원목적분류표(Dual-Purpose Taxonomy) 기반으로 분석하고 평가하는 웹 애플리케이션.
• 문항 타당성 검증: 출제자의 의도가 교육과정 성취 기준과 일치하는지, 오답의 매력도가 적절한지 AI를 통해 객관적으로 검증.

2. 주요 분석 기능 (Core Features)

• 이원목적분류 자동 생성: 문항별 행동 영역(이해, 추론, 적용 등)과 내용 영역을 분석하여 표 형식으로 출력.
• 오답 매력도 진단: 선택지 구성의 논리적 결함이나 특정 선택지로의 쏠림 현상(정답 위치 편향 등)을 분석.
• 난이도 및 변별력 예측: 어휘 수준, 구문 복잡도, 추론 단계를 종합하여 예상 정답률 도출.
• 개선안 제안: 문항의 논리적 오류가 발견될 경우, 대체 문장이나 선택지 구성을 AI가 제안.

3. 기술 스택 및 구조

• Model: Claude Sonnet 4.5 / Gemini 2.0 Flash (고도의 논리 분석 특화)
• Front-end: Lightweight Web App (GitHub Pages 호스팅 가능)
• Export: 분석 결과를 PDF, Excel, 또는 HWP 서식으로 내보내기 지원.

4. 리소스 및 경로

• Source Code Path: F:/english-exam-question-evaluator
• Key Reference: [[01_Master_Routing|Intelligence on Choice Bias Control]]

Status Note: 문항 분석 엔진 및 웹 대시보드 구축 완료. 출제 검토 및 학습용 변형 문항 제작 전 단계의 품질 관리 도구로 활용.

📖 EduPrompT (EUPMD Framework) MOC

1. 프로젝트 목적 (Purpose)

• Generative Authorship: 인공지능이 인간의 철학적 깊이를 유지하면서도 체계적이고 방대한 분량의 도서를 집필할 수 있도록 돕는 전문 글쓰기 프레임워크(EUPMD) 개발 및 실증.
• Synthesizing Wisdom: [[05 Projects/EduPrompT/사과 하나의 무게_최종본|사과 하나의 무게]]라는 구체적인 결과물을 통해 AI 저작물의 새로운 표준 제시.

2. EUPMD 프레임워크 핵심 단계

1. Explore (탐색): 주제에 대한 거대 질문(Big Questions) 도출 및 철학적 배경 조사.
2. Understand (이해): 파편화된 정보를 논리적 체계(DNA)로 재구성.
3. Plan (기획): 전체 목차 설계 및 각 장별 핵심 메타포(Metaphor) 설정.
4. Manifest (집필): “달의 이성” 문체를 적용하여 감성과 이성이 공존하는 본문 생성.
5. Develop (고도화): 퇴고 에이전트를 통한 논리적 무결성 및 가독성 검증.

3. 기술적 구현 및 에이전트

• Book Architect: 전체 책의 뼈대와 일관된 논리 흐름 관리.
• Research Curator: 집필에 필요한 외부 지식 및 사례 수집.
• Ghostwriter: 설정된 문체와 은유를 바탕으로 실제 문장 생성.
• Related Master: [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher Master Controller]].

4. 성과 및 리소스

• Result Document: [[05 Projects/EduPrompT/사과 하나의 무게_최종본|사과 하나의 무게 (최종본)]]
• Cold Storage Archive: EduPrompT_Archive.zip (기획안v1~17, 스크립트, 중간 원고 포함)
• Source Code (External): F:/dev/Book_Editing_Agent

Status Note: AI 도서 집필 프레임워크 구축 및 실전 원고 제작 완료. 지식의 구조화와 언어적 미학이 결합된 ‘지능형 저작 시스템’으로서의 효용성 입증.

🎭 Claude Skills MOC

1. 프로젝트 목적 (Purpose)

• Advanced Logic Mastery: Anthropic Claude 모델(특히 3.5 Sonnet)의 고유한 강점인 ‘정교한 지시 이행’과 ‘복잡한 논리 설계’를 극대화하여 전문적인 코딩 및 분석 업무에 투입.
• Tool-Use Integration: Claude가 외부 API나 로컬 도구를 직접 제어하여 실질적인 과제를 해결하는 ‘Computer Use’ 및 ‘Function Calling’ 기능의 고도화.

2. 주요 기술 및 활용 영역

• Structured Logic Design: [[05 Projects/02 F-Drive-Index/english-exam-question-evaluator|Exam Evaluator]] 및 [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]의 복잡한 데이터 구조 분석 및 리팩토링.
• Artifacts Integration: Claude의 아티팩트(Artifacts) 기능을 활용하여 웹 프로토타입이나 시각화 결과물을 실시간으로 반복 수정(Iterative design).
• Nuanced Writing: “달의 이성” 문체가 가진 철학적 깊이를 텍스트로 구현하기 위한 전용 ‘Style Prompt’ 최적화.

3. 핵심 아키텍처 및 도구

• Claude API SDK: Anthropic API를 통한 서버 사이드 연동 및 대화 맥락 관리.
• Custom System Instructions: 클로드 특유의 ‘비판적 사고’ 유도를 위한 전용 시스템 프롬프트 라이브러리.

4. 리소스 및 경로

• Source Code Path: F:/dev/claude-skills
• Related Project: [[05 Projects/AI_Model_Update_System_MOC|AI Model Management Hub]]

Status Note: 클로드 특화 논리 분석 및 도구 연동 엔진 구축 완료. 제텔카스텐 내에서 고난도의 아키텍처 설계 및 심층 텍스트 분석이 필요할 때 호출되는 ‘정밀 지능 유닛’으로 운용 중.

🎯 Darlbit Level Test System MOC

1. 프로젝트 목표 (Purpose)

학습자의 영어 능력을 국제 표준인 CEFR(Common European Framework of Reference for Languages) 기준으로 객관적으로 측정하고, 단순 점수를 넘어선 다차원적 역량 분석(20 Rubrics)을 제공하는 진단 도구.

2. 진단 레벨 구성 (CEFR Levels)

• PRE-A1: 입문 (기초 파닉스 및 단어 수준)
• A1: 기초 (미국 초등 1.5-3.5 학년 가독성)
• A2: 초중급 (미국 초등 3.5-5.0 학년 가독성)
• B1: 중급 (미국 초등 5.0-7.0 학년 가독성)
• B2: 중상급 (고교 심화 및 성인 기본 원서 수준)

3. 핵심 시스템 아키텍처

• Test Generator: CEFR 지수와 어휘 난이도를 유지하며 자동으로 문항과 지문을 생성.
• 20-Point Analysis Rubric: 문법, 어휘, 추론, 논리 흐름 등 20가지 상세 항목으로 학습자의 강/약점 도출.
• Automated Reporting: 테스트 직후 AI가 분석하여 학습자의 현재 상태와 ‘Next Step’ 로드맵을 리포트 형태로 출력.

4. 리소스 및 경로

• Source Code Path: F:/dev/darlbit-lv-test-system
• Tech Stack: Python, Gemini/Claude API integration, Report Generation Engine.

Status Note: 레벨별 문항 DB 및 자동 채점/분석 알고리즘 고도화 완료. 정기적인 레벨 테스트 및 입학 진단용으로 활용 중.

💰 CC Usage (Cloud Cost Monitor) MOC

1. 프로젝트 목적 (Purpose)

• API Cost Optimization: Gemini, OpenAI, Claude 등 여러 AI 모델의 API 사용량과 발생 비용을 실시간으로 추적하여 프로젝트별 가용 예산을 관리.
• Resource Transparency: 대량의 콘텐츠 생성 파이프라인([[05 Projects/Blogging_Pipeline_MOC|Blogging Pipeline]] 등) 운영 시 발생하는 비용의 효율성을 분석.

2. 주요 기능 및 대시보드

• Usage Aggregator: 다양한 AI 프로바이더의 대시보드 데이터를 통합하여 하나의 뷰(Single View)로 시각화.
• Daily Budget Alerts: 설정된 일일 비용 상한액에 도달할 경우 알림을 발송하여 과청구 방지.
• Cost-per-Content Analysis: 블로그 글 한 건 또는 학습지 1세트당 발생한 평균 API 비용을 산출하여 생산성 지표로 활용.

3. 기술 스택

• Language: Node.js / TypeScript
• CLI & Web Interface: 터미널 기반의 빠른 확인(CLI) 및 상세 분석용 웹 대시보드 제공.
• Integrations: Google Cloud Billing API, OpenAI Usage API, Vercel Billing 등.

4. 리소스 및 경로

• Source Code Path: F:/dev/ccusage
• Related Infra: [[05 Projects/GitHub_Infra_MOC|Infrastructure Secrets Management]]

Status Note: 주요 AI API 비용 트래킹 모듈 및 로컬 대시보드 구축 완료. 에코시스템 내 모든 유료 지능 자원의 비용 효율성을 감시하는 ‘재무 컨트롤 타워’로 운용 중.

🎨 만화-공방 (AI Cartoon Workshop) MOC

1. 프로젝트 개요 (Overview)

• AI 기반 비주얼 스토리텔링: 사용자의 텍스트 시나리오를 바탕으로 AI가 캐릭터 구성, 레이아웃 설계, 그리고 최종 웹툰/만화 컷을 생성해주는 창작 도구.
• AI Studio Integration: Google AI Studio 환경과 연동되어 최신 멀티모달 모델(Gemini)을 활용한 이미지 및 스토리 일관성 유지.

2. 주요 기능 (Key Features)

• 시나리오-투-웹툰: 텍스트 형태의 시나리오를 바탕으로 만화 칸(Panel)별 이미지 및 말풍선 내용 자동 생성.
• 캐릭터 일관성 관리: AI Studio의 컨텍스트를 활용하여 장면에 관계없이 캐릭터의 외형을 일정하게 유지.
• 인터랙티브 레이아웃: 생성된 컷들을 사용자가 웹 UI에서 자유롭게 재배치하고 편집할 수 있는 도구 제공.
• 원클릭 배포: 로컬 환경에서 작업한 결과물을 AI Studio 앱으로 즉시 출시하거나 이미지 시퀀스로 내보내기.

3. 기술 스택

• Model: Google Gemini 2.0 (Vision & Reasoning)
• Runtime: Node.js / Express
• Frontend: Canvas API 및 웹 컴포넌트 기반 리치 인터페이스
• Deployment: Local Host / Google AI Studio Cloud

4. 리소스 및 경로

• Source Code Path: F:/dev/만화-공방
• Deployment URL: AI Studio App

Status Note: AI Studio 연동 및 기본적인 컷 생성 파이프라인 완성. 교육용 학습 만화나 개인 창작 웹툰의 초안 제작 도구로 최적화됨.