게임처럼 배우고, 실무처럼 평가받는다
의사코드 작성, 디버깅, 시스템 설계, 실시간 대전, AI 코칭, 모의 면접까지 — AI 엔지니어에게 필요한 역량을 하나의 플랫폼에서 훈련하고 평가받을 수 있습니다.
TEAM. Silver_Valley
| 이지은 | 권규리 | 김황현 | 박찬 | 최소영 | 황수현 | |
|---|---|---|---|---|---|---|
| 프로필 |  |
 |
 |
 |
 |
 |
| 역할 | PM | 팀원 | 팀원 | 팀원 | 팀원 | 팀원 |
단순 알고리즘 풀이를 넘어, 실전 파이프라인·디버깅·시스템 설계를 게이미피케이션으로 학습한다.
- 반복 훈련 루프: 단계별 클리어 후 다음 진행, 실패 시 근거 기반 피드백 제공
- AI 평가 고도화: 단순 정답 채점이 아닌, 사고력·설계력·디버깅 과정을 다차원으로 평가
- 실무 관점 반영: 기능 + 비기능 요구사항, 확장성·비용·보안 훈련, 면접·실무 실제 질문 반영
| 특징 | 설명 |
|---|---|
| 시니어 AI 엔지니어 페르소나 | 실무적 관점의 실시간 피드백 제공 |
| 사고력 평가 | 코드/아키텍처의 사고 과정 자체를 평가 (예: "어떤 논리로 작성하셨나요?") |
| 게이미피케이션 | 포인트·랭크·아바타·실시간 대전으로 즐거움을 느끼는 플레이그라운드 |
- CAGR 41.4% 연평균 성장률 (2025-2029)
- 2025년 76억 달러 → 2029년 303억 달러 (약 4배 성장 예상)
- 출처: Research and Markets, AI in Education Market Report 2025
| 과거 (2020년대 초반) | 현재 (2026+) |
|---|---|
| 선택 기술 (Optional Tech) | 생존 스킬 (Survival Skill) |
| 특정 직군만 필요 | 모든 산업에 필수 |
| 보조 도구 | 핵심 역량 |
| 기존 교육 방식 | AI-ARCADE의 해결 |
|---|---|
| 단순 알고리즘 반복 훈련 | 실무형 반복 훈련 (설계·디버깅·면접) |
| 느린 피드백 루프 | AI 기반 즉각 피드백 |
| 즉각적이고 일관된 평가 부재 | 다차원 AI 평가 시스템 |
| 프로덕션 환경 부재 | 실전 파이프라인 경험 |
| LeetCode / Codewars | Kaggle | DataCamp / MOOC | AI-ARCADE | |
|---|---|---|---|---|
| 강점 | 알고리즘 심화 | 실제 데이터 분석 | 체계적 커리큘럼 | 사고력 + 설계 + 디버깅 + 면접 |
| 한계 | 단편적 함수 구현 | 정제된 데이터만 | 수동적 학습 | — |
| 시스템 설계 | X | X | X | O |
| AI 맞춤 피드백 | X | X | X | O |
| 실시간 멀티플레이 | X | X | X | O |
| 모의 면접 (음성) | X | X | X | O |
사용 모델:
gpt-4o(평가) ·gpt-4o-mini(힌트 에이전트)
사용자가 자연어 기반 의사코드를 작성하면, gpt-4o가 Chain of Thought 추론으로 5개 차원을 평가합니다. LLM 평가(85점)와 Rule 기반 감점(15점)을 결합한 뉴로심볼릭 하이브리드 채점 방식입니다.
| 평가 항목 | 설명 | 배점 |
|---|---|---|
| 설계력 | 단계별 연결성 및 아키텍처적 완성도 | 25점 |
| 정합성 | 문제 의도와 사용자 로직의 일치 여부 | 20점 |
| 추상화 | 핵심 로직의 간결한 표현력 | 15점 |
| 예외처리 | 예외 상황 대응 로직 포함 여부 | 15점 |
| 구현력 | 논리적 흐름의 구체성과 명확성 | 10점 |
- Anti-Pattern 자동 감지: Data Leakage, Hardcoding, Blind Spot, Fragility 패턴 탐지 시 Rule 기반 자동 감점
- Tail Question: 가장 약한 차원에 대한 꼬리질문 자동 생성
- 3단계 힌트 에이전트 (
gpt-4o-mini): Light → Specific → Core 순으로 단계적 힌트 제공 + 유튜브 학습 영상 추천 - 저품질 입력 감지: 복사-붙여넣기/무의미 입력 자동 탐지 → LowEffortError → 0점 처리
- 등급 기준: EXCELLENT(88+) / GOOD(75+) / AVERAGE(50+) / POOR(50 미만)
사용 모델:
gpt-5.2(인터뷰) ·gpt-5-mini(종합평가)
실무 기반 디버깅 시나리오에서 버그를 찾고 수정한 뒤, AI 인터뷰를 통해 사고력을 심층 검증합니다. 4단계 순차 파이프라인으로 동작합니다.
디버깅 시나리오 분류:
- 데이터 관련: Data Leakage, Label Imbalance, Overfitting
- 코드 로직: Off-by-one Error, Null Pointer, Type Mismatch
- ML 특화: Gradient 누적, Train/Eval 모드, Padding Mask 오류
4단계 평가 파이프라인:
| Stage | 내용 | 기술 |
|---|---|---|
| Stage 1: 코드 검증 | Docker 샌드박스에서 수정 코드의 동작 정확성을 행동 기반으로 검증 | Docker + 행동 검증 (폴백: 문자열 매칭) |
| Stage 2: 심층 인터뷰 | gpt-5.2가 3턴에 걸쳐 적응형 질문 — Turn 1: 핵심 이해 / Turn 2: 메커니즘 / Turn 3: 응용력 |
SSE 스트리밍 (질문), JSON (평가) |
| Stage 3: 스텝별 루브릭 채점 | 3-Tier 루브릭으로 각 스텝 개별 채점 — 핵심(40점) / 메커니즘(35점) / 응용(25점) | 스텝별 independent scoring |
| Stage 4: 종합 평가 | gpt-5-mini가 전 스텝 인터뷰 결과 + 힌트 사용 횟수 + 실패 횟수를 종합하여 최종 점수 산출 |
보정 로직: 무힌트+무실패 +3, 힌트 3회+ -2, 전스텝 Deep +5 |
적응형 인터뷰 전략:
- 정답 → 인정 + 다음 개념으로 심화
- 부분 정답 → 부드러운 교정 + 힌트 제공
- 오답 → 난이도 하향 + 쉬운 질문으로 유도
- 이해도 등급: Excellent(90+) / Good(70+) / Surface(40+) / Poor(40 미만)
사용 모델:
gpt-4o-mini(설계 평가) ·gpt-5-mini(심화 질문 생성)
드래그 앤 드롭 캔버스에서 아키텍처를 설계하면 Mermaid 다이어그램이 자동 생성되고, Canvas → JSON → Mermaid → LLM 평가 파이프라인으로 처리됩니다.
설계 시나리오 3종:
- Image Feed (반려 식물 성장 일기): Low Latency, 확장성, 모니터링
- Real-time Chat (1:1 멘토링 채팅): 대용량 처리, 확장성, 개인화
- Newsfeed (동아리 통합 공지): 대용량 처리, 확장성, A/B Testing
2-Phase 평가:
| Phase | 모델 | 평가 내용 |
|---|---|---|
| Phase 1: 설계 평가 | gpt-4o-mini |
Well-Architected 6-Pillar (신뢰성/성능/운영/비용/보안/지속가능성) 각 0~100점 + 필수 컴포넌트·연결 관계 검증 |
| Phase 2: Deep Dive | gpt-5-mini |
약점 기반 심화 질문 3개 자동 생성 (설계 의도 / 확장성·성능 / 장애 대응) |
- Anti-Pattern 자동 감지: SPOF, 이중화 부재, 캐싱 전략 미흡, 보안 노출, Auto-scaling 부재
- 2인 대전 비교 분석:
gpt-4o-mini가 양측 설계의 전략 차이를 분석하여my_analysis(자기 분석) +versus(상대 비교) 제공 - 등급 기준: 우수(90+) / 양호(72+) / 보통(55+) / 미흡(40+) / 부족(40 미만)
사용 모델:
gpt-4o-mini(ChaosAgent · EvalAgent) · Rule Engine (CoachAgent)
"압박 속에서 실력이 드러난다" — Socket.IO 기반 실시간 대전 + AI 방해 + 협동
3-Agent 오케스트레이션:
| Agent | 모델 | 역할 |
|---|---|---|
| ChaosAgent | gpt-4o-mini |
배치된 노드를 분석하여 동적 장애 이벤트 생성 (LOW/MEDIUM/HIGH/CRITICAL). LLM 실패 시 5개 사전 정의 이벤트로 폴백 |
| CoachAgent | Rule Engine (LLM 없음) | 미션 필수 컴포넌트 vs 배치 노드를 비교하여 우선순위 기반 힌트 제공. 비용 0 |
| EvalAgent | gpt-4o-mini |
ArchEvaluator를 래핑하여 라운드별 설계 비교 평가 |
현재 제공 미니게임 (프론트 라우팅 기준 3종):
- Arch Draw Quiz: 아키텍처 드래그앤드롭 대전 (실시간 캔버스 동기화)
- Logic Run: 로직 릴레이 퍼즐
- Bug Bubble Monster: 1:1 버그 디펜스 대전
참고: pressure-question 관련 백엔드 API는 존재하지만, 전용 프론트 라우트는 현재 제거된 상태입니다.
기술 포인트:
- Socket.IO 기반 20+ 이벤트 타입 실시간 동기화
- 룸 기반 상태 관리 + 연결 끊김 시 자동 정리 + 리더 자동 승계
사용 모델:
gpt-4o-mini(Intent 분류) ·gpt-5-mini(Agent Loop + Function Calling)
단순 챗봇이 아닌 ReAct Agent 기반 코칭 시스템입니다. 3단계 파이프라인으로 동작하며, LLM이 필요한 데이터를 자율적으로 판단·수집하여 맞춤형 코칭을 제공합니다.
Guardrail (Python regex) → Intent Analysis (gpt-4o-mini) → Agent Loop (gpt-5-mini)
비용: 0 의도 분류 (A~G) 6개 도구 자율 호출 (max 5회)
- Intent별 응답 전략: 7가지 유형(데이터 조회/학습 방법/동기부여/범위 밖/문제 풀이/개념 설명/의사결정)마다 다른 시스템 프롬프트 + 허용 도구 세트
- 6개 도구: 성적 조회 / 약점 분석 / 최근 활동 / 문제 추천 / 커리큘럼 / 학습 가이드
- 대화 히스토리: 최근 5턴(10메시지)을 LLM 컨텍스트에 포함하여 연속 대화 지원. 사용자별 대화 세션을 DB에 저장하고, 사이드바에서 이전 대화 조회/이어가기/이름수정/삭제 가능
- 차트 자동 생성: Bar/Line/Radar/Progress/Table 5종 (Intent와 키워드에 따라 동적 판단)
- 비용 최적화 4중 구조: Guardrail(토큰 0) → 경량 모델 분류 → Intent별 도구 필터링(환각 방지) → 도구 결과 캐싱
- SSE 스트리밍: Agent 사고과정(thinking) → 도구 호출(step) → 차트 데이터 → 토큰 단위 답변을 실시간 전달
사용 모델:
gpt-4o: 이미지 OCR 및 고정밀 파싱gpt-4o-mini: 텍스트 기반 분석/추천text-embedding-3-small: 스킬 매칭
채용공고를 3가지 소스에서 입력받아 파싱하고, 임베딩 기반으로 사용자 역량과 매칭합니다. 분석 결과는 Mock Interview의 면접 계획 자동 생성으로 직접 연계됩니다.
채용공고 입력 → 파싱 → 스킬 추출/매칭 → 갭 분석 → Action 추천
↓
Mock Interview Plan Generator
(채용공고 + 사용자 약점 → 맞춤 면접 계획)
| 입력 소스 | 처리 방식 |
|---|---|
| URL | BeautifulSoup 웹 크롤링 (원티드/사람인 등) |
| 이미지 | OpenAI Vision(gpt-4o) OCR로 텍스트 추출 |
| 텍스트 | 직접 파싱 |
- 스킬 매칭:
text-embedding-3-small로 스킬 임베딩 → L2 정규화 → 코사인 유사도 계산 → readiness_score(0~1.0) 산출 - Action 결정: 스킬 갭 + 시간 압박도 분석 →
learn_skill/apply_now/pivot_role/wait_and_prepare등 상태 기반 추천 - 면접 연계: 파싱된 채용공고의 required_skills + 사용자 학습 약점 데이터를 Mock Interview Plan Generator에 전달 → 기술 심층 슬롯의 증거 키가 해당 공고의 기술 스택으로 동적 생성
사용 모델:
gpt-4o(면접관 · 면접 계획 생성) ·gpt-4o-mini(증거 추출) · Rule Engine (상태 관리)
Job Planner에서 분석한 채용공고를 기반으로 맞춤형 면접 시뮬레이션을 진행합니다. 일반적인 질문 리스트가 아닌, 증거 기반 슬롯 필링 방식의 4-Layer 아키텍처로 동작합니다.
| Layer | 모듈 | 모델 | 역할 |
|---|---|---|---|
| L1 증거 추출 | Analyst | gpt-4o-mini |
답변에서 증거 키 충족 여부를 True/False로 추출 (temperature: 0) |
| L2 상태 관리 | State Engine | Rule Engine | 슬롯 상태 전이 (UNKNOWN → PARTIAL → CLEAR), 이동 조건 판단 |
| L3 질문 생성 | Interviewer | gpt-4o |
누락 증거를 채우기 위한 적응형 질문 SSE 스트리밍 생성 |
| L4 면접 설계 | Plan Generator | gpt-4o |
Job Planner 분석 결과 + 사용자 약점 → 4~6개 슬롯의 맞춤 면접 계획 생성 |
평가 슬롯 (증거 기반, 4~6개 동적 구성):
| 슬롯 | 증거 키 예시 |
|---|---|
| 동기(Motivation) | reason, research, alignment, aspiration |
| 기술 심층(Technical) | Job Planner가 추출한 채용공고 기술 스택에서 동적 생성 |
| 협업(Collaboration) | role, action, result, conflict, reflection |
| 문제 해결(Problem Solving) | situation, analysis, approach, learning |
| 성장(Growth) | challenge, effort, change |
- 슬롯 이동 조건: CLEAR 달성 / 최대 3회 시도 / 연속 2회 새 증거 없음
- 멀티모달: STT(faster-whisper 기반 파이프라인, RunPod/로컬) · TTS(음성 옵션 alloy/nova/onyx/shimmer) · Vision(비언어 분석)
- Nano Banana 아바타: 활동 포인트로 AI 생성 커스텀 아바타를 만들고 장착
- 리더보드 / 랭크: 포인트 기반 전체 유저 랭킹과 등급(BRONZE/SILVER/GOLD/ENGINEER) 시스템
- 관리자 대시보드: 유저 진행률 조회, 제출 이력 필터링, 서버 상태 모니터링, 운영 로그 관리
| 항목 | 기존 코딩 테스트 | 기존 화상/면접 서비스 | AI-ARCADE |
|---|---|---|---|
| 평가 범위 | 정답 여부, 실행 시간 | 대면 면접관 중심 | 사고력 + 코드 품질 + 디버깅 + 설계 |
| 인터랙션 | 코드만 제출 | 화상/음성 위주 | 코드 + AI 피드백 + 자동 질문/힌트 |
| 평가 방식 | 제출 시 한 번 평가 | 수동 리뷰 | AI 기반 즉각 평가 + 다차원 피드백 |
| 학습 경험 | 단순 반복 | 일회성 면접 | 게이미피케이션 + 반복 훈련 루프 |
┌──────────────────────────────────────────────────────────┐
│ Frontend (Vue 3 + Vite) │
│ Pinia · Vue Router · Chart.js · Monaco Editor · Mermaid │
│ Socket.IO Client · MediaPipe │
└──────────────┬──────────────────────┬────────────────────┘
│ REST API (Axios) │ WebSocket (Socket.IO)
▼ ▼
┌──────────────────────────┐ ┌────────────────────────────┐
│ Django + DRF │ │ Socket.IO ASGI Server │
│ Async Views + SSE │ │ (Coduck Wars 실시간 동기화) │
│ sync_to_async (ORM) │ │ 20+ 이벤트 타입 │
└──────────┬───────────────┘ └────────────────────────────┘
│
┌─────┴─────┐
▼ ▼
┌─────────┐ ┌──────────────────────────────────┐
│PostgreSQL│ │ OpenAI API │
│(JSONField│ │ gpt-4o-mini (Intent 분류) │
│ 활용) │ │ gpt-5-mini (Agent Loop/평가) │
│ │ │ faster-whisper 기반 STT · TTS · Vision │
└─────────┘ └──────────────────────────────────┘
| 계층 | 기술 |
|---|---|
| Frontend | Vue 3, Vite, Pinia, Vue Router, Axios, Chart.js, Monaco Editor, Mermaid, Socket.IO Client, MediaPipe |
| Backend | Django, Django REST Framework, Python-SocketIO, Uvicorn, OpenAI SDK |
| AI/LLM | gpt-4o (의사코드 평가 · 면접관 · Job Planner OCR/분석 일부), gpt-4o-mini (Intent 분류 · 증거 추출 · 설계 평가 · Chaos 이벤트 · Job Planner 분석 일부), gpt-5-mini (Coach Agent Loop · 종합평가 · 심화질문), gpt-5.2 (BugHunt 인터뷰), text-embedding-3-small (스킬 매칭), faster-whisper 기반 STT 파이프라인, TTS(tts-1), Vision |
| Database | PostgreSQL (JSONField 기반 유연 스키마) |
| Infra | Docker, Docker Compose, Uvicorn(ASGI), Python-SocketIO, (배포 환경) AWS EC2/Nginx 연동 |
| 패턴 | 적용 | 설명 |
|---|---|---|
| ReAct Agent + Function Calling | AI Coach | gpt-5-mini가 6개 도구 호출 필요성을 자율 판단, 최대 5회 반복 |
| 4단계 순차 파이프라인 | Bug Hunt | Docker 검증 → gpt-5.2 인터뷰(SSE) → 3-Tier 루브릭 채점 → gpt-5-mini 종합평가 |
| 뉴로심볼릭 AI | Pseudocode | gpt-4o CoT 평가(85점) + Rule 기반 Anti-Pattern 감점(15점) 결합 |
| 3-Agent 오케스트레이션 | Coduck Wars | ChaosAgent(LLM) + CoachAgent(Rule) + EvalAgent(LLM) 역할 분리 |
| 4-Layer 면접 엔진 | Mock Interview | gpt-4o-mini 증거추출 → Rule 상태관리 → gpt-4o 질문생성 → gpt-4o 면접설계 |
| SSE 스트리밍 | Coach, BugHunt, Interview | 토큰 단위 실시간 응답 + Agent 사고과정 공개 |
| 증거 기반 슬롯 필링 | Mock Interview | NLU 연구 개념 실용화: UNKNOWN → PARTIAL → CLEAR 상태 전이 |
| 임베딩 스킬 매칭 | Job Planner | text-embedding-3-small + L2 정규화 + 코사인 유사도 |
| 비용 최적화 4중 구조 | AI Coach | Guardrail(토큰 0) → 경량 모델 분류 → Intent별 도구 필터링 → 캐싱 |
SKN20-FINAL-5TEAM/
├── backend/
│ ├── config/ # Django 설정 (settings, urls, asgi)
│ ├── core/
│ │ ├── models/ # Django 모델 (user, practice, interview, activity, coach)
│ │ ├── views/
│ │ │ ├── ai_coach/ # AI Coach (3단계 파이프라인)
│ │ │ ├── interview/ # Mock Interview (슬롯 필링)
│ │ │ ├── job_planner/ # Job Planner (채용공고 파싱/분석)
│ │ │ ├── architecture/ # System Architecture 평가
│ │ │ ├── bughunt/ # Bug Hunt 평가 + 인터뷰
│ │ │ ├── pseudocode/ # Pseudocode 평가
│ │ │ ├── auth_view.py # 인증 (로그인/가입/세션)
│ │ │ ├── admin_views.py # 관리자 API
│ │ │ └── ...
│ │ ├── services/
│ │ │ ├── interview/ # 면접 엔진 (슬롯/증거맵/플래너)
│ │ │ ├── wars/ # Wars Agent (Chaos/Coach/Eval)
│ │ │ ├── pseudocode_evaluator.py
│ │ │ ├── arch_evaluator.py
│ │ │ └── ...
│ │ └── socket_server.py # Socket.IO 실시간 서버
│ └── manage.py
├── frontend/
│ └── src/
│ ├── features/
│ │ ├── practice/ # Pseudocode / BugHunt / Architecture
│ │ ├── wars/ # Coduck Wars (로비/배틀/미니게임)
│ │ ├── ai-coach/ # AI Coach 채팅
│ │ ├── interview/ # Mock Interview
│ │ ├── job_planner/ # Job Planner
│ │ ├── my-records/ # 학습 기록/리포트
│ │ ├── admin/ # 관리자 대시보드
│ │ └── home/ # 랜딩 페이지
│ ├── stores/ # Pinia 상태 관리 (auth 등)
│ ├── App.vue
│ └── main.js # 라우터 설정
├── docs/
│ ├── requirements/ # 요구사항 정의서
│ └── specs/ # 기술 명세 문서
└── docker-compose.yml
이 프로젝트는 Docker Compose 기준으로 실행하도록 구성되어 있습니다.
backend/requirements.txt 설치, DB 기동, frontend 의존성 설치를 컨테이너가 처리합니다.
- 루트 경로에
.env파일 준비
최소 권장 키:DB_NAME,DB_USER,DB_PASSWORD,DB_HOST,DB_PORT,DATABASE_URLOPENAI_API_KEY- (선택)
GOOGLE_API_KEY,GROQ_API_KEY,AWS_*,STT_RUNPOD_URL
- 컨테이너 실행
docker-compose up --build- 접속
- Frontend:
http://localhost:5173 - Backend API:
http://localhost:8000 - Swagger:
http://localhost:8000/api/docs/
- Frontend:
Docker 없이 개별 실행할 경우:
- Backend 의존성:
backend/requirements.txt - Frontend 의존성:
frontend/package.json
- Research and Markets, AI in Education Market Report 2025
- The Korea Herald (2024-2025), Ministry of Education, South Korea
- Korea Economic Institute (2024), Ministry of Science and ICT, South Korea