화면에서 운영까지 넓힌 담당 범위

• Frontend — Chat·Agent·Generative UI·WebSocket, 관리자 백오피스, 파일 미리보기, RAG 처리 과정 및 청킹·임베딩 상태의 사용자 화면 시각화. Generative UI 폼에서 Jira 티켓을 생성하는 VOC Agent도 개발했습니다.
• Backend / API — Python/FastAPI·Go를 활용한 미터링 조회·사용 한도·리소스 권한·공유 API. Go Gateway에서는 직접 담당한 일부 기능을 구현했습니다.
• Enterprise — 다중 조직 RBAC의 read / execute / write / share 경계, Agent 공유 승인·회수·실행 재인가.
• Data / Operation — Kafka·Redis·MongoDB의 공통 미터링 인입·일별 집계·가격·환율 기반과 조회 API를 연동하고, Docker, 테스트·배포·Smoke Test, 운영 자동화.

입사 후 6개월 안에 팀과 함께 13개 계열사 약 1만 명 대상 첫 출시를 진행했습니다. 전체 플랫폼이나 공통 인프라를 혼자 개발한 경험으로 표현하지 않습니다. RAG 청킹 알고리즘·임베딩 모델·Vector DB 구축이 아니라 처리 상태를 사용자에게 보여주는 UX와 연동을 담당했습니다.

기술 사례 8개

SLP 생산 리포팅, 사용량·비용 미터링, 다중 조직 Agent 공유, 파일 인앱 미리보기, Generative UI JSON 복구, WebSocket 실시간 안정성, Docker 이미지 최적화, 채팅 목록 조회 개선의 구현·검증·한계를 별도로 공개합니다.

검사부터 결과와 이력까지

• Frontend — 검사 생성·파일/저장소 입력·진행 상태·신호등 판정·Risk Graph·개선안·검사 이력 화면을 React·TypeScript·TanStack Query로 구현했습니다.
• Backend — Node.js·TypeScript·Clean Architecture 기반으로 파일/ZIP 입력, 공개 GitHub/GitLab 저장소 검사, 비동기 검사 상태, 결과/이력 API, JSON/PDF 리포트를 연결했습니다.
• Evaluation — 업무별 품질 프리셋 4개, 공격 페르소나 8개, 방어 페르소나 5개, 주요 위험 시나리오 10개로 검사 관점을 구분했습니다.

규칙의 판정과 LLM의 탐색을 분리

LLM은 정상 테스트가 놓치기 쉬운 위험 시나리오를 확장하는 역할로 제한했습니다. 외부 모델에는 원본 전체가 아니라 비식별화·최소화한 정보만 전달합니다.

사람 승인·민감정보 마스킹·감사 로그·중복 실행 방지·비신뢰 입력 격리·출력 경로 제한을 통제 요구사항으로 다뤘습니다. Agent의 성능뿐 아니라 안전성·권한·감사 가능성·재현성까지 제품 요구사항에 포함한 경험입니다.

한솔그룹 AX 프로젝트에서 수행한 개발 활동입니다. 검증 결과는 정의한 검사 범위에 한정하며 모든 위험을 탐지한다는 보장과 구분합니다.

기업 시스템에 모델을 적용

사용자의 질문을 이해한 Agent가 목적별 MCP 도구를 선택합니다. 생산·품질/불량·설비·LOT 이력을 조회하고 현재 기간과 직전 동일 기간을 비교합니다. 이상 변동이 있으면 추가 데이터를 조회한 뒤 요약과 HTML 보고서를 생성합니다.

온프레미스 모델을 Agent와 MCP에 적용한 경험입니다. 모델의 직접 학습·구축이나 MES 전체 개발 경험으로 표현하지 않습니다.

조회 근거와 해석을 분리

• MCP 조회 결과에 없는 수치는 생성하지 않도록 제한했습니다.
• 관측된 사실과 원인 해석을 분리하고 조회 범위를 제한했습니다.
• MCP 도구 오류 재시도와 허위 생산량을 작성하라는 요청에 대한 방어를 검증했습니다.
• 모델·프롬프트·MCP·인프라 장애를 구분해 원인을 추적했습니다.
• 정상 요청·조회 범위 밖 요청·허위 데이터 요구·인프라 장애를 포함해 정상·예외·공격 시나리오로 QA했습니다.

루프 엔지니어링으로 구현→테스트→리뷰→배포→실패 확인을 연결했습니다. 하네스 엔지니어링으로 AI 작업의 입력·도구 사용 절차·완료 기준·검증 규칙을 정리했습니다. AI의 결과는 실제 코드와 화면에서 확인합니다.

개발 품질 관리, 운영보고, 가이드·웹 문서 연계, 화면설계서·테스트케이스, Excel 가공의 다섯 경험으로 정리했습니다. 보고 시간은 기록된 생성·검증 업무 기준이며 전체 생산성 향상률로 확대하지 않습니다.

루프 엔지니어링은 구현→검증→실패 확인→수정의 흐름을 연결하는 일입니다. 하네스 엔지니어링은 AI가 작업할 때 필요한 입력·도구·완료 기준·검증 절차를 마련하는 일입니다.

요구사항의 상태와 영향 범위를 정리한 뒤 AI로 구현·테스트를 보조했습니다. 단위 테스트, 화면 QA, GitLab MR, 배포 파이프라인과 스모크 테스트로 확인하고, 발견한 실패는 회귀 테스트와 확인 규칙에 반영했습니다. 모든 단계가 매 작업마다 자동 실행됐다는 뜻은 아닙니다.

API에서 DAU·Token·Top Agent·Model Usage를 수집하고 기간·합계·전주 비교의 연속성을 검증했습니다. AI는 검증된 수치의 변화와 특이사항을 설명하고 사람이 최종 보고 내용을 확인했습니다.

기존 실행 기록 기준 주간보고 1회 약 2~3시간 → 10분 이내입니다. 보고 생성과 검증을 포함한 해당 업무의 결과이며 모든 운영 업무의 시간 절감으로 확대하지 않습니다.

실제 화면을 캡처하고 주석·설명을 붙여 가이드 제작에 재사용했습니다. AX Campus 웹 문서로 이관할 때 시나리오 목차·내부 링크·색인·이미지 참조가 이어지도록 정리했습니다.

활용 가이드 5개·실제 화면 이미지 93개는 제작 규모입니다. 별도 서비스 활용 영상 제작은 약 3일 → 4시간의 업무 기록이 있으며, 웹 문서 이관만의 절감 시간과 구분합니다.

화면 ID·설명·이미지를 연결해 HWP 설계서 조립을 반자동화했습니다. 문서의 순서·중복·누락을 검수하고, AI로 테스트케이스 작성을 보조한 뒤 실제 기능을 실행했습니다.

전체 화면설계서와 최종 HWP를 완성하며 화면 적합성과 최종 문구를 직접 확인했습니다. 문서 작성 보조와 테스트 실행을 구분하며, 모든 테스트가 자동화됐다는 표현은 쓰지 않습니다.

Excel 데이터의 반복 가공·검증·보고 작업에서 AI로 코드와 설명 작성을 보조하고, 실제 계산·출력은 코드로 수행했습니다. 생성한 파일의 수치·누락·열 구성·형식을 직접 확인했습니다.

PTKOREA의 DNT 검증·Excel 보고 자동화와 사내 관리 업무 경험을 기반으로 정리한 범위입니다. 근거가 없는 추가 시간 절감률이나 완전 자율 분석 성과는 적지 않습니다.