목록으로
교육·학습을 위한 AI 활용
학습 주제 한 줄에서 블로그·영상·실전 가이드까지 — C# 학습 콘텐츠 제작으로 실증한 AI 멀티 에이전트 콘텐츠 파이프라인
학습 주제 한 줄만 입력하면 AI 멀티 에이전트가 블로그·영상·실전 가이드를 자동 제작합니다.
🤖 활용 AI 도구
Claude | Gemini | NotebookLM | Google Cloud Text-to-Speech
1. 어떤 상황에서 AI를 활용했나요?
10여 년간 Unity로 모바일 게임을 개발하면서 여러 기술 서적과 YouTube 강의, 실무 경험을 통해 C#을 학습해 왔습니다. 오랜 시간 쌓인 노하우와 지식이 머릿속에 정리되어 있지만, 이를 다른 사람이 이해하기 쉽도록 풀어내는 데에는 늘 한계를 느꼈습니다. 또한 시중의 학습 자료는 C# 문법·성능 최적화·Unity 실전 패턴이 서로 다른 채널에 파편화되어 있어, 모바일 게임 개발을 처음 시작하는 사람이 한곳에서 A부터 Z까지 체계적으로 배울 수 있는 학습 채널은 찾기 어려웠습니다. 그래서 모바일 게임 개발자를 꿈꾸는 입문자가 하나의 채널에서 C# 기초부터 Unity 실전 패턴까지 일관된 깊이로 학습할 수 있는 교육 채널을 만들고 싶었습니다. 하지만 이 목표를 개인이 감당하기에는 현실적 제약이 컸습니다. 하나의 C# 개념(예: boxing, async/await, struct vs class)을 신입 개발자가 "왜 그렇게 동작하는지"까지 이해하도록 설명하려면 다음 과정을 거쳐야 했습니다.
- 공식 문서·기술 서적·블로그 교차 리서치 (3~5시간)
- .NET IL(중간 언어)로 역컴파일해 내부 동작 검증 (2~4시간)
- Unity 환경에서의 실전 함정 재현·정리 (2~4시간)
- ADEPT 교습법에 맞춘 블로그 글·SVG 다이어그램 작성 (6~10시간)
- 영상 나레이션 스크립트 작성과 편집·렌더링 (8~15시간)
- AI 코딩 도우미용 Unity 실전 규칙 문서 정제 (1~2시간)
- 티스토리 게시와 YouTube 업로드 (1~2시간)
이 과정을 한 주제당 수작업으로 진행하면 약 25~35시간이 소요되었고, 본업인 게임 개발과 병행하는 개인 입장에서는 한 주제를 완성하는 데 약 1~2주가 걸렸습니다. 이 속도로는 C# 기초부터 Unity 실전까지 이어지는 체계적 커리큘럼을 현실적인 기간 안에 완성하는 것이 사실상 불가능했습니다. 핵심 문제는 "깊이"와 "생산성"이 반비례하는 구조였습니다. 깊이 있게 쓰려면 느려지고, 빠르게 쓰려면 얕아지는 딜레마가 채널 운영의 가장 큰 걸림돌이었고, 이를 해결하기 위해 AI를 본격적으로 도입하게 되었습니다.
아래의 블로그와 유튜브는 AI로 작성된 글과 영상을 실제 업로드한 곳입니다.
- 블로그: https://everyday-devup.tistory.com/category/C%23%20%EA%B8%B0%EC%B4%88
- YouTube: https://www.youtube.com/@hellofryingworld
2. 어떤 AI를 어떻게 활용했나요?
서로 다른 3개 회사의 AI 모델과, AI가 실제 작업을 수행할 수 있도록 연결해 주는 자동화 도구들을 조합해 멀티 에이전트 파이프라인을 구축했습니다.
* 핵심 AI — 추론·생성 담당
1) Claude (Anthropic) :전체 워크플로우의 중심 두뇌로 Claude를 사용했으며, Opus 4.7과 Sonnet 4.6 두 모델을 작업 난이도에 맞춰 각각 사용했습니다.
Claude Opus 4.7(고성능 모델)은 다음과 같은 깊은 추론이 필요한 작업에 사용했습니다.
- C# 학습 커리큘럼 설계 — C# 기초 문법부터 Unity 실전 패턴까지 이어지는 학습 채널의 전체 뼈대를 Claude Opus와 토론하며 설계했습니다.
- 주제 간 의존 관계, 난이도 배치, 학습 순서를 함께 결정했습니다.
- 주제별 블로그 글 작성 (ADEPT 교습법 적용)
- 품질 검수 (내용 정확성·논리 일관성 확인)
- IL 역컴파일 결과 해석과 초보자용 설명으로의 변환
Claude Sonnet 4.6(빠른 모델)은 반복적이고 가벼운 작업에 사용했습니다.
- 한국어 맞춤법·띄어쓰기 교정
- 마크다운 → 티스토리 HTML 변환
- 파일 상태 확인·경로 정리
- 자동화 스크립트 실행 판단
2) Gemini (Google)
Claude와 독립적으로 동일 주제를 질의해, 서로 다른 학습 데이터에서 나온 관점을 교차 확인하는 보조 리서처로 사용했습니다.
3) NotebookLM (Google)
공식 문서와 기술 서적 PDF를 업로드해 출처가 명확한 근거 기반 리서치를 수행하고, 그 결과를 YouTube 영상 개요(Video Overview)로 자동 변환하는 데 사용했습니다.
* 보조 AI — 콘텐츠 생성 담당
Google Chirp 3 HD는 Google의 생성형 AI 기반 한국어 음성 합성 모델로, 영상 나레이션을 자연스러운 한국어 음성으로 자동 생성하는 데 사용했습니다.
* AI가 직접 조작하는 자동화 도구
이 파이프라인에서 AI는 답변만 생성하는 것이 아니라 실제 브라우저·영상 편집기·컴파일러를 직접 조작해 작업을 끝까지 완료합니다. 이는 MCP(Model Context Protocol)라는 최신 표준(AI와 외부 도구를 연결하는 공용 규격)을 통해 가능해졌습니다. 구체적으로 다음 도구들을 AI가 제어합니다.
1) Playwright는 웹 브라우저 자동화 도구입니다. AI가 티스토리에 블로그를 게시하고, YouTube Studio에 영상을 업로드하며, Google 계정 로그인 인증까지 처리합니다.
2) Remotion은 React 기반 영상 렌더링 엔진입니다. Claude가 장면 구성 데이터(scenes.json)를 작성하면 Remotion이 이를 실제 영상 프레임으로 변환합니다.
3) ilspycmd는 .NET 디컴파일러입니다. AI가 작성한 C# 예시 코드를 컴파일한 뒤 IL(중간 언어)로 역컴파일해, AI의 설명이 실제 컴파일 결과와 일치하는지 자동으로 확인하는 데 사용합니다.
4) nlm CLI는 NotebookLM을 명령어로 제어할 수 있게 해주는 도구로, Claude가 NotebookLM을 호출해 리서치와 영상 개요를 자동으로 생성·내려받는데 사용합니다.
3. 활용 결과 어떤 변화가 있었나요?
* 정량적 변화
- 한 주제당 제작 시간: 본업 병행 시 약 1~2주 → 약 30분~1시간
- 동시 산출물: 주제 한 건 입력 → 블로그 글·YouTube 영상·AI 코딩 도우미용 가이드 3종 동시 생성
- 처리 규모: 배치 파이프라인으로 하루 최대 4~8개 주제 병렬 처리
* 정성적 변화
- 깊이 확보: IL 분석이 100% 포함되어 "표면적 문법 설명"이 아닌 "내부 동작 기반 설명"으로 품질이 일관되게 상승했습니다.
- 오류 감소: 3중 교차 검증으로 단일 AI 사용 시 발생하던 환각(hallucination)·사실 오류가 체감상 대폭 감소했습니다.
- 교육 구조의 일관성: 모든 글이 ADEPT 교습법을 따르므로, 독자가 어떤 주제든 동일한 학습 리듬으로 이해할 수 있습니다.
- 콘텐츠 재활용 루프: AI가 생성한 Unity 실전 규칙(SKILL.md)이 다시 다른 AI 에이전트의 입력으로 투입되어, 콘텐츠가 쌓일수록 AI가 더 똑똑해지는 선순환이 만들어졌습니다.
* 학습자 관점 변화
- 기존에는 접하기 어려웠던 IL 레벨의 내부 동작 설명이 포함된 입문 콘텐츠를 무료로 접할 수 있게 되었습니다.
- 블로그로 읽고, 영상으로 복습하고, AI 코딩 도우미가 실전 규칙으로 활용하는 다채널 학습 경험을 얻게 됩니다.
4. 나만의 방식 또는 개선 포인트는 무엇인가요?
단순히 "AI에게 글을 맡긴 것"이 아니라, 교육 콘텐츠 제작 전 과정을 AI 친화적으로 재설계하면서 여섯 가지 독자적 접근을 적용했습니다.
① 다중 경로 품질 검증 — 3중 AI 교차 검증 + 컴파일러 이중 검증
교육 콘텐츠는 틀린 정보 한 줄이 학습자에게 장기적 오개념을 심어주기 때문에, 품질 검증이 가장 중요한 요소입니다. 저는 이를 해결하기 위해 서로 다른 두 계층의 검증을 동시에 작동시켰습니다.
첫째, 3중 AI 교차 검증 — 단일 AI 의존은 환각(hallucination)과 편향을 그대로 출력할 위험이 있습니다. 이를 막기 위해 Anthropic·Google 등 서로 다른 회사의 AI 3종(Claude·Gemini·NotebookLM)에 동일 주제를 독립적으로 질의한 뒤, Claude가 세 결과를 교차 검증해 상호 충돌하는 지점을 자동으로 감지합니다. 서로 다른 학습 데이터로 만들어진 AI가 동시에 같은 오류를 낼 확률은 극히 낮기 때문에, 한 AI가 놓친 오류를 다른 AI가 잡아줍니다.
둘째, AI + 컴파일러 이중 검증 — 프로그래밍 교육에서 가장 치명적인 오류는 "AI가 그럴듯하게 설명했지만 실제 컴파일 결과와 다른 경우"입니다. 예를 들어 AI가 "이 코드에서는 boxing이 일어나지 않습니다"라고 단언해도, 실제 IL(중간 언어)에는 box 명령어가 포함되어 있을수 있습니다. 이를 막기 위해 AI가 작성한 예시 코드를 실제로 컴파일하고 ilspycmd로 IL로 역컴파일한 결과와 AI 설명을 자동 비교합니다. 불일치하면 Claude가 설명을 다시 수정합니다.
결과적으로 "확률적 추론의 AI", "결정론적 결과의 컴파일러", "벤더가 다른 3개 AI" 가 함께 검증하는 다중 경로 품질 체계를 구축했으며, 이로써 프로그래밍 교육에서 자주 발생하는 "그럴듯하지만 틀린 설명"을 원천 차단했습니다.
② Opus·Sonnet 역할 분담 — 품질과 비용의 동시 최적화
고성능 AI 모델은 비용이 기하급수적으로 늘어납니다. 모든 작업에 최상위 모델을 쓰는 것은 "종이 한 장 접는 데 공장 기계를 돌리는 격"으로 비효율적이며, 개인이 장기적으로 감당하기 어렵습니다. 이를 해결하기 위해 Anthropic의 두 모델을 작업 난이도에 따라 분업시켰습니다. Claude Opus 4.7은 커리큘럼 설계·블로그 글 작성·품질 검수·IL 해석처럼 깊은 추론이 필요한 작업에만 투입하고, Claude Sonnet 4.6은 한국어 교정·HTML 변환·파일 경로 정리·스크립트 실행 판단처럼 반복적이고 가벼운 작업에 투입했습니다.이 분업으로 콘텐츠 품질은 Opus 수준으로 유지하면서 API 비용은 수 배 절감할 수 있었고, 개인이 AI 파이프라인을 지속적으로 운영할 수 있는 실질적 기반이 되었습니다.
③ 만능 AI 하나가 아닌, 전문 에이전트 병렬 협업
기존의 AI 활용은 대부분 "하나의 대화방에서 만능 AI와 주고받기"입니다. 하지만 한 AI에게 "리서치·작성·교정·영상 제작까지 전부 해줘"를 맡기면, 모든 영역의 품질이 평균으로 수렴하고 병목이 발생합니다. 그래서 주제 한 건당 4~5개의 전문 에이전트가 동시에 실행되도록 설계했습니다.
- blog-reviewer — 한국어 교정과 작성 가이드 준수 검수
- unity-skills-creator — AI 코딩 도우미용 Unity 실전 규칙 추출
- video-overview-creator — 영상 개요 생성과 YouTube 업로드
- tistory-publisher — 티스토리 게시 자동화
각 에이전트는 전용 프롬프트·전용 입력·전용 출력을 갖고 자신의 역할에만 집중하며, 서로 독립적이기 때문에 병렬로 실행됩니다. 개별 작업품질이 올라가고, 전체 처리 시간은 단일 파이프라인 대비 크게 단축됩니다. "만능 1명"이 아닌 "전문가 4~5명의 팀"으로 AI를 운영하는 접근입니다.
④ AI를 "조수"가 아닌 "실행 주체"로 — MCP 기반 엔드 투 엔드 자동화
대부분의 AI 활용은 "AI가 답변을 내놓으면 사람이 복사해서 실행"하는 구조입니다. 이 방식은 여전히 사람이 마지막 단계를 손으로 처리해야 하므로, 개인이 확장하기 어렵습니다. 저는 MCP(Model Context Protocol)라는 AI-도구 연결 표준을 활용해, 2번에서 소개한 도구들(Playwright·Remotion·ilspycmd·nlm CLI)을 AI가 직접 제어하도록 연결했습니다. 그 결과 AI 스스로 웹 브라우저를 열어 티스토리·YouTube에 게시하고, 영상을 렌더링하며, IL 분석까지 수행합니다.
결과적으로 주제어 한 줄만 입력하면 블로그 게시·영상 렌더링·YouTube 업로드까지 사람이 클릭할 단계가 거의 남지 않습니다. 이는 "AI를 조수로쓴다"가 아닌 "AI를 실행 주체로 쓴다"는 관점의 전환입니다.
⑤ 콘텐츠 → AI 재투입 선순환
일반적 AI 콘텐츠 생성은 "AI가 한 번 만들고 끝"이지만, 저는 생성된 결과물을 다시 다른 AI의 입력으로 재투입하는 루프를 설계했습니다. 구체적으로 블로그 글에서 AI가 Unity 실전 함정을 스스로 추출해 SKILL.md 파일로 저장하고, 이 파일은 이후 다른 주제의 글을 쓸 때 AI 코딩도우미의 "해야 할 것·하지 말아야 할 것" 규칙으로 자동 적용됩니다.즉 오늘 만든 콘텐츠가 내일의 AI를 더 똑똑하게 만드는 구조입니다. 콘텐츠가 누적될수록 AI가 C# + Unity 도메인에 점점 더 전문화되며, 콘텐츠는 독자만 학습시키는 것이 아니라 AI도 함께 성장시키는 선순환을 만듭니다.
⑥ 교육 이론(ADEPT 교습법)의 AI 내장
많은 AI 콘텐츠가 "문법적으로 매끈하지만 교육적으로 산만한 글"이 되는 이유는, AI에게 "어떤 순서로 가르쳐야 하는가"라는 교수법이 없기 때문입니다. AI는 유창하게 쓸 수는 있지만, 초보자가 단계적으로 이해하기 좋은 순서를 스스로 알지는 못합니다. 그래서 인지심리학 기반의 ADEPT 교습법을 Claude의 작성 규칙과 검수 규칙에 직접 내장했습니다.
- Analogy(비유) — 친숙한 일상 개념으로 먼저 다가간다
- Diagram(시각자료) — SVG 다이어그램으로 개념을 시각화한다
- Example(구체 예시) — 실제 C# 코드로 동작을 증명한다
- Plain(평이한 설명) — 기술 용어 없이 일상어로 다시 설명한다
- Technical(기술 정의) — 마지막에 정확한 공식 용어를 도입한다
모든 블로그 글이 이 순서를 따르도록 프롬프트와 검수 규칙이 강제하기 때문에, 독자는 어떤 주제로 바뀌어도 동일한 학습 리듬으로 이해할 수 있습니다. 단순히 AI에게 "잘 써줘"라고 맡기는 수준이 아니라, 교수법이 내장된 AI로 한 단계 발전시킨 접근입니다.
5. 다른 사람도 따라 할 수 있나요?
네, 이 파이프라인은 구조적으로 다른 학습 도메인에 이식 가능하게 설계되었습니다.
* 이식 가능성
핵심 구조는 **"도메인 지식 + 교수법 + 검증 도구"**의 조합입니다. C# 자리에 다른 주제를 넣으면 동일한 파이프라인이 작동합니다.
- 수학: IL 분석 자리에 수식 검증 도구(SymPy)
- 영어 문법: IL 분석 자리에 실제 코퍼스(언어 데이터) 검색
- 의학·법률: 공신력 있는 데이터베이스 교차 검증
- 프로그래밍 언어 일반: Python·Java·Rust 등 다른 언어도 동일 구조로 즉시 확장
스킬 파일(.claude/commands/)과 설정(config/settings.yaml)만 교체하면 새 도메인 파이프라인이 됩니다.
* 따라 하기 위한 준비물
- AI 계정: Anthropic(Claude), Google(Gemini·NotebookLM) 구독 — 개인 구독으로 충분
- AI 공식 CLI 도구 (각 AI를 자동 파이프라인과 연결하기 위해 설치 필요)
- Claude Code CLI — Anthropic이 제공하는 공식 명령줄 도구
- Gemini CLI — Google이 제공하는 공식 명령줄 도구
- NotebookLM MCP 서버(nlm) — NotebookLM을 자동화와 연동하기 위한 MCP 기반 도구
- 개발 환경: Python 3.10+, Node.js, .NET SDK(C# 도메인인 경우)
* 접근성 수준
- 개발 경험이 있는 사용자: 스킬 파일을 편집해 자신의 도메인에 맞게 커스터마이징할 수 있습니다. Claude Code·Gemini CLI·NotebookLM MCP 설치와 설정 파일 편집이 가능합니다.
- 개발 경험이 없는 사용자: 현재는 CLI 기반이라 진입 장벽이 있습니다. 다만 Claude Code CLI 자체가 자연어로 파일을 수정할 수 있어, 초보자도 "내 주제로 바꿔줘"라고 요청하면 Claude가 설정 파일을 대신 수정해줍니다.
* 일반인 확산을 위한 개선 방향 — 파이썬 기반 데스크톱 프로그램
현재 파이프라인은 CLI와 설정 파일 편집이 필요해 비개발자에게 진입 장벽이 있습니다. 이 파이프라인은 로컬 PC의 브라우저·영상 렌더러·컴파일러 등 여러 로컬 자원을 AI가 직접 제어해야 하는 구조이기 때문에, 웹 서비스 형태로 제공하면 브라우저 보안 정책(샌드박스) 때문에 로컬 파일 접근·프로세스 실행·브라우저 자동화 같은 핵심 기능이 제한됩니다. 따라서 파이썬 기반 데스크톱 프로그램 형태로 래핑하는 것이 기술적으로 가장 적합합니다. 예를 들어 실행 파일(exe·app) 형태로 배포 가능한 Python GUI 프로그램을 만들어 다음과 같은 설문형 단계를 거치면, 내부적으로 settings.yaml과 스킬 파일이 자동으로 생성되도록 설계할 수 있습니다.
- "어떤 주제를 가르치고 싶으신가요?"
- "대상 학습자는 누구인가요?"
- "사용할 AI 계정(Claude·Gemini·NotebookLM)을 연결해주세요"
- "블로그·영상 중 어떤 형태로 산출하시겠습니까?"
Python은 이 파이프라인에서 이미 사용 중인 언어이고, PC 환경의 파일·프로세스·브라우저를 모두 자유롭게 제어할 수 있으며, Windows·macOS·Linux 모든 환경에서 단일 실행 파일로 배포할 수 있어 일반인 확산에 가장 현실적인 선택지입니다. 이러한 데스크톱 GUI 프로그램을 추가하면 교사·강사·개인 창작자·자기주도 학습자 누구나 자신의 주제에 맞는 AI 교육 콘텐츠 파이프라인을 바로 운용할 수 있게 됩니다.
* 재현성과 사회적 확산 가능성
파이프라인의 모든 구성 요소(스킬 정의·설정 구조·프롬프트 규칙)가 파일로 명시되어 있어, 같은 구성만 갖추면 누구든 동일하게 재현할 수 있는 구조입니다. "개인 교사가 AI로 전문 교육 콘텐츠를 양산하는 모델"은 지역·언어·분야별 교육 격차를 좁히는 데 기여할 수 있다고 생각합니다. 소수 언어로 된 프로그래밍 교육 자료, 특수 분야 입문자용 자료 등 수요는 있지만 제작자가 부족한 영역에 이 방식이 특히 유용할 것입니다. 국가 차원의 교육·디지털 격차 해소에 기여할 수 있다고 판단된다면, 오픈 프로젝트 형태의 공개도 전향적으로 고려할 수 있습니다.
10여 년간 Unity로 모바일 게임을 개발하면서 여러 기술 서적과 YouTube 강의, 실무 경험을 통해 C#을 학습해 왔습니다. 오랜 시간 쌓인 노하우와 지식이 머릿속에 정리되어 있지만, 이를 다른 사람이 이해하기 쉽도록 풀어내는 데에는 늘 한계를 느꼈습니다. 또한 시중의 학습 자료는 C# 문법·성능 최적화·Unity 실전 패턴이 서로 다른 채널에 파편화되어 있어, 모바일 게임 개발을 처음 시작하는 사람이 한곳에서 A부터 Z까지 체계적으로 배울 수 있는 학습 채널은 찾기 어려웠습니다. 그래서 모바일 게임 개발자를 꿈꾸는 입문자가 하나의 채널에서 C# 기초부터 Unity 실전 패턴까지 일관된 깊이로 학습할 수 있는 교육 채널을 만들고 싶었습니다. 하지만 이 목표를 개인이 감당하기에는 현실적 제약이 컸습니다. 하나의 C# 개념(예: boxing, async/await, struct vs class)을 신입 개발자가 "왜 그렇게 동작하는지"까지 이해하도록 설명하려면 다음 과정을 거쳐야 했습니다.
- 공식 문서·기술 서적·블로그 교차 리서치 (3~5시간)
- .NET IL(중간 언어)로 역컴파일해 내부 동작 검증 (2~4시간)
- Unity 환경에서의 실전 함정 재현·정리 (2~4시간)
- ADEPT 교습법에 맞춘 블로그 글·SVG 다이어그램 작성 (6~10시간)
- 영상 나레이션 스크립트 작성과 편집·렌더링 (8~15시간)
- AI 코딩 도우미용 Unity 실전 규칙 문서 정제 (1~2시간)
- 티스토리 게시와 YouTube 업로드 (1~2시간)
이 과정을 한 주제당 수작업으로 진행하면 약 25~35시간이 소요되었고, 본업인 게임 개발과 병행하는 개인 입장에서는 한 주제를 완성하는 데 약 1~2주가 걸렸습니다. 이 속도로는 C# 기초부터 Unity 실전까지 이어지는 체계적 커리큘럼을 현실적인 기간 안에 완성하는 것이 사실상 불가능했습니다. 핵심 문제는 "깊이"와 "생산성"이 반비례하는 구조였습니다. 깊이 있게 쓰려면 느려지고, 빠르게 쓰려면 얕아지는 딜레마가 채널 운영의 가장 큰 걸림돌이었고, 이를 해결하기 위해 AI를 본격적으로 도입하게 되었습니다.
아래의 블로그와 유튜브는 AI로 작성된 글과 영상을 실제 업로드한 곳입니다.
- 블로그: https://everyday-devup.tistory.com/category/C%23%20%EA%B8%B0%EC%B4%88
- YouTube: https://www.youtube.com/@hellofryingworld
2. 어떤 AI를 어떻게 활용했나요?
서로 다른 3개 회사의 AI 모델과, AI가 실제 작업을 수행할 수 있도록 연결해 주는 자동화 도구들을 조합해 멀티 에이전트 파이프라인을 구축했습니다.
* 핵심 AI — 추론·생성 담당
1) Claude (Anthropic) :전체 워크플로우의 중심 두뇌로 Claude를 사용했으며, Opus 4.7과 Sonnet 4.6 두 모델을 작업 난이도에 맞춰 각각 사용했습니다.
Claude Opus 4.7(고성능 모델)은 다음과 같은 깊은 추론이 필요한 작업에 사용했습니다.
- C# 학습 커리큘럼 설계 — C# 기초 문법부터 Unity 실전 패턴까지 이어지는 학습 채널의 전체 뼈대를 Claude Opus와 토론하며 설계했습니다.
- 주제 간 의존 관계, 난이도 배치, 학습 순서를 함께 결정했습니다.
- 주제별 블로그 글 작성 (ADEPT 교습법 적용)
- 품질 검수 (내용 정확성·논리 일관성 확인)
- IL 역컴파일 결과 해석과 초보자용 설명으로의 변환
Claude Sonnet 4.6(빠른 모델)은 반복적이고 가벼운 작업에 사용했습니다.
- 한국어 맞춤법·띄어쓰기 교정
- 마크다운 → 티스토리 HTML 변환
- 파일 상태 확인·경로 정리
- 자동화 스크립트 실행 판단
2) Gemini (Google)
Claude와 독립적으로 동일 주제를 질의해, 서로 다른 학습 데이터에서 나온 관점을 교차 확인하는 보조 리서처로 사용했습니다.
3) NotebookLM (Google)
공식 문서와 기술 서적 PDF를 업로드해 출처가 명확한 근거 기반 리서치를 수행하고, 그 결과를 YouTube 영상 개요(Video Overview)로 자동 변환하는 데 사용했습니다.
* 보조 AI — 콘텐츠 생성 담당
Google Chirp 3 HD는 Google의 생성형 AI 기반 한국어 음성 합성 모델로, 영상 나레이션을 자연스러운 한국어 음성으로 자동 생성하는 데 사용했습니다.
* AI가 직접 조작하는 자동화 도구
이 파이프라인에서 AI는 답변만 생성하는 것이 아니라 실제 브라우저·영상 편집기·컴파일러를 직접 조작해 작업을 끝까지 완료합니다. 이는 MCP(Model Context Protocol)라는 최신 표준(AI와 외부 도구를 연결하는 공용 규격)을 통해 가능해졌습니다. 구체적으로 다음 도구들을 AI가 제어합니다.
1) Playwright는 웹 브라우저 자동화 도구입니다. AI가 티스토리에 블로그를 게시하고, YouTube Studio에 영상을 업로드하며, Google 계정 로그인 인증까지 처리합니다.
2) Remotion은 React 기반 영상 렌더링 엔진입니다. Claude가 장면 구성 데이터(scenes.json)를 작성하면 Remotion이 이를 실제 영상 프레임으로 변환합니다.
3) ilspycmd는 .NET 디컴파일러입니다. AI가 작성한 C# 예시 코드를 컴파일한 뒤 IL(중간 언어)로 역컴파일해, AI의 설명이 실제 컴파일 결과와 일치하는지 자동으로 확인하는 데 사용합니다.
4) nlm CLI는 NotebookLM을 명령어로 제어할 수 있게 해주는 도구로, Claude가 NotebookLM을 호출해 리서치와 영상 개요를 자동으로 생성·내려받는데 사용합니다.
3. 활용 결과 어떤 변화가 있었나요?
* 정량적 변화
- 한 주제당 제작 시간: 본업 병행 시 약 1~2주 → 약 30분~1시간
- 동시 산출물: 주제 한 건 입력 → 블로그 글·YouTube 영상·AI 코딩 도우미용 가이드 3종 동시 생성
- 처리 규모: 배치 파이프라인으로 하루 최대 4~8개 주제 병렬 처리
* 정성적 변화
- 깊이 확보: IL 분석이 100% 포함되어 "표면적 문법 설명"이 아닌 "내부 동작 기반 설명"으로 품질이 일관되게 상승했습니다.
- 오류 감소: 3중 교차 검증으로 단일 AI 사용 시 발생하던 환각(hallucination)·사실 오류가 체감상 대폭 감소했습니다.
- 교육 구조의 일관성: 모든 글이 ADEPT 교습법을 따르므로, 독자가 어떤 주제든 동일한 학습 리듬으로 이해할 수 있습니다.
- 콘텐츠 재활용 루프: AI가 생성한 Unity 실전 규칙(SKILL.md)이 다시 다른 AI 에이전트의 입력으로 투입되어, 콘텐츠가 쌓일수록 AI가 더 똑똑해지는 선순환이 만들어졌습니다.
* 학습자 관점 변화
- 기존에는 접하기 어려웠던 IL 레벨의 내부 동작 설명이 포함된 입문 콘텐츠를 무료로 접할 수 있게 되었습니다.
- 블로그로 읽고, 영상으로 복습하고, AI 코딩 도우미가 실전 규칙으로 활용하는 다채널 학습 경험을 얻게 됩니다.
4. 나만의 방식 또는 개선 포인트는 무엇인가요?
단순히 "AI에게 글을 맡긴 것"이 아니라, 교육 콘텐츠 제작 전 과정을 AI 친화적으로 재설계하면서 여섯 가지 독자적 접근을 적용했습니다.
① 다중 경로 품질 검증 — 3중 AI 교차 검증 + 컴파일러 이중 검증
교육 콘텐츠는 틀린 정보 한 줄이 학습자에게 장기적 오개념을 심어주기 때문에, 품질 검증이 가장 중요한 요소입니다. 저는 이를 해결하기 위해 서로 다른 두 계층의 검증을 동시에 작동시켰습니다.
첫째, 3중 AI 교차 검증 — 단일 AI 의존은 환각(hallucination)과 편향을 그대로 출력할 위험이 있습니다. 이를 막기 위해 Anthropic·Google 등 서로 다른 회사의 AI 3종(Claude·Gemini·NotebookLM)에 동일 주제를 독립적으로 질의한 뒤, Claude가 세 결과를 교차 검증해 상호 충돌하는 지점을 자동으로 감지합니다. 서로 다른 학습 데이터로 만들어진 AI가 동시에 같은 오류를 낼 확률은 극히 낮기 때문에, 한 AI가 놓친 오류를 다른 AI가 잡아줍니다.
둘째, AI + 컴파일러 이중 검증 — 프로그래밍 교육에서 가장 치명적인 오류는 "AI가 그럴듯하게 설명했지만 실제 컴파일 결과와 다른 경우"입니다. 예를 들어 AI가 "이 코드에서는 boxing이 일어나지 않습니다"라고 단언해도, 실제 IL(중간 언어)에는 box 명령어가 포함되어 있을수 있습니다. 이를 막기 위해 AI가 작성한 예시 코드를 실제로 컴파일하고 ilspycmd로 IL로 역컴파일한 결과와 AI 설명을 자동 비교합니다. 불일치하면 Claude가 설명을 다시 수정합니다.
결과적으로 "확률적 추론의 AI", "결정론적 결과의 컴파일러", "벤더가 다른 3개 AI" 가 함께 검증하는 다중 경로 품질 체계를 구축했으며, 이로써 프로그래밍 교육에서 자주 발생하는 "그럴듯하지만 틀린 설명"을 원천 차단했습니다.
② Opus·Sonnet 역할 분담 — 품질과 비용의 동시 최적화
고성능 AI 모델은 비용이 기하급수적으로 늘어납니다. 모든 작업에 최상위 모델을 쓰는 것은 "종이 한 장 접는 데 공장 기계를 돌리는 격"으로 비효율적이며, 개인이 장기적으로 감당하기 어렵습니다. 이를 해결하기 위해 Anthropic의 두 모델을 작업 난이도에 따라 분업시켰습니다. Claude Opus 4.7은 커리큘럼 설계·블로그 글 작성·품질 검수·IL 해석처럼 깊은 추론이 필요한 작업에만 투입하고, Claude Sonnet 4.6은 한국어 교정·HTML 변환·파일 경로 정리·스크립트 실행 판단처럼 반복적이고 가벼운 작업에 투입했습니다.이 분업으로 콘텐츠 품질은 Opus 수준으로 유지하면서 API 비용은 수 배 절감할 수 있었고, 개인이 AI 파이프라인을 지속적으로 운영할 수 있는 실질적 기반이 되었습니다.
③ 만능 AI 하나가 아닌, 전문 에이전트 병렬 협업
기존의 AI 활용은 대부분 "하나의 대화방에서 만능 AI와 주고받기"입니다. 하지만 한 AI에게 "리서치·작성·교정·영상 제작까지 전부 해줘"를 맡기면, 모든 영역의 품질이 평균으로 수렴하고 병목이 발생합니다. 그래서 주제 한 건당 4~5개의 전문 에이전트가 동시에 실행되도록 설계했습니다.
- blog-reviewer — 한국어 교정과 작성 가이드 준수 검수
- unity-skills-creator — AI 코딩 도우미용 Unity 실전 규칙 추출
- video-overview-creator — 영상 개요 생성과 YouTube 업로드
- tistory-publisher — 티스토리 게시 자동화
각 에이전트는 전용 프롬프트·전용 입력·전용 출력을 갖고 자신의 역할에만 집중하며, 서로 독립적이기 때문에 병렬로 실행됩니다. 개별 작업품질이 올라가고, 전체 처리 시간은 단일 파이프라인 대비 크게 단축됩니다. "만능 1명"이 아닌 "전문가 4~5명의 팀"으로 AI를 운영하는 접근입니다.
④ AI를 "조수"가 아닌 "실행 주체"로 — MCP 기반 엔드 투 엔드 자동화
대부분의 AI 활용은 "AI가 답변을 내놓으면 사람이 복사해서 실행"하는 구조입니다. 이 방식은 여전히 사람이 마지막 단계를 손으로 처리해야 하므로, 개인이 확장하기 어렵습니다. 저는 MCP(Model Context Protocol)라는 AI-도구 연결 표준을 활용해, 2번에서 소개한 도구들(Playwright·Remotion·ilspycmd·nlm CLI)을 AI가 직접 제어하도록 연결했습니다. 그 결과 AI 스스로 웹 브라우저를 열어 티스토리·YouTube에 게시하고, 영상을 렌더링하며, IL 분석까지 수행합니다.
결과적으로 주제어 한 줄만 입력하면 블로그 게시·영상 렌더링·YouTube 업로드까지 사람이 클릭할 단계가 거의 남지 않습니다. 이는 "AI를 조수로쓴다"가 아닌 "AI를 실행 주체로 쓴다"는 관점의 전환입니다.
⑤ 콘텐츠 → AI 재투입 선순환
일반적 AI 콘텐츠 생성은 "AI가 한 번 만들고 끝"이지만, 저는 생성된 결과물을 다시 다른 AI의 입력으로 재투입하는 루프를 설계했습니다. 구체적으로 블로그 글에서 AI가 Unity 실전 함정을 스스로 추출해 SKILL.md 파일로 저장하고, 이 파일은 이후 다른 주제의 글을 쓸 때 AI 코딩도우미의 "해야 할 것·하지 말아야 할 것" 규칙으로 자동 적용됩니다.즉 오늘 만든 콘텐츠가 내일의 AI를 더 똑똑하게 만드는 구조입니다. 콘텐츠가 누적될수록 AI가 C# + Unity 도메인에 점점 더 전문화되며, 콘텐츠는 독자만 학습시키는 것이 아니라 AI도 함께 성장시키는 선순환을 만듭니다.
⑥ 교육 이론(ADEPT 교습법)의 AI 내장
많은 AI 콘텐츠가 "문법적으로 매끈하지만 교육적으로 산만한 글"이 되는 이유는, AI에게 "어떤 순서로 가르쳐야 하는가"라는 교수법이 없기 때문입니다. AI는 유창하게 쓸 수는 있지만, 초보자가 단계적으로 이해하기 좋은 순서를 스스로 알지는 못합니다. 그래서 인지심리학 기반의 ADEPT 교습법을 Claude의 작성 규칙과 검수 규칙에 직접 내장했습니다.
- Analogy(비유) — 친숙한 일상 개념으로 먼저 다가간다
- Diagram(시각자료) — SVG 다이어그램으로 개념을 시각화한다
- Example(구체 예시) — 실제 C# 코드로 동작을 증명한다
- Plain(평이한 설명) — 기술 용어 없이 일상어로 다시 설명한다
- Technical(기술 정의) — 마지막에 정확한 공식 용어를 도입한다
모든 블로그 글이 이 순서를 따르도록 프롬프트와 검수 규칙이 강제하기 때문에, 독자는 어떤 주제로 바뀌어도 동일한 학습 리듬으로 이해할 수 있습니다. 단순히 AI에게 "잘 써줘"라고 맡기는 수준이 아니라, 교수법이 내장된 AI로 한 단계 발전시킨 접근입니다.
5. 다른 사람도 따라 할 수 있나요?
네, 이 파이프라인은 구조적으로 다른 학습 도메인에 이식 가능하게 설계되었습니다.
* 이식 가능성
핵심 구조는 **"도메인 지식 + 교수법 + 검증 도구"**의 조합입니다. C# 자리에 다른 주제를 넣으면 동일한 파이프라인이 작동합니다.
- 수학: IL 분석 자리에 수식 검증 도구(SymPy)
- 영어 문법: IL 분석 자리에 실제 코퍼스(언어 데이터) 검색
- 의학·법률: 공신력 있는 데이터베이스 교차 검증
- 프로그래밍 언어 일반: Python·Java·Rust 등 다른 언어도 동일 구조로 즉시 확장
스킬 파일(.claude/commands/)과 설정(config/settings.yaml)만 교체하면 새 도메인 파이프라인이 됩니다.
* 따라 하기 위한 준비물
- AI 계정: Anthropic(Claude), Google(Gemini·NotebookLM) 구독 — 개인 구독으로 충분
- AI 공식 CLI 도구 (각 AI를 자동 파이프라인과 연결하기 위해 설치 필요)
- Claude Code CLI — Anthropic이 제공하는 공식 명령줄 도구
- Gemini CLI — Google이 제공하는 공식 명령줄 도구
- NotebookLM MCP 서버(nlm) — NotebookLM을 자동화와 연동하기 위한 MCP 기반 도구
- 개발 환경: Python 3.10+, Node.js, .NET SDK(C# 도메인인 경우)
* 접근성 수준
- 개발 경험이 있는 사용자: 스킬 파일을 편집해 자신의 도메인에 맞게 커스터마이징할 수 있습니다. Claude Code·Gemini CLI·NotebookLM MCP 설치와 설정 파일 편집이 가능합니다.
- 개발 경험이 없는 사용자: 현재는 CLI 기반이라 진입 장벽이 있습니다. 다만 Claude Code CLI 자체가 자연어로 파일을 수정할 수 있어, 초보자도 "내 주제로 바꿔줘"라고 요청하면 Claude가 설정 파일을 대신 수정해줍니다.
* 일반인 확산을 위한 개선 방향 — 파이썬 기반 데스크톱 프로그램
현재 파이프라인은 CLI와 설정 파일 편집이 필요해 비개발자에게 진입 장벽이 있습니다. 이 파이프라인은 로컬 PC의 브라우저·영상 렌더러·컴파일러 등 여러 로컬 자원을 AI가 직접 제어해야 하는 구조이기 때문에, 웹 서비스 형태로 제공하면 브라우저 보안 정책(샌드박스) 때문에 로컬 파일 접근·프로세스 실행·브라우저 자동화 같은 핵심 기능이 제한됩니다. 따라서 파이썬 기반 데스크톱 프로그램 형태로 래핑하는 것이 기술적으로 가장 적합합니다. 예를 들어 실행 파일(exe·app) 형태로 배포 가능한 Python GUI 프로그램을 만들어 다음과 같은 설문형 단계를 거치면, 내부적으로 settings.yaml과 스킬 파일이 자동으로 생성되도록 설계할 수 있습니다.
- "어떤 주제를 가르치고 싶으신가요?"
- "대상 학습자는 누구인가요?"
- "사용할 AI 계정(Claude·Gemini·NotebookLM)을 연결해주세요"
- "블로그·영상 중 어떤 형태로 산출하시겠습니까?"
Python은 이 파이프라인에서 이미 사용 중인 언어이고, PC 환경의 파일·프로세스·브라우저를 모두 자유롭게 제어할 수 있으며, Windows·macOS·Linux 모든 환경에서 단일 실행 파일로 배포할 수 있어 일반인 확산에 가장 현실적인 선택지입니다. 이러한 데스크톱 GUI 프로그램을 추가하면 교사·강사·개인 창작자·자기주도 학습자 누구나 자신의 주제에 맞는 AI 교육 콘텐츠 파이프라인을 바로 운용할 수 있게 됩니다.
* 재현성과 사회적 확산 가능성
파이프라인의 모든 구성 요소(스킬 정의·설정 구조·프롬프트 규칙)가 파일로 명시되어 있어, 같은 구성만 갖추면 누구든 동일하게 재현할 수 있는 구조입니다. "개인 교사가 AI로 전문 교육 콘텐츠를 양산하는 모델"은 지역·언어·분야별 교육 격차를 좁히는 데 기여할 수 있다고 생각합니다. 소수 언어로 된 프로그래밍 교육 자료, 특수 분야 입문자용 자료 등 수요는 있지만 제작자가 부족한 영역에 이 방식이 특히 유용할 것입니다. 국가 차원의 교육·디지털 격차 해소에 기여할 수 있다고 판단된다면, 오픈 프로젝트 형태의 공개도 전향적으로 고려할 수 있습니다.
