AI를 활용해 작업 효율을 극대화하려고 하고 있습니다.
친구와 노래를 모으면 우리만의 음악 은하가 생기는 서비스. 가수는 행성, 담은 노래는 그 둘레를 도는 위성
🛠 리뉴얼 진행 중 · 기획·프로토타입 단계
핵심 기능
- 가입 없이 링크로 들어와(닉네임 + 4자리 암호) 각자 좋아하는 노래를 담으면, 비슷한 가수끼리 가까이 놓인 은하에 행성과 위성이 생김
- 친구와 같은 노래를 고르면 금빛 위성 하나로 합쳐지고, 두 사람 취향 사이에서 함께 들으면 좋은 아티스트를 추천
- 행성 배치는 음향 특성이 아니라 근거 자료로 쓴 가수 설명(RAG) → 임베딩 → UMAP 2D로 계산
리뉴얼 배경
- 문제: 기존 "곡 몇 개 → 추천 20곡"은 결과가 늦고, 스트리밍 앱 추천과 차별점이 약해 다시 쓰거나 공유할 이유가 부족했음
- 결정: 추천 정확도 경쟁 대신 "친구와 함께 취향을 비교하는 경험"으로 방향을 바꾸고, 기존 RAG·임베딩 파이프라인을 그대로 재사용
현재 버전에서 검증한 것
- RAG가 정말 필요한지 측정: 추천 이유와 근거가 일치한 비율 RAG 켬 80% / 끔 13%
- 규칙 대신 LLM: 지저분한 영상 제목에서 곡명·가수 추출, 규칙 기반 4/28 → Bedrock tool use 28/28
- 실제 데이터로 오류 줄이기: 실제 청취 기록 기준 처리 오류 31 → 0건, 원곡 확인 비율 32.0% → 52.2%
- 실패에 강한 비동기 처리: 단계별 SQS 큐 + 실패 큐(DLQ)로 외부 API 실패 격리·재처리
공백 말고, 준비 기간. 이직 준비 기간을 계획하고, 실제로 쓴 시간을 기록하고, 매주 회고하는 서비스
✅ 운영 중 · v0.1.2 · 기획부터 배포·운영까지 1인 개발
핵심 기능
- 최종·월간·주간 목표와 하루 계획을 세우고, 실제로 쓴 시간을 시간 블록·집중 세션으로 기록
- 대시보드에서 계획 대비 실제 시간을 목표별로 비교하고, 주간 일지로 회고
- 주간 기록을 바탕으로 AI가 회고 피드백을 작성 (Google 로그인 기반 다중 사용자)
설계 결정
- LLM에 맡길 범위: 숫자를 LLM이 계산하면 틀릴 수 있어 집계·지표는 코드로 계산하고, Claude Haiku는 그 결과의 해석만 맡김
- LLM 호출 비용·품질 관리: 일지와 1시간 이상의 기록이 있을 때만 호출하고 하루 1번·주 3번으로 제한. 외부 전송 전 동의를 받고 설정에서 끌 수 있게 함
- 키 없는 배포: 장기 AWS 키를 저장하지 않도록 태그 push → GitHub Actions(OIDC) → S3·CloudFront(프론트), SSM(백엔드)으로 배포

