"학생이 AI를 가르치며 배운다" — 프로테제 효과(Protege Effect) 기반 AI 학습 앱
🔗 데모: https://moni.haeseung.site/demo
🤖 파인튜닝 모델: https://github.com/GOOHAESEUNG/moni_ai
학생이 오늘 배운 개념을 AI 캐릭터 무니(달에서 온 아기 토끼)에게 설명합니다. 무니는 의도적으로 모르는 척하고 꼬리 질문을 던져, 학생이 진짜 모르는 지점을 스스로 발견하게 합니다. 선생님은 자동 생성된 이해도 리포트로 학생을 관리합니다.
Berkshire Swash 타이포그래피 히어로 + 학습자/교육자 양면 소개
완료/진행/잠금 3종 노드로 학습 진도를 시각화. 무니가 말풍선으로 격려합니다.
학생이 개념을 설명하면 무니가 꼬리 질문으로 진짜 이해를 확인. 그림판으로 시각 설명도 가능합니다.
GPT-4o가 이해도 점수(0-100) + 취약점 + 학습 제안을 생성. Gemma 4B LoRA로 4대 핵심역량까지 분석합니다.
반 친구들과 이해도 점수 경쟁. 연속 학습일 표시로 학습 습관을 유도합니다.
NCIC 2022 교육과정 기반 단원 배정. 학생 완료율 진행바와 최근 리포트를 한눈에 확인합니다.
학생별 세션 히스토리, 이해도 추이, 4대 핵심역량 점수. 학부모 상담 자료도 버튼 하나로 생성합니다.
평균 이해도, 참여율, 약점 TOP, 학생별 히트맵을 집계. GPT-4o가 맞춤 수업 전략을 추천합니다.
학생에게 학습 목표를 퀘스트로 부여하고 관리합니다. 반 전체 또는 개별 학생 대상 설정 가능.
초등학교 교사 2인 + 소규모 학원 강사 2인, 총 4인의 심층 인터뷰에서 발견한 페인포인트:
| 인터뷰 대상 | 핵심 페인포인트 |
|---|---|
| 초등 교사 A | "30명 학생의 이해도를 수업 중에 파악하기 불가능. 시험 치고 나서야 알게 된다" |
| 초등 교사 B | "학부모 상담 때 객관적 근거가 없어서 '느낌'으로 말하게 된다" |
| 학원 강사 A | "피드백 1인당 10분, 20명이면 하루 3시간+. 수기 메모장으로 관리" |
| 학원 강사 B | "AI 도입하고 싶은데 세팅이 복잡하고 월 비용이 부담" |
공통 문제: 학생이 "아는 척"하는지 판별 불가 → 공식 암기 vs 원리 이해 구분이 안 됨
- 무니에게 설명하기 — 오늘 배운 개념을 대화로 설명 (음성/텍스트/그림)
- 실시간 이해도 추적 — 대화 중 이해도 0-100 자동 평가
- 학습 리포트 — 세션 종료 시 이해도 점수, 취약점, 학습 제안 자동 생성
- 4대 핵심역량 분석 — 자체 파인튜닝 모델이 자기관리/대인관계/시민/문제해결 역량 평가
- 반 관리 — 초대 코드로 학생 등록, NCIC 2022 교육과정 기반 단원 배정 (
curriculum.json) - 학생별 상세 — 세션 히스토리, 이해도 추이, 역량 점수
- 반 전체 요약 대시보드 — 평균 이해도, 역량 분석, 약점 TOP, 학생 히트맵
- AI 수업 추천 — 반 데이터 기반 맞춤 수업 전략 제안
- 학부모 상담 자료 — 버튼 하나로 강점/개선점/가정 실천 방안 1페이지 요약
- 회원가입 없이 학생/선생님 체험 가능
- 튜토리얼 오버레이 + 대본 카드로 가이드
flowchart LR
subgraph 학생
A[음성/텍스트/그림 입력] --> B[무니와 대화]
end
subgraph AI 엔진
B --> C[GPT-4o]
C --> D[실시간 응답 + 이해도 추적]
B --> E[Web Speech API]
E --> |STT| C
D --> |세션 종료| F[리포트 생성]
F --> G[GPT-4o\n이해도 점수 · 취약점 · 제안]
F --> H[Gemma 4B + LoRA\n4대 핵심역량 분석]
G & H --> |Promise.allSettled| I[통합 리포트]
D --> J[OpenAI TTS\n무니 음성 출력]
end
subgraph 선생님
I --> K[학생별 리포트]
I --> L[반 전체 요약]
L --> M[GPT-4o\nAI 수업 추천]
K --> N[GPT-4o\n학부모 상담 자료]
end
flowchart LR
User[개발자\n자연어 요청] --> Planner
subgraph 기능개발 [기능 개발 파이프라인]
Planner[Claude Code\nOpus 4.6\n플래너·오케스트레이터] --> |Issue + 구현 스펙| Coder[Codex\n코드 구현\nworktree 격리]
Coder --> |diff| DesignRev[impeccable\n디자인 리뷰어\n/critique /audit]
DesignRev --> CodeRev[Codex\n코드 리뷰어\n독립 세션]
CodeRev --> |CHANGES_REQUESTED| Coder
CodeRev --> |APPROVED| Build[빌드 검증\nnpm run build]
Build --> |성공| Commit[커밋 + 푸시]
Build --> |실패| Coder
Commit --> Discord[Discord 웹훅\n실시간 알림]
end
style Planner fill:#E8C547,color:#1A1830
style Coder fill:#7C6FBF,color:#fff
style CodeRev fill:#7C6FBF,color:#fff
style DesignRev fill:#4CAF50,color:#fff
style Build fill:#FF9600,color:#fff
style Discord fill:#5865F2,color:#fff
마감 전날 밤, 개발자가 수면 중에도 Claude Code가 스스로 프로젝트 품질을 반복 개선하는 시스템. 7시간 동안 11라운드, 17개 커밋 자동 생성.
flowchart LR
Start[자율 루프 시작] --> Evaluate[심사 기준표로\n현재 프로젝트 평가]
Evaluate --> Identify[가장 낮은 점수 영역\n식별]
Identify --> Pipeline{기능 개발\n파이프라인 실행}
Pipeline --> |Planner → Coder → Reviewer| BuildCheck[빌드 검증\nnpm run build]
BuildCheck --> |성공| AutoCommit[자동 커밋]
BuildCheck --> |실패| Retry{재시도 횟수}
Retry --> |1회차| Pipeline
Retry --> |2회차 실패| Skip[해당 작업 중단\n다음 우선순위로]
AutoCommit --> Pacing{동적 페이싱\nScheduleWakeup}
Skip --> Pacing
Pacing --> |활발한 수정| Short[2-3분 대기]
Pacing --> |안정 상태| Long[20-30분 대기]
Short --> Compact{컨텍스트 사용량}
Long --> Compact
Compact --> |60% 초과| Save[CLAUDE.md + 메모리 저장\n자동 컴팩트]
Compact --> |60% 이하| Evaluate
Save --> Evaluate
style Start fill:#E8C547,color:#1A1830
style Evaluate fill:#7C6FBF,color:#fff
style Pipeline fill:#FF9600,color:#fff
style BuildCheck fill:#4CAF50,color:#fff
style AutoCommit fill:#4CAF50,color:#fff
style Skip fill:#F44336,color:#fff
style Save fill:#5865F2,color:#fff
왜 멀티 AI인가? — GAN의 생성기-판별기 구조에서 영감. 코더가 생성하고, 리뷰어가 판별하여 품질이 수렴합니다. 단일 에이전트의 자기평가 편향을 구조로 해결합니다. 마감 전날 밤에는 자율 개선 루프가 11라운드 동안 스스로 프로젝트를 개선했습니다.
| 영역 | 기술 |
|---|---|
| 프레임워크 | Next.js 16 (App Router) · TypeScript |
| 스타일링 | Tailwind CSS v4 · Framer Motion |
| 데이터베이스 | Supabase (PostgreSQL + Auth + RLS) |
| AI (서비스) | OpenAI GPT-4o · Gemma 4B LoRA · Web Speech API |
| AI (개발) | Claude Code (Opus 4.6) · Codex · impeccable |
| 아이콘 | @phosphor-icons/react |
- Node.js 18+
- npm
- Supabase 프로젝트 (또는 로컬 Supabase)
- OpenAI API 키
# 1. 클론
git clone https://github.com/GOOHAESEUNG/Moni.git
cd Moni
# 2. 의존성 설치
npm install
# 3. 환경변수 설정
cp .env.example .env.local
# .env.local 파일을 열어 값을 채워주세요
# 4. DB 스키마 적용
# Supabase 대시보드에서 supabase/schema.sql 실행
# 5. 개발 서버 실행
npm run devhttp://localhost:3000 에서 확인할 수 있습니다.
데모 체험: http://localhost:3000/demo 에서 로그인 없이 바로 체험 가능합니다.
4대 핵심역량 분석 기능을 사용하려면:
# 별도 디렉토리에서 FastAPI 서버 실행
cd ../KIT_AI
pip install -r requirements.txt
uvicorn main:app --port 8000.env.local에 FINE_TUNE_API_URL=http://localhost:8000 설정. 미설정 시 역량 분석은 건너뛰고 GPT-4o 리포트만 생성됩니다.
| 변수 | 필수 | 설명 |
|---|---|---|
NEXT_PUBLIC_SUPABASE_URL |
O | Supabase 프로젝트 URL |
NEXT_PUBLIC_SUPABASE_ANON_KEY |
O | Supabase 공개 키 |
SUPABASE_SERVICE_ROLE_KEY |
O | Supabase 서비스 롤 키 (서버 전용) |
OPENAI_API_KEY |
O | OpenAI API 키 (GPT-4o, TTS) |
FINE_TUNE_API_URL |
- | 파인튜닝 모델 서버 URL (미설정 시 스킵) |
src/
├── app/
│ ├── (auth)/ # 로그인 · 회원가입
│ ├── student/ # 학생 플로우
│ │ ├── teach/ # 무니와 대화 (채팅방)
│ │ ├── report/ # 학습 리포트
│ │ └── profile/ # 프로필
│ ├── teacher/ # 선생님 플로우
│ │ ├── summary/ # 반 전체 요약 대시보드
│ │ ├── students/ # 학생 목록 · 상세 · 리포트
│ │ ├── units/ # 단원 관리
│ │ └── quests/ # 퀘스트
│ ├── demo/ # 회원가입 없이 체험
│ └── api/ # API 라우트
├── components/ # 공용 컴포넌트
├── lib/supabase/ # Supabase 클라이언트
└── types/ # TypeScript 타입
- Chase et al. (2009, Stanford) — AI를 가르친 학생이 직접 공부한 학생보다 높은 학습 성취
- Jin et al. (CHI 2024, KAIST·Stanford) — LLM teachable agent 효과 크기 0.71
- Grossman et al. (CHI 2025) — "Playing Dumb to Get Smart" LLM teachable agent
- BEA 2025 — LLM 가르치기로 중간고사 실패율 72% 감소
- Google LearnLM RCT (2025) — AI 튜터 66.2% > 인간 튜터 60.7%
- MathSpring RCT (2025, 2,003명) — AI 튜터 사용 그룹 유의미한 수학 성취 향상
전체 논문 목록:
docs/research.md(20편+)
개발 전 과정에서 멀티 에이전트 파이프라인을 사용했습니다.
- 개발 로그:
docs/ai-log.md— 날짜별 AI 도구 활용 기록 - 개발 워크플로우:
docs/workflow.md— planner → coder → design-reviewer → reviewer 파이프라인 - 학술 근거:
docs/research.md— 프로테제 효과 + AI 교육 논문 20편+ - 자율 개선 루프: 마감 전날 밤 AI가 스스로 11라운드 품질 개선 (37/45점 달성)
이 프로젝트는 제1회 K.I.T. 바이브코딩 공모전 출품작입니다.