Reason of Moon

[카테고리:] Uncategorized

  • Quote App: 지혜의 문장을 배달하는 교육용 위젯

    Quote App: 지혜의 문장을 배달하는 교육용 위젯

    Quote App: 지혜의 문장을 배달하는 교육용 위젯

    📜 Quote App MOC

    1. 프로젝트 목적 (Purpose)

    • Daily Insight Delivery: 학생과 사용자들에게 매일 공부의 본질, 철학, 영감을 주는 문장(Quote)을 배달하여 정서적 지지와 학습 동기를 부여.
    • Micro-Learning: 짧은 영어 명언을 통해 자연스럽게 어휘와 구문을 익힐 수 있는 마이크로 러닝 도구로서의 역할.

    2. 주요 기능 및 콘텐츠

    • AI-Curated Quotes: [[05 Projects/EduPrompT/사과 하나의 무게_최종본|사과 하나의 무게]]의 핵심 통찰이나 고전 문학 속 명언을 AI가 맥락에 맞게 추천.
    • Beautiful Visualizer: 마음에 드는 문장을 소셜 미디어나 메신저로 공유할 수 있도록 프리미엄 카드 형식으로 시각화.
    • Multilingual Support: 영어 원문과 세련된 국문 번역을 동시에 제공하여 언어적 깊이 전달.

    3. 기술 스택

    • Frontend: Mobile-friendly Web App (React 또는 Vanilla JS).
    • Asset Library: [[05 Projects/02 F-Drive-Index/starcloud-studio|Starcloud Studio]]의 시각적 에너지를 활용한 템플릿 제공.
    • Integration: 학원 홈페이지(EZSite) 메인 위젯 또는 옵시디언 대시보드 내 삽입 가능.

    4. 리소스 및 경로

    • Source Code Path: F:/quote-app
    • Concept Context: [[00 Brain Kernel/00_Metacognition|Philosophical Core of AI Second Brain]]

    Status Note: 명언 큐레이션 알고리즘 및 시각화 엔진 구축 완료. 매일 아침 학습자들에게 전달되는 ‘성찰의 언어’ 배달 시스템으로 활용.

    • [[quote-app]]
    • [[사과 하나의 무게]]

    🔍 연계 지식 탐색 (Connected Intelligence)

    이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

    3D 지식 Galaxy 열기 →

  • Quizlet Update: 디지털 단어장 자동 동기화 시스템

    📚 Quizlet Update MOC

    1. 프로젝트 목적 (Purpose)

    • Vocabulary Workflow Integration: 수업 중 추출된 핵심 어휘 또는 [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]의 단어 데이터를 퀴즐렛(Quizlet) 플랫폼으로 자동 전송하여 학생용 디지털 단어장을 생성/업데이트.
    • Manual Effort Elimination: 수동 입력 과정을 제거하여 교육 콘텐츠의 디지털 전송 속도 극대화.

    2. 주요 기능 및 파이프라인

    • Data Extractor: Excel, CSV, 또는 마크다운 형식의 단어 리스트에서 표제어와 뜻, 예문을 자동 추출.
    • Quizlet Auto-Uploader: 퀴즐렛 웹 인터페이스 또는 API(지원 시)를 연동하여 새로운 세트를 생성하거나 기존 세트를 덮어쓰기.
    • Example Sentence Generator: AI(Gemini)를 활용하여 단어의 난이도에 맞는 자연스러운 예문을 추가하여 학습 효과 증대.

    3. 핵심 시스템

    • Automation Core: Python (Selenium 또는 Requests 활용).
    • Format Support: 한글(HWP)/엑셀 데이터를 퀴즐렛 표준 업로드 포맷으로 변환하는 전처리기 포함.

    4. 리소스 및 경로

    • Source Code Path: F:/dev/quizlet-update
    • Related Context: [[05 Projects/Homework_2025_MOC|Integrated Vocabulary Management]]

    Status Note: 어휘 데이터 전처리 및 퀴즐렛 업로드 자동화 스크립트 구축 완료. 매주 신규 클래스별 전용 단어장 배포용으로 운용 중.

  • Paddle OCR: 영어 원서 및 시험지 디지털화 시스템

    🔍 Paddle OCR Digitization System (MOC)

    1. 프로젝트 개요

    종이 기반의 영미 아동 문학 원서 및 한국 중/고교 영어 시험지를 AI 텍스트 데이터로 변환하기 위한 고성능 OCR 웹 인터페이스 서비스.

    2. 핵심 기술 스택

    • OCR Engine: PaddleOCR (PP-OCRv4 모델 사용) – 다국어 및 수직/경사진 텍스트 인식에 강점.
    • Backend Framework: Flask / FastAPI
    • Frontend: HTML5 + Vanilla JS (Drag & Drop interface)
    • Processing Unit: CPU/GPU 동적 감지 및 가속 모델 적용.

    3. 데이터 파이프라인 (The Pipeline)

    1. Upload: 다중 이미지 (JPG/PNG) 업로드.
    2. Pre-processing: 대비 향상 및 수평 조정(Deskewing) – 인식률 극대화 작업.
    3. Extraction: 각 영역별 텍스트 및 신뢰도(Confidence score) 추출.
    4. Post-processing: 수능 또는 시험지 특유의 특수기호(예: ■, ①) 및 단락 구분 자동 보정.

    4. 응용 및 확장

    • 추출된 텍스트는 즉시 [[02 F-Drive-Index/text-dna-gen|LECTURA AI]]의 분석 소스로 전달됨.
    • 대량의 아동 도서 데이터를 [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher]]의 리서치 데이터로 활용.

    Status Note: 다중 이미지 일괄 처리 엔진 안정화 완료. 실제 가공 환경(F:/paddle_ocr)에서 운용 중.

  • Obsidian Plugin Dev: 나만의 지식 엔진 커스텀 도구 제작소

    🛠️ Obsidian Plugin Development MOC

    1. 프로젝트 목적 (Purpose)

    • Custom Knowledge Engine: 옵시디언의 기본 기능을 넘어, 베이컨(Bacon-style) 사고 체계 또는 에이전틱(Agentic) 워크플로우에 최적화된 고유의 플러그인을 직접 개발하고 배포.
    • Workflow Optimization: 지식 수집, 인덱싱, 출력(Publishing)으로 이어지는 전 공정의 마찰을 줄이는 자동화 도구 라이브러리 구축.

    2. 주요 개발 항목 및 기술

    • Knowledge Linker (Concept): 노트 내용의 문맥을 AI가 읽어 유사한 개념을 가진 노트를 자동으로 추천하거나 연결해주는 지항 기능.
    • Plugin Scaffolding: 옵시디언 플러그인 개발을 위한 기본 템플릿 및 빌드 환경(Webpack/Vite) 관리.
    • API Sandbox: 옵시디언 내부의 MetadataCache, App, Vault API를 테스트하고 활용하는 코드 조각(Snippets) 저장소.

    3. 기술 스택

    • Language: TypeScript (Type-safe Obsidian API interaction).
    • Runtime: Node.js (Development environment).
    • Framework: Svelte 또는 React (플러그인 설정 및 복잡한 UI 구현용).

    4. 리소스 및 경로

    • Source Code Path: F:/dev/obsi-plugin
    • Reference: [[05 Projects/Starcloud_Studio_MOC|Integrated Output Plugin Example]]

    Status Note: 플러그인 개발 환경 및 핵심 스니펫 라이브러리 구축 완료. 제텔카스텐의 생산성을 극대화하기 위한 ‘맞춤형 도구 제작소’로 활용 중.

  • Obsidian 2025: 에이전틱 세컨드 브레인 구축 로드맵

    Obsidian 2025: 에이전틱 세컨드 브레인 구축 로드맵

    Obsidian 2025: 에이전틱 세컨드 브레인 구축 로드맵

    🏟️ Obsidian 2025 Strategic MOC

    1. 프로젝트 목적 (Purpose)

    • Active Agentic Brain: 단순한 메모 저장소(Vault)를 넘어, AI 에이전트들이 스스로 정보를 수집, 연결, 비판하는 ‘살아있는 지식 생태계’로의 진화.
    • 2026 Moonlight Academy Backbone: 학원의 모든 교육 콘텐츠, 학생 관리 데이터, AI 파이프라인의 핵심 관제 센터(Command Center) 구축.

    2. 핵심 추진 과제 (Key Pillars)

    • The Spider & Tapestry Linker: 새로운 지식 유입 시 자동으로 기존 노트와 연결망(Link)을 형성하는 지행 자동화 에이전트 상주.
    • Multimodal Intelligence Layer: 텍스트뿐만 아니라 이미지, 영상, 오디오 데이터를 브레인 커널([[00 Brain Kernel/00_Metacognition|Metacognition]])이 이해하고 처리할 수 있는 구조로 확장.
    • Real-time Synced Dashboard: [[05 Projects/Neural_News_Web_MOC|Neural News Web]] 및 [[05 Projects/CC_Usage_Monitor_MOC|Cost Monitor]] 데이터를 옵시디언 대시보드에서 실시간으로 관제.

    3. 기술적 진화

    • Advanced Metadata System: 모든 노트에 고유 UID 및 시계열 추적 태그를 도입하여 지식의 진화 과정을 데이터화.
    • Local LLM & Cloud Hybrid: 보안이 중요한 개인 지식은 로컬 LLM으로, 방대한 리서치는 Gemini 2.0/Pro 클라우드 모델로 분산 처리.

    4. 리소스 및 경로

    • Context Archive: F:/obsidian_2025
    • Core Instruction: [[00 Brain Kernel/01_Master_Routing|Master Routing Protocol]]

    Status Note: 2025년형 지식 베이스 아키텍처 수립 및 핵심 에이전트 통합 완료. 현재 2026년의 새로운 지능적 도약을 위한 ‘중앙 지휘소’로 가동 중.

    • [[obsidian_2025]]

    🔍 연계 지식 탐색 (Connected Intelligence)

    이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

    3D 지식 Galaxy 열기 →
  • Neural News Web: AI 기반 뉴스 큐레이션 및 분석 플랫폼

    Neural News Web: AI 기반 뉴스 큐레이션 및 분석 플랫폼

    Neural News Web: AI 기반 뉴스 큐레이션 및 분석 플랫폼

    📰 Neural News Web MOC

    1. 프로젝트 목적 (Purpose)

    • AI-Driven News Intelligence: 산발적으로 발생하는 전 세계 AI 기술 및 교육 뉴스를 수집하고, 신경망(Neural) 기반의 연관 지도를 통해 사용자에게 최적화된 통찰을 제공하는 웹 플랫폼.
    • Next.js Full-stack App: 고성능 서버 사이드 렌더링(SSR)을 통해 최신 정보를 실시간으로 배포.

    2. 주요 기능 (Core Capabilities)

    • 실시간 뉴스 피드: AI 관련 주요 매체(arXiv, TechCrunch, Verge 등)의 데이터를 통합 피드로 구현.
    • 지능형 요약 및 태깅: 수집된 각 뉴스를 LLM(Gemini/GPT)을 통해 한글 요약 및 지식 태깅(Knowledge Tagging) 수행.
    • 연관 지식 네트워크: 개별 뉴스를 관련 [[07 Resources/AI Case Library|AI Case Library]] 또는 관련 프로젝트와 자동으로 연결하여 입체적 독법 제공.

    3. 기술 스택 (Tech Stack)

    • Framework: Next.js 14+ (App Router)
    • Language: JavaScript / TypeScript
    • Styling: Tailwind CSS (깔끔한 다크모드 및 미니멀리즘 인터페이스)
    • Host: Vercel / GitHub Pages

    4. 리소스 및 경로

    • Source Code Path: F:/dev/neural-news-web
    • Related Source: [[00 Brain Kernel/01_Master_Routing|Latest Intelligence Feed]]

    Status Note: 웹 플랫폼 기본 골격 및 Next.js 환경 세팅 완료. 실시간 크롤링 및 AI 요약 파이프라인 연동 단계 운용 중.

    🔍 연계 지식 탐색 (Connected Intelligence)

    이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

    3D 지식 Galaxy 열기 →

  • Meta Question Workbook: 사고의 궤적을 추적하는 질문 생성기

    🧠 Meta Question Workbook MOC

    1. 프로젝트 목적 (Purpose)

    • Beyond Correct Answers: 단순히 정답을 맞히는 것을 넘어, 학생이 어떤 사고 과정을 거쳐 그 답에 도달했는지를 스스로 인지하게 만드는 ‘메타 질문’ 중심의 워크북 생성 시스템.
    • Cognitive Trace: 문제 풀이 단계마다 사고의 결함이나 비약이 생기는 지점을 포착하는 질문 설계.

    2. 주요 질문 설계 전략 (Questioning Strategy)

    • The “Why” Behind Choice: “왜 (A)가 답인가?” 대신 “(B)가 답이 될 수 없는 결정적인 문맥적 증거는 무엇인가?”와 같은 소거법적 추론 유도.
    • Inference Gap Check: 지문의 명시적 정보와 정답 사이의 논리적 간극(Gap)을 어떻게 메웠는지 설명하게 함.
    • Emotional & Contextual Anchor: 지문 속 화자의 표정이나 상황의 온도를 상상하게 하여 텍스트를 입체적으로 읽게 함.

    3. 워크북 구성 원리

    • Step-by-Step Scaffolding: 텍스트 읽기 → 초기 가설 설정 → 증거 수집 → 메타 질문 응답 → 최종 확정의 흐름.
    • Reflective Feedback: 학생의 응답을 AI가 분석하여 사고의 편향성이나 습관적 오류를 진단.

    4. 리소스 및 경로

    • Source Code Path: F:/meta-question-workbook
    • Educational Philosophy: [[00 Brain Kernel/00_Metacognition|Metacognitive Intelligence Principles]]

    Status Note: 메타 질문 추출 알고리즘 및 워크북 레이아웃 템플릿 완성. 학습자의 ‘사고 체력’을 기르는 심화 교재 생성 엔진으로 활용.

  • Meta-Intelligence Architecture: 지식 에코시스템 통합 운영 체계

    Meta-Intelligence Architecture: 지식 에코시스템 통합 운영 체계

    Meta-Intelligence Architecture: 지식 에코시스템 통합 운영 체계

    🌐 Meta-Intelligence Architecture MOC

    1. 개요 (Abstract)

    • The Unified Brain: 제텔카스텐(Zettelkasten) 내의 정적인 지식과 외부(F-Drive)의 동적인 기술 노력이 결합된 ‘에이전틱 지능 에코시스템’의 전체 구조도.
    • Goal: 단순한 정보의 수집을 넘어, 정보가 스스로 연결되고 콘텐츠로 전환되며(Publishing), 최종적으로 학습자의 성장에 기여(Education)하는 선순환 구조 구축.

    2. 레이어별 구성 (Ecosystem Layers)

    🧠 Core Intelligence Layer (The Brain)

    • [[00 Brain Kernel/00_Metacognition|Metacognitive Core]]: AI의 사고 원칙과 자가치료 프로토콜 관리.
    • [[00 Brain Kernel/01_Master_Routing|Master Routing]]: 유입되는 모든 데이터와 요청을 적절한 에이전트나 프로젝트로 분산 처리.

    🛠️ Execution Layer (The Tools)

    • Content Creation: [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher]], [[05 Projects/Fullstack_Mastery_MOC|Fullstack Lab]].
    • Data Digitization: [[05 Projects/Paddle_OCR_MOC|Paddle OCR]], [[05 Projects/YouTube_Auto_Processor_MOC|YouTube Processor]].
    • Automation Hub: [[05 Projects/GitHub_Infra_MOC|GitHub Infra]], [[05 Projects/EZSite_Webhook_MOC|Webhook Hub]].
    • OneDrive Dev Assets: [[05 Projects/OneDrive_Projects_Index|OneDrive Project Hub]] (Voca Monster, TED Generator 등).

    📖 Growth & Impact Layer (The Academy)

    • Learning Management: [[05 Projects/Homework_2025_MOC|Homework 2025]], [[05 Projects/Darlbit_Level_Test_MOC|Level Test System]].
    • Intelligence Output: [[05 Projects/Blogging_Pipeline_MOC|Blogging Pipeline]], [[05 Projects/Starcloud_Studio_MOC|Multimedia Studio]].

    3. 원 데이터 로드맵 (Data Flow)

    1. Inflow: 뉴스, 논문, 원서 이미지, 유튜브 스크립트 유입.
    2. Processing: 지능형 필터링 및 DNA 시퀀싱([[05 Projects/LECTURA_AI_MOC|LECTURA AI]]).
    3. Storage: 옵시디언 영구 지식 베이스(Permanent Notes) 편입.
    4. Outflow: 블로그, 전자책, 학생용 학습지 및 게임 보상으로 전환.

    4. 운영 원칙

    • Agentic Autonomy: 에이전트는 사용자의 개입 없이도 주기적으로 지식을 크롤링하고 인덱싱함.
    • Philosophical Integrity: 모든 콘텐츠는 ‘달의 이성’의 교육 철학([[05 Projects/EduPrompT/사과 하나의 무게_최종본|사과 하나의 무게]])을 일관되게 반영함.

    Status Note: 에코시스템 전체 구조 및 레이어별 연동 로직 확립 완료. 2026년 Moonlight Academy의 ‘지능형 지휘 센터’로 상시 가동 중.

    • [[사과 하나의 무게]]

    🔍 연계 지식 탐색 (Connected Intelligence)

    이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

    3D 지식 Galaxy 열기 →

  • LECTURA AI 프리미엄 디자인 시스템 가이드

    🎨 LECTURA Universal Design System (v1.0)

    1. 디자인 철학 (Design Philosophy)

    • Cognitive Clarity: 복잡한 구문 분석 정보를 사용자에게 최소한의 에너지로 전달.
    • Academic Premium: 단순한 툴을 넘어 학습자의 자부심을 고취하는 세련된 미학 적용.
    • Hybrid Ready: 디지털 화면에서의 인터랙션과 A4 인쇄물의 가독성을 동시에 만족.

    2. 컬러 시스템 (Color Palette)

    • Primary (Core Logic): #2A5C82 (Deep Space Blue) – 주어, 동사 등 핵심 성분.
    • Secondary (Modifiers): #5A96A0 (Ocean Mint) – 수식어구 및 괄호 처리.
    • Highlight (DNA Point): #E67E22 (Burning Amber) – 수험 출제 포인트 및 암기 필수 요소.
    • Surface: rgba(255, 255, 255, 0.7) with backdrop-filter: blur(10px) (Standard Glassmorphism).

    3. 타이포그래피 (Typography)

    • Heading: Outfit, sans-serif (현대적이고 전문적인 인상).
    • Body Context: Inter, sans-serif (장시간 독해 시 눈의 피로도 최솟값).
    • Analytic Code: JetBrains Mono, monospace (구문 분석 코드 및 기호용).

    4. 인쇄 가이드 (Print Optimization)

    • Margin: 20mm (Binding space 고려).
    • Line Height: 1.6~1.8 (필기 공간 확보).
    • Ink Saving: 인쇄 모드 시 배경 그라데이션 자동 제거 및 선 중심의 대비로 전환.

    Implementation Note: 현재 F:/text-mapping-css에 저장된 스타일시트에 본 가이드를 반영하여 최종 V2.0 디자인 마감 예정.

  • Math Oracle: Dual RAG 기반의 AI 수학 튜터링 시스템

    🧮 Math Oracle Project MOC

    1. 프로젝트 개요 (Overview)

    • 목적: Gemini 2.5의 비전 엔진과 Dual RAG 아키텍처를 결합하여 전문적인 수학 문제 풀이 및 학습 가이드를 제공하는 백엔드 시스템.
    • 주요 기능:
      • 수학 문제 이미지 분석 (Vision-to-LaTeX)
      • 단계별 풀이 생성 (Step-by-step reasoning)
      • 유사 문항 및 기출 데이터 검색 (RAG)

    2. 시스템 아키텍처 (Technical Architecture)

    Dual RAG Core

    1. Store A (Solution Library): 정제된 수학 해설지 데이터 (PDF 인덱싱).
    2. Store B (Exam Archive): 과거 기출 문제 및 유형 데이터.
    3. Reasoning Engine: Gemini 2.5 Pro/Flash를 활용하여 두 저장소의 정보를 통합 판단.

    Tech Stack

    • Backend: FastAPI
    • AI Model: Google Gemini 2.5 Series
    • Vector Store: Google File Search (Store IDs management via store_ids.json)
    • Data Pipeline: Python-based PDF processing & indexing

    3. 주요 개발 기록

    • [x] 데이터 파이프라인 구축 (PDF -> File Search)
    • [x] FastAPI 백엔드 엔드포인트 설계
    • [x] Dual RAG 통합 로직 구현
    • [x] store_ids.json 연동 및 동적 스토어 관리

    4. 리소스 링크

    • Source Code: F:/dev/math-oracle
    • Related Tech Note: [[07 Resources/AI Prompts/Math_Tutor_System_Prompt|Math Tutor Prompt Policy]]

    Status Note: 백엔드 핵심 코어 및 인덱싱 파이프라인 완성. 향후 프론트엔드 통합 시 확장 가능.