🌐 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.

🕸️ Tapestry: Related Knowledge

• [[사과 하나의 무게]]

🧬 LECTURA AI (Text DNA Sequencer) MOC

1. 프로젝트 개요 (Overview)

• 독서의 디지털 전환: 텍스트를 단순한 문장의 나열이 아닌, 유기적인 논리의 결합체(DNA)로 인식하여 시각화하는 지능형 분석 엔진.
• Active Logic Sequencing: 선형적 읽기(Linear Reading)에서 벗어나 문장 간의 연관성, 집필 의도, 핵심 주장(Claim)을 입체적으로 추출.

2. 주요 분석 모듈

• Text DNA Sequencing: 텍스트의 구조(Linear/Non-linear)와 목적(Factual/Persuasive)을 유전자 지도처럼 시각화.
• Logic Mapping: 문장 간의 원인/결과, 대조, 상술 관계를 화살표와 기호로 도식화.
• Exam Point Extraction: 수험학적 관점에서 가장 중요한 ‘출제 포인트’ 및 ‘정답의 근거’를 자동 포착.
• Interactive Offline Report: 분석 결과가 담긴 인터랙티브 HTML 파일을 생성하여 오프라인 학습 지원.

3. 기술 사양 (v2.0.0)

• Engine: Google Gemini 2.0 Flash / Pro (Long-context reasoning).
• Architecture: Python Backend + Interactive HTML/JS Frontend.
• UI System: [[05 Projects/LECTURA_Universal_Design_System|LECTURA Premium Design Protocol (Glassmorphism)]].

4. 리소스 및 경로

• Source Code Path: F:/text-dna-gen
• GitHub Repository: Reasonofmoon/lectura
• Production URL: LECTURA Cloud Portal

Status Note: 버전 2.0 배포 완료 및 디자인 시스템 통합 마감. 텍스트를 읽는 새로운 ‘사고의 문법’을 제안하는 시스템으로 핵심 운용 중.

🎯 학생 숙제 관리 시스템 기술 명세 (MOC)

1. 프로젝트 개요

학생들의 ‘입체어휘 4000’ 시리즈 학습과 ‘소리훈련’ 과제를 체계적으로 트래킹하기 위한 경량 웹 관리 시스템. 별도의 서버 없이 브라우저 환경에서 작동하며, 데이터는 로컬 환경에 보존됨.

2. 데이터 아키텍처 (Data Logic)

LocalStorage 기반 데이터 모델

• Student Object: 이름, 수강 클래스, 현재 진도 단계.
• Homework Logs: 과제 제출 날짜, 점수, AI 피드백 내용, 소리훈련 녹음 확인 여부.

CSV 백업 & 복원 (Data Portability)

• Papa Parse 라이브러리를 활용하여 학생 명단 및 과제 기록을 CSV 파일로 내보내거나 가져올 수 있음.

3. UI/UX 설계 원칙

• 3-Panel Layout: 학생 리스트(좌) / 과제 입력 및 현황(중) / AI 피드백 및 통계(우).
• Progress Visualization: 진도율에 따른 색상 변화 및 성취도 그래프.

4. 리소스 경로

• Source Code Path: F:/homework-system
• Main Entry: index.html (모듈화 버전)

Status Note: 데이터 모듈(data-manager.js)과 UI 모듈(ui-manager.js)의 통합 완료. 실전 수업 활용 준비 완료 상태.

📅 Homework 2025 MOC

1. 프로젝트 개요 (Overview)

• 차세대 학습 관리 엔진: 기존 [[05 Projects/Homework_System_MOC|Legacy Homework System]]의 기능을 계승하면서, 2025년 최신 교육 과정과 AI 고도화(Agentic Workflow)를 반영한 차세대 학생 관리 플랫폼.
• 데이터 기반 맞춤형 가이드: 학생 개개인의 수개월간의 과제 이력 및 오답 패턴을 분석하여 개인별 취약 영역을 정밀 진단.

2. 주요 업그레이드 포인트 (Key Improvements)

• Agentic Feedback Loop: 단순 정답 확인을 넘어, [[07 Resources/AI Case Library/Case_004_RoutingGen_Logic|RoutingGen 논리]]를 적용하여 학생의 사고 과정에 따른 맞춤형 ‘메타 질문’을 즉시 피드백으로 제공.
• Improved Data Visualization: 2025년형 대시보드를 통해 학생의 ‘입체어휘’ 및 ‘소리훈련’ 성취도를 시각적으로 더 명확하게 표현.
• Cross-Project Integration: [[05 Projects/02 F-Drive-Index/English_Worksheet_Agent|Worksheet Agent]]와 연동하여 취약 항목에 대한 보충 과제를 실시간으로 생성 및 배포.

3. 기술 사양

• Framework: Modern ECMAScript / Modules 기반의 순수 웹 앱 (속도 및 유지보수 최적화).
• AI Backend: Gemini 2.0 Flash / Pro API를 통한 고속 대량 분석.
• Security & Private: 학생 정보를 로컬 환경에서 안전하게 관리하면서도, 필요 시 암호화된 백업 지원.

4. 리소스 및 경로

• Source Code Path: F:/homework-2025
• Roadmap Context: [[00 Brain Kernel/01_Master_Routing|Moonlight Academy 2025 Strategic Map]]

Status Note: 2025학년도 신학기 대비 핵심 모듈 개발 및 테스트 완료. 현재 실시간 학생 과제 피드백 및 진도 트래킹 엔진으로 주력 운용 중.

🕸️ Tapestry: Related Knowledge

• [[homework-2025]]

🕸️ Graphviz Visualization MOC

1. 프로젝트 목적 (Purpose)

• Visual Knowledge Topology: 텍스트로만 존재하는 복잡한 지식 네트워크나 문장의 논리 구조를 ‘점(Node)’과 ‘선(Edge)’으로 시각화하여 정보의 흐름을 직관적으로 파악.
• Automated Logic Mapping: AI가 분석한 데이터(예: Text DNA)를 DOT 언어로 변환하여 구조화된 다이어그램을 자동 생성.

2. 주요 시각화 영역

• Second Brain Neural Map: [[00 Brain Kernel/01_Master_Routing|Master Routing]]과 개별 프로젝트 간의 연관성을 거대 그래프로 시각화.
• Sentence Logic Flow: 문장의 주어/동사/수식어 관계를 계층적 트리 구조(Tree Structure)로 표현하여 구문 학습 보조.
• Process Automation Flow: [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|Multi-agent Workflow]]의 단계적 실행 순서를 순서도(Flowchart)로 시각화.

3. 기술 스택 및 라이브러리

• Engine: Graphviz (DOT language).
• Integration: Python Graphviz wrapper 또는 JavaScript (d3-graphviz)를 통한 웹 인터페이스 연동.
• Obsidian Plug: 옵시디언 내 그래프 뷰(Graph View)보다 더 정밀한 다이어그램 생성용으로 병행 활용.

4. 리소스 및 경로

• Source Code Path: F:/graphviz
• Visualization Example: [[07 Resources/AI Case Library/Case_004_RoutingGen_Logic|Workflow Logic Diagram]]

Status Note: 복잡한 사고 구조의 가시화 엔진 구축 완료. 텍스트 데이터를 시각적 인사이트로 전환하는 ‘지능형 도식화 시스템’으로 운용 중.

🕸️ Tapestry: Related Knowledge

• [[graphviz]]

🐙 GitHub Infrastructure MOC

1. 프로젝트 목적 (Purpose)

• Source of Truth Management: Moonlight English Academy와 관련된 모든 AI 에이전트, 웹 서비스, 프런트엔드 도구들의 소스 코드를 통합 관리.
• Automated Deployment (CI/CD): GitHub Actions를 통해 코드가 푸시될 때마다 자동으로 빌드하고 [[05 Projects/Neural_News_Web_MOC|Vercel]] 또는 GitHub Pages로 배포하는 파이프라인 운용.

2. 주요 구성 및 자동화 워크플로우

• Central Repository Hub: text-dna-gen, starcloud-studio, homework-2025 등 핵심 프로젝트의 형상 관리.
• GitHub Actions Automation:
  • Linting & Test: 코드의 품질 보장.
  • Auto-Mirroring: 로컬 작업물을 클라우드 레포지토리로 자동 동기화.
  • Deployment Triggers: 배포용 브랜치 업데이트 시 웹 애플리케이션 실시간 갱신.
• Secrets Management: API 키(Gemini, OpenAI 등) 및 클라우드 인증 파일을 안전하게 관리.

3. 기술 스택

• Platform: GitHub (GitHub Actions, GitHub Pages, GitHub Projects).
• Tooling: Git, SSH, Webhooks (ezsite-webhook 연동).

4. 리소스 및 경로

• Local Repo Index: F:/gihub
• Deployment Hub: [[05 Projects/EZSite_Webhook_MOC|EZSite Webhook Gateway]]

Status Note: 전체 에코시스템의 통합 소스 관리 체계 및 자동 배포 파이프라인 안정화 완료. 개별 프로젝트들의 ‘지속적 통합 및 배포(CI/CD)’를 담당하는 백본 인프라로 운용 중.

🕸️ Tapestry: Related Knowledge

• [[gihub]]
• [[homework-2025]]

🎮 Gamification Philosophy MOC

1. 개요 (Abstract)

• Beyond Entertainment: 게임의 메커니즘을 단순한 재미가 아닌, 학습자의 ‘내적 동기’와 ‘지속적 노력’을 이끌어내기 위한 설계 도구로 정의.
• Goal: 입체어휘 암기, 소리훈련 등 반복적이고 지루하기 쉬운 학습 과정을 하나의 탐험과 성장의 여정으로 전환.

2. 핵심 설계 프레임워크 (Core Framework)

• The Flow Channel (칙센트미하이): 학습자의 현재 실력(Skill)과 과제의 난이도(Challenge) 사이의 최적 균형점을 찾아 ‘몰입’ 유도.
• PBL System:
  • Points (점수): 학습 진도량을 수치화하여 즉각적인 시각적 피드백 제공.
  • Badges (배지): 특정 임계치(예: 1,000단어 마스터) 돌파 시 명예적 보상 수여.
  • Leaderboards (순위): 선의의 경쟁을 유도하되, 절대적 등수보다는 ‘어제의 나’와의 비교 강조.
• Meaningful Rewards: 학습 보상으로 얻은 자산이 [[05 Projects/GallerGG_Game_MOC|GallerGG Game]] 내에서 실제 가치를 갖도록 설계.

3. 적용 프로젝트

• [[05 Projects/GallerGG_Game_MOC|GallerGG Game Engine]]
• [[05 Projects/Homework_2025_MOC|AI 기반 지능형 보상 피드백]]

Status Note: Moonlight Academy의 게이미피케이션 핵심 이론 정립 완료. 모든 교육용 게임 프로젝트의 심리적/설계적 기초 문서로 활용됨.