네 가지 활용, 하나의 코어.

단일 LLM 에게 출제를 맡기면 self-bias 가 생기고, 출제 형식과 학습 맥락이 흔들립니다. 강사가 매번 직접 출제하면 시간이 답을 따라잡지 못합니다.

State-Machine 오케스트레이션. Context Builder → Drafter → Format Validator → QC Judge → Difficulty Scorer → Revisor → Persister 의 7-스텝 파이프라인. 각 방마다 다른 모델이 담당, 통과·탈락은 hard gate.

이미지 · 음성 합성 통합. 이미지 생성 모델 (다이어그램 · 삽화) 과 TTS (듣기 평가용 음성) 가 동일 추상화 계층에서 호출됩니다.

전통적 적응형 학습은 정답률 기반 단순 분기 (맞으면 어려운 문제, 틀리면 쉬운 문제). 학생이 정답을 맞추는 이유와 틀리는 이유의 차이를 시스템이 모릅니다.

다변수 진단.응답이 단원 노드 + 블룸 단계 + LC/SC 벡터의 3차원 그래프에 매핑됩니다. 학생이 "단순 암기" 단계를 벗어났는지, "평가 · 창조" 단계까지 올라왔는지를 시스템이 구분합니다.

다음 문항 결정. 약점 벡터 위에서 거리가 가까운 다음 문항을 Hybrid Retrieval 로 검색. 사전 검증된 재고에서 즉시 꺼내 교사 승인 후 학생에게.

평가 데이터는 보통 외부 분석 SaaS 로 흘려보내지면서 원본 맥락을 잃어버립니다. “왜 이 학생이 이 문제를 틀렸나” 라는 질문에 답하려면 출제 시점의 모델 호출 기록까지 거슬러 올라가야 합니다.

두 레이어 결합. Step Functions 실행 이력 + per-call LLM 기록이 동일 session_id · execution_id 로 조인. 단건 문제의 전체 생애를 SQL 쿼리 한 번으로 재구성.

리플레이 가능.실패한 실행을 특정 스텝부터 같은 입력으로 재실행해 원인을 고립. "재현 가능한 것만 진짜로 고칠 수 있다."

외부 SaaS 의존 0. 관측 도구는 운영 시스템 자체. 별도 Helicone · Langfuse 두지 않음.

학습 분석 연구는 데이터 접근이 가장 큰 장벽. 외주 LMS 는 데이터를 가공된 대시보드 형태로만 제공하고, 자체 도구는 모델 호출 단위까지 기록하지 않습니다.

Copy-on-Write 데이터셋. 교사가 수정한 흔적이 diff 로 남아 DPO (Direct Preference Optimization) 학습 데이터셋이 됩니다. 외부 연구실이 익명화된 형태로 접근 가능.

SQL export. 관측 데이터는 PostgreSQL 한 축에 모이므로 표준 SQL 로 export 가능. 별도 ETL 없음.

4,800 노드 그래프. 한국 교육과정 분류 그래프 자체가 연구 참조 자료. 학습 경로 연구 · 인지 부하 연구의 ground truth 로 사용 가능.