sxngt

인제대학교 글로컬대학 AI솔루션센터 백엔드 총괄

2025.12 ~ 현재 · 백엔드 총괄 리드

Python 3.12, FastAPI, LangChain, FAISS, SQLAlchemy, PostgreSQL, Redis, Docker, uv

문제

  • AI솔루션센터: 성격이 다른 AI 서비스를 지속적으로 만들어야 하는 조직
  • 서비스마다 백엔드를 새로 만들면 인증·DB·LLM 연동 코드가 서비스 수만큼 복제되고, 작성자에 따라 품질 편차 발생

목표

  • 신규 서비스를 같은 구조로 반복해 만들 수 있는 공통 기반 구축

설계·구현

  • uv 워크스페이스 기반 Python 모노레포로 마이크로서비스와 공유 라이브러리의 경계 분리
  • 의존 규칙: 서비스는 라이브러리에만 의존, 서비스 간 의존 금지
  • 공유 코어 라이브러리 4종 구축: 설정·로깅·표준 응답 래퍼(common), SQLAlchemy 2 비동기 세션·제네릭 리포지토리(core-database), LLM 추상화(core-llm), JWT 인증(core-auth)
  • LLM 프로바이더 팩토리: OpenAI·Anthropic·Ollama를 enum 스위칭으로 교체 가능하게 추상화
  • LCEL 파이프라인 기반 대화·QA 체인, FAISS 벡터스토어 RAG(PDF 인덱싱 포함)의 라이브러리화
  • 단일 DB·다중 스키마 격리: 서비스별 PostgreSQL 스키마와 search_path 분리로 초기 규모의 운영 부담과 서비스 독립성 사이 균형 확보
  • 서비스 스캐폴딩 CLI: 신규 서비스의 계층 구조·설정·Dockerfile·테스트까지 생성하는 1,000줄 규모 코드 생성기
  • 생성기로 신규 서비스의 표준 구조를 도구 차원에서 강제
  • 첫 서비스 3종 구축: LLM 진로 상담(대화 이력·이력서 컨설팅·STAR 면접 연습), FAISS RAG 입학 상담(모집요강 PDF 인덱싱), 실시간 크롤링 공모전 추천
  • 각기 다른 AI 백엔드 패턴(멀티프로바이더 프롬프팅 / RAG / 크롤링+필터링)을 같은 기반 위에서 검증
  • ruff·mypy strict·pytest를 워크스페이스 루트에서 일괄 강제

배운 점

  • 산출물이 "서비스 N개"인 조직에서 리드의 우선 과제는 N+1번째 서비스를 만드는 비용 절감
  • 모델과 가격 정책이 분기마다 바뀌는 환경에서 LLM 프로바이더 추상화는 필수 요건, 교체 비용을 0에 가깝게 유지
  • 품질 도구 일괄 강제는 인원이 늘기 전, 혼자 개발하는 단계부터 적용해야 할 최소 기준

성과

  • 규모: 약 8,500줄, 서비스 4개(예시 포함), 엔드포인트 32개
  • 공유 코어 라이브러리와 스캐폴딩 CLI로 신규 서비스 생성 기반 구축
  • 서로 다른 AI 백엔드 패턴의 첫 서비스들을 공통 기반 위에서 구축·검증

발휘 역량

  • 모노레포 경계, 의존 규칙, 스키마 격리를 정해 조직 단위 백엔드 아키텍처 설계
  • 멀티 프로바이더 팩토리와 RAG 파이프라인을 라이브러리로 만들어 LLM 백엔드 추상화
  • 코드 생성기 작성과 ruff·mypy·pytest 일괄 강제로 팀 개발 표준을 도구에 반영