JCJungmin Cha

AI-NATIVE BUILDER / AGENTIC PRODUCT DESIGNER

AI가 일할 구조를만들어냅니다.

문제를 정의하고, AI가 쓸 도구와 기준을 설계합니다.
검증과 배포까지 이어지는 Agentic Coding으로
제품을 완성합니다.

만든 것 보기 ↓ 프로젝트 이야기하기 ↗
AI:// current_build LIVE

AGENT RUNTIME / ACTIVE

AI가 문제를 읽고
도구를 호출합니다.

MODEL / AGENTTOOL USEVERIFY LOOP
01문제문제 정의
→
02도구도구 연결
→
03제품출시
완료plan_problem
실행 중tool_call
대기verify_output
› AI가 생각 중...
제품 / AI / 도구AGENT v0.1 · BUILD #024

01 / 04

소개

github.com/raindrovvv ↗
Jungmin Cha GitHub 프로필 사진
@raindrovvv · VENI RAIN

Quality Engineer로 시작해서
커리어를 전환하여 게임과 음악을 만듭니다.
이제는 AI 에이전트를 적극 활용하여
분야 상관없이 필요한 것을 직접 만들어내는
AI Builder로 더욱 성장하고 있습니다.

7년 동안 문제의 원인을 찾고 결과를 확인하는 일을 해왔습니다. AI가 만든 결과도 그대로 믿지 않고 검토합니다.

문서와 업무 흐름을 포함해, 분야와 상관없이 AI로 필요한 제품을 직접 만듭니다.

다른 포트폴리오게임 오디오 디자이너 ↗AI 비디오 디자이너 ↗

02 / 04

AI 에이전트에게는 구조가 필요합니다.

스스로 문제를 정의하고, AI와 회의하며, AI에게 필요한 도구를 쥐여주고, 제품으로 발전시킵니다.

AI와 일하는 법을 정리한 블로그 ↗

03 / 04

주요 제품

아이디어에서 제품까지.
카드에서 질문과 검증 과정을 확인해 보세요.

AI PRODUCT / DOCUMENT RAG01

LAW GATE

법률 문제를 쟁점 분해, 멀티에이전트 검토, 공식 근거 재검증까지 연결한 워크벤치 제품.

처음 던진 질문더 좋은 답보다, 근거가 부족한 답을 어떻게 막을까?
Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
LawGate

첫 질문
“더 좋은 답을 만드는 것보다, 근거 없는 답변을 어떻게 차단할까?”

법률 제품에서는 그럴듯한 문장보다 출처와 검증 경계가 먼저라고 판단했습니다. 그래서 챗봇이 아니라 근거를 확인하고 다음 행동으로 연결하는 워크벤치를 목표로 잡았습니다.

01

Problem

PDF·HWP 문서에서 쟁점을 찾고, 근거 없는 주장과 과장된 법률 조언을 막으면서도 일반 사용자가 결과를 이해할 수 있어야 했습니다.

02

Start small

처음에는 정적 HTML·CSS·JS와 Node 서버로 핵심 검증 흐름을 빠르게 확인했습니다. 이후 필요성이 확인된 기능만 Codex CLI, RAG, Neo4j, 법령 API, PDF 처리로 확장했습니다.

03

Failure → Question

PDF 33개·약 921MB 처리 지연, Windows spawn EPERM, Codex rate limit, 캐시 부재, 느린 판사 worker, 어려운 문장, 내부 경로 노출을 각각 원인을 묻는 질문으로 바꿨습니다.

04

Agent Plan

질문 분해 → PDF·HWP intake → 로컬 TF-IDF RAG → 공식 법령 검색 → 원고·피고·판사 worker → 인용 검증과 증거 매트릭스로 이어지는 흐름을 설계했습니다.

05

Agent contract

역할별 프롬프트, 한국 민사소송 실무 기준, JSON Schema, 증거 원장과 입증 공백을 분리해 Agent가 일할 업무 환경과 출력 계약을 만들었습니다.

06

Product loop

PDF hash 캐시, 배치 분할, 중간 digest, incremental review, 빠른 모드·정밀 모드, 4단계 litigation worker, 세션 저장, 일반인용·변호사용 PDF export로 실제 업무 흐름을 닫았습니다. 개발 기록에는 prompt 7개와 schema 4개가 남아 있습니다.

07

Result

AI에게 코드를 대신 쓰게 한 것이 아니라, 문제를 정의하고 질문·제약·출력 계약을 설계한 뒤 실행 결과를 보고 다음 질문을 던지며 법률 문서 검토 제품을 완성했습니다.

AI PRODUCT / DOCUMENT INTELLIGENCE02

CEREBRAS DOCLENS

복잡한 PDF를 여러 AI 에이전트가 분석해 핵심·위험·비용·일정을 쉽게 설명하는 문서 이해 제품.

Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
Cerebras DocLens

첫 질문
“문서 요약을 잘 만드는 것보다, 사용자가 실제로 판단할 수 있는 근거를 어떻게 남길까?”

긴 문서에서는 요약 하나만으로 위험·금액·기한이 묻힐 수 있다고 판단했습니다. 그래서 한 명의 Agent에게 모든 일을 맡기지 않고, 근거를 공유하는 여러 Agent 구조부터 설계했습니다.

01

Problem

보험 약관·계약서·의료 문서를 누구나 이해하고 행동으로 옮길 수 있게 만드는 문제였습니다.

02

Agent Plan

문서 intake → Intake Agent → 공유 근거 캐시 → Summary·Risk·Cost·Timeline Agent 병렬 분석 → 대시보드와 후속 질문으로 연결했습니다.

03

Tools

Next.js, Cerebras API, Gemma 4 31B, PDF/Image parsing, JSON schema, Vercel을 연결했습니다.

04

Failure → Correction

Vercel에서 PDF parsing이 실패했을 때 LLM 문제가 아니라 런타임 문제로 분리했습니다. DOMMatrix polyfill·dynamic import·worker preload를 추가하고, OCR은 이미지 업로드 경로로 범위를 조정했습니다.

05

Human Role

문제의 범위, Agent 역할, 출력 schema, 공개 데모의 안전 기준을 정의하고 각 결과를 실행·검토했습니다.

06

Result

문제 정의와 PRD부터 Agent 구조 설계, 구현, 배포 장애 대응, UX 개선, 검증까지 하나의 Product로 완성했습니다.

프로젝트 열기 ↗
PRODUCT / WEB03

RUF DANCE ACADEMY WEB

브랜드의 에너지와 움직임을 웹 경험으로 번역한 사이트.

Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
RUF Web

핵심 질문
“운영자가 개발자에게 매번 요청하지 않아도, 실제로 계속 쓰이는 웹 제품을 어떻게 만들까?”

RUF는 홍보 페이지가 아니라 시간표·강사·주간 수업·상담·위치 정보를 계속 바꿔야 하는 운영형 제품이었습니다. 그래서 예쁜 화면보다 운영자가 직접 수정하고 사용자가 바로 다음 행동을 할 수 있는 구조를 먼저 질문했습니다.

01

Problem

댄스 아카데미의 브랜드 소개, 수업 탐색, 위치 확인, 상담 전환을 하나의 웹 경험으로 묶어야 했습니다.

02

Product build

Next.js 15·React 19·TypeScript를 바탕으로 브랜드 UI, 다국어, 일정, 강사, 상담, 위치, FAQ, SEO, 개인정보 페이지 구조를 처음부터 구성했습니다.

03

Question → CMS

“관리자 페이지를 새로 만들 것인가, Google Sheets를 CMS처럼 사용할 것인가?”를 질문했습니다. 운영자가 코드 수정 없이 시간표·주간 수업·영상·강사 정보를 바꿀 수 있어야 했고, 현재 규모에서는 별도 DB·로그인·관리자 화면보다 Sheets가 작은 운영 시스템에 맞았습니다.

04

Question → UX

브라우저에서 핵심 메시지가 밀리거나 문장이 어색하게 줄바꿈되고, 모바일 가로 스크롤과 탐색을 방해하는 캐러셀이 생기는 문제를 화면으로 확인했습니다. 그래서 실제 사용성을 기준으로 레이아웃과 인터랙션을 단순화했습니다.

05

Question → Reliability

“외부 데이터가 비거나 네트워크가 실패하면 어떻게 할까?”를 먼저 물었습니다. Google Sheets 장애 시 정적 fallback을 보여주고, 주소는 지오코딩 실패 시 저장된 좌표를 사용해 서비스가 멈추지 않도록 했습니다.

06

Question → Operations

실제 일정이 바뀌면 만료된 CTA와 이벤트 전용 문구를 남겨두지 않았습니다. PRE-OPEN을 Open Event로 바꾸고, 시설 사진·이미지 로딩·모바일 CTA까지 운영 상황에 맞춰 다시 검증했습니다.

07

Result

기획·UI 설계부터 다국어·SEO·지도·상담 전환·운영 데이터 연동·반응형 QA·배포까지 연결했습니다. 5월 초기 구축 후 7월 말까지 78개 커밋으로 실제 운영 가능한 웹 Product를 완성했습니다.

프로젝트 열기 ↗
PRODUCT / KNOWLEDGE04

OH MY COSMOS

흩어진 생각과 세계관을 모아 게임 캐릭터(AI 보이스)로 탄생시키는 공간.

함께 만든 사람@kingsoyeon ↗
Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
Oh My Cosmos

핵심 질문
“AI가 코드를 많이 작성했다는 점이 아니라, 제품 안에서 어떤 가치를 만들어야 하는가?”

AI 활용 자체는 흔한 차별점이라고 판단했습니다. 그래서 캐릭터·세계관·대사·음성을 실제 제작 흐름으로 연결하고, Guardian & Seeker를 첫 실증 제품으로 삼았습니다.

01

Product value

LorePocket을 단순 생성기가 아니라 AI-native 캐릭터·세계관 제작 파이프라인으로 정의했습니다. Persona, Dialogue, Chat, TTS, Visual Prompt를 하나의 흐름으로 묶었습니다.

02

Evidence surface

추상적인 전략 문서로 끝내지 않기 위해 Guardian & Seeker Production Kit API를 만들고 캐릭터, 대사, TTS 방향, 비주얼 프롬프트, Export Manifest를 외부에서 확인 가능하게 했습니다.

03

Document import

PDF·DOCX·이미지를 올려 OCR과 AI 분석을 거치고, 원문 source evidence를 보존한 채 캐릭터·관계·아이템·퀘스트를 추출하고 검토 후 적용하도록 설계했습니다.

04

Avoid overfitting

Guardian & Seeker 전용 데모에 머물지 않도록 새 Workflow DB를 바로 만들지 않고, 기존 World → Character → Dialogue → TTS → Export 엔티티를 조합하는 Studio부터 검증했습니다.

05

Collaboration

WebSocket보다 먼저 owner/editor/viewer 권한, D1 기준 데이터, version·expectedVersion, stale write 409 Conflict, board event log를 정의한 뒤 polling과 Durable Object realtime을 단계적으로 붙였습니다.

06

Product stack

Cloudflare Pages·Workers·D1·R2·Durable Objects, Drizzle ORM, 세션 인증, API 권한, 캐릭터 ZIP과 엔진별 Export까지 실제 배포 가능한 제품 표면으로 확장했습니다.

07

Result

2026년 2월 초기 커밋부터 317개 커밋의 개선 기록과 23개 테스트 파일·128개 테스트를 남겼습니다. 질문·제약·검증을 반복해 AI 캐릭터 제작 제품을 처음부터 끝까지 완성했습니다.

프로젝트 열기 ↗
PRODUCT / LEARNING05

QUEST TOWER

학습·퀘스트·성장 루프를 게임형 인터페이스로 연결한 제품.

Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
Quest Tower

핵심 질문
“학습 관리 앱이 아니라, 학습 행동을 반복시키는 제품으로 만들려면 무엇을 설계해야 할까?”

Unreal 부트캠프의 학습 지속성을 높이는 것이 목표였고, 기능을 많이 보여주는 것보다 다음 행동과 보상 루프가 분명해야 한다고 판단했습니다.

01

Problem

학생·튜터의 학습 운영을 하나의 제품으로 묶고, 퀘스트 완료 → XP 획득 → 탑 성장이라는 반복 루프를 만들어야 했습니다.

02

Product build

요구사항 정리와 Deep Interview로 범위를 확정한 뒤 UI·API·DB를 수직 슬라이스로 구현하고, 인증·퀘스트·타이머·리더보드·C++ 자동 채점·경제 시스템까지 연결했습니다.

03

Question → UX

받을 보상이 있으면 보상 받기를 먼저, 없으면 학습 시작을 보여주도록 CTA를 상태 기반으로 설계했습니다. 예쁜 화면보다 다음 행동까지의 클릭 수를 줄이는 것이 기준이었습니다.

04

Question → Data

숨은 테스트케이스는 서버가 읽되 학생에게는 입력·정답을 마스킹하고, 중복 제출은 DB unique index로 막았습니다. 보안과 실행 가능성을 함께 지키는 선택이었습니다.

05

Question → Reliability

XP·골드가 stale read-modify-write로 덮어써질 수 있어 Postgres atomic RPC, row lock, 원장 기록, 실패 시 롤백으로 데이터 정합성을 확보했습니다.

06

Question → Operations

실시간 UX를 없애지 않고 공유 polling·캐시·visible-tab 갱신으로 사용량을 줄였고, 외부 채점 서버 오류는 학생 코드 오류와 분리해 재시도할 수 있게 했습니다.

07

Result

제품 기획부터 DB·UI·외부 API·배포·운영까지 완성하고, 235개 커밋의 개선 기록을 남겼습니다. AI가 코드를 대신 쓴 것이 아니라 질문·제약·검증을 반복해 학습 제품을 닫았습니다.

프로젝트 열기 ↗
UNREAL
AGENTagent → editor → world
OPEN SOURCE / UE506

UNREAL AGENT

Unreal Editor를 읽고, 조작하고, 검증하는 AI 에이전트.

Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
Unreal Agent

핵심 질문
“AI Agent가 Unreal Editor의 상태를 읽고, 필요한 작업을 직접 수행하게 하려면 어떤 도구 계층이 필요할까?”

AI로 Unreal 코드를 작성하는 데서 멈추지 않고, Agent가 Editor의 현재 상태를 읽고 도구를 호출하며 변경 결과까지 검증하는 구조를 만들고 싶었습니다.

01

Problem

개발자가 AI를 사용하는 흐름이 아니라, AI Agent가 Unreal Editor 안에서 직접 행동하는 실행 계층이 필요했습니다.

02

Agent Harness

MCP HTTP·stdio를 Codex CLI·Claude CLI와 연결하고, OpenAI·Anthropic 호환 Provider를 선택할 수 있는 로컬 harness를 구성했습니다.

03

Unreal Tool Layer

Blueprint·UMG·Material·Niagara·Control Rig·Asset·Viewport 작업을 Agent 도구로 노출하고, RAG와 Vision까지 연결했습니다.

04

Editor workflow

Agent가 Unreal Editor의 상태를 확인하고 필요한 작업을 호출한 뒤, 실제 변경 결과를 다시 읽어 다음 작업으로 이어지게 만들었습니다.

05

Safety

변경을 바로 실행하지 않고 dryRun과 변경 범위 확인을 거치도록 해 Agent의 실수를 통제할 수 있게 했습니다.

06

Failure → Correction

MCP discovery가 동작하지 않았을 때 tools/list를 직접 확인해 문제를 좁히고, 실제 연결 상태를 검증하는 흐름으로 수정했습니다.

07

Result

AI로 게임을 만든 것을 넘어, AI가 Unreal Editor를 읽고 조작하고 검증하는 Agent Tool Layer를 직접 만들었습니다.

GitHub에서 보기 ↗
UNITY
MCPscene / script / test
OPEN SOURCE / UNITY07

UNITY MCP

자연어 명령으로 Unity 씬과 에디터 작업을 움직이는 AI 개발 도구.

Agentic history 보기 ↘

AGENTIC CODING HISTORY

Agentic Coding history
Unity MCP

핵심 질문
“Unity Editor 작업을 자연어로 호출하면서도, Agent의 변경을 안전하게 검증하려면 어떻게 해야 할까?”

Unity 개발을 AI에게 맡기는 데서 끝나지 않고, Scene과 Asset을 읽고 필요한 Editor 도구를 호출하며 변경 전후를 확인하는 MCP를 만들고 싶었습니다.

01

Problem

Scene·Asset·Material·Lighting·Audio·Character·Animation 작업을 자연어로 요청하고, Unity Editor 안에서 실제 결과까지 확인할 수 있어야 했습니다.

02

Unity MCP

Unity Editor의 상태와 작업을 MCP 도구로 노출해 Agent가 씬을 읽고 필요한 명령을 선택할 수 있게 했습니다.

03

Tool Layer

Scene·Asset·Material·Lighting·Audio·Character·Animation 작업을 Unity Editor용 도구로 분리해 호출 단위를 명확하게 만들었습니다.

04

Safety

변경 도구에 dryRun을 두어 실제 실행 전에 결과와 변경 범위를 확인하고, Agent의 실수를 통제할 수 있게 했습니다.

05

Failure → Correction

오디오 authoring 도구를 추가하고 beta packaging과 안전 정책을 정리하면서, 기능을 늘리는 것보다 배포 가능한 도구 흐름을 우선했습니다.

06

Result

Unity Editor를 자연어와 MCP로 조작하고, 변경 전 검토와 실행 후 확인까지 연결하는 Agentic Tool을 만들었습니다.

GitHub에서 보기 ↗

04 / 04

AI와 함께
만드는 방법

문제를 정리하고, 도구를 연결하고, 결과를 확인합니다.

01

무엇을 만들지 정합니다

먼저 해결할 문제와 꼭 지켜야 할 기준을 정합니다.

문제 정리
02

AI에게 도구를 줍니다

필요한 자료와 기능을 연결해 AI가 직접 작업할 수 있게 합니다.

도구 연결
03

결과를 확인하고 다듬습니다

AI가 만든 결과를 직접 실행해 보고, 부족한 부분을 고쳐 완성합니다.

확인
문제→질문→AI→도구→확인→완성
사용하는 도구CODEXCLAUDEGEMINIMCPRAG

함께 만들 프로젝트

함께 만들어요

vnrs97@gmail.com ↗