문제를 먼저 구조화합니다.
요청받은 기능을 바로 만들기보다 사용자 흐름, 운영 제약, 실패 상태와 성공 기준을 먼저 맞춥니다. 모호함을 코드로 밀어 넣지 않는 것이 첫 설계라고 생각합니다.
소개 / 이재신
제품을 만들고,
운영으로
확인합니다.
자이닉스에서 제품을 설계하고 운영하는 Software Engineer입니다.
AI 서비스와 LMS 제품에서 모호한 요구를 제품 경계로 바꾸고, 프론트엔드부터 백엔드·AI API·비동기 작업·운영 대응까지 필요한 곳을 연결합니다. 현재는 상용 AI 모델을 제품에 적용하고 운영하는 범위에 가장 많은 경험이 있습니다.
- 근무 지역
- 서울
- 재직
- 자이닉스 · 2024.11 — 현재
- 관심 분야
- Production AI · Agent systems
현재 역할 / 2026
현재 가장 많이 해본 일은
AI와 제품 사이를 잇는 일입니다.
상용 모델이 실제 사용자의 문제를 풀도록 작업 흐름을 설계하고, 불안정한 실행을 작업 큐·공유 상태·관측·평가로 다루는 일을 주로 해왔습니다. AI Application과 Agent Engineering을 중심으로 경험을 쌓았고, ML evaluation과 serving 영역까지 기반을 넓히고 있습니다.
일하는 원칙
확인한 결과와
모르는 범위를
함께 말합니다.
실패를 제품 상태로 만듭니다.
AI 모델과 외부 API는 실패합니다. 작업 큐, 공유 상태, 재시도, Circuit Breaker와 관측 수단을 두어 실패를 숨기지 않고 복구 가능한 흐름에 넣습니다.
숫자에 조건을 붙입니다.
빠르다거나 좋아졌다고 말하기보다 같은 조건에서 전후를 다시 잽니다. 더 느리지만 더 정확한 선택처럼, 제품 목표에 따른 절충도 함께 드러냅니다.
배운 것을 팀의 방식으로 만듭니다.
Cursor와 Claude Code를 개인 업무에서 검증한 뒤 비용·생산성 비교, 공통 설정과 사용 가이드로 옮겼습니다. 이후 Skill Plugin과 Night Worker, Xinics Brain을 만들어 같은 절차와 판단 근거를 다음 작업에 재사용하게 했습니다.
기술을 연결하는 방식
기술은 목록보다
연결 방식으로 설명합니다.
04 / OPERATEBullMQ · Redis · PM2 · Docker · AWS GPU
작업 상태, retry, shared limit과 운영 trace
03 / INTELLIGENCEOpenAI · Claude · Gemini / Vertex AI · RAG
모델 비교, retrieval, prompt와 품질 평가
02 / PRODUCTNestJS · React · TypeScript · Laravel
API, UI, 인증과 user flow
01 / DATAPostgreSQL · MongoDB · Redis
tenant별 데이터, retrieval asset과 shared state
주요 과정
제품에서 만난 문제가
다음 학습으로 이어졌습니다.
- 진행 중
Production AI Systems
상용 RAG와 비동기 AI 작업에서 남은 문제를 검색 품질 평가, 팀 memory와 agent recovery 실험으로 옮기기 시작했습니다.
- 운영
AI Commons 아바타 파이프라인
교수자 아바타 자산, AWS GPU 립싱크와 영상 합성을 하나의 파이프라인으로 연결했습니다. 실제 재생시간 기반 정렬과 작업 특성별 병렬 제한으로 자원 경합과 싱크 오차를 분리해 다뤘습니다.
- 배포
AI Chat / Tutor 고도화
질문 분석 흐름을 다시 설계하고, 기존 provider abstraction에 Claude와 prompt caching을 추가해 고객사 환경에 배포했습니다.
- 배포
Xinics Brain
완료된 개발 작업의 결정·실패·검증 근거와 고객사별 판단 주의사항을 추출하고, 고객사·프로젝트·저장소 범위로 검색해 스킬에 주입하는 팀 메모리를 구현했습니다.
- 운영 중
Agent 개발 도구
Xinics Skill Plugin과 Night Worker를 만들었습니다. 계획부터 검증·보고까지 같은 품질 기준을 대화형 작업과 야간 실행에 적용했습니다.
- 측정
AI Commons 운영 기준
워커 병렬성과 한 과목의 학기 단위 비용을 검토했습니다. AI 생성 기능을 처리량과 비용까지 포함한 운영 문제로 보기 시작했습니다.
- 시작
AI Commons
AI 강의 콘텐츠 생성 플랫폼의 주요 개발자로 기획 조율, 개발, QA, 성능 측정과 운영 대응을 맡기 시작했습니다.
- PoC
AI Chat / Tutor
모델, vector store와 document parser를 비교한 PoC에서 출발해 multi-tenant RAG 제품의 첫 구조를 만들었습니다.
- 구현
LMS My Page
입사 첫 프로젝트에서 기존 LMS와 React를 연결해 학생·교수자용 role-aware dashboard를 만들었습니다.
- 입사
Xinics
교육 도메인과 여러 대학의 운영 환경 속에서 제품 개발을 시작했습니다.
다음 목표
다음 목표는
AI 실행 계층을 직접 다루는 일입니다.
상용 RAG와 비동기 AI 작업을 운영하며 남은 문제를 공개 시스템으로 다시 만들고 있습니다. 첫 단계에서는 검색 품질, 인용 정확도, 지연과 비용을 같은 데이터로 비교합니다.
대화 context는 사용자·제품·과목별 memory로 확장합니다. 이후 checkpoint와 replay를 지원하는 agent runtime, query routing model과 vLLM serving까지 한 흐름에서 검증합니다.
진행 중인 실험 보기