사용자의 막연한 목표를 실행 가능한 시스템으로 구현하는 백엔드 개발자
유원우
저는 '왜(Why)'를 명확히 정의하는 것에서부터 개발을 시작하는 백엔드 개발자입니다. 사용자의 막연한 목표를 실행 가능한 구체적인 과업으로 전환하는 과정에 집중하며, 이를 'PRD'와 'TRD'를 통해 기술적인 해결책으로 설계하는 것을 즐깁니다. 초기에는 LLM을 활용한 빠른 프로토타이핑을 시도했으나, 명확한 설계 없이는 한계가 있음을 깨닫고 '문제정의-계획-구현-검증'의 체계적인 프로세스를 스스로 정립했습니다. 이 경험을 통해 기술의 깊이와 서비스 전체를 보는 넓은 시야를 함께 갖춘, 성장하는 개발자로 나아가고 있습니다.
Project Experience
AI 페이스메이커 (AI Pacemaker)
진행 중애자일 방법론을 개인의 성장에 적용한 'AI 기반 자기 코칭 시스템'입니다. 소음(Noise) 속에서 가장 중요한 신호(Signal)를 발견하고 집중하도록 돕는 지능형 성장 관리 시스템입니다.
문제 정의 및 목표
핵심 철학: Signal vs. Noise
사용자들은 자신의 장기적인 목표를 '지금 당장 해야 할 가장 중요한 단 하나의 행동(Signal)'으로 변환하는 시스템이 없어, 외부의 수많은 정보와 내부의 막막함이라는 '소음(Noise)'에 갇혀 의미 있는 진전을 이루지 못하는 문제를 겪고 있습니다.
해결 목표
AI와의 대화를 통해 희미한 신호(Weak Signal)를 다른 모든 소음을 이겨낼 만큼 명확하고 강력한 첫 걸음으로 증폭시키고, '열심히 했다'는 막연한 감정을 '벨로시티'라는 명확하고 측정 가능한 데이터로 증명해주는 시스템을 개발하는 것이 목표였습니다.
기능 구현 및 해결 과정
MVP 핵심 기능 4단계
AI 기반 백로그 정의 (신호 증폭 및 구체화)
AI와의 대화를 통해 사용자의 희미한 신호를 INVEST 원칙 기반의 실행 가능한 단위로 증폭시키는 기능을 구현했습니다. 실시간 스트리밍 응답과 상황별 동적 프롬프트 조립을 통해 사용자 경험을 극대화했습니다.
스토리 포인트 추정 (증폭된 신호의 에너지 측정)
각 신호를 현실로 만드는 데 필요한 상대적 에너지를 피보나치 수열로 측정하고, 너무 큰 작업은 AI가 지능적으로 분할 제안하는 기능을 구현했습니다.
주간 스프린트 계획 및 실행 (증폭된 신호를 소음으로부터 보호)
자신의 평균 처리량(벨로시티)을 참고하여 현실적인 주간 계획을 세우고, 칸반 보드를 통해 계획에만 집중하는 경험을 제공하는 기능을 구현했습니다.
스프린트 마감 및 AI 회고 (신호 증폭 시스템의 성능 분석 및 개선)
사용자 주도로 한 주를 마무리하고 성과(벨로시티)를 확정하며, AI와 함께 다음 성장을 위한 KPT 형식의 통찰을 얻는 기능을 구현했습니다.
핵심 기술적 도전: '결정론적 컨텍스트' 시스템 설계
초기 AI 구현에서 "훌륭한 목표네요!" 같은 피상적 답변과 대화 맥락 상실 문제를 겪었습니다. 이를 해결하기 위해 '컨텍스트 엔지니어링'을 학습하고, AI가 작업을 잘 수행하는 데 필요한 핵심 정보를 선별·구조화하여 전달하는 '결정론적 컨텍스튴' 시스템을 백엔드에서 직접 설계·구현했습니다.
테크 스택
Spring Boot (Java)
선택 이유: 강력한 DI와 AOP를 통해 느슨한 결합(Loose Coupling)을 유지하여 테스트와 유지보수가 용이한 코드를 작성할 수 있었습니다. Spring Data JPA, Security 등 이미 수많은 서비스에서 검증된 하위 프로젝트 생태계를 활용하여 개발 생산성을 극대화하고, 시행착오를 줄이며 비즈니스 로직 구현에만 집중할 수 있었습니다.
Svelte
선택 이유: 1인 개발 환경에서 빠르게 MVP를 구축하고 아이디어를 검증하는 것을 최우선 목표로 삼았습니다. 낮은 학습 곡선과 직관적인 문법을 제공하여 프론트엔드 개발 시간을 획기적으로 단축시켜 주었습니다. 또한, Virtual DOM을 사용하지 않고 컴파일 시점에 반응성을 구현하여 가벼운 번들 사이즈와 높은 런타임 성능을 확보할 수 있다는 점이 복잡한 상태 관리가 필요 없는 제 프로젝트에 최적이라고 판단했습니다.
PostgreSQL
선택 이유: 관계형 데이터의 엄격한 정합성과 NoSQL의 유연성을 동시 확보. JSONB 타입으로 비정형 데이터를 효율적으로 처리하여 별도 NoSQL 없이 아키텍처를 단순화했습니다.
AWS
선택 이유: 업계 표준 솔루션으로 방대한 레퍼런스와 커뮤니티 활용. EC2/S3로 시작하여 RDS, SQS 등 관리형 서비스로 유연하게 확장 가능한 생태계를 고려했습니다.
Docker
선택 이유: 개발-테스트-배포 환경 통일로 '내 컴퓨터에서만 되는' 문제를 원천 방지. 컨테이너로 의존성을 완벽 격리하여 예측 가능한 배포 프로세스를 구현했습니다.
프로젝트 성과 및 학습
이 프로젝트를 통해 AI 기반 서비스 개발의 본질은 단순한 API 호출이 아니라 문제에 최적화된 정보 흐름을 공학적으로 설계하는 능력에 있음을 깨달았고, '문제 정의 → 계획 수립 → 구현 → 검증'의 체계적인 개발 프로세스를 정립하여 이후 모든 개발 과정에 'PRD → TRD → Task' 방법론을 적용하게 되었습니다.
교육 및 학력 사항입니다
교육
데브코스 백엔드 4기 | 프로그래머스
Java와 Spring 기반의 백엔드 개발자 양성 과정 수료
학력
컴퓨터 공학 학사 | 세종대학교
편입학 후 주요 이수 과목: 자료구조, 알고리즘, 운영체제, 리눅스, 자바 기초
전자정보통신과 전문학사 | 신안산대학교
기초 C언어 프로그래밍 학습
취득한 자격증입니다
-
SQL 개발자(SQLD)
2024.09.20 한국데이터산업진흥원
-
정보처리기사
2024.06.18 한국산업인력공단