LLM 역할 분리로 Moodle XML 오류 0건 달성 및 파이프라인 안정화

Your AI Is Doing the Wrong Job. That's On You.

EdFife2026년 5월 2일14분intermediate

AI 요약

Context

AI 에이전트 팀(T1)이 의료 등급의 고정밀 콘텐츠 생성과 복잡한 Moodle XML 스키마 준수를 동시에 수행하며 아키텍처적 과부하 발생. LLM에 비정형 콘텐츠 생성과 엄격한 구조적 제약 사항을 모두 위임함에 따라 지속적인 XML 임포트 에러 및 디버깅 비용 증가.

Technical Solution

Single Responsibility Principle 적용: 콘텐츠 생성(T1)과 스키마 변환(T2) 역할을 엄격히 분리하여 LLM의 인지 부하 감소
Intermediate Representation 도입: LLM이 작성하기 쉬운 Universal HTML 템플릿을 중간 매개체로 활용하여 작성 편의성 확보
Deterministic Converter 구현: Python 기반의 html_to_moodle_xml.py를 통해 비결정적인 LLM 대신 결정론적 코드가 100%의 스키마 규칙을 강제하도록 설계
Pre-conversion Validation 계층 추가: precheck_quiz_html.py를 통한 사전 검증 단계 구축으로 변환 전 단계에서 작성 오류를 조기 발견하는 Fail-fast 구조 채택
Human-in-the-Loop(HIL) 최적화: SME가 구조적 XML이 아닌 가독성 높은 HTML 결과물을 리뷰하게 하여 검수 속도 및 정확도 향상

실천 포인트

1. LLM에게 엄격한 스키마(XML, JSON) 준수를 요구하는 대신, 단순한 중간 포맷을 생성하게 하고 결정론적 파서로 변환하는가?

2. 생성-검증-변환의 파이프라인이 분리되어 각 단계의 실패 지점(Failure Mode)을 명확히 추적할 수 있는가?

3. Human-in-the-Loop 단계에서 리뷰어가 기술적 제약이 아닌 도메인 지식에만 집중할 수 있는 인터페이스를 제공하는가?

태그

#Deterministic Conversion #Pipeline Design #LLM Architecture #Human-in-the-loop #Single Responsibility Principle

원문 읽기