Claude Code + PlayMCP + 멜론으로 만든 “감성형 AI 학원 운영 자동화” 사례

감성형 AI 학원 운영의 필요성

프로젝트의 배경과 목표

기존 학원 자동화는 대부분
출결, 숙제, 문자 발송, 리포트 생성 같은 관리 중심이었습니다.

그런데 실제 현장에서 아이들을 가르치다 보면
수업의 집중도와 분위기에 훨씬 큰 영향을 주는 건
아이의 “그날 상태”라는 걸 자주 느끼게 됩니다.

어떤 아이는 잠을 못 자서 멍한 상태로 오고,
어떤 아이는 시험 전이라 긴장해 있고,
어떤 아이는 지나치게 들떠 있어서 리딩에 집중을 못합니다.

그래서 단순 관리 자동화가 아니라,

“학생 상태에 맞춰 수업 분위기까지 자동으로 세팅할 수 없을까?”

라는 생각으로 시작하게 되었습니다.

이번 프로젝트는
Claude Code + PlayMCP + 멜론을 연결해,

• 학생 상태를 자동 분류하고

• 상황에 맞는 음악을 추천하고

• 멜론 플레이리스트를 자동 실행하고

• 수업 후 반응까지 기록하는

“감성형 AI 학원 운영 시스템”을 만드는 것이 목표였습니다.

감성형 AI 학원 운영 시스템 구축 방법

사용 도구와 활용법

사용 도구

전체 시스템 구조

Open optionsauto

학생 상태 입력
→ 학습 상태 분류
→ 음악 추천 키워드 생성
→ 멜론 플레이리스트 검색
→ 자동 재생
→ 로그 저장

핵심 설계 전략

이번 프로젝트에서 가장 중요하게 본 것은
“LLM을 무조건 쓰지 않는 것”이었습니다.

처음에는 Claude를 바로 붙이기보다
먼저 룰 기반 분류 시스템을 만들었습니다.

예를 들어:

Open optionsauto

시험 관련 단어 → 시험 긴장
리딩 수업 → 리딩 집중
졸림/멍함 → 피곤함
산만/딴짓 → 산만함

우선순위를 정해서
예측 가능한 방식으로 동작하도록 설계했습니다.

특히:

• JSON 규칙 외부화

• 디버그 로그 출력

• 분류 이유 추적 가능

• 추후 LLM fallback 가능

하게 구조를 만들어 두었습니다.

실제 분류 설계

Open optionsauto

우선순위 1: 시험 긴장
우선순위 2: 수업 유형
우선순위 3: 학생 상태
기본값: 리딩 집중

예시:

Open optionsauto

"내일 시험이라 너무 떨려"
+ 영어 리딩
→ 시험 긴장

Open optionsauto

"잠을 못 자서 멍하다"
+ 영어 리딩
→ 리딩 집중

사용한 프롬프트 예시

너는 학원 운영 자동화 시스템을 설계하는 AI야.

목표는 학생 상태에 맞춰 멜론 플레이리스트를 자동 추천하고 실행하는 시스템을 만드는 것이다.

다음 조건으로 설계해줘.

1. 학생 정보를 입력받는다.

2. 학습 상태를 분류한다.

3. 상태별 음악 추천 기준을 만든다.

4. PlayMCP를 통해 멜론 플레이리스트를 실행한다.

5. 실행 결과를 로그로 저장한다.

6. 초보자도 이해할 수 있게 폴더 구조와 실행 흐름을 설명해줘.

시스템 파일 구조

Open optionsauto

academy-music-system/
├── config/
├── input/
├── src/
├── logs/
├── app.py
├── requirements.txt
└── README.md

각 파일 역할도 분리했습니다.

예를 들어:

• classifier.py → 상태 분류

• recommender.py → 음악 추천

• player.py → PlayMCP 연동

• logger.py → CSV 기록

Streamlit을 통한 앱 개발

처음에는 CLI 기반으로 만들었는데
실제 운영에서는 JSON 수정이 너무 번거로웠습니다.

그래서 Claude Code와 함께
Streamlit 기반 운영 UI로 확장했습니다.

결과적으로:

• 학생 카드 UI

• 상태 입력

• 추천 실행 버튼

• 로그 조회

• 반응 저장

• CSV 다운로드

까지 가능한 웹앱 형태로 발전했습니다.

GitHub 및 Streamlit Cloud 배포

로컬에서 끝내지 않고
GitHub 연동 후 Streamlit Cloud로 배포까지 진행했습니다.

배포 과정에서:

• requirements.txt 관리

• .gitignore 설정

• GitHub push

• Streamlit Cloud 연결

까지 모두 Claude Code와 함께 진행했습니다.

결과와 배운 점

프로젝트를 통해 얻은 인사이트

이번 작업을 하면서 가장 크게 느낀 건:

“AI 자동화는 단순 효율화가 아니라
분위기와 경험까지 설계할 수 있다”

는 점이었습니다.

예전에는 자동화라고 하면
관리 업무 줄이는 것만 생각했는데,

이번에는 오히려
“수업 몰입감” 자체를 자동화하는 방향으로 접근하게 되었습니다.

stream

가장 좋았던 부분

Claude Code로 작업하면서 좋았던 점은:

• 구조 설계

• 파일 분리

• 폴더 구조 생성

• Streamlit 앱화

• GitHub 배포

• 디버깅

까지 거의 같이 개발하는 느낌으로 갈 수 있었다는 점입니다.

특히 초보자 입장에서:

Open optionsauto

"지금은 코드 만들지 말고 설계부터 해줘"

이런 식으로 단계적으로 요청하는 방식이 정말 중요했습니다.

시행착오

가장 큰 시행착오는
처음부터 LLM 기반으로 모든 걸 처리하려 했던 부분이었습니다.

하지만 실제로는:

• 룰 기반 분류

• JSON 규칙화

• fallback 구조

• adapter 패턴

같은 “기초 설계”가 훨씬 중요했습니다.

특히 PlayMCP는 스펙이 명확하지 않았기 때문에
바로 구현하지 않고 adapter 구조로 먼저 설계한 것이 큰 도움이 되었습니다.

개인적으로 느낀 핵심

이번 프로젝트를 하면서 느낀 건:

이제 학원 운영에서도
“감성”까지 자동화하는 시대가 오고 있다는 것

입니다.

단순히 AI가 숙제를 검사하는 수준이 아니라,

• 학생 상태를 읽고

• 분위기를 바꾸고

• 몰입을 유도하고

• 학습 경험을 설계하는 방향

으로 가고 있다는 걸 많이 느꼈습니다.

미래 계획

앞으로는:

• 학생별 음악 히스토리 저장

• 수업 집중도 분석

• AI 리포트 연결

• 학부모 상담 메시지 자동 생성

• 학생 감정 흐름 분석

• PlayMCP 실제 멜론 연동 고도화

까지 확장해볼 계획입니다.

또한 현재는 음악 중심이지만,
이후에는:

• 조명

• 태블릿 모드

• 교실 환경

• 학습 화면

• AI 음성 안내

까지 연결해서
“AI 기반 학습 환경 자동화”로 확장해보고 싶습니다.

도움 받은 자료

• Claude Code 관련 자동화 사례들

• Streamlit 운영 자동화 사례

• MCP 기반 AI Agent 구조 사례

• 학원 운영 자동화 관련 GPT/Claude 워크플로우 사례

이번 프로젝트는 단순한 “음악 추천”이 아니라,

AI가 학생의 상태를 읽고
수업 분위기를 설계하는 시스템

을 만드는 첫 단계였던 것 같습니다.

ALT

한 소녀가 노트북을 앞에 두고 책상에 앉아 있다