CUBO 프로젝트 회고록
1. 프로젝트 개요(Introduction)
• 프로젝트 명: CUBO (Curate Bot) – RAG 큐레이션 챗봇 서비스 개발 프로젝트
• 목표와 의도
• 큐레이션 챗봇 서비스를 만들자는 아이디어에서 출발
• 다양한 주제 중 회의를 통해 “외국인 관광객이 서울에서 쉽게 맛집을 찾을 수 있도록 하자”는 목적
• RAG(Retrieval-Augmented Generation) 모델을 활용해 사용자의 자유로운 질의에 대응, 맞춤형 맛집 정보를 제공할 MVP 구현을 목표로 삼음
• 팀 구성
• 개발자 1명: 큐레이션 챗봇(스트림릿 기반) 구현
• 비개발자 5명: 데이터 수집·정제, 워드프레스 페이지 제작, 사업계획서·발표자료, 시스템 프롬프트 고도화 등 전반적 업무
2. 프로젝트 진행(Progress Overview)
1주차
1. 비개발팀
• 데이터 확보: 네이버지도, 다이닝코드 등 크롤링 프로그램 개발 → 맛집 데이터 수집
• 크롤링이 불가하거나 누락된 정보를 수작업 보강
2. 개발팀
• 스트림릿으로 데모 페이지를 간략히 구현, 기본 UI 구상
2주차
1. 비개발팀
• 크롤링 고도화 → 데이터베이스 구축(중복 제거, 카테고리 분류 등)
• 워드프레스로 소개 페이지 제작
• 시스템 프롬프트를 개선, 챗봇 정확도 기대
• 사업계획서 초안 및 발표자료 제작
2. 개발팀
• 스트림릿 작동 오류 디버깅 시도
• 시스템프롬프트와 모델의 실제 출력값 불일치 문제로 난항 겪음
3주차
1. 개발팀
• RAG 챗봇 구현에서 계속된 문제(인덱싱, 리트리버 최적화 등) 해결 실패
• 정상적인 MVP 테스트나 검증 단계에 돌입하지 못함
2. 결론
• 예상 일정을 넘겨도 MVP 완성 불가 → 프로젝트는 이 상태로 마무리 결정
3. 문제와 장애물(Challenges & Issues)
1. 기술 난이도 과소평가
• GPT 모델로 PDF를 넣어 실험했을 때 괜찮은 결과가 나오자, “RAG로도 쉽겠지”라고 판단
• 실제로는 인덱싱, 리트리버 구성, 데이터 파이프라인 등이 훨씬 복잡했고, 팀 내 전문성이 충분치 않아 시행착오가 커짐
2. 개발 리소스 부족
• 개발자가 1명뿐이어서 병목이 발생
• 비개발 팀은 데이터를 열심히 정비했지만, 챗봇 구현 이슈 해결에 적극 투입되기 어려웠음
3. 계획 대비 다운스코핑 불충분
• 2주차에 범위를 줄이긴 했으나 이미 핵심 문제(챗봇 정확도, 스트림릿 동작 오류)로 시간이 상당히 소모된 뒤였음
• 결국 검증 단계(유저 테스트, 피드백 수집)까지 가보지도 못함
4. 커뮤니케이션 및 외부 협업 부족
• 기술적 난관에 부딪혔을 때, 외부 멘토나 커뮤니티에 빨리 도움을 구하지 못함
• 내부적으로 즉각 대응을 하려 했으나 리소스가 한정적이라 대안을 찾기 어려웠음
4. 결과(Outcome)
• MVP 미완성
• 핵심인 RAG 기반 맛집 큐레이션 기능을 온전히 구현하지 못해, 최종적으로 테스트 버전조차 출시 불가
• 부분적 산출물
• 크롤링 코드, 맛집 DB(초기 버전), 시스템 프롬프트, 워드프레스 기반 소개 페이지, 사업계획서 등은 남음
5. 배운 점과 향후 계획 (Lessons Learned & Future Plans)
(1) 배운 점
1. 기술적 리스크 사전 검증
• RAG 모델을 적용하려면, 문서 인덱싱, 임베딩, 리트리버 설계 등 다양한 요소가 필요함
• 단순히 “GPT에게 PDF 넣어보니 괜찮았다”는 수준이 아니라, 실제 구현에서 발생할 수 있는 문제점을 PoC(Proof of Concept) 단계에서 먼저 파악하는 게 필수
2. 리소스와 일정의 균형
• 개발 인력이 적으면, “최소 기능(MVP)”이라도 완수할 수 있는 범위를 더욱 명확하게 설정해야 함
• 욕심을 줄이고, 기간 대비 필요한 기능만 우선순위 를 두어 완료하도록 해야 함
3. 협업과 커뮤니케이션
• 비개발자가 데이터나 프롬프트 작업을 열심히 해도, 챗봇 구현 에러가 해결되지 않으면 전체 프로젝트가 멈춤
• 기획·개발 간의 긴밀한 의사소통과 외부 자문 활용이 중요
4. 다운스코핑의 시기
• 2주차에 기능 범위를 줄이긴 했지만, 이미 가장 핵심적인 문제가 깊어져 있었음
• 초기부터 더욱 작은 범위로 시작하여, 내부적으로 성공사례를 확인해가며 점진적으로 확장했어야 함
(2) 향후 계획
1. LangChain & LangGraph 학습 및 재도전
• 직접 LangChain과 LangGraph를 이용해 RAG 파이프라인 구현 과정을 단계별로 학습 예정
• 인덱싱, 임베딩, 토큰화, 리트리버 최적화 등 문제 지점을 스스로 파악해 해결 능력을 갖출 것
2. 작은 MVP부터 시작
• 맛집 정보를 전국적으로 다루기보다, 특정 지역이나 특정 카테고리만 다루는 소규모 데이터셋으로 모델 성공 가능성을 먼저 확인
• 챗봇 형태를 고집하기보다, 간단한 검색 기능 + 요약 정도로 시작해 점차 고도화
3. 서비스화 목표
• 올해 안에 RAG 큐레이션 챗봇을 하나의 작동 가능한 서비스로 론칭하는 것이 목표
• 확실히 동작하는 베타 버전을 공개해, 사용자 피드백을 수집 → 점진적으로 기능 보완
결론:
이번에 부딪힌 문제들을 면밀히 복기하고, 더 현실적인 범위 설정과 기술적 이해를 갖춘 뒤에 재도전하겠다. 목표는 작지만 ‘제대로 작동하는’ MVP 를 완성해 나가는 것이다.
마무리(Conclusion)
CUBO 프로젝트는 외국인을 위한 서울 맛집 큐레이션 챗봇이라는 매력적인 목표를 향해 출발했으나,RAG 모델 구현 난이도와 개발 리소스 제한 등으로 인해 MVP를 끝내지 못한 채 마무리되었습니다.
하지만 그 과정에서 데이터 수집·정리, 시스템 프롬프트 고도화, 프로토타입 웹페이지 구축, 사업계획서 작성 등 여러 측면에서 경험과 산출물을 남겼습니다.
무엇보다 기술 리스크와 팀 역량을 사전에 냉정하게 평가하는 일,
그리고 핵심 기능만이라도 완수하기 위한 다운스코핑이 얼마나 중요한지를 뼈저리게 깨닫게 되었고,
이는 향후 RAG 챗봇이나 유사 AI 프로젝트를 수행할 때 큰 자산이 될 것입니다.
“비록 완주하지 못했어도, 이번 시행착오가 다음 프로젝트의 출발점을 더 단단히 해줄 것이라 믿는다.”
이로써 CUBO 프로젝트 회고를 마치며,
앞으로의 재도전에서 더 나은 결과를 만들 수 있도록 노력하겠습니다.
