AI를 「전속 코치」로 만들어 게임 기술의 지속적인 학습 시스템을 구축한 이야기

면책 사항

본 기사의 내용은 개인적인 견해이며, 소속된 기업의 공식적인 견해나 방침을 대표하지 않습니다.

또한, 본 기사의 내용은 완전히 개인적인 취미 및 학습 범위 내에서 이루어지는 것입니다.

본 기사에서 소개하는 시도는 업무와 분리된 개인의 로컬 환경 및 프라이빗 리포지토리(Private Repository)에서 실행하고 있습니다.

• 지난 1~2년 정도 게임 관련 기술에 흥미를 느끼고 공부를 계속해 오고 있습니다.

• 다만, 게임 관련 기술을 공부할 때 「책 한 권을 제대로 마주하며 통독하는」 공부 방법이 자신에게는 잘 맞지 않는다는 문제의식이 있었습니다.

• 애초에 게임 관련 기술은 범위가 매우 넓어 모든 것을 커버하기는 어렵습니다. 그렇기 때문에 예를 들어 렌더링(Rendering) 책을 읽는 중에도 「알고리즘 이야기도 알고 싶다」며 여러 분야로 눈을 돌리기 쉽습니다.

• 그렇다고 책을 도중에 읽는 것을 그만두면, 설령 거기서 얻은 것이 있다 하더라도 「다 읽지 못했다」는 좌절감이 남게 됩니다.

• 그래서 자신에게 더 맞는 학습 방법으로서, AI(AntigravityCLI)를 「전속 엔지니어링 코치」로 활용하는 체계를 구축했습니다.

• 매일 AI에게 다양한 분야에서 조금씩 과제를 내달라고 하여, 여러 지식을 「조금씩 맛보는(Tasting)」 스타일입니다.

• 이렇게 하면 질리지 않고 계속할 수 있으며, 좌절감 없이 학습을 지속할 수 있다고 생각했습니다.

• 시작한 지 10일 정도 매일 과제를 푸는 데 성공했기 때문에, 현재로서는 이 시도가 성공적이라고 말할 수 있지 않을까 생각합니다.

• 본 기사는 단순히 질문 상대로서 AI를 사용하는 것이 아니라, 매일의 출제를 통해 게임 개발의 기초 기술을 체계적으로 배우는 구조를 만들어 보았다는 이야기입니다.

현재는 주로 다음과 같은 5가지 테마에 대해 학습을 진행하고 있습니다.

3D 수학의 기초 지식- 내적·외적을 통한 판정, 행렬(Matrix) 클래스 구현, 쿼터니언(Quaternion) 등 3D 게임 개발에 필수적인 수학 지식

아키텍처와 설계 패턴- 옵저버 패턴(Observer Pattern)이나 데이터 지향 설계(DOD), ECS(Entity Component System) 등

그래픽스·렌더링의 기초- 렌더링 파이프라인(Rendering Pipeline)의 이해나 커스텀 셰이더(GLSL/HLSL) 작성 등

메모리 관리 최적화- CPU 캐시를 의식한 설계나 오브젝트 풀(Object Pool), 커스텀 할당자(Custom Allocator) 구현 등 퍼포먼스(Performance)와 직결되는 부분

게임용 알고리즘- 공간 분할(사분트리/팔분트리)이나 A* 탐색, 네비게이션 메시(Navigation Mesh) 등

이것들을 독학으로 처음부터 체계적으로 배우는 것은 꽤 고된 일이지만, 그 부분을 AI 코치에게 서포트받고 있습니다.

질리지 않고 지속할 수 있도록 AI에 대해 몇 가지 규칙을 설정하여, 학습을 자동화하고 서포트하도록 프롬프트(Prompt)를 구성하고 있습니다.

1일 1토픽 완결형- 매일 하나씩, 너무 무겁지 않으면서 확실히 배울 수 있는 테마를 AI가 출제하도록 하고 있습니다.

• 허들을 낮추어 매일의 습관으로 만드는 것이 목표입니다.

다양한 형식의 출제- 읽기 자료, 핸즈온(Hands-on), 퀴즈, 구현 과제 등 그날의 테마에 맞춘 형식으로 「주제」를 출력하도록 합니다.

• 매일 같은 형식이면 질릴 수 있기 때문에 변화를 주고 있습니다.

인터랙티브한 학습 서포트- 출제되고 끝나는 것이 아니라, 모르는 부분이 있다면 즉시 그 자리에서 질문할 수 있습니다.

• 구현 과제에서 막혔을 때 힌트를 달라고 하는 등의 유연한 대응도 가능하며, 이러한 대화성이야말로 AI를 코치로 사용하는 최대의 장점이라고 느끼고 있습니다.

지식의 정착- 새로운 토픽을 배울 때, AI에게 「과거에 배웠던 OO의 지식과 어떻게 관련되어 있는지」 의도적으로 해설하도록 시키고 있습니다.

• 이를 통해 점과 점의 지식이 연결되어 체계적인 이해로 이어지고 있다는 느낌을 받습니다.

학습 기록의 자동화- AI가 출제 내용과 답변, 피드백을
log/YYYY-MM-DD/YYYY-MM-DD.md
라는 형식으로 매일의 기록으로서 마크다운(Markdown)에 추가·축적하게 하고 있습니다.

• AI가 출제 내용과 답변, 피드백을

자동 커밋 & 푸시- 그날의 학습이 완료된 단계에서 AI 스스로 Git의 커밋(Commit)과 푸시(Push)를 수행하게 하고 있습니다.

• 학습의 궤적이 GitHub 상에 자동으로 남기 때문에 동기 부여 유지에 도움이 되고 있습니다. 향후에 되돌아볼 때도 유용할 것이라고 생각합니다.

매일 학습을 시작할 때마다 매번 「오늘은 OO에 대해 출제하고, 로그를 남기고...」라고 긴 프롬프트를 입력하는 것은 번거롭습니다.

그래서 이 출제 흐름을 자동화하는 커스텀 스킬(daily 스킬)도 만들고 있습니다.

번호로 분야 지정-
1~5의 숫자를 입력하는 것만으로, 위의 5가지 테마 중 무엇을 학습할지 특정합니다.

유연한 추가 지시- "/daily 3 오늘은 셰이더(Shader) 구현을 조금 해보고 싶어"와 같이 입력하면, "그래픽스" 분야에서 희망 사항에 맞는 과제를 자동으로 생성해 줍니다.

• "

로그 저장 등의 일괄 처리- 과제 생성뿐만 아니라, log/YYYY-MM-DD/YYYY-MM-DD.md로의 저장까지 일괄적으로 수행하도록 스킬 측에 지시를 포함해 두었습니다.

• 과제 생성뿐만 아니라,

이처럼 매일 학습을 시작할 때의 부담을 극한까지 덜어냄으로써, 지속하기 위한 허들을 더욱 낮추고 있습니다.

이러한 시도를 통해 전달하고 싶은 것은, LLM은 단순한 "질문 상대"가 아니라, 스스로의 학습을 리드하고 진척 관리와 기록까지 수행해 주는 "지속 학습의 동반자(코치)"가 될 수 있다는 점입니다.

이처럼 프롬프트나 메커니즘을 시스템화해 나가는 것 자체도 재미있으며, 일상적인 학습의 좋은 자극제가 되고 있습니다.

만약 "AI를 사용해 새로운 것을 배우고 싶지만, 작심삼일이 되기 쉽다"는 분이 계신다면, 이러한 "전속 코치화" 접근 방식이 어떤 힌트가 되기를 바랍니다.