문제점
대학 과제 지침에는 다루어야 할 주제, 형식 요구 사항, 페이지 제한, 제출 세부 정보 등 여러 가지 요구 사항이 한 번에 포함될 수 있습니다. 학생들은 주제 자체는 이해할 수 있지만, 그 지침들을 명확한 계획으로 바꾸는 데 어려움을 겪을 수 있습니다.
저는 학생들이 글쓰기를 시작하기 전에 정리하는 데 도움을 줄 작은 도구를 만들고 싶었습니다.
BriefBridge AI 소개 📚
BriefBridge AI는 Python, Streamlit, Ollama 및 Qwen3 0.6B 모델로 구축된 로컬 우선(local-first) 과제 계획 보조 도구입니다.
단순히 학생을 위한 과제를 생성하는 대신, 원래의 지침들을 관리 가능한 작업들로 분해하는 데 도움을 줍니다.
무엇을 할 수 있나요?
- 요구 사항(Requirements): 안내서에 언급된 결과물과 주제를 식별합니다.
- 체크리스트(Checklist): 과제를 실행 가능한 작업으로 변환합니다.
- 제안 개요(Suggested outline): 제목들과 각 섹션이 다룰 수 있는 내용을 추천합니다.
- 작업 계획(Work plan): 작업을 논리적인 순서로 구성합니다.
- 검증 목록(Verification list): 학생들이 중요한 세부 사항을 원래 지침과 비교하여 확인하도록 상기시켜 줍니다.
- 다운로드(Download): 학생들이 생성된 실행 계획을 텍스트 파일로 저장할 수 있게 합니다.
구축 방법
이 애플리케이션은 인터페이스에 Streamlit을 사용하고, Python의 Requests 라이브러리를 사용하여 Ollama의 로컬 API와 통신합니다.
선택된 모델은 qwen3:0.6b입니다.
워크플로우는 간단합니다:
- 학생이 과제 안내서를 입력합니다.
- BriefBridge가 지침을 로컬에서 실행되는 모델로 전송합니다.
- 모델이 구조화된 실행 계획을 생성합니다.
- 학생은 제안 사항들을 검토하고 결과를 다운로드할 수 있습니다.
OpenAI가 여기서 중요한 이유
학생 중심의 도구에게는 접근성과 통제력이 중요합니다.
로컬 Ollama 설치를 통해 추론(inference)을 실행함으로써, BriefBridge는 매번 생성 시 호스팅되는 AI API에 의존하는 것을 피합니다. 과제 안내서는 이 애플리케이션에서 설정한 원격 모델 제공업체로 전송되는 것이 아니라 로컬 모델 엔드포인트로 전송됩니다.
필요한 소프트웨어와 모델 다운로드가 완료되면, 핵심 생성 워크플로우는 로컬에서 실행되도록 설계되었습니다. 이를 통해 외부 서비스에 대한 의존도를 줄이고 사용자가 제출하는 텍스트에 대해 더 많은 통제권을 가질 수 있습니다.
또한 이 모델은 설정(configuration)을 통해 교체할 수 있어, 프로젝트가 발전함에 따라 다른 호환 가능한 모델로 실험해 볼 여지를 만듭니다.
누가 도움을 받을 수 있을까요?
BriefBridge는 과제 정리하는 데 도움이 필요한 대학생들을 위해 설계되었으며, 특히 간략한 안내서(brief)에 여러 개의 개별 요구사항이 포함되어 있는 경우 유용합니다.
보고서, 발표 자료 및 기타 구조화된 학업 과제를 수행하는 학생들에게도 유용할 수 있습니다.
향후 가능한 부업 모델로는 추가적인 계획 템플릿이나 다양한 주제에 대한 맞춤 설정 기능을 제공할 수 있습니다. 이는 검증된 비즈니스 모델이 아니며, 아직 유료 고객을 확보하지는 못한 잠재적인 방향입니다.
제가 테스트한 내용
저는 이 애플리케이션을 로컬에서 테스트했으며 다음 사항들을 확인했습니다:
- 샘플 경영 윤리(Business Ethics) 과제 안내서로부터 실행 계획을 생성했습니다.
- 다운로드 버튼이 생성된 계획을 텍스트 파일로 저장했습니다.
- 빈 과제 지침은 유효성 경고를 발생시켰습니다.
이것들은 포괄적인 테스트 스위트가 아닌 초기 기능 점검입니다.
기술 스택
- Python
- Streamlit
- Ollama
- Qwen3 0.6B
- Requests
프로젝트 사용해 보기
GitHub 저장소: https://github.com/vanshikamishra1909-cmd/briefbridge-ai
로컬에서 실행하려면 Python과 Ollama를 설치하고, qwen3:0.6b 모델을 다운로드한 다음, 저장소에 나열된 종속성(dependencies)을 설치하고 다음 명령어로 Streamlit을 실행합니다:
python -m streamlit run app.py
생성이 작동하려면 Ollama를 통해 모델이 사용 가능해야 합니다.
다음 계획은?
요구사항 추출을 개선하고, 더 견고한 테스트를 추가하며, 생성된 계획이 다양한 학문 과목에 더 유용하도록 만드는 방법을 탐색하고 싶습니다.
본 프로젝트는 일반 학생의 노트북에서 오픈 웨이트(open-weight) AI를 실용적으로 구현하는 초기 실험입니다.
목표는 간단합니다. 학생들이 어디서부터 시작해야 할지 고민하는 시간을 줄이고, 자신의 작업에 더 많은 시간을 할애하도록 돕는 것입니다.
#devchallenge와 #hf26challenge를 위해 제작되었습니다.
