저는 반복되는 과제 워크플로우를 위한 로컬 퍼스트(Local-first) Canvas LMS AI 에이전트인 Canvas Pilot을 구축해 왔습니다.

핵심 아이디어는 "또 다른 Canvas API 래퍼(wrapper)"를 만드는 것이 아닙니다. Canvas MCP 서버와 Canvas API 클라이언트는 에이전트가 Canvas를 볼 수 있도록 도와줄 수 있습니다. Canvas Pilot은 그 위의 워크플로우 계층(workflow layer)입니다:

• Canvas 과제를 스캔하여 승인 계획(approval plan) 생성
• 실행 전 중단
• 학생이 선택한 작업을 승인하도록 허용
• 승인된 항목을 반복되는 코스 워크플로우로 라우팅
• 검토 준비가 된 초안, 결과 파일 및 REPORT.md 생성
• 개인적인 코스 데이터와 초안을 로컬에 유지

워크플로우 메모리(workflow memory)가 중요한 이유

많은 코스들은 매주 동일한 형태의 과제를 반복합니다.

어떤 코스는 항상 외부 사이트에 실제 명세(spec)를 올릴 수도 있습니다. 다른 코스는 항상 동일한 읽기 주석(reading annotation) 형식을 요구할 수도 있습니다. 또 다른 코스는 동일한 문제 출처와 PDF 전달 워크플로우를 사용할 수도 있습니다.

만약 에이전트가 매주 이를 새로 발견해야 한다면, 당신은 여전히 오케스트레이션(orchestration)을 직접 수행하고 있는 것입니다. Canvas Pilot은 반복되는 패턴을 지속 가능하게 만들고자 합니다.

워크플로우

Canvas 스캔 -> 승인 계획 -> 학생 승인 -> 승인된 워크플로우 -> 검토 준비 완료된 출력물 -> REPORT.md

스캔 단계는 과제를 수행하기 시작하는 단계가 아닙니다. 계획을 작성하고 중단합니다. 실행은 사용자가 선택한 항목을 승인한 후에만 발생합니다.

대상 사용자

이 공개 프리뷰는 우선 AI 파워 유저를 대상으로 합니다.

이미 Codex, Claude Code 또는 유사한 로컬 에이전트 사용법을 알고 있다면, 이 제품은 반복되는 Canvas 조정 작업을 많이 제거해 줄 수 있습니다. 반복되는 과제 수행을 스캔, 승인, 실행, 검토라는 한 번의 명령(one-command) 워크플로우에 가깝게 만들어 줄 수 있습니다.

만약 로컬 에이전트 워크플로우를 운영하는 방법을 아직 모른다면, 이 버전은 어렵게 느껴질 것입니다. 저는 이것이 다듬어진 노코드(no-code) SaaS인 척하기보다는 솔직하게 말씀드리고 싶습니다.

로컬 퍼스트(Local-first) 경계

자격 증명(Credentials), 쿠키(cookies), 실제 코스 식별자, 실행 기록, 개인 오버레이, 과제 입력값 및 초안은 사용자의 기기에 머뭅니다.

공개 저장소(public repo)에는 범용 프레임워크와 공개적으로 안전한 예시들이 포함되어 있습니다.

GitHub: https://github.com/X-isdoingreat/canvas-pilot

Website: https://canvas-pilot.likelyou.com/