우리는 정답을 바로 제시하는 대신 개념적인 질문을 통해 학생들을 안내하는 소크라테스식 튜터링 에이전트를 구축하고 있습니다. 이 버전을 내부 엔지니어 온보딩 도구에 적용한 경험이 있는데, 핵심은 모델이 너무 일찍 해결책을 알려주지 않도록 제어하는 것이었습니다. 제가 어떻게 만들었는지 소개합니다.

준비물

• Python 3.10 이상
• OpenAI SDK: pip install openai
• https://portal.oxlo.ai에서 받은 Oxlo.ai API 키

무료 Oxlo.ai 계정은 하루에 60개의 요청을 포함하며, 이는 프로토타이핑에 충분합니다. 프로덕션으로 전환할 경우, 요청당 고정된 가격 정책 덕분에 학생들이 긴 코드 블록이나 스택 트레이스를 채팅창에 붙여넣어도 비용 예측이 용이합니다. 자세한 내용은 https://oxlo.ai/pricing를 참조하세요.

1단계: 클라이언트 설정

먼저 Oxlo.ai에 접근할 수 있는지 확인했습니다. OpenAI SDK를 드롭인 대체재로 사용하고 스모크 테스트를 위해 빠른 모델을 선택했습니다.

from openai import OpenAI

client = OpenAI(base_url="https://api.oxlo.ai/v1", api_key="YOUR_OXLO_API_KEY")
...

2단계: 시스템 프롬프트 정의

시스템 프롬프트가 전체 제품입니다. 저는 이를 엄격하게 유지했습니다: 한 번에 하나의 질문만, 완전한 해결책은 금지하며, 학생이 개념을 마스터했는지 코드가 알 수 있도록 명확한 표시를 포함합니다.

from openai import OpenAI

client = OpenAI(base_url="https://api.oxlo.ai/v1", api_key="YOUR_OXLO_API_KEY")
...

3단계: 대화형 루프 구축

모델이 전체 대화 흐름을 파악할 수 있도록 메시지 리스트를 유지합니다. 또한 무한정 진행되는 세션을 방지하기 위해 루프를 최대 열 번으로 제한했습니다.

import os
from openai import OpenAI

...

4단계: 구조화된 평가 추가

튜터가 세션 완료를 표시한 후, 학생이 실제로 개념을 마스터했는지 확인하기 위해 JSON 모드를 사용하여 두 번째 모델 호출을 실행합니다. 이 작업은 범위가 좁기 때문에 더 작은 모델을 사용했습니다.

import json
import os
from openai import OpenAI
...

실행하기

스크립트를 tutor.py로 저장하고, 키를 설정한 다음, 실행합니다.

실행하기

스크립트를 tutor.py로 저장하고, 키를 설정한 다음, 실행합니다.

export OXLO_API_KEY="sk-oxlo.ai-..."
python tutor.py

Oxlo.ai에서 llama-3.3-70b를 사용하여 테스트한 실제 기록입니다:

Tutor가 준비되었습니다. 종료하려면 'exit'을 입력하세요.

Tutor: 정답으로 넘어가기 전에, 병합 정렬(merge sort)의 구조를 살펴보겠습니다. 이 알고리즘은 배열을 재귀적으로 분할합니다. n개의 요소로 시작했을 때, 모든 하위 배열이 하나의 요소를 가질 때까지 대략 몇 개의 분할 레벨이 있나요?
...

마무리

이 패턴은 시스템 프롬프트가 모델을 엄격하게 제약하기 때문에 작동합니다. 만약 더 심화된 주제를 튜터링하고 싶다면, 클라이언트 코드를 변경하지 않고도 더 깊은 추론(reasoning)을 얻기 위해 Oxlo.ai에서 llama-3.3-70b 대신 kimi-k2.6으로 교체하세요.

구체적인 다음 단계 두 가지는 다음과 같습니다. 루프를 웹 소켓(web socket)에 연결하여 학생들이 브라우저에서 사용할 수 있게 하고, 평가자(evaluator)의 JSON 출력을 데이터베이스에 저장하여 학생별 실제 학습 성과를 추적할 수 있도록 하세요.