대규모 언어 모델 (LLMs)은 자동 에세이 채점 (AES) 및 자동 피드백 생성 (AFG) 분야에 널리 적용되어 왔습니다. 그러나 기존 연구들은 주로 프롬프트 엔지니어링 (Prompt Engineering) 또는 지도 미세 조정 (Supervised Fine-tuning)에 의존하고 있으며, 강화학습 (RL) 사후 학습 (Post-training) 및 피드백 품질에 대한 자동 평가에 관한 체계적인 연구는 여전히 제한적입니다. 우리는 RL을 통해 에세이 채점과 피드백 생성을 공동으로 최적화하는 통합 LLM 프레임워크인 RLAES를 제안합니다. 피드백 품질을 측정 가능하고, 해석 가능하며, 학습에 사용할 수 있도록 만들기 위해, 우리는 166개의 세분화된 이진 루브릭 항목과 LLM-as-judge로 구성된 에세이 기반 피드백 평가 프레임워크인 루브릭 기반 피드백 평가 (Rubric-based Feedback Evaluation, RFE)를 도입합니다. RFE를 바탕으로, 우리는 RL 과정 중 필요에 따라 루브릭 기반 피드백 보상을 활성화하여 평가 오버헤드를 줄이면서 피드백 품질을 향상시키는 적응형 게이트 피드백 최적화 (Adaptive Gated Feedback Optimization, AGFO)를 제안합니다. 또한, 인접한 점수 수준을 명시적으로 대조함으로써 서열 점수 보정 (Ordinal Score Calibration)을 개선하기 위한 인접 대조 추론 (Adjacent Contrastive Reasoning, ACR)을 제안합니다. 실험 결과, RFE 프레임워크는 에세이-피드백 일관성을 포착하고, 강력한 쌍별 판별력 (Pairwise Discriminative Power)을 보이며, 전문가의 선호도와 밀접하게 일치함을 보여줍니다. ASAP 벤치마크에서 RLAES-AGFO는 LLM 기반 방법들 중 최고의 채점 성능 (QWK = 0.803)을 달성하는 동시에, GPT-5.5와 대등한 피드백 품질을 유지하며 점수 전용 RL에서 관찰되는 피드백 저하 현상을 방지합니다. 코드와 데이터셋은 https://github.com/hellomuyi/RLAES 에서 공개적으로 사용할 수 있습니다.