Post

클라이밍 기록 AI 코칭 시스템 설계 - 도메인 특화 LLM 에이전트

Posted
By Gyubo Shim
13 min read
클라이밍 기록 AI 코칭 시스템 설계 - 도메인 특화 LLM 에이전트

배경

예전에 설계만 해두고 구현하지 못했던 클라이밍 SNS 앱(CliInfo)을 가끔 떠올린다. 당시에는 “기록 + SNS”로만 생각했는데, 요즘 AI 시대에 이 프로젝트를 다시 본다면 뭘 더할 수 있을까?

클라이밍 기록이 쌓이면 “다음에 뭘 해야 성장할 수 있는가?”를 AI가 분석해주는 코칭 — 이런 방향이 가능하지 않을까? 구현은 아직이지만, 어떤 구조로 만들면 될지 설계를 그려봤다.

문제: 클라이밍의 성장은 “보이지 않는다”

클라이밍은 성장이 비선형적이다:

  • 초보자는 빠르게 난이도가 올라가지만, 중급부터 정체기가 길다
  • 같은 난이도라도 슬랩/오버행/크랙 등 스타일별 실력 차이가 크다
  • “열심히 하고 있는데 늘지 않는 것 같다”는 착각이 동기를 죽인다

단순히 “이번 달 빨강 10개 클리어”만으로는 성장을 체감할 수 없다. 어떤 유형을 잘하고, 어디가 약하고, 다음에 뭘 해야 하는지를 알려주는 코칭이 필요하다.

아키텍처: 3단계 코칭 파이프라인

flowchart TD
    subgraph input["1. 데이터 수집"]
        A["클라이밍 기록<br>(난이도, 완등 여부, 장소)"] --> B["기록 구조화 + 저장"]
    end
    subgraph analysis["2. 패턴 분석"]
        B --> C["시간별 추이 계산<br>(Python)"]
        B --> D["유사 과거 기록 검색<br>(벡터 검색)"]
        C --> E["분석 컨텍스트 생성"]
        D --> E
    end
    subgraph coaching["3. 코칭 생성"]
        E --> F["Claude API<br>맥락 기반 코칭"]
        F --> G["코칭 메시지 전달"]
    end

LLM 호출 경계

LifeRPG에서 확립한 원칙을 그대로 적용한다: 확실한 것은 코드로, 판단이 필요한 것은 LLM으로.

처리방식이유
주간 완등 수 집계코드단순 SQL 집계
난이도별 완등률 계산코드공식이 정해져 있음
정체기 감지코드2주 이상 같은 난이도에 머물면 정체
약점 분석 코칭LLM“슬랩은 잘하는데 오버행이 약하다”는 해석이 필요
다음 목표 추천LLM현재 수준 + 취약점을 종합한 판단 필요
동기부여 메시지LLM매번 다른 자연스러운 표현

코칭 타입 4가지

1. 세션 코칭 — “오늘 얼마나 잘했나?”

클라이밍 후 기록을 남기면 즉시 피드백:

1
2
3
4
5
6
7
8
9

📊 오늘의 클라이밍 요약
성수 클라이밍파크 | 2시간 30분

완등: 빨강 3 / 파랑 5 / 초록 2
실패: 빨강 2 (시도 5 중)

💬 "빨강 완등률이 60%로 지난주(40%) 대비 올라갔어.
    특히 오버행 빨강을 처음 클리어했는데, 
    2주 전에 실패했던 루트랑 비슷한 홀드 배치야. 확실히 늘었다."

2. 주간 코칭 — “이번 주 전체를 보면?”

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

📈 이번 주 성장 리포트

방문: 3회 (성수 2, 강남 1)
총 완등: 28개 (지난주 대비 +5)

난이도 분포:
  초록 ████████░░  80% 완등률
  파랑 ██████░░░░  60% 완등률  ← 안정권
  빨강 ███░░░░░░░  30% 완등률  ← 도전 중

💬 "파랑이 60%로 안정권에 들어왔어. 
    이제 빨강에 더 시간을 투자할 타이밍이야.
    특히 빨강 중에서도 슬랩 루트를 집중적으로 해보는 건 어때?
    네 초록/파랑 기록을 보면 슬랩 성향이 강한데, 
    빨강 슬랩부터 공략하면 자연스럽게 올라갈 거야."

3. 정체기 코칭 — “왜 안 느는 것 같지?”

flowchart TD
    A["정체기 감지<br>(2주 이상 같은 난이도)"] --> B["원인 분석"]
    B --> C{"어떤 유형?"}
    C -->|"특정 스타일만 약함"| D["약점 집중 훈련 추천"]
    C -->|"전반적 정체"| E["난이도 혼합 전략 추천"]
    C -->|"방문 빈도 감소"| F["동기부여 코칭"]

1
2
3
4
5
6
7

💬 "3주째 파랑에서 머물고 있는데, 기록을 보면 원인이 보여.
    파랑 실패 기록 8개 중 6개가 오버행이야.
    슬랩/수직벽은 거의 다 클리어하는데, 오버행에서 막히고 있어.
    
    제안: 이번 주는 초록 오버행을 10개 이상 풀어봐.
    쉬운 난이도에서 오버행 자세를 잡으면, 
    파랑 오버행도 자연스럽게 클리어될 거야."

4. 목표 코칭 — “빨강 클리어까지 얼마나 남았나?”

1
2
3
4
5
6
7
8
9
10
11
12

🎯 목표: 빨강 첫 완등

현재 상태:
  빨강 시도 12회, 완등 0회
  파랑 완등률 65% (안정권 진입)

예상 달성 시기: 3~4주 후
근거: 파랑 완등률이 70%를 넘으면 빨강 첫 완등이 나오는 패턴이 있음

💬 "파랑을 좀 더 다져야 해. 65%면 거의 다 왔어.
    이번 주 파랑 10개 이상 시도하면 70% 넘길 수 있을 거야.
    그러면 빨강도 슬슬 풀리기 시작할 거야."

프롬프트 설계

코칭 품질은 프롬프트에 달려있다. 핵심은 정량 데이터를 먼저 계산하고, 해석만 LLM에게 맡기는 것이다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

def generate_coaching(user_id: int, coaching_type: str) -> str:
    # 1. 정량 데이터 계산 (코드)
    stats = calculate_stats(user_id)  # 난이도별 완등률, 추이, 스타일 분포
    recent = get_recent_records(user_id, days=14)
    plateau = detect_plateau(user_id)  # 정체기 여부
    
    # 2. 프롬프트 구성
    prompt = f"""너는 경험 많은 클라이밍 코치야.

사용자 현재 상태:
- 주력 난이도: {stats['main_grade']}
- 난이도별 완등률: {stats['grade_completion']}
- 최근 2주 방문 횟수: {stats['visit_count']}
- 스타일별 성적: 슬랩 {stats['slab_rate']}%, 오버행 {stats['overhang_rate']}%, 수직 {stats['vertical_rate']}%
- 정체기 여부: {plateau['is_plateau']} ({plateau['duration']}일째)

최근 기록:
{format_records(recent)}

코칭 규칙:
1. 숫자를 근거로 말해 (체감이 아니라 데이터 기반)
2. 칭찬과 개선점을 균형있게
3. 구체적인 다음 행동을 제안 (추상적 조언 금지)
4. 3-4문장으로 짧게
5. 반말, 친근한 톤"""
    
    response = claude.messages.create(
        model="claude-sonnet-4-20250514",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text

프롬프트에서 중요한 것

  • 정량 데이터를 미리 계산: LLM에게 “기록을 분석해줘”가 아니라 “이 수치를 해석해줘”
  • 구체적 행동 제안 강제: “더 열심히 하세요” 같은 코칭은 무의미
  • 톤 지정: 클라이밍 커뮤니티는 반말 + 친근한 톤이 자연스러움

데이터 모델 확장

기존 CliInfo 스키마에 코칭용 필드 추가:

erDiagram
    ClimbingRecord ||--o{ RouteAttempt : "시도 기록"
    RouteAttempt {
        int id PK
        int record_id FK
        string grade
        string style "슬랩/오버행/수직/크랙"
        boolean completed "완등 여부"
        int attempts "시도 횟수"
    }
    
    User ||--o{ CoachingLog : "코칭 기록"
    CoachingLog {
        int id PK
        int user_id FK
        string coaching_type "session/weekly/plateau/goal"
        text coaching_text
        json stats_snapshot "생성 시점 통계 스냅샷"
        timestamp created_at
    }

stats_snapshot에 코칭 생성 시점의 통계를 JSON으로 저장한다. 나중에 “2달 전 코칭과 지금을 비교”할 때 유용하다.

LifeRPG 패턴의 재사용

이 설계에서 LifeRPG의 패턴이 그대로 재사용된 부분:

LifeRPG 패턴클라이밍 코칭 적용
LLM 호출 3곳 제한집계는 코드, 해석만 LLM
파싱 결과 캐싱통계 스냅샷 저장
맥락 있는 피드백과거 기록 대비 성장/정체 분석
준비도 시스템목표 달성까지 예상 기간 계산

같은 AI 패턴이 “개인 성장 에이전트” → “클라이밍 코칭”으로 도메인만 바뀌어 적용될 수 있다. 패턴이 재사용 가능하다는 것은 설계가 올바르다는 신호라고 생각한다.

느낀 점

과거 프로젝트를 AI 관점에서 다시 보면 새로운 가능성이 보인다

당시에는 “기록 + SNS”로만 생각했던 앱이, LLM을 얹으면 “AI 코치”가 된다. 기술 환경이 바뀌면 예전에 포기했던 아이디어도 다시 살아날 수 있다.

도메인 지식이 AI 코칭의 품질을 결정할 것이다

“오버행이 약하다”를 알려면 클라이밍을 이해해야 한다. LLM은 범용 지식이 있지만, 클라이밍의 구체적 맥락(슬랩 vs 오버행, 난이도 체계, 정체기 패턴)은 프롬프트에 명시적으로 제공해야 한다.

같은 패턴을 다른 도메인에 적용하는 것이 가장 빠른 학습이다

LifeRPG에서 만든 “파싱 → 분석 → 코칭” 패턴을 클라이밍에 적용해보니 설계가 빠르게 나왔다. 실제로 구현까지 해볼 가치가 있는 방향이라고 생각한다.

System Design
ai-agent llm ai side-project domain-design
This post is licensed under CC BY 4.0 by the author.