다음은 개발자와 AI 간의 오늘 하루 대화 로그야. 이 로그를 분석해서 내가 하루 동안 무엇에 집중하고 시간을 썼는지 한눈에 파악할 수 있도록 Obsidian 마크다운 형식으로 요약해줘.
1. 작업 분포
| 카테고리 | 비중 | |
|---|---|---|
| AWS SAA 공부 및 학습 자료 개발 | 60% | ██████░░░░ |
| Locally 프로젝트 아키텍처 및 전략 | 30% | ███░░░░░░░ |
| 환경 설정 및 데이터 처리 | 10% | █░░░░░░░░░ |
2. 집중 영역 / 시간 소모 포인트
생산적 작업
- AWS SAA 심화 학습: S3 Intelligent-Tiering과 Standard-IA의 비용 구조 차이와 액세스 패턴(가변성)에 따른 최적 선택 기준을 명확히 함. 또한 네트워킹/VPC 설계 등 응용력이 필요한 ‘제약 조건’ 섹션을 치트시트에 추가하여 이론을 실전 문제 풀이에 연결.
- 학습 자료 고도화: 단순 텍스트 정리를 넘어 검색 기능과 스티키 네비게이션이 포함된 HTML 치트시트를 제작하고, 모바일 환경에서도 최적화하여 이동 중 빠른 복습이 가능하도록 개선.
- Locally 프로젝트 전략 수립: ‘암묵지(Implicit Knowledge)’ 구조화를 핵심 경쟁력으로 설정하고, 시간 제약(해커톤 16시간)에 맞춰 SNS 크롤링 대신 LLM을 활용한 시드 데이터 생성 전략으로 방향을 전환하여 MVP 목표 달성 가능성 확보.
삽질/시간 소모 포인트
- 컨텍스트 분리 및 중복 작업: 대화 세션이 끊기는 과정에서 HTML 파일 생성 완료 여부를 파악하지 못해 파일을 중복해서 저장하려 하거나, 이미 저장된 인프라 분석 파일을 다시 저장하려는 시도가 발생하여 시간이 소요됨.
- 모바일 뷰포트 레이아웃 버그: 테이블이 페이지 전체 너비를 강제로 확장시켜 미디어 쿼리가 무시되는 문제를 해결하기 위해
overflow-x: hidden및max-width: 100%속성을 전역 적용하고.table-wrap오버플로우 처리를 여러 차례 수정하며 디버깅함.
3. 타임라인
| 시간 | 구분 | 내용 |
|---|---|---|
| 10:34 | 🦦 | AWS SAA Q44 분석 요청 (S3 Intelligent-Tiering 정답 이유). |
| 10:35 | 🦦 | S3 스토리지 클래스별 비용 구조 및 검색 요금 유무 비교 설명. |
| 11:14 | 🦦 | 60%대 점수 달성과 SAA 핵심 정리 키워드(8개 분야) 공유. |
| 11:16 | 🦦 | 핵심 정리 내용을 교육/2026-03-24-SAA-C03-핵심정리.md로 저장 완료. |
| 15:52 | 🐹 | 학습 내용을 예쁜 HTML 파일로 변환 요청. |
| 15:59 | 🦦 | 컨텍스트 복구 시도 중 인프라 보안 분석 파일 및 Q28 설명을 다시 저장(중복 작업). |
| 16:02 | 🦦 | HTML 파일(saa-cheatsheet.html) 생성 여부 확인 및 존재 확인 답변. |
| 16:03 | 🦦 | HTML 파일 검토 후 누락된 콘텐츠(Capacity Reservation, Lambda arm64 등 5가지) 발견 및 수정. |
| 16:05 | 🦦 | HTML 파일 업데이트 완료 및 아키텍처 플로우 패턴(서버리스 API 등) 14개 추가. |
| 16:14 | 🦦 | 도메인별 출제 비율 대비 빈약한 보안/고성능 부분 내용 보강. |
| 16:21 | 🦦 | 네트워킹 등 응용력이 필요한 파트에 ‘제약 조건’ 섹션 추가 및 하단 JS 코드 노출 문제 수정. |
| 18:06 | 🦦 | 모바일 최적화 진행. 세로모드 레이아웃 깨짐 현상 해결(CSS 수정, 폰트 축소). saa-serve/index.html 배포. |
| 22:30 | 🦦 | Locally 프로젝트 AI 파이프라인 구조 논의 (Qdrant, GLM, Go 동시성). |
| 22:45 | 🦦 | GLM 모델 버전을 4.7로 업그레이드 및 품질 비교 테스트. |
| 22:53 | 🦦 | 벡터 DB의 일반화 오류 방지를 위한 ‘신뢰 게이트(Trust Gate)’ 논의 및 데이터 구조(foreigner_trap 포함) 정립. |
| 23:07 | 🦦 | 해커톤 잔여 시간 고려하여 팀원용 시드 데이터 생성 전략 수립. |
| 23:22 | 🐹 | 3개 LLM으로 생성된 시드 데이터 제공. |
| 23:28 | 🦦 | 데이터 중복 제거 및 머지 스크립트 실행(30개 → 19개 정리). |
4. 해결한 문제와 인사이트
- S3 비용 최적화 기준: 액세스 패턴이 가변적인 경우
Standard-IA(검색 비용 발생) 대신 검색 요금이 없는Intelligent-Tiering이 정답임을 명확히 파악. 특히 비용 효율성 문제에서 자동 계층화 기능이 핵심임. - 모바일 웹 렌더링: 테이블 너비가 뷰포트를 초과할 때 발생하는 레이아웃 붕괴를
html, body태그의max-width와overflow-x속성 제어로 해결. 실제 기기 환경에서의 CSS 동작 방식을 이해함. - Locally의 차별화 전략: 단순 정보 제공을 넘어 외국인이 빠지기 쉬운 함정(
foreigner_trap)을 데이터 구조에 포함시켜 ‘오류 예방’이라는 고부가가치를 창출하는 구조를 설계함. - 애자일한 전략 수정: 기술적/법적 제약이 있는 크롤링 대신, 인력(LLM 활용)을 통해 고품질 시드 데이터를 빠르게 생성하는 방식으로 선회하여 리스크를 회피하고 생산성을 높임.
5. 주요 코드 및 파일 변경 사항
config.go: GLM 기본 모델 설정을glm-4.6에서glm-4.7로 수정하여 최신 모델을 사용하도록 변경.saa-cheatsheet.html(및saa-serve/index.html):- 아키텍처 플로우 패턴 14개, 보안/고성능 도메인 내용, 제약 조건 섹션 등 콘텐츠 대폭 추가.
- 모바일 호환성을 위해
html, body { max-width: 100%; overflow-x: hidden; }스타일 추가 및 테이블 래퍼(.table-wrap)에 오버플로우 처리 적용. - 미디어 쿼리를 통해 세로 모드에서 폰트 크기 축소 및 레이아웃 조정.
교육/2026-03-24-SAA-C03-핵심정리.md: SAA 핵심 키워드 정리 저장.- 데이터 머지 로직: 3개의 LLM(Gemini, GPT, Claude)에서 생성된 JSON 데이터를 합치고 중복 항목을 제거하는 로직을 적용하여 30개의 데이터를 19개의 정제된 데이터셋으로 변환.
Supported by ai-log-sync & GLM-4.7