Identity

학습 시스템 3기둥

Notebook, curriculum, and learning philosophy pillars for Codaro education.

학습 시스템 3기둥

기둥 1: 노트북 기능 — 학습의 실행 환경. 셀 편집/실행/리액티브/병합.
기둥 2: 뼈대 커리큘럼 — curricula/의 YAML 기반 130+ 레슨. 카테고리/레슨/미션/진행 추적.
- 정적 레슨뿐 아니라 AI가 채팅에서 만든 임시 curriculum YAML도 같은 변환기(yamlToDocument)를 통과해 커리큘럼 학습 셀이 된다.
- 사용자가 커리큘럼을 먼저 고르지 않아도, AI가 목표를 해석하고 기존 레슨을 추천·조합한 뒤, 실제 gap에만 YAML 명세를 만들고 write-curriculum-yaml로 현재 학습 셀을 전개한다.
기둥 3: 학습 사상 — 코드로 정의된 교육 철학. AI도 사람도 이 사상을 따른다.
- 최소 설명, 최대 실행
- 빈칸부터 시작 (빈 셀이 아니라 거의 완성된 코드에서 빈칸 채우기)
- 예측 → 검증 (먼저 예측하게 하고 실행으로 확인)
- 오류는 학습 (일부러 버그가 있는 코드를 주고 고치게 한다)
- 점진적 빌드 (한 셀에 한 개념, 쌓아가며 완성)
- 수정 실험 ("이 값을 바꿔보세요")
- 3단계 힌트 (개념 → 구조 → 정답, 바로 답을 주지 않는다)
- 즉시 피드백 (맞았는지 1초 안에)
- 반복 변주 (같은 개념을 다른 상황에서)
- 실제 맥락 (추상적 예제가 아니라 현실 상황)

커리큘럼 품질 기준

Codaro 커리큘럼의 목표는 "잘 만들어진 커리큘럼"이다. 단순히 금지 문구를 지우거나 YAML 형식만 맞추는 작업은 완료가 아니다.

YAML은 meta.id, meta.category, tags를 가진 학습 자산으로 분류하고, 제품 사이드바는 카테고리 트리로 커리큘럼에 진입하게 한다. 분류는 탐색을 돕는 조건이지 품질 개선을 대신하지 않는다.
학습자는 실행 전에 결과를 예측하고, 로컬 Python으로 실행하고, 오류를 고치고, assert나 명시적 비교로 검증한 뒤, 값을 바꾸는 실험까지 해야 한다.
예제는 장난감 문법 확인에 머물지 않고 업무 리포트, 운영 점검, 데이터 검증, 자동화, 분석 파이프라인처럼 실제로 다시 쓸 수 있는 맥락을 가져야 한다.
다양한 학습 주제를 기본 의존성에 모두 넣어 제품을 무겁게 만들지 않는다. 학습 주제별 패키지는 각 레슨의 meta.packages에 선언하고, 필요할 때 uv preflight로 준비한다.
각 트랙의 소개 레슨은 "이 과정으로 무엇을 할 수 있는가", "어떤 패키지가 언제 준비되는가", "첫 실행은 어떻게 검증되는가", "끝나면 어떤 산출물을 만들 수 있는가"를 보여줘야 한다.
과거 Pyodide 제약 때문에 생긴 우회, 브라우저 전용 설치 흐름, marimo 관련 내용/표면/흐름은 기본 커리큘럼의 학습 목표가 아니다. 로컬 Python 커널에서 자연스럽게 배우고 실행하는 흐름으로 고친다.
좋은 커리큘럼인지 판단할 때는 "제약 문구가 없어졌는가"보다 "초보자가 개념을 익히고, 중급자가 실무 패턴으로 가져갈 수 있는가"를 우선한다.
전수조사는 약한 레슨을 찾는 데서 끝내지 않고, 예측 → 실행 → 오류 수정 → 검증 → 실무 변주가 빠진 레슨을 우선 보강한다.

제품 학습 흐름

학습의 진입은 두 가지다.

채팅에서 시작 — 사용자가 목표를 말하면 AI가 기존 레슨을 먼저 추천·조합하고, 실제 gap이 있을 때만 curriculum YAML을 만들어 학습 셀로 전개한다.
커리큘럼에서 바로 시작 — curricula/의 기본 레슨을 선택해 AI 없이도 바로 학습한다.

사용자 목표
→ `resolve-learning-goal`
→ `search-curricula`
→ `compose-master-plan`
→ gap이 있을 때만 compact curriculum YAML 작성
→ `write-curriculum-yaml`
→ `yamlToDocument`
→ 현재 학습 셀
→ `read-cells` / `write-cell` / `cell-call`
→ progress 기록

AI가 없을 때는 curricula/의 reference curriculum YAML을 같은 변환기로 열어 학습한다. AI가 있을 때는 같은 YAML/셀 구조 위에서 개인화, 추가 설명, 답 검증, 보충 셀 생성이 붙는다.

학습 셀 모델

물리 셀 타입은 적게 유지한다. 기본은 markdown과 code이며, 다음 의미는 셀 메타데이터로 표현한다.

role: title, explanation, learning, snippet, exercise, check, visual, automation, skill
displayKind: title, hero, prose, callout, cardGrid, comparison, table, media, resource, practice, quiz, centerText
executionKind: python, browser, os, mouse, image, task, skill
payload: YAML 원본 의미를 보존하는 구조화 데이터

이 구조를 쓰면 AI는 같은 셀 모델을 읽고 수정하면서도, 화면은 타이틀셀/설명셀/학습셀/스니펫셀/실행셀/시각화셀처럼 다양하게 표현할 수 있다.

커리큘럼 표면은 YAML의 type을 버리지 않는다. text/content는 읽기 카드, featureCards/choiceCards/resourceCards는 카드 그리드, compare/fullWidthComparison은 비교 카드, stepCard/practiceCard/expansion은 실습 카드, table은 표 셀, image/video/youtube/pdf는 미디어 셀, quiz/warning/tip/note는 검증/힌트 셀로 렌더링한다.

즉 셀의 물리 타입을 계속 늘리는 방식이 아니라, YAML 의미를 sourceType과 payload에 보존하고 커리큘럼 렌더러가 학습용 카드로 해석한다. 이 구조 때문에 AI도 같은 셀을 읽고 설명, 힌트, 답 확인, 셀 수정 요청을 셀 단위로 처리할 수 있다.

학습 시스템 3기둥

학습 시스템 3기둥

커리큘럼 품질 기준

제품 학습 흐름

학습 셀 모델

관련