2026 AI·SW중심대학 디지털 경진대회 : SW부문

안녕하세요, PiecePool 팀! 꼼꼼하게 봐주시고 좋은 질문 남겨주셔서 감사합니다 😊
저희 구조는 6개 에이전트가 매번 순서대로 모두 실행되는 방식은 아닙니다. 질문에 필요한 에이전트만 조건부로 호출하고, Persona Worker와 Trigger Agent는 사용자 응답 흐름과 분리해 비동기로 실행하고 있습니다. 여러 규정이 필요한 경우에는 검색과 평가를 병렬로 처리하고, 자주 묻거나 예측된 질문은 캐시를 활용합니다. 그래도 캐시가 없는 첫 질문은 수 초 정도의 대기감이 있어, 현재는 전체 평균뿐 아니라 p95 응답 시간과 단계별 소요 시간을 함께 측정하며 개선하고 있습니다.
디버깅은 말씀하신 대로 멀티 에이전트에서 특히 중요한 부분이었습니다. 그래서 모든 요청에 run ID와 trace ID를 부여하고, 어떤 에이전트가 어떤 입력을 받아 어떤 결과를 냈는지, 어디서 실패·타임아웃·재시도가 발생했는지를 노드 단위로 남기도록 설계했습니다. 덕분에 최종 답변만 보고 추측하지 않고 문제가 발생한 단계를 바로 확인할 수 있었습니다.
PiecePool이라는 이름과 ‘파편이 지식이 되다’라는 문구도 저희가 다루는 문제와 맞닿아 있어 더욱 궁금하네요. 꼭 들러보겠습니다! 따뜻한 응원 감사합니다. PiecePool 팀도 좋은 결과 있으시길 응원하겠습니다 🙌

안녕하세요, Hilol 팀! 관심 있게 봐주시고 외국인 유학생 관점의 중요한 질문을 남겨주셔서 감사합니다 😊
현재 PoC는 한국어 학사 규정과 공지를 정확하게 해석하는 데 우선순위를 두고 있어, 다국어 기능이 완전히 구현된 상태는 아닙니다. 다만 에이전트 내부의 규정 검색·프로필 대조 결과와 사용자에게 보여주는 언어를 분리한 구조라, 향후 언어 감지와 번역 레이어를 추가해 다국어 답변과 알림으로 확장할 수 있도록 설계했습니다.
특히 학사 규정은 단순 번역 과정에서도 의미가 달라질 수 있기 때문에, 다국어 답변에도 원문 조항과 출처를 함께 제공하고 중요한 행정 용어는 원문을 병기하는 방향을 생각하고 있습니다. 외국인 유학생의 소속, 학적 상태, 비자 관련 조건까지 프로필에 반영된다면 Hilol 팀이 말씀하신 정보 이해의 장벽을 줄이는 데도 의미가 클 것 같습니다.
비슷한 문제의식에서 출발한 Hilol 프로젝트도 꼭 살펴보겠습니다. 좋은 관점을 더해주셔서 감사드리고, Hilol 팀도 끝까지 좋은 결과 있으시길 응원하겠습니다! 화이팅 🙌

안녕하세요, 올데이해피데이 팀! 저희가 의도한 Trigger Agent와 TRUST의 역할을 정확하게 읽어주셔서 정말 감사합니다 😊 사용자가 직접 상태를 설명하지 않아도 시스템이 적절한 개입 시점을 판단해야 한다는 점에서 두 서비스의 문제의식이 많이 닮아 있는 것 같습니다.
Persona Worker의 비용 문제도 저희가 고민한 지점입니다. 현재 PoC에서는 예측 성능과 캐시 적중 가능성을 검증하기 위해 다음 질문 후보 5개를 생성하지만, 운영 환경에서도 모두 무조건 선실행하는 방식은 비용 낭비가 클 수 있다고 보고 있습니다. 그래서 실제 서비스에서는 예측 신뢰도, 질문의 반복 빈도, 사용자의 최근 행동, 마감 임박 여부를 함께 보고 상위 1~2개만 캐시하거나, 시스템이 유휴 상태일 때만 실행하는 방향을 생각하고 있습니다.
아직 고정된 신뢰도 임계값을 확정한 단계는 아니며, Persona의 예측 적중률과 절감된 응답 시간 대비 추가 호출 비용을 함께 측정해 결정하려고 합니다. 예측이 빗나가더라도 사용자 응답 경로에는 영향을 주지 않도록 Persona Worker는 백그라운드에서 독립적으로 실행하고 있습니다.
좋은 질문 덕분에 비용 효율화 방향까지 더 명확하게 설명할 수 있었네요. 올데이해피데이 팀의 ‘개입 시점 판단’ 방식도 궁금해서 꼭 들러보겠습니다. 남은 일정도 함께 화이팅입니다! 🙌

안녕하세요, 세얼간이 팀! 저희 프로젝트를 세심하게 봐주시고 따뜻한 응원까지 남겨주셔서 감사합니다 😊
특히 TRUST의 핵심인 ‘모르면 답을 만들어내지 않고 사람에게 넘긴다’는 원칙과 HWPX 자동 입력 기능을 좋게 봐주셔서 기쁩니다. 학사 행정은 작은 오류도 실제 신청 실패로 이어질 수 있기 때문에, 답변을 많이 하는 것보다 어디까지 AI가 처리하고 어디서 담당자에게 넘길지를 명확히 정하는 것이 중요하다고 생각했습니다.
모찌의 Reminder Agent도 사용자가 기록을 잊기 전에 먼저 개입한다는 점에서 저희 Trigger Agent와 닮아 있어 반갑네요! 스크린샷과 기록이 쌓인 뒤 필요한 순간에 다시 찾기 어려운 문제를 어떻게 풀어내셨는지 궁금해서 꼭 방문해보겠습니다.
응원해주셔서 감사드리고, 세얼간이 팀과 모찌도 좋은 결과 있으시길 진심으로 응원하겠습니다. 화이팅! 🙌

안녕하세요, 파라파라 팀! 기획의 흐름과 각 에이전트의 역할, HWPX 워크플로우와 정량 지표까지 정말 꼼꼼하게 읽어주셔서 감사합니다 😊
저희는 6개 에이전트가 모든 질문에서 순차적으로 전부 실행되도록 구성하지 않았습니다. Coordinator가 질문을 분류한 뒤 필요한 경로만 실행하고, Escalation Agent는 근거 부족이나 고위험 조건에서만 호출됩니다. Persona Worker와 Trigger Agent는 사용자 응답 흐름과 분리된 비동기 작업으로 실행해 직접적인 대기 시간에 포함되지 않도록 했습니다.
또한 복합 질문의 규정 검색·평가는 이슈별로 병렬 처리하고, 반복 질문과 Persona Worker가 예측한 후속 질문은 캐시에 미리 준비합니다. 예측이 적중한 질문은 전체 추론을 다시 수행하지 않고 준비된 결과를 활용할 수 있습니다. 다만 캐시가 없는 첫 질문은 여전히 수 초의 대기감이 있어, 현재는 평균값뿐 아니라 p95 응답 시간과 에이전트별 실행 시간을 추적하며 병목 구간을 줄이는 데 집중하고 있습니다.
좋은 질문과 응원에 감사드립니다. RoomFit 팀도 남은 일정 잘 마무리하시고 좋은 결실을 맺으시길 저희 팀도 진심으로 응원하겠습니다! 🙌