01 / Context
무엇을 해결할 것인가.
여러 웹사이트와 AI 서비스의 상태, 의존 관계와 변경 이력을 개별 점검하기 어렵습니다. AI의 분석과 운영 변경을 연결하면서 실행 권한을 제한해야 합니다.
맥미니의 서버·프로젝트 상태를 모아 로컬 AI가 분석하고, 승인된 운영 작업과 격리된 개발 실험을 지원하는 내부 관제 시스템.
02 / Direction
프로젝트를 바라본 방향.
상태 관찰과 변경 실행을 분리했습니다. 제한된 작업 유형에만 승인과 실행 권한을 연결하고, 실행 후 실제 상태를 다시 확인하도록 구성했습니다.
03 / Experience
사용자의 다음 행동을 설계하다.
서비스 상태 수집, AI 분석, 작업 제안과 승인, 실행 후 검증을 단계별로 구성했습니다. 개발과 QA에는 별도 작업 공간을 사용합니다.
04 / Making
경험을 실제 시스템으로.
Node.js·Ollama 기반 관제에 LangGraph, MCP와 개발 도구를 연결했습니다. 개발 실험과 QA는 별도 작업 공간에서 실행합니다.
05 / In detail
구현의 디테일.
- CPU·메모리·디스크·PM2·DB·Caddy 상태
- 서비스/프로젝트/포트 매핑 인벤토리
- 변경 이력·운영 메모
- 로컬 AI 질의
- 승인한 서비스 시작/중지/재시작
- Git worktree 개발 워커
- 제한된 MCP 도구
- 정적 검토 및 샌드박스 QA
- 최대 3회 자동 수정
- 감사 로그
06 / Intelligence & automation
AI를 설계하는 원칙.
현재 상태를 수집한 자료에 근거해 분석합니다. 허용된 작업과 유효한 승인 안에서만 실행하고 개발, 도구 중계와 QA 역할을 분리합니다. 수정 횟수와 실행 시간에 한도를 둡니다.
07 / Outcome
그래서, 가능해진 일.
여러 서비스의 상태 수집과 작업 제안, 승인·실행·검증을 연결했습니다. 개발 작업은 격리된 환경에서 검토하며 운영 배포는 자동 실행 범위에서 제외했습니다.
08 / Continuity
만든 이후의 시간까지.
프로젝트 목록과 서비스 상태를 정기 수집하고 운영자의 의도된 중지 상태를 기록합니다. 작업 후 상태를 재확인하며 승인·거절·실패와 QA 결과를 보관합니다.