MakhalReader: 엔지니어를 위한 LLM 기반 지능형 RSS 리더

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

엔지니어들이 수많은 기술 블로그와 뉴스 사이에서 중요한 정보를 선별하는 데 소요되는 시간을 줄여주는 MakhalReader가 공개되었다. 이 도구는 Gemini 2.0 Flash 또는 로컬 Ollama 모델을 연동하여 수집된 모든 기사의 기술적 깊이를 0점에서 10점 사이로 자동 평가한다. 사용자의 추천/비추천 피드백을 학습하여 개인화된 점수를 제공하며, 중복 제거 및 클린 뷰어 기능을 통해 노이즈 없는 독서 환경을 구축한다. Docker Compose 기반의 간편한 배포와 PWA를 통한 오프라인 읽기 기능을 지원하여 실무 엔지니어의 정보 습득 효율을 극대화한다.

배경

Docker 및 Docker Compose 기본 사용법, LLM API(OpenRouter) 또는 로컬 LLM 실행 환경(Ollama)에 대한 이해, RSS 피드 구독 및 관리 개념

대상 독자

수많은 기술 블로그와 RSS 피드를 효율적으로 구독하고 싶은 소프트웨어 엔지니어 및 AI 연구자

의미 / 영향

이 프로젝트는 LLM이 단순한 텍스트 생성을 넘어 개인화된 정보 필터링과 큐레이션 도구로서 실질적인 생산성 도구에 통합되는 사례를 보여준다. 특히 로컬 LLM(Ollama) 지원을 통해 데이터 프라이버시를 유지하면서도 고성능 AI 기능을 활용할 수 있는 자가 호스팅(Self-hosting) 트렌드를 가속화할 것으로 보인다.

섹션별 상세

LLM 기반의 정교한 콘텐츠 스코어링 시스템을 통해 정보의 질을 필터링한다. 수집된 기사는 사전에 정의된 기술 프로필(Kubernetes, eBPF, LLM 추론 등)과 비교되어 0-10점 사이의 점수를 부여받으며, 0-2점의 낮은 가치 기사는 자동으로 제외되고 8점 이상의 우수한 기사는 데일리 다이제스트로 분류된다.

사용자 상호작용을 통한 개인화 프로파일링 메커니즘을 구현했다. 기사에 대한 추천(Upvote) 및 비추천(Downvote) 데이터를 기반으로 태그 빈도를 분석하여 구조화된 선호도 프로필을 구축하며, 이는 LLM-Rec 연구 결과를 적용하여 단순 제목 기반 추천보다 15-22% 높은 순위 정확도를 보여준다.

3단계 중복 제거 기술을 사용하여 동일한 콘텐츠의 반복 노출을 방지한다. 추적 파라미터가 제거된 Canonical URL 정규화, 제목 핑거프린팅, 그리고 소스 신뢰도 기반의 단일 진실 공급원(Source of Truth) 선정 과정을 거쳐 여러 플랫폼에 동시 게재된 기사를 하나로 통합 관리한다.

FastAPI와 React를 기반으로 한 현대적인 풀스택 아키텍처를 채택했다. SQLite의 WAL(Write-Ahead Logging) 모드를 사용하여 데이터 무결성과 빠른 읽기 성능을 확보했으며, SSE(Server-Sent Events)를 통해 새로운 기사와 LLM 분석 결과가 실시간으로 UI에 반영되는 반응형 환경을 제공한다.

text

OPENROUTER_API_KEY=sk-or-v1-...
SCORER_MODEL=google/gemini-2.5-flash-lite

# 로컬 Ollama 폴백 설정
OLLAMA_URL=http://host.docker.internal:11434
OLLAMA_MODEL=mistral

FETCH_INTERVAL_MINUTES=15

LLM 모델 선택 및 폴링 간격 설정을 위한 환경 변수 구성 예시

코드 예제

bash

# 1. 환경 설정 구성
cp .env.example .env
# OPENROUTER_API_KEY 설정 (또는 Ollama 사용을 위해 비워둠)

# 2. 실행
docker compose up -d

Docker Compose를 사용하여 MakhalReader를 로컬 환경에 즉시 배포하는 명령어

실무 Takeaway

LLM을 콘텐츠 필터링 엔진으로 활용하여 기술 문서의 노이즈를 제거하고 핵심 정보에만 집중할 수 있는 개인화된 큐레이션 시스템 구축이 가능하다.
OpenRouter API를 통한 클라우드 모델(Gemini)과 Ollama를 통한 로컬 모델(Mistral)을 혼합 사용하여 비용 효율적인 AI 애플리케이션을 운영할 수 있다.
PWA와 오프라인 캐싱 기술을 결합하여 네트워크 연결이 불안정한 환경에서도 LLM이 요약한 기술 정보를 끊김 없이 소비할 수 있다.

언급된 리소스

GitHubMakhalReader GitHub Repository

논문LLM-Rec: Personalized Recommendation with LLM