본문으로 건너뛰기
피드

Lathe, LLM에게 코딩을 맡기는 대신 새 도메인을 배우게 해주는 튜토리얼 도구

ai-ml 약 10분
vote
0
댓글
북마크

Lathe는 LLM을 ‘대신 생각해주는 도구’가 아니라 ‘직접 손으로 배우게 해주는 튜터’로 쓰려는 실험이다. Go로 만든 단일 바이너리 CLI와 LLM 스킬을 묶어, 사용자가 원하는 주제의 실습형 튜토리얼을 만들고 로컬 UI에서 직접 따라가게 한다.

  • 1

    Lathe는 단일 또는 다중 파트 기술 튜토리얼을 LLM으로 생성한다

  • 2

    사용자는 생성된 튜토리얼을 로컬 UI에서 직접 손으로 따라간다

  • 3

    Claude Code, Cursor, Codex용 스킬을 설치해 질문, 검증, 확장 작업을 할 수 있다

  • 4

    CLI는 상태와 튜토리얼 저장을 담당하고, LLM 호출은 사용자의 인터랙티브 세션에서 이뤄진다

  • 5

    검증 기능은 임시 디렉터리에서 튜토리얼 단계를 실행하고 성공, 실패, 스킵 상태를 기록한다

LLM을 ‘대신 코딩하는 존재’가 아니라 ‘튜터’로 쓰자는 실험

  • Lathe는 LLM으로 실습형 기술 튜토리얼을 만들고, 사용자가 직접 따라가며 배우게 하는 도구임

    • 작성자는 “LLM이 생각을 대신하게 하지 말고, 나를 가르치게 하자”는 문제의식에서 출발했다고 설명함
    • 단일 파트 튜토리얼도 되고, 여러 파트로 이어지는 시리즈도 만들 수 있음
    • 예시 프롬프트는 /lathe build a 3D Slicer in Erlang처럼 원하는 주제를 바로 던지는 방식
  • 핵심은 자동 완성이 아니라 손으로 하는 학습임

    • Lathe가 튜토리얼을 만들면 사용자는 로컬 UI에서 직접 읽고 코드를 입력하며 진행함
    • 작성자는 PSP 홈브루, Lua, C++, Crafting Interpreters, build-your-own-x 같은 손맛 있는 튜토리얼에서 배운 경험을 계속 언급함
    • 요즘 LLM은 제품을 빨리 ship하는 데는 좋지만, 직접 부딪히며 이해하는 순간을 빼앗는다는 문제의식이 깔려 있음

ℹ️참고

> Lathe의 포지션은 “사람이 쓴 좋은 튜토리얼을 대체”가 아님. 사람 자료가 없거나 너무 새로운 도메인에서, 0에서 1로 넘어가는 발판을 만드는 쪽에 가까움

구조는 Go CLI + LLM 스킬 + 로컬 웹 UI

  • Lathe는 Go로 만든 단일 바이너리 CLI로 배포됨

    • macOS는 Homebrew cask로 설치 가능함
    • Linux는 설치 스크립트나 go install github.com/devenjarvis/lathe@latest를 쓰는 방식
    • 기본 웹 서버 포트는 4242이고, lathe serve로 브라우저를 열어 튜토리얼을 읽음
  • 튜토리얼 생성과 보조 작업은 LLM 세션 안에서 스킬로 실행됨

    • Claude Code, Cursor, Codex를 지원한다고 되어 있음
    • Codex는 Claude Code와 같은 SKILL.md 형식을 그대로 사용한다고 설명함
    • Cursor 쪽은 slash command 형태로 설치되고, 런타임 세부 동작은 약간 다를 수 있음
  • CLI는 LLM을 직접 호출하지 않고, 오래 남아야 하는 상태를 관리함

    • 튜토리얼 파일은 ~/.lathe/tutorials/ 아래에 slug별 디렉터리로 저장됨
    • metadata.json, part-01.md, part-02.md 같은 구조로 쌓임
    • 상태값은 unverified, verifying, verified, failed, skipped, extending 같은 식으로 관리됨
sequenceDiagram
    participant 사용자
    participant LLM세션
    participant Lathe스킬
    participant LatheCLI
    participant 로컬UI
    사용자->>LLM세션: 만들고 싶은 튜토리얼 요청
    LLM세션->>Lathe스킬: /lathe 명령 실행
    Lathe스킬->>LatheCLI: 튜토리얼과 출처 저장
    사용자->>로컬UI: lathe serve로 읽기 시작
    로컬UI->>사용자: 질문·검증·확장 명령 제공
    사용자->>LLM세션: /lathe-ask 또는 /lathe-verify 실행

그냥 Claude에게 물어보는 것과 뭐가 다르냐면

  • Lathe는 튜토리얼 라이브러리 관리에 신경을 꽤 많이 씀

    • 목록 화면에서 제목, 주제, 태그, 저장소, 도구 버전으로 검색 가능함
    • 최신순, 오래된순, 제목순 정렬이 있고, 상태·타입·태그·버전 필터도 있음
    • 전부 클라이언트 사이드라 오프라인에서도 빠르게 동작하는 쪽을 노림
  • 튜토리얼마다 생성 맥락을 기록함

    • 어떤 모델이 썼는지, 어떤 voice를 썼는지, 어떤 출처를 참고했는지 남김
    • sources 필드는 튜토리얼 레벨의 research trail 역할을 함
    • 읽기 화면에는 “Researched against N sources” 패널로 출처 목록을 펼쳐볼 수 있음
  • voice 시스템도 들어가 있음

    • 기본 voice는 plainspoken이고, 정확하고 솔직한 톤을 목표로 함
    • companion은 조금 더 따뜻하고 재치 있는 1인칭 친구 같은 톤을 시도함
    • 커스텀 voice도 만들 수 있지만, 실존 인물 사칭이나 허위 경력 꾸미기는 막도록 설계했다고 함

중요

> 작성자는 Lathe가 AI slop 튜토리얼 생산 도구로 쓰이는 걸 경계함. 그래서 모델, voice, 출처를 드러내고 “개인 학습용”이라는 경계를 계속 강조함

검증은 자동 실행이 아니라 사용자 LLM 세션 안에서 이뤄짐

  • Lathe의 verification은 옵트인임

    • 튜토리얼을 저장하면 기본 상태는 unverified
    • 사용자가 lathe verify <slug>나 웹 UI의 Verify 버튼을 누르면, 실제로는 /lathe-verify <slug> 명령을 LLM 세션에 붙여넣는 흐름
  • 검증 스킬은 튜토리얼 단계를 실제로 따라가며 확인함

    • mktemp -d 임시 디렉터리를 만들고, 그 안에서 파일 생성과 명령 실행을 진행함
    • ## Checkpoint 블록을 실행해 컴파일·실행 여부를 확인함
    • 결과는 lathe verify-result로 기록되고, 실패하면 실패한 파트·단계·에러 출력이 남음
  • 격리는 완전한 보안 경계가 아니라 작업물 오염을 줄이는 장치에 가까움

    • 작성자는 임시 디렉터리 방식을 soft isolation이라고 표현함
    • LLM 도구 호출은 사용자의 평소 permission model 아래에서 보이고 승인되는 구조임
    • 필요한 툴체인이 없으면 검증 결과는 skipped로 남음

아직은 개인 도구에 가까운, 하지만 방향은 꽤 흥미로운 프로젝트

  • 작성자는 Lathe가 “vibecoded”됐다고 솔직히 밝힘

    • 범위와 리스크가 낮은 개인 학습 도구라서 가능한 접근이었다는 설명
    • 현재 주된 테스트 환경은 macOS에서 Claude Code를 쓰는 본인 사용 사례임
    • 다른 환경에서도 동작해야 하지만 충분히 검증되지는 않았고, 이슈 리포트를 원한다고 함
  • 추천 모델도 꽤 현실적으로 말함

    • 튜토리얼 생성은 단순 반복 코딩보다 조사, 설계, 설명이 중요하다고 봄
    • 그래서 Opus나 GPT-5 Codex 같은 큰 thinking 모델을 권장함
    • 튜토리얼 생성은 일반적인 바이브코딩보다 토큰을 덜 먹는 편이라고도 언급함
  • 한국 개발자에게도 꽤 실용적인 아이디어임

    • 한국어 자료가 부족한 신생 기술, 임베디드, 3D 프린팅, 특정 언어 생태계 같은 영역에서 특히 쓸 만함
    • 다만 사람이 쓴 좋은 자료가 있다면 그걸 먼저 보는 게 낫다는 전제를 깔고 써야 함
    • Lathe가 좋은 건 정답을 대신 주는 게 아니라, 질문하고 의심하면서 직접 따라갈 판을 만들어준다는 점임

기술 맥락

  • Lathe가 Go CLI를 따로 둔 이유는 LLM 세션이 오래 남는 상태 관리에 약하기 때문이에요. 튜토리얼 파일, 메타데이터, 검증 결과, 출처 목록처럼 나중에 다시 봐야 하는 정보는 로컬 바이너리가 책임지는 편이 훨씬 안정적이거든요.

  • LLM 호출을 CLI 안에 숨기지 않고 Claude Code, Cursor, Codex 같은 인터랙티브 세션에 맡긴 것도 의도적인 선택이에요. 사용자가 도구 호출을 보고 승인하는 기존 권한 모델을 그대로 쓰면, 튜토리얼 검증 중 실행되는 명령을 더 투명하게 다룰 수 있어요.

  • 검증을 mktemp -d 임시 디렉터리에서 하는 건 학습 중인 저장소를 더럽히지 않기 위한 장치예요. 다만 원문에서도 말하듯 이건 보안 샌드박스가 아니라 작업 공간 분리 수준이라, 실행 명령 자체는 여전히 사용자가 확인해야 해요.

  • 출처와 모델, voice를 메타데이터에 남기는 건 LLM 튜토리얼의 가장 큰 약점인 신뢰 문제를 줄이려는 선택이에요. 생성물이 틀릴 수 있다는 전제를 숨기지 않고, 사용자가 어디를 근거로 썼는지 확인하게 만드는 쪽에 가깝죠.

LLM 시대의 학습 문제를 꽤 정확히 찌른 도구다. 생산성은 올라갔는데 ‘내가 이해하고 만들었다’는 감각이 사라지는 사람에게, LLM을 자동화 엔진이 아니라 튜토리얼 작성자 겸 질문 상대처럼 쓰자는 제안이다.

댓글

댓글

댓글을 불러오는 중...

ai-ml

딥시크 V4 프로, 정밀도 평가에서 GPT 5.5 프로를 앞섰다는 벤치마크

DeepSeek V4 Pro가 정밀도 중심 평가에서 GPT 5.5 Pro를 38.0 대 33.0으로 앞섰다는 내용이다. 핵심은 모델이 얼마나 그럴듯하게 말하느냐가 아니라, 제약 조건을 얼마나 정확히 지키고 엣지 케이스를 덜 놓치느냐에 있었다.

ai-ml

엔비디아와 네이버, 기가와트급 AI 클라우드 동맹 띄운다

젠슨 황 엔비디아 최고경영자가 네이버 1784를 찾아 네이버와 함께 한국을 시작으로 전 세계에 거대한 AI 클라우드를 구축하겠다고 말했다. 네이버는 엔비디아와 국내 최대 하이퍼스케일 데이터센터 ‘각 세종’의 4배 규모에 해당하는 기가와트급 AI 팩토리 구축에 합의했다고 밝혔다.

ai-ml

젠슨 황이 네이버 1784에 온 이유, GPU 공급을 넘어 AI 클라우드 판 키우기

젠슨 황 엔비디아 CEO가 네이버 1784를 방문해 이해진 의장과 AI 인프라 협력 확대를 공식화함. 네이버는 엔비디아와 글로벌 AI 팩토리 사업을 추진하고, 2027년 55MW를 시작으로 2028년 200MW, 장기적으로 GW급 인프라까지 보겠다는 계획을 내놨음.

ai-ml

정부 2조 GPU 사업, 네이버클라우드·삼성SDS·엘리스그룹이 가져감

과기정통부가 2조800억원 규모의 첨단 GPU 확보 사업자로 네이버클라우드, 삼성SDS, 엘리스그룹을 선정함. 엔비디아 베라루빈 2천16장과 B300 7천688장, 총 9천704장을 확보해 공공·민간 AI 개발에 투입할 계획임.

ai-ml

LG CNS, 바이브 코딩을 넘어 기업 시스템까지 이해하는 AI 개발자 공개

LG CNS가 대규모 IT 시스템 구축·운영 전 과정을 자동화하는 에이전틱 AI 개발 플랫폼 AIND를 출시했다. 자연어 요구사항 입력부터 분석·설계, 코딩, 테스트·품질 검증까지 여러 AI 에이전트가 협업하고, 기업별 개발 표준·보안 규정·소스코드를 구조화한 지식 파운데이션으로 기존 시스템과의 충돌을 줄이는 방식이다.