1. Android 앱 개발 총괄
   • Jetpack Compose 기반 프론트엔드 앱 구조 설계 및 구현
   • 화면 간 네비게이션 구성
   • Hilt를 활용한 DI(의존성 주입), Retrofit/OkHttp3 기반 AWS 서버 연동
2. 사용자 인증, 회원가입, UIUX 등 주요 앱 기능 구현
   • 라이프로그 작성 기능 / UI 구현
   • 일기 생성 및 조회 기능 UI 구현
   • 서버 동기화 기능 구현
3. 디버깅 및 QA를 통한 사용자 경험 개선
   • 앱 초기 실행 시 자동로그인 및 SharedPreference로 사용자 상태 저장 처리
   • 디자인 요소 수정 및 유저플로우 개선
   • 사용자 피드백 반영을 위한 반응형 UI 구성

1. 백엔드 총괄

   • Spring Boot 기반 전체 API 서버 설계 및 구현
   • RESTful API(인증, 사용자, 라이프로그, LLM 등) 개발 및 테스트
   • JPA, JWT, Spring Security, OpenAI 연동 등 핵심 기능 개발
   • API 명세서 및 테스트 코드 작성

2. MCP 챗봇 서버 개발

   • fastmcp 기반 챗봇 서버(app.py) 설계 및 구현
   • 챗봇 명령어(tool) 설계 및 API 연동
   • Docker, 환경 변수, 배포 자동화 등 운영 환경 구축

3. 백엔드 전체 배포 및 운영 자동화

   • Docker, docker-compose, 환경 변수 관리, 배포 스크립트 작성
   • 실 서비스 운영을 위한 운영 가이드 작성

1. 프로젝트 기획 및 문서화

   • AI Life-Log 프로젝트 아이디어 제시 및 기획화
   • 서비스 운영 및 디자인 제시
   • 유사 SW/시스템 기술 사전 조사
   • 관련 논문 및 특허 조사

2. QA (Quality Assurance)

   • 앱 UI/UX 구성 및 반복 테스팅
   • 개발 테스팅 및 구현 보조
   • Docker, 환경 변수 등의 운영 환경 보조

1. 백엔드 보조

   • Docker, Docker-Compose 보조
   • 서비스 운용 보조 및 QA
   • JPA, JWT, Open AI 연동 및 핵심 기능 개발 보조
   • Dockerfile 및 DB 활용을 통한 백엔드 구현

2. AWS & VM 환경 총괄

   • AWS 배포 테스트 및 기능 구현
   • Android Studio를 통한 테스트 및 서버 주소 구현
   • VM 환경 제어 및 기능 구현

AI Life Log는 사용자의 일상 활동을 기록하고 분석하는 지능형 라이프로깅 시스템입니다. 사용자가 텍스트로 활동 일지를 축적하고, 이를 AI 기술을 활용하여 분석함으로써 사용자의 활동 패턴 및 일과를 파악하여 의미 있는 인사이트를 제공합니다.

• 단순한 일정 기록을 넘어, AI와 LLM을 활용해 사용자의 라이프스타일을 심층적으로 분석하고, 자기 객관화와 건강한 습관 형성을 지원하는 것이 목표입니다.
• 바쁜 현대인의 일상 패턴을 자동으로 기록·분석하여 자기 성찰과 생산성 향상에 도움을 줍니다.
• 자연어 기반 챗봇 인터페이스로 누구나 쉽게 일상 기록 및 분석이 가능합니다.

• Daylio 앱

  • 기분 및 활동 태그 기반 일지 작성, 통계 차트, 텍스트 기반 심리 분석
  • CSV/JSON 내보내기 → 외부 ML 플랫폼과 연동해 사용자별 맞춤형 추천을 가능케 함.
  • 이러한 구조는 GPS 기반 라이프로그 서비스와 쉽게 통합할 수 있어, 기분 데이터와 위치/활동 데이터를 동시 모델링하려는 프로젝트에 좋은 레퍼런스가 된다.

• 관련 논문 :: "Lifelog Retrieval From Daily Digital Data" (JMIR, 2022), 의미적 활동 검색, 멀티모달 데이터 통합 검색

  • 일상 라이프로그(이미지, GPS, 웨어러블, 텍스트 노트)를 “의미 단위(activities, events, concepts)”로 인덱싱하여 의미 기반 검색(semantic retrieval) 을 가능케 하는 기술 동향을 정리.
  • 우리 GPS·텍스트 기반 일지에서도 쿼리-바이-예시 UI(“지난주 비슷한 패턴 찾기”)를 구현하면 사용자가 과거의 활동 루틴/감정 상태를 직관적으로 탐색할 수 있다.
  • 논문에서 제안한 RL-to-Rank 전략은 사용자 피드백 기반 맞춤 모델 구축에 유용하므로, MVP 단계부터 ‘좋아요/별표’ 입력을 설계하여 학습 파이프라인을 마련하는 것이 좋다.

• 특허 :: EP2457207A1 – "Location-based information retrieval and analysis", 반복 활동 패턴 탐지, 텍스트 감정 및 웰니스 피드백 알고리즘

  • 모바일 단말로부터 위치·시간·사용자 메모를 수집 → 서버 측 패턴 탐지 엔진이 반복 행동(예: 출근 루트, 저녁 운동)을 식별
  • “행동 인사이트(Behavioural Insights)”와 웰니스 피드백(스트레스 지수, 좌식 시간 경고 등)을 사용자에게 제공.
  • 본 특허는 2012 출원으로, 핵심 알고리즘(클러스터링·감정 추출)은 이미 공개기술 상태이다. 우리 서비스가 (a) 강화학습 기반 개인화 추천, (b) 프라이버시 보호 연산(온-디바이스 연산, 연합학습) 등을 추가하면 차별화 + 특허 회피 전략을 동시에 달성할 수 있다.

• 백엔드: Spring Boot, PostgreSQL, OpenAI API
• 프론트엔드: Android, Kotlin, Jetpack Compose UI ToolKit
• 챗봇: fastmcp, OpenAI API
• 데이터베이스: PostgreSQL
• 클라우드: Amazon EC2, Amazon RDS

• 백엔드의 api server는 Spring Boot를 사용하여 개발되었습니다. 기본적인 사용자와, 사용자의 lifelog를 추가, 조회, 수정, 삭제하는 기능을 restful하게 제공합니다.
• jwt 토큰을 통해 회원가입과 로그인과 같은 인증을 구현하였고, jpa를 통해 데이터베이스와 연동하였습니다.
• Spring AI 프레임워크를 통해 OPENAI 서비스와 연동하고 template, function calling, structured output과 같은 부가적인 기능 개발에 활용하였습니다.

• fastmcp를 통해 로컬환경에서 실행되는 sse 기반 챗봇 서버를 구현하였습니다.
• agent에게 제공하는 기능은 login, create_log, get_logs, update_log 입니다.
• 먼저 로그인 후, agent의 재량에 따라 라이프로그를 생성하거나, 라이프로그를 조회하거나, 라이프로그를 수정할 수 있습니다.

• Android Native Application으로 개발하였습니다.
• 사용자가 라이프로그를 생성, 조회, 수정, 삭제할 수 있는 직관적인 UI를 제공합니다.
• Jetpack Compose를 활용하여 화면을 구성하였으며, Hilt를 이용한 의존성 주입(DI) 구조로 개발되었습니다.
• 사용자 인증(회원가입/로그인) 후에는 발급받은 JWT 토큰을 SharedPreference에 저장하고, 이를 통해 저장해 둔 AccessToken을 Header애 태워 서버에 전달합니다.
• Retrofit을 사용하여 RESTful API 서버와 통신하며, LLM 기반 분석/생성 기능도 UI에서 쉽게 접근할 수 있도록 구현하였습니다.

• 주요 화면 구성
  • 회원가입 및 로그인 화면
    • 사용자로부터 ID와 비밀번호를 입력받아 서버에 전달
    • 로그인 성공 시 JWT 토큰을 로컬에 저장하고 메인 화면으로 이동
  • 라이프로그 목록 화면
    • 서버로부터 전체 또는 기간별 라이프로그 목록을 불러와 표시
    • LazyColumn 형식으로 구성되며, 페이징 처리(paging 기능) 포함
  • 라이프로그 생성/수정 화면
    • 텍스트 입력을 통해 라이프로그를 작성
    • 기존 로그를 수정할 때는 동일한 UI에서 데이터를 불러와 편집 가능
  • 라이프로그 AI 분석 화면
    • 작성했던 로그를 활용하여, LLM에게 요약, 정리 등 다양한 요청 가능
    • LLM 분석 결과(예: 요약, 감정 분석 등) 표시

• 인증 API 명세서
• 라이프로그 API 명세서
• LLM API 명세서
• 사용자 API 명세서

sequenceDiagram
    participant User as "사용자"
    participant API as "API 서버 (Spring Boot)"
    participant DB as "DB (PostgreSQL)"

    User->>API: POST /api/v2/auth/login {username, password}
    API->>DB: 사용자 인증 정보 확인
    DB-->>API: 인증 결과 반환
    API-->>User: JWT 토큰 반환

    User->>API: POST /api/v2/logs {title, description, timestamp} (JWT)
    API->>DB: 라이프로그 저장
    DB-->>API: 저장 결과 반환
    API-->>User: 생성된 라이프로그 반환

    User->>API: GET /api/v2/logs?page=0&size=10&from=...&to=... (JWT)
    API->>DB: 라이프로그 목록 조회
    DB-->>API: 라이프로그 목록 반환
    API-->>User: 라이프로그 목록 반환

    User->>API: PUT /api/v2/logs/{id} {...} (JWT)
    API->>DB: 라이프로그 수정
    DB-->>API: 수정 결과 반환
    API-->>User: 수정된 라이프로그 반환

    User->>API: DELETE /api/v2/logs/{id} (JWT)
    API->>DB: 라이프로그 삭제
    DB-->>API: 삭제 결과 반환
    API-->>User: 삭제 완료

sequenceDiagram
    participant User as "사용자"
    participant API as "API 서버 (Spring Boot)"
    participant LLM as "LLM(OpenAI)"
    participant DB as "DB (PostgreSQL)"

    User->>API: POST /api/v2/llms/ask {prompt} (JWT)
    API->>DB: 사용자 라이프로그 등 컨텍스트 조회
    DB-->>API: 컨텍스트 데이터 반환
    API->>LLM: 프롬프트 + 컨텍스트 전달 (Function Calling)
    LLM-->>API: 요약/분석 결과 반환
    API-->>User: content(String) 반환

    User->>API: POST /api/v2/llms/generate {prompt, date} (JWT)
    API->>LLM: 프롬프트 전달
    LLM-->>API: 자유 텍스트 응답 반환
    API->>API: Structured Output 변환 (JSON → LifeLog 리스트)
    API->>DB: LifeLog 저장
    DB-->>API: 저장 결과 반환
    API-->>User: content(List<LifeLog>) 반환

function calling 기능을 통해 요약할 lifelog의 범위를 사용자 입력의 context 기반으로 추출가능하도록 구현하고, structured output 기능을 통해 라이프로그 출력을 원하는 방식으로 구조화 화고 object 형태로 반환하도록 구현하였습니다.

sequenceDiagram
    participant User as "사용자"
    participant MCP as "MCP 챗봇"
    participant API as "API 서버"

    User->>MCP: 로그인(username, password)
    MCP->>API: POST /api/v2/auth/login {username, password}
    API-->>MCP: JWT 토큰 반환
    MCP-->>User: 로그인 결과 안내

    User->>MCP: 라이프로그 생성(title, description, timestamp)
    MCP->>API: POST /api/v2/logs {title, description, timestamp} (JWT)
    API-->>MCP: 생성 결과 반환
    MCP-->>User: 생성 결과 안내

    User->>MCP: 라이프로그 조회(page, size, from, to)
    MCP->>API: GET /api/v2/logs?page=0&size=10&from=...&to=... (JWT)
    API-->>MCP: 라이프로그 목록 반환
    MCP-->>User: 목록 안내

    User->>MCP: 라이프로그 수정(log_id, ...)
    MCP->>API: PUT /api/v2/logs/{id} {...} (JWT)
    API-->>MCP: 수정 결과 반환
    MCP-->>User: 수정 결과 안내

    User->>MCP: 라이프로그 삭제(log_id)
    MCP->>API: DELETE /api/v2/logs/{id} (JWT)
    API-->>MCP: 삭제 결과 반환
    MCP-->>User: 삭제 결과 안내

sse 기반 챗봇 서버를 통해 사용자의 요청을 받아 백엔드 api 서버와 연동하여 처리하는 기능을 구현하였습니다.

• Android Studio Ladybug 2024.2.1 Patch 3
• Kotlin 2.0.20 이상
• Gradle 8.x
• Android SDK 34 이상
• Java 11
• Windows 11

1. 본 레포지토리의 FE 디렉토리를 Android Studio로 프로젝트 오픈.
2. build.gradle.kts 및 settings.gradle.kts sync.
3. 실제 기기(Android 모바일 디바이스) 유선 연결 또는 IDE 내 탑재된 Android 에뮬레이터 설정
4. app 모듈을 선택하고 Run 실행 (Shift + F10)
5. 아이디/비밀번호로 회원 가입 후 라이프로그 작성
6. 앱을 종료 및 재실행 시 토큰이 유효하다면 자동 로그인, 아닐 시 로그인 페이지로 이동

• 회원가입 / 로그인 (JWT 기반)
• 라이프로그 생성 / 삭제 / 조회
• GPT 기반 분석 / 생성 기능 호출

• 위치: BE/AI-Life-Log-v2/

• Java 17 이상
• Android Studio (앱 개발용)
• Python 3.11 이상 (fastmcp 서버용)
• PostgreSQL 데이터베이스
• OpenAI API 키
• Docker (배포용)

1. 환경 변수 설정

OPENAI_API_KEY=your_api_key
SPRING_DATASOURCE_URL=your_database_url
SPRING_DATASOURCE_USERNAME=your_username
SPRING_DATASOURCE_PASSWORD=your_password

2. 의존성 설치 및 빌드 (Spring Boot)

./gradlew build

3. 애플리케이션 실행 (Spring Boot)

./gradlew bootRun

1. .env 파일 생성 및 환경 변수 설정

SERVER_PORT=8080
OPENAI_API_KEY=sk-???
DB_URL=jdbc:postgresql://your-host:your-port/your-database
DB_USER=postgres
DB_PASSWORD=your-password
JWT_SECRET=???

2. 빌드 및 실행

docker-compose up --build

데이터베이스와 함께 서버가 실행됩니다.

• 위치: BE/AI-Life-Log-v2/fastmcp/

python -m venv .venv
# Windows
.venv\Scripts\activate
# macOS/Linux
source .venv/bin/activate
pip install --upgrade pip
pip install -r requirements.txt

• .env 파일 예시:

APPLICATION_URL=http://localhost:8080
HOST=0.0.0.0
PORT=8000
CURSOR_ENABLED=true
CURSOR_URL=http://localhost:8000

• 또는 환경변수로 직접 지정 가능

python app.py

• 기본적으로 8000번 포트에서 SSE 기반으로 실행됩니다.
• Windows 환경에서는 내부적으로 asyncio 설정이 자동 적용됩니다.

docker build -t fastmcp .
docker run -p 8000:8000 --env-file .env fastmcp

• Docker 환경에서도 .env 파일을 활용할 수 있습니다.

• 예시 (Cursor 환경):

mcp {
    "name": "ai-life-log-mcp",
    "url": "http://localhost:8000/mcp"
}

• Cursor의 settings > mcp 탭에서 위와 같이 등록

• 로그인: login(username, password)
• 라이프로그 생성: create_log(title, description, timestamp)
• 라이프로그 조회: get_logs(page, size, from_date, to_date)
• 라이프로그 수정: update_log(log_id, title, description, timestamp)

• 가상환경 비활성화:
  • Windows: deactivate
  • macOS/Linux: deactivate

1. 서버 실행 후, Cursor에서 MCP 연결 설정을 추가합니다.
2. 챗봇에게 "login", "create_log", "get_logs" 등 명령어를 자연어로 입력해 라이프로그를 관리할 수 있습니다.
3. 서버 로그와 챗봇 응답을 통해 정상 동작을 확인하세요.

포트 충돌, 환경 변수 누락 등 오류가 발생하면 설정을 다시 확인하세요.

1. 개인 생활 관리

   • 일상 활동 기록 및 패턴 분석
   • 시간 관리 효율화
   • 챗봇을 통한 손쉬운 기록/조회/분석

2. 전문가 상담 보조

   • 상담사를 위한 객관적 데이터 제공
   • 생활 패턴 기반 맞춤형 상담
   • 심리 상태 추적 및 분석

3. 연구 및 분석

   • 사용자의 행동 패턴 연구 및 기록화
   • 생활 패턴과 웰빙의 상관관계 연구

4. 교육 분야

   • 학습 활동 기록 및 분석
   • 생산성 향상을 위한 패턴 분석
   • 시간 관리 교육 자료로 활용