감정 평가사 - AI로 내 문장의 온도를 측정하는 사이드 프로젝트
Next.js 16, React 19, TypeScript, Tailwind CSS v4, OpenAI, Supabase, AWS Amplify
왜 만들었나
직장생활을 하다 보면 메시지 한 줄 보내는 데 10분 넘게 고민할 때가 있습니다.
“확인 부탁드립니다.” — 너무 차갑나?
“혹시 가능하시면 봐주실 수 있을까요?” — 너무 소극적인가?
“감사합니다 😊” — 아부처럼 보이나?
나만 이런 고민을 하는 건 아닐 것 같았습니다. 비슷한 상황에서 매번 혼자 머릿속으로 검열하고 있는 사람들이 분명 있을 거라고 생각했습니다.
그래서 만들었습니다. 감정 평가사(Gamjeong Appraiser) — 문장을 입력하면 4가지 축으로 톤을 점수화하고, 3가지 스타일로 다듬어주는 서비스입니다.
주요 기능
1. 컨텍스트 기반 분석
상사·임원, 고객·클라이언트, 팀원·동료, 외부 파트너 중 대상을 먼저 선택합니다. 같은 문장이라도 누구에게 보내느냐에 따라 적절한 톤이 다르기 때문입니다.
2. 4축 톤 점수화
| 축 | 설명 |
|---|---|
| 따뜻함 ↔ 차가움 | 감정적 온도감 |
| 격식 ↔ 캐주얼 | 상황에 맞는 문체인지 |
| 직접적 ↔ 우회적 | 의도 전달의 명확성 |
| 자신감 수준 | 주장의 강도와 확신감 |
3. 3가지 다듬은 버전 제안
프로페셔널하게, 따뜻하고 친근하게, 간결하고 직접적으로 — 각 버전을 바로 복사해서 쓸 수 있습니다.
4. 분석 내역 저장
카카오 소셜 로그인 후 분석 기록을 저장하고 나중에 다시 볼 수 있습니다.
기술 스택
| 분류 | 기술 |
|---|---|
| Framework | Next.js 16, React 19 |
| Language | TypeScript |
| Styling | Tailwind CSS v4 |
| AI | OpenAI (gpt-4o-mini) |
| Auth / DB | Supabase (Kakao OAuth) |
| Deploy | AWS Amplify |
핵심 구현: 톤 분석 API
분석의 핵심은 /api/analyze 라우트입니다. OpenAI에 JSON 형식으로 응답을 요청하고, 결과를 Supabase에 저장합니다.
const completion = await client.chat.completions.create({
model: 'gpt-4o-mini',
response_format: { type: 'json_object' },
messages: [
{
role: 'system',
content:
'당신은 한국어 비즈니스 커뮤니케이션 전문가입니다. 요청된 JSON 형식으로만 응답합니다.',
},
{
role: 'user',
content: `아래 메시지를 분석해주세요.
- 보내는 대상: ${contextLabel}
- 원문: "${text}"
{
"scores": {
"warmth": <0~100>,
"formality": <0~100>,
"directness": <0~100>,
"confidence": <0~100>
},
"summary": "<톤 전반 평가>",
"professional": "<프로페셔널 버전>",
"warm": "<따뜻한 버전>",
"concise": "<간결한 버전>"
}`,
},
],
});
response_format: { type: 'json_object' } 옵션을 사용해 OpenAI가 항상 파싱 가능한 JSON을 반환하도록 강제했습니다. 이 옵션 없이는 가끔 마크다운 코드블록으로 감싸서 응답하는 경우가 있어 파싱이 깨졌습니다.
로그인 사용자의 경우 분석 결과를 Supabase에 저장합니다. 비로그인 사용자도 분석은 가능하되, 내역은 저장되지 않습니다.
아키텍처: FSD (Feature-Sliced Design)
프로젝트 구조는 FSD를 채택했습니다.
src/
├── app/ # Next.js 라우팅, API 라우트
├── views/ # 페이지 단위 컴포넌트 (LandingPage, AnalyzePage, HistoryPage)
├── widgets/ # 독립적인 UI 블록 (Header, Footer)
├── entities/ # 비즈니스 도메인 (analysis 관련 타입, 상수)
└── shared/ # 공통 유틸, Supabase 클라이언트
규모가 크지 않아서 오버엔지니어링일 수도 있지만, 포트폴리오 목적이기도 해서 의식적으로 레이어 분리를 연습했습니다. 특히 entities/analysis에 상수와 타입을 모아두니 API 라우트와 뷰 컴포넌트 양쪽에서 일관되게 쓸 수 있어서 좋았습니다.
배포: AWS Amplify
AWS Amplify를 처음 써봤는데 Next.js App Router와 궁합이 좋았습니다. GitHub 연동 후 amplify.yml만 작성하면 브랜치 푸시마다 자동 배포됩니다. 환경변수 관리도 콘솔에서 깔끔하게 됩니다.
마치며
작은 프로젝트지만 “내가 실제로 쓰고 싶어서” 만든 것이라 완성도를 높이는 데 재미가 있었습니다. 실제로 메시지 보내기 전에 종종 써보고 있습니다.
다음에는 분석 내역을 바탕으로 개인 커뮤니케이션 패턴을 시각화하는 기능을 추가해볼 생각입니다.
