DOCS/400_growth/410_레벨업_알고리즘과_사용자_피드백.md

레벨업 알고리즘과 사용자 피드백 루프

개요

로빙의 성장은 단순한 시간 경과가 아닌, 사용자와의 상호작용 품질과 피드백에 기반합니다. 이 장에서는 경험치 시스템, 레벨업 메커니즘, 그리고 사용자 피드백을 성장으로 변환하는 알고리즘을 상세히 다룹니다.

경험치(EXP) 시스템

경험치 획득 구조

class ExperienceSystem:
    def __init__(self):
        self.exp_rules = {
            # 기본 상호작용
            "message_processed": 1,
            "question_answered": 5,
            "task_completed": 20,
            
            # 품질 보너스
            "positive_feedback": 50,
            "problem_solved": 100,
            "creative_solution": 200,
            
            # 부정적 피드백
            "negative_feedback": -10,
            "task_failed": -20,
            "misunderstanding": -5
        }
        
    def calculate_exp_gain(self, interaction: dict):
        base_exp = self.exp_rules.get(interaction['type'], 0)
        
        # 난이도 가중치
        difficulty_multiplier = self.get_difficulty_multiplier(
            interaction.get('complexity', 'medium')
        )
        
        # 사용자 만족도 가중치
        satisfaction_multiplier = self.get_satisfaction_multiplier(
            interaction.get('user_satisfaction', 0.7)
        )
        
        # 연속 성공 보너스
        streak_bonus = self.calculate_streak_bonus(
            interaction.get('success_streak', 0)
        )
        
        total_exp = (base_exp * difficulty_multiplier * 
                    satisfaction_multiplier) + streak_bonus
        
        return max(0, int(total_exp))  # 음수 방지

경험치 카테고리별 관리

class CategoryExperience:
    def __init__(self):
        self.categories = {
            "communication": 0,
            "problem_solving": 0,
            "creativity": 0,
            "reliability": 0,
            "learning": 0
        }
        
    def distribute_exp(self, total_exp: int, interaction_type: str):
        # 상호작용 유형에 따른 경험치 분배
        distribution_rules = {
            "conversation": {
                "communication": 0.6,
                "learning": 0.2,
                "creativity": 0.2
            },
            "task_execution": {
                "problem_solving": 0.5,
                "reliability": 0.4,
                "learning": 0.1
            },
            "creative_work": {
                "creativity": 0.7,
                "problem_solving": 0.2,
                "communication": 0.1
            }
        }
        
        distribution = distribution_rules.get(
            interaction_type, 
            {"learning": 1.0}  # 기본값
        )
        
        for category, ratio in distribution.items():
            self.categories[category] += int(total_exp * ratio)

레벨업 메커니즘

레벨 요구 경험치 곡선

def calculate_required_exp(level: int) -> int:
    """
    레벨업에 필요한 누적 경험치 계산
    초반에는 빠르게, 후반에는 천천히 성장
    """
    if level <= 5:
        # 초반 레벨 (1-5): 선형 증가
        return level * 100
    elif level <= 10:
        # 중반 레벨 (6-10): 제곱 증가
        return 500 + (level - 5) ** 2 * 50
    elif level <= 15:
        # 후반 레벨 (11-15): 지수 증가
        return 1750 + (level - 10) ** 2.5 * 100
    else:
        # 최고 레벨 (16-20): 급격한 증가
        return 5000 + (level - 15) ** 3 * 200

# 레벨별 필요 경험치 테이블
LEVEL_REQUIREMENTS = {
    1: 0,      2: 100,    3: 200,    4: 300,    5: 400,
    6: 550,    7: 750,    8: 1000,   9: 1300,   10: 1750,
    11: 2066,  12: 2516,  13: 3145,  14: 4000,  15: 5126,
    16: 6200,  17: 8800,  18: 13400, 19: 21600, 20: 35000
}

레벨업 프로세스

class LevelUpManager:
    def __init__(self, robeing_id: str):
        self.robeing_id = robeing_id
        self.current_level = 1
        self.current_exp = 0
        self.stat_points = 5  # 시작 포인트
        
    async def check_level_up(self):
        while self.current_exp >= LEVEL_REQUIREMENTS.get(self.current_level + 1, float('inf')):
            await self.perform_level_up()
            
    async def perform_level_up(self):
        self.current_level += 1
        
        # 스탯 포인트 획득
        new_stat_points = 5
        self.stat_points += new_stat_points
        
        # 레벨업 이벤트 생성
        level_up_event = {
            "type": "LEVEL_UP",
            "robeing_id": self.robeing_id,
            "new_level": self.current_level,
            "stat_points_gained": new_stat_points,
            "timestamp": datetime.now(),
            "unlocked_features": self.get_unlocked_features(self.current_level)
        }
        
        # 사용자에게 알림
        await self.notify_user(level_up_event)
        
        # 자동 스탯 분배 (사용자 선호도 기반)
        await self.auto_distribute_stats()

사용자 피드백 시스템

피드백 수집 메커니즘

class FeedbackCollector:
    def __init__(self):
        self.feedback_types = {
            "explicit": {
                "thumbs_up": 1.0,
                "thumbs_down": -1.0,
                "star_rating": lambda stars: (stars - 3) / 2,
                "text_feedback": self.analyze_text_sentiment
            },
            "implicit": {
                "task_completion_time": self.analyze_efficiency,
                "follow_up_questions": self.analyze_clarity,
                "user_corrections": self.analyze_accuracy,
                "session_duration": self.analyze_engagement
            }
        }
        
    async def collect_feedback(self, interaction_id: str):
        feedback_data = {
            "explicit": await self.get_explicit_feedback(interaction_id),
            "implicit": await self.analyze_implicit_signals(interaction_id),
            "context": await self.get_interaction_context(interaction_id)
        }
        
        return self.process_feedback(feedback_data)

피드백 분석 알고리즘

class FeedbackAnalyzer:
    def __init__(self):
        self.sentiment_analyzer = SentimentAnalyzer()
        self.pattern_detector = PatternDetector()
        
    def analyze_feedback_pattern(self, feedback_history: List[dict]):
        # 시간별 피드백 트렌드
        trend = self.calculate_feedback_trend(feedback_history)
        
        # 카테고리별 강약점 분석
        strengths_weaknesses = self.identify_patterns({
            "communication": self.extract_communication_feedback(feedback_history),
            "accuracy": self.extract_accuracy_feedback(feedback_history),
            "speed": self.extract_speed_feedback(feedback_history),
            "creativity": self.extract_creativity_feedback(feedback_history)
        })
        
        # 사용자별 선호도 프로파일
        user_preferences = self.build_user_preference_profile(feedback_history)
        
        return {
            "trend": trend,
            "patterns": strengths_weaknesses,
            "user_preferences": user_preferences,
            "recommendations": self.generate_improvement_recommendations(
                strengths_weaknesses
            )
        }

피드백-성장 변환 엔진

class FeedbackToGrowthEngine:
    def __init__(self):
        self.growth_rules = self.load_growth_rules()
        self.learning_rate = 0.1
        
    def convert_feedback_to_growth(self, feedback: dict, current_stats: dict):
        growth_vectors = {}
        
        # 긍정적 피드백 → 해당 영역 강화
        if feedback['sentiment'] > 0.7:
            affected_stats = self.identify_relevant_stats(feedback['context'])
            for stat in affected_stats:
                growth_vectors[stat] = feedback['sentiment'] * 0.2
        
        # 부정적 피드백 → 학습 기회
        elif feedback['sentiment'] < 0.3:
            # 실패에서 배우기
            learning_bonus = self.calculate_learning_from_failure(feedback)
            growth_vectors['learning_efficiency'] = learning_bonus
            
            # 약점 보완 계획
            weakness = self.identify_weakness(feedback)
            growth_vectors[f'{weakness}_improvement'] = 0.3
        
        # 중립 피드백 → 미세 조정
        else:
            adjustments = self.fine_tune_behavior(feedback)
            growth_vectors.update(adjustments)
        
        return self.apply_growth_vectors(current_stats, growth_vectors)

적응형 성장 알고리즘

개인화된 성장 경로

class AdaptiveGrowthPath:
    def __init__(self, robeing_id: str):
        self.robeing_id = robeing_id
        self.growth_history = []
        self.user_interaction_style = None
        
    def calculate_optimal_growth_path(self, current_state: dict, user_needs: dict):
        # 1. 사용자 니즈 분석
        priority_areas = self.analyze_user_needs(user_needs)
        
        # 2. 현재 능력과 갭 분석
        capability_gaps = self.identify_gaps(current_state, priority_areas)
        
        # 3. 최적 성장 경로 계산
        growth_path = self.optimize_path(
            start=current_state,
            goals=priority_areas,
            constraints={
                "max_levels": 20,
                "stat_points_per_level": 5,
                "user_patience": user_needs.get('timeline', 'medium')
            }
        )
        
        # 4. 마일스톤 설정
        milestones = self.set_growth_milestones(growth_path)
        
        return {
            "path": growth_path,
            "milestones": milestones,
            "estimated_time": self.estimate_completion_time(growth_path),
            "recommended_activities": self.suggest_growth_activities(growth_path)
        }

동적 난이도 조정

class DynamicDifficulty:
    def __init__(self):
        self.performance_window = deque(maxlen=10)  # 최근 10개 작업
        self.difficulty_level = 1.0
        
    def adjust_difficulty(self, task_result: dict):
        self.performance_window.append(task_result)
        
        # 성공률 계산
        success_rate = sum(1 for r in self.performance_window 
                          if r['success']) / len(self.performance_window)
        
        # 난이도 조정
        if success_rate > 0.8:
            # 너무 쉬움 - 난이도 상승
            self.difficulty_level = min(2.0, self.difficulty_level * 1.1)
        elif success_rate < 0.5:
            # 너무 어려움 - 난이도 하락
            self.difficulty_level = max(0.5, self.difficulty_level * 0.9)
        
        return self.difficulty_level

스탯 포인트 분배 시스템

자동 분배 알고리즘

class StatDistributor:
    def __init__(self):
        self.distribution_strategies = {
            "balanced": self.balanced_distribution,
            "specialized": self.specialized_distribution,
            "adaptive": self.adaptive_distribution,
            "user_guided": self.user_guided_distribution
        }
        
    def auto_distribute_stats(
        self, 
        available_points: int, 
        current_stats: dict,
        user_preference: str,
        recent_feedback: List[dict]
    ):
        # 전략 선택
        strategy = self.distribution_strategies.get(
            user_preference, 
            self.adaptive_distribution
        )
        
        # 분배 계산
        distribution = strategy(
            points=available_points,
            current=current_stats,
            feedback=recent_feedback
        )
        
        # 검증 및 적용
        if self.validate_distribution(distribution, available_points):
            return self.apply_distribution(current_stats, distribution)
        else:
            # 폴백: 균등 분배
            return self.balanced_distribution(available_points, current_stats)
    
    def adaptive_distribution(self, points: int, current: dict, feedback: List[dict]):
        # 피드백 기반 약점 분석
        weaknesses = self.analyze_weaknesses(feedback)
        
        # 사용 빈도 기반 강점 분석  
        strengths = self.analyze_usage_patterns(current)
        
        # 분배 비율 계산
        distribution = {}
        
        # 약점 보완 (40%)
        weakness_points = int(points * 0.4)
        for stat, severity in weaknesses.items():
            distribution[stat] = int(weakness_points * severity)
        
        # 강점 강화 (40%)
        strength_points = int(points * 0.4)
        for stat, usage in strengths.items():
            distribution[stat] = distribution.get(stat, 0) + int(strength_points * usage)
        
        # 미래 대비 (20%)
        remaining = points - sum(distribution.values())
        distribution['learning'] = distribution.get('learning', 0) + remaining
        
        return distribution

성장 시각화와 피드백

성장 대시보드

class GrowthDashboard:
    def generate_growth_report(self, robeing_id: str):
        stats = self.get_current_stats(robeing_id)
        history = self.get_growth_history(robeing_id)
        
        report = f"""
# 로빙 성장 리포트 📊

## 현재 상태
- **레벨**: {stats['level']} / 20
- **총 경험치**: {stats['total_exp']:,}
- **다음 레벨까지**: {stats['exp_to_next']:,} EXP

## 스탯 분포

기억력: {'█' * (stats['memory'] // 5)}□ {stats['memory']}/105 연산력: {'█' * (stats['compute'] // 5)}□ {stats['compute']}/105
공감력: {'█' * (stats['empathy'] // 5)}□ {stats['empathy']}/105 통솔력: {'█' * (stats['leadership'] // 5)}□ {stats['leadership']}/105 윤리성: {'█' * (stats['ethics'] // 5)}□ {stats['ethics']}/105

## 최근 성장 트렌드
{self.generate_growth_chart(history)}

## 강점과 개선점
### 강점 💪
{self.format_strengths(stats)}

### 개선 필요 영역 📈
{self.format_improvements(stats)}

## 추천 활동
{self.suggest_activities(stats)}
"""
        return report

실시간 피드백 UI

class RealTimeFeedbackUI:
    def show_interaction_feedback(self, interaction: dict, result: dict):
        feedback_widget = {
            "type": "feedback_prompt",
            "interaction_id": interaction['id'],
            "elements": [
                {
                    "type": "satisfaction_scale",
                    "question": "이번 응답이 도움이 되었나요?",
                    "scale": [1, 2, 3, 4, 5]
                },
                {
                    "type": "quality_aspects",
                    "aspects": [
                        {"name": "정확성", "icon": "🎯"},
                        {"name": "속도", "icon": "⚡"},
                        {"name": "창의성", "icon": "💡"},
                        {"name": "친절함", "icon": "😊"}
                    ]
                },
                {
                    "type": "quick_feedback",
                    "options": [
                        {"label": "완벽해요!", "exp": 50},
                        {"label": "괜찮아요", "exp": 20},
                        {"label": "개선 필요", "exp": 10, "follow_up": True}
                    ]
                }
            ]
        }
        
        return feedback_widget

메타 학습 시스템

학습 효율성 개선

class MetaLearning:
    def __init__(self):
        self.learning_patterns = {}
        self.optimization_history = []
        
    def optimize_learning_rate(self, feedback_history: List[dict]):
        # 학습 패턴 분석
        patterns = self.analyze_learning_patterns(feedback_history)
        
        # 최적 학습률 찾기
        optimal_rates = {}
        for skill_type, pattern in patterns.items():
            if pattern['volatility'] > 0.7:
                # 변동성이 큰 경우 - 작은 학습률
                optimal_rates[skill_type] = 0.05
            elif pattern['consistency'] > 0.8:
                # 일관성이 높은 경우 - 큰 학습률
                optimal_rates[skill_type] = 0.2
            else:
                # 기본값
                optimal_rates[skill_type] = 0.1
        
        return optimal_rates
    
    def detect_learning_plateaus(self, growth_history: List[dict]):
        # 성장 정체 구간 감지
        plateaus = []
        
        for i in range(len(growth_history) - 5):
            window = growth_history[i:i+5]
            growth_rate = self.calculate_growth_rate(window)
            
            if growth_rate < 0.01:  # 1% 미만 성장
                plateaus.append({
                    "start": window[0]['timestamp'],
                    "end": window[-1]['timestamp'],
                    "affected_stats": self.identify_stagnant_stats(window)
                })
        
        # 정체 탈출 전략
        breakthrough_strategies = self.suggest_breakthrough_strategies(plateaus)
        
        return {
            "plateaus": plateaus,
            "strategies": breakthrough_strategies
        }

성과 지표

KPI 모니터링

growth_kpis = {
    "user_satisfaction_trend": {
        "target": 0.8,
        "current": 0.75,
        "trajectory": "improving"
    },
    "skill_acquisition_rate": {
        "target": "1 skill per 2 levels",
        "current": 0.6,
        "on_track": True
    },
    "feedback_response_rate": {
        "target": 0.9,
        "current": 0.92,
        "status": "exceeding"
    },
    "growth_efficiency": {
        "target": "20% faster than baseline",
        "current": 0.18,
        "status": "near_target"
    }
}

미래 발전 방향

단기 목표 (3개월)

• 실시간 피드백 위젯 구현
• 10가지 성장 경로 템플릿
• A/B 테스트 기반 최적화

중기 목표 (6개월)

• 예측적 성장 모델링
• 크로스 유저 학습 공유
• 감정 지능 통합

장기 비전 (1년)

• 자율 성장 에이전트
• 멀티모달 피드백 처리
• 성장 NFT 시스템

결론

레벨업 시스템은 단순한 게임 메커니즘이 아닌, 사용자와 로빙이 함께 성장하는 공진화(co-evolution) 시스템입니다. 지속적인 피드백 루프를 통해 로빙은 각 사용자에게 최적화된 디지털 동료로 성장합니다.