에어테이블 DB 체계 구축

• 교육프로그램이 메인 테이블
  • 강의목록 → 매출, 비용, 강사진 정리 + 시간표 생성
  • 챗봇 → 각종 FAQ 및 추가 공지 필요한 정보
  • 수강생문의 → 챗봇 문의 중 담당자가 해결해야할 것 (출결, 교육 취소 등)
• 챗봇이 대답하는 input 정보
  • ‘강의목록’의 일부 + ‘챗봇’ 테이블에 있는 모든 데이터

RAG 방식 대신 에어테이블 DB를 시스템 프롬프트로 활용

Airtable 데이터 (강의목록, 챗봇)
    ↓
System Prompt에 주입
    ↓
Claude가 읽고 이해
    ↓
사용자 질문에 맞게 답변

tsx
// ai.service.ts 356-469 라인
async loadChatbotContext(chatbotId: string) {
  // ① 챗봇 정보 조회
  const chatbot = await this.airtableService.getChatbotById(airtableRecordId);

  // ② 연결된 프로그램 정보 조회
  const program = await this.airtableService.getProgramByRecordId(programRecordId);

  // ③ 강의 일정 조회
  const lectures = await this.airtableService.getLecturesByProgram(program.fields.프로그램명);

  // ④ 모든 데이터를 하나의 객체로 구성
  return {
    programName: "AI 교육 과정",
    startDate: "2025-01-15",
    faq: "Q: 준비물은?\nA: 노트북",
    lectures: [...],
    contactInfo: "한가경님 / abc@email.com"
  };
}

tsx
// ai.service.ts 169-332 라인
private buildSystemPrompt(context?: ChatbotContext): string {
  let prompt = `당신은 B2B 교육 프로그램 전문 상담 챗봇입니다.

현재 교육 프로그램 정보:
- 프로그램명: ${context.programName}
- 교육 기간: ${context.startDate} ~ ${context.endDate}
- 강사: ${context.instructor}
- 담당자: ${context.contactInfo}

자주 묻는 질문 (FAQ):
${context.faq}

강의 일정 (총 ${context.lectures.length}개):
1. 2025-01-15 10:00-12:00
   제목: AI 기초
   강사: 김강사님 / 코치: 이코치님, 박코치님
2. 2025-01-16 14:00-16:00
   ...

위 정보를 바탕으로 질문에 답변해주세요.`;

  return prompt;
}

tsx
// ai.service.ts 89-97 라인
const completion = await this.anthropic.messages.create({
  model: 'claude-3-5-haiku-20241022',
  system: systemPrompt,  // ← 여기에 에어테이블 정보 전부 들어감!
  messages: [
    { role: 'user', content: "강사가 누구야?" }
  ]
});

직주입형 Prompt

장점:

• 구현 간단 (벡터 DB 불필요)
• 실시간 데이터 (항상 최신 정보)
• 비용 저렴 (추가 인프라 없음)

❌ RAG였다면 필요했을 것들

Airtable 데이터
    ↓
임베딩 모델로 벡터화 (OpenAI Embeddings)
    ↓
벡터 DB에 저장 (Pinecone, Weaviate 등)
    ↓
사용자 질문을 벡터화
    ↓
유사한 문서 검색 (Similarity Search)
    ↓
검색된 문서만 Claude에게 전달

RAG의 장점 

• 매우 큰 데이터셋 (수백만 개 문서)
• 토큰 제한 초과 시 (100K+ 토큰)

교육 담당자 편의성 개선

회사 별 특수 사항을 - 교육 담당자가 입력하면 챗봇이 학습할 수 있게 구현

담당자가 무조건 처리해줘야하는 케이스만 전달

• 출결, 교육 취소 등 담당자가 무조건 인지해야하는 정보 → 메일로 전달하는 UI / 문의 이력도 남음
• 나머지 대부분의 문제는 챗봇으로 해결

담당자에게 문의하기 버튼

• 수강생이 해당 폼에 제출을 하면
• 해당 내용이 동일한 포맷으로 교육 담당자에게 전달 → 수강생 문의 놓치지 않고 확인 가능
• 추후에는 문의 모아서 확인할 수 있는 뷰도 만들어줄 수 있음

공지페이지와 챗봇 업데이트 동시에

• 1타 3피 → 수강생의 문의에 대한 답변이 DB 저장, 공지사항에 활용되고, 챗봇 input 데이터로 활용될 수 있습니다.

에어테이블 DB 체계 구축

• 교육프로그램이 메인 테이블
  • 강의목록 → 매출, 비용, 강사진 정리 + 시간표 생성
  • 챗봇 → 각종 FAQ 및 추가 공지 필요한 정보
  • 수강생문의 → 챗봇 문의 중 담당자가 해결해야할 것 (출결, 교육 취소 등)
• 챗봇이 대답하는 input 정보
  • ‘강의목록’의 일부 + ‘챗봇’ 테이블에 있는 모든 데이터

RAG 방식 대신 에어테이블 DB를 시스템 프롬프트로 활용

Airtable 데이터 (강의목록, 챗봇)
    ↓
System Prompt에 주입
    ↓
Claude가 읽고 이해
    ↓
사용자 질문에 맞게 답변

tsx
// ai.service.ts 356-469 라인
async loadChatbotContext(chatbotId: string) {
  // ① 챗봇 정보 조회
  const chatbot = await this.airtableService.getChatbotById(airtableRecordId);

  // ② 연결된 프로그램 정보 조회
  const program = await this.airtableService.getProgramByRecordId(programRecordId);

  // ③ 강의 일정 조회
  const lectures = await this.airtableService.getLecturesByProgram(program.fields.프로그램명);

  // ④ 모든 데이터를 하나의 객체로 구성
  return {
    programName: "AI 교육 과정",
    startDate: "2025-01-15",
    faq: "Q: 준비물은?\nA: 노트북",
    lectures: [...],
    contactInfo: "한가경님 / abc@email.com"
  };
}

tsx
// ai.service.ts 169-332 라인
private buildSystemPrompt(context?: ChatbotContext): string {
  let prompt = `당신은 B2B 교육 프로그램 전문 상담 챗봇입니다.

현재 교육 프로그램 정보:
- 프로그램명: ${context.programName}
- 교육 기간: ${context.startDate} ~ ${context.endDate}
- 강사: ${context.instructor}
- 담당자: ${context.contactInfo}

자주 묻는 질문 (FAQ):
${context.faq}

강의 일정 (총 ${context.lectures.length}개):
1. 2025-01-15 10:00-12:00
   제목: AI 기초
   강사: 김강사님 / 코치: 이코치님, 박코치님
2. 2025-01-16 14:00-16:00
   ...

위 정보를 바탕으로 질문에 답변해주세요.`;

  return prompt;
}

tsx
// ai.service.ts 89-97 라인
const completion = await this.anthropic.messages.create({
  model: 'claude-3-5-haiku-20241022',
  system: systemPrompt,  // ← 여기에 에어테이블 정보 전부 들어감!
  messages: [
    { role: 'user', content: "강사가 누구야?" }
  ]
});

직주입형 Prompt

장점:

• 구현 간단 (벡터 DB 불필요)
• 실시간 데이터 (항상 최신 정보)
• 비용 저렴 (추가 인프라 없음)

❌ RAG였다면 필요했을 것들

Airtable 데이터
    ↓
임베딩 모델로 벡터화 (OpenAI Embeddings)
    ↓
벡터 DB에 저장 (Pinecone, Weaviate 등)
    ↓
사용자 질문을 벡터화
    ↓
유사한 문서 검색 (Similarity Search)
    ↓
검색된 문서만 Claude에게 전달

RAG의 장점 

• 매우 큰 데이터셋 (수백만 개 문서)
• 토큰 제한 초과 시 (100K+ 토큰)

교육 담당자 편의성 개선

회사 별 특수 사항을 - 교육 담당자가 입력하면 챗봇이 학습할 수 있게 구현

담당자가 무조건 처리해줘야하는 케이스만 전달

• 출결, 교육 취소 등 담당자가 무조건 인지해야하는 정보 → 메일로 전달하는 UI / 문의 이력도 남음
• 나머지 대부분의 문제는 챗봇으로 해결

담당자에게 문의하기 버튼

• 수강생이 해당 폼에 제출을 하면
• 해당 내용이 동일한 포맷으로 교육 담당자에게 전달 → 수강생 문의 놓치지 않고 확인 가능
• 추후에는 문의 모아서 확인할 수 있는 뷰도 만들어줄 수 있음

공지페이지와 챗봇 업데이트 동시에

• 1타 3피 → 수강생의 문의에 대한 답변이 DB 저장, 공지사항에 활용되고, 챗봇 input 데이터로 활용될 수 있습니다.