No.001 · K-Glow Stylist

Product Brief #

K-Glow Stylist는 AI 기반 스타일 추천 서비스를 끝까지 혼자 만들어 보는 학습용 build였습니다. 패션 추천 제품 자체도 실험 대상이었지만, 더 중요한 목표는 AI agent를 활용해 웹 프론트, 백엔드, 로그인, 결제, 메일, cron까지 하나의 서비스로 연결하는 경험을 확보하는 것이었습니다. MVP와 공개 테스트까지는 진행했지만, 관심 분야와 장기 운영 우선순위, quality bar 기준을 함께 고려한 결과 추가 개발은 종료했습니다.

Why This Build Exists #

이 build의 핵심 목적은 패션 서비스를 성공시키는 것보다, AI와 함께 실제 서비스를 A to Z로 만드는 작업 방식을 익히는 데 있었습니다. 구체적으로는 "혼자서도 어디까지 빠르게 만들 수 있는가", "AI agent와 협업할 때 어느 영역까지 신뢰할 수 있는가", "실제 서비스 운영에 필요한 요소를 한 제품 안에서 얼마나 연결할 수 있는가"를 확인하고 싶었습니다. 그래서 K-Glow Stylist는 Learning Build로 분류합니다.

AI Build System #

이 제품은 VS Code + Codex (gpt-5.2-codex) + Git 기반으로 개발했습니다. 기능 구현만 AI에 맡긴 것이 아니라, 제품 구조를 어떻게 나눌지, 어떤 인프라를 고를지, 어떤 서비스 조합이 무료 또는 저비용으로 버틸 수 있을지까지 계속 AI와 논의하며 진행했습니다. 사람이 맡은 역할은 제품 목적, 우선순위, 품질 기준, 최종 판단이었고, AI는 구현 속도와 선택지 탐색 범위를 넓히는 역할을 맡았습니다.

Build Environment #

• Editor / Workflow: VS Code + Codex + Git
• Infra: Cloudflare Pages, Pages Functions, Supabase
• Selection principle: 무료 또는 저비용 운영, 빠른 배포, 혼자 관리 가능한 단순성

환경 셋팅과 인프라 선택도 모두 AI와 논의하며 진행했습니다. 특히 "혼자 운영 가능한가", "초기 비용을 낮게 유지할 수 있는가", "서비스가 커졌을 때 어디까지 버틸 수 있는가"를 기준으로 조합을 골랐습니다.

Service Stack #

• Frontend: React + TypeScript + Vite
• Payments: Polar
• AI: GPT API, GPT Image API
• Email: Resend

서비스용 서드파티 선택도 제품 목적과 예산 조건을 AI와 함께 검토하면서 정했습니다. 즉 이 문서에서 중요한 것은 단순한 기술 나열이 아니라, 어떤 조합으로 1인이 end-to-end 서비스를 빠르게 만들 수 있는지 기준을 쌓아갔다는 점입니다.

What Was Achieved #

• AI agent와 함께 웹 프론트부터 백엔드 연결, 결제, 메일, cron 흐름까지 하나의 서비스 안에서 끝까지 붙여 보는 경험 확보
• 추천 이유와 결과 포맷을 함께 설계해, AI 출력 결과를 단순 샘플이 아니라 설명 가능한 추천으로 정리
• 실제 운영에 필요한 로그인, 메일 발송, 결제, 배치성 처리 구조를 작은 범위에서 검증

이 프로젝트의 성과는 "스타일 추천 서비스가 잘 됐다"보다, AI를 활용한 1인 제작 시스템의 기본 골격을 한 번 실제로 끝까지 통과시켰다는 데 있습니다.

Quality and Reality #

MVP까지는 만들 수 있었고 공개 테스트도 가능했습니다. 하지만 장기적으로 붙들고 갈 만큼 관심 분야와 맞는 제품은 아니었고, 결과 품질과 운영 방향을 더 끌어올리기 위해 추가 투자할 우선순위도 높지 않았습니다. 즉 기능은 붙었지만, 내가 생각하는 launch 기준을 넘길 만큼의 확신은 생기지 않았습니다. 그래서 이 build는 hold가 아니라 ended로 정리합니다.

What I Learned #

• AI와 함께 전체 서비스 플로우를 빠르게 연결하는 것은 충분히 가능하다
• 다만 실제 launch를 결정하는 기준은 "기능이 붙었는가"보다 "결과 품질, 관심도, 장기 운영 의지"에 더 가깝다
• Learning Build와 Commercial Build는 같은 속도로 만들 수 있어도, 끝까지 가져갈 기준은 분리해서 봐야 한다
• 이 build를 통해 이후 제품에서도 재사용할 수 있는 기본 AI 작업 흐름과 저비용 인프라 감각을 얻었다

Screens #

첫 진입 화면. 서비스의 톤과 스타일 추천 흐름을 한 화면 안에서 바로 이해하게 하는 데 집중했습니다.

추천 결과 품질을 높이기 위해, 입력 단계에서 사용자의 취향과 상황을 최대한 구조화해서 받도록 설계했습니다.

선택지가 많은 스타일 추천 특성상, 실제 결정에 필요한 기준을 좁혀 주는 중간 단계가 중요했습니다.

AI 결과를 기다리는 시간을 단순 대기보다 "추천을 만들고 있다"는 흐름으로 느끼게 하려 했습니다.

최종 결과 화면. 핵심은 예쁜 출력보다, 추천 이유와 실제 선택 가능성을 함께 보여 주는 형식이었습니다.

Related Logs #

• K-Glow Stylist의 빌드 로그와 세부 작업 기록은 관련 블로그 글에서 이어서 정리할 예정입니다.