얼마 전에 살짝 신기한 메일을 하나 받았어요. Perfect Corp이라는 뷰티테크 회사의 YouCam API 팀에서, 제 벨로그를 보고 무료 API 유닛(500 units)을 주겠다는 연락이었습니다. 처음엔 "이거 뭐지?" 싶었는데, 알고 보니 진짜 뷰티/패션 AI API를 서비스하는 회사더라고요. 심지어 Amorepacific 같은 K-beauty 기업들과도 협업하고 있어서, 그냥 넘기기엔 아까워서 한번 제대로 파보기로 했습니다.

결론부터 말하면 - 예상보다 훨씬 재밌었어요. 피부 분석부터 헤어스타일, 룩 체험, 반지 착용까지 이것저것 눌러보면서 놀았던 후기를 남겨봅니다.

YouCam API, 뭐하는 곳인가

YouCam API는 한마디로 "얼굴에 AI 마법 부리는 기능들을 API로 가져다 쓸 수 있게 해주는 플랫폼"이에요. 피부 분석, 메이크업 가상 체험, 헤어 컬러/스타일 체험 같은 기능들을 웹이나 앱에 그냥 붙여 쓸 수 있게 만들어놨더라고요.

Playground 들어가보니 curl, Node.js, JavaScript, PHP 코드가 바로바로 나와서, 문서 정독 안 하고도 감으로 눌러가면서 테스트할 수 있었어요. 이런 부분 진짜 개발자 친화적이라 좋았습니다.

1. 내 피부 점수는 몇 점일까 - AI Skin Analysis

일단 샘플 이미지로 먼저 찍먹해봤습니다. Acne(여드름), Eye Bag(눈밑 붓기), Dark Circles(다크서클), Radiance(광채) 이렇게 네 가지를 체크하고 돌려봤어요.

결과가 이렇게 나왔어요

• Eye Bag: 58점
• Radiance: 77점
• Acne: 99점
• Dark Circles: 72점
• 종합 점수: 76.5점

신기했던 건 점수만 딱 주는 게 아니라, 얼굴 부위별로 시각화된 마스크 이미지도 같이 돌려준다는 거예요. "아, 이 부분을 보고 이 점수를 매겼구나"가 눈으로 바로 보여서 꽤 신뢰가 갔습니다. JSON 응답에 ui_score(0-100 정규화된 점수)랑 raw_score가 같이 오는데, 이 정도면 프론트에 바로 붙여서 점수 게이지 UI 만들기도 어렵지 않겠다 싶었어요.

2. 이 헤어스타일 어울릴까 - AI Hair Style Virtual Try-On

이번엔 샘플 인물 사진으로 헤어스타일 체험을 해봤어요. 사진 고르고 스타일 하나 선택해서 돌렸더니, 한 7초 만에 결과가 나오더라고요.

솔직히 좀 놀랐던 게, 합성 티가 별로 안 나요. "이거 살짝 부자연스럽겠지" 하고 기대치를 낮췄는데 생각보다 자연스러워서 살짝 소름... 이 정도 퀄리티면 실제 뷰티 앱에 넣어도 위화감 없겠다는 생각이 들었습니다.

3. 다른 사람의 룩을 그대로 - AI Look Virtual Try On

마지막으로 Look Virtual Try On도 해봤어요. 개별 항목을 하나씩 조정하는 게 아니라, 준비된 샘플 얼굴 중 하나를 고르면 그 얼굴의 메이크업 룩을 통째로 가져와 적용해주는 방식이더라고요.

처리 시간은 14초 정도였고, 눈매 라인이나 입술 컬러가 자연스럽게 입혀졌습니다. 세부 커스터마이징보다는 "이 사람 메이크업 그대로 따라 하고 싶다"는 상황에 어울리는 기능 같았어요.

번외: AI Ring Virtual Try-On

얼굴뿐 아니라 손에도 적용되는 기능이 있길래 반지 가상 체험도 살짝 해봤어요. 샘플 손 사진에 반지를 씌워봤는데, 손가락 위치를 자동으로 인식해서 자연스럽게 합성해주더라고요.

뷰티뿐 아니라 주얼리/패션 쪽까지 API 활용 범위가 넓다는 걸 알 수 있었습니다.

개인적으로 가장 재밌었던 건 AI Clothes Virtual Try On이었어요. 옷 이미지를 골라서 사람 사진에 입혀보는 기능인데, 원단이 몸에 걸쳐지는 느낌이나 핏이 생각보다 자연스럽게 표현돼서 계속 이것저것 옷을 바꿔가며 눌러보게 되더라고요. 지금까지 써본 기능 중에 제일 재밌었던 건 이거였습니다.

아쉬웠던 점도 살짝

좋은 얘기만 하면 재미없으니까 솔직한 피드백도 하나 남겨봅니다.

테스트하면서 좀 아쉬웠던 점 하나는, 결과 이미지 URL이 2시간 뒤에 만료된다는 거였어요. Playground 안에 지난 결과들을 모아볼 수 있는 히스토리 같은 게 없다 보니, 나중에 다시 비교해보고 싶거나 스크린샷을 놓쳤을 때 다시 찾아보기가 어려웠습니다. 최근 결과 몇 개 정도는 저장해서 볼 수 있는 기능이 있으면 훨씬 편할 것 같아요.

총평

무료 유닛으로 이것저것 눌러보면서 반나절 즐겁게 놀았네요 (일하다 말고 이거 하느라 시간 좀 뺏겼다는 건 안 비밀). 피부 분석, 헤어, 룩, 반지 체험까지 한 플랫폼 안에서 다 되는 게 생각보다 편리했고, 응답 구조도 프론트엔드에 바로 붙이기 좋게 설계되어 있어서 뷰티/패션 쪽 사이드 프로젝트 아이디어가 있으신 분들이라면 한번 가볍게 테스트해보셔도 좋을 것 같아요.

몇 시간 동안 막혔어요. 그러다 response_schema를 찾았죠.

K-Trust — AI 상인 컴플라이언스 툴을 만들면서 겪은 실제 이야기

솔직하게 말할게요.

K-Trust를 만들기 시작했을 때, 어려운 부분은 AI 로직일 거라고 생각했어요. 프롬프트, 점수 기준, 컴플라이언스 요약. 그런 것들이요.

JSON과 몇 시간을 싸우게 될 줄은 몰랐어요.

계속 겪었던 문제

K-Trust의 아이디어는 간단했어요 — 원시 상인 데이터를 Gemini에 보내고 구조화된 리스크 보고서를 받는 것. 신뢰 점수, 위험 수준, 법적 상태, 요약. 깔끔하고 예측 가능하게.

근데 그렇지 않았어요.

첫 번째 접근법은 당연한 것이었어요 — 그냥 Gemini에게 뭘 반환할지 말해주기:

prompt = """
이 상인을 분석하고 다음을 포함한 JSON을 반환하세요:
- trust_score (int)
- risk_level (string)  
- legal_status (boolean)
- summary (string)
"""

가끔은 완벽하게 작동했어요. 가끔은 Gemini가 이렇게 반환했어요:

물론이죠! 컴플라이언스 보고서입니다:
```json
{
  "trust_score": 87,
  ...
}
```

그러면 json.loads()가 충돌했어요.

그래서 .strip()을 추가했어요. 그다음 .replace("```json", "")을. 그다음 try/except 블록을. 그다음 또 하나를. 실제 기능 코드보다 파싱 코드를 더 많이 쓰고 있었는데 여전히 랜덤하게 실패했어요.

터미널을 바라보며 생각했어요 — 더 좋은 방법이 있어야 해.

저를 구한 토끼굴

이번엔 제대로 Google Gemini API 문서로 돌아갔어요 — 훑어보는 게 아니라 제대로. 그리고 구조화된 출력 섹션에서 완전히 놓쳤던 것을 발견했어요:

Pydantic 모델을 response_schema로 전달해서 정확한 출력 형태를 강제할 수 있습니다.

잠깐. 강제할 수 있다고요? 그냥 정중하게 부탁하는 게 아니라?

Google GenAI Python SDK 문서에서도 실제 코드 예시와 함께 이것이 언급된 것을 발견했어요. 스키마를 제대로 정의하는 방법을 이해하기 위해 Pydantic BaseModel 문서도 읽었어요.

그리고 시도해봤어요.

모든 게 딱 맞아떨어진 순간

Step 1 — Gemini가 반환하길 원하는 것을 정확히 정의했어요

from pydantic import BaseModel

class GeminiReport(BaseModel):
    trust_score: int
    risk_level: str
    risk_tags: list[str]
    legal_status: bool
    financial_risk: bool
    sentiment_score: bool
    executive_stability: bool
    summary: str

Step 2 — response_schema로 Gemini에 직접 전달했어요

ai_response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents=prompt,
    config=types.GenerateContentConfig(
        response_mime_type="application/json",
        response_schema=GeminiReport,  # Gemini는 반드시 이 형태를 따라야 해요
    ),
)

structured_data = json.loads(ai_response.text)

그게 전부였어요.

마크다운 제거 없음. 방어적 파싱 없음. 새벽 2시의 랜덤 충돌 없음.

structured_data는 매번 완벽하게 타입이 지정된 상태로 돌아왔어요. trust_score는 항상 int였어요. legal_status는 항상 bool이었어요. 필드는 항상 제가 정의한 것과 정확히 같았어요.

처음 작동했을 때 "오" 하고 소리를 냈어요.

최종 K-Trust 엔드포인트

@app.post("/audit")
async def run_audit(request: AuditRequest):
    # 1. 상인 데이터 조회
    merchant = MARKET_DB["merchants"].get(request.merchant_id)
    if not merchant:
        raise HTTPException(status_code=404, detail="상인을 찾을 수 없습니다.")

    # 2. 원시 비즈니스 데이터로 프롬프트 구성
    raw = merchant["raw_data"]
    prompt = f"""
이 상인을 감사하고 컴플라이언스 보고서를 반환하세요.
회사: {merchant["company_name"]}
법적 기록: {chr(10).join(raw["legal_records"])}
재무 신호: {chr(10).join(raw["financial_signals"])}
"""

    # 3. Gemini가 완벽하게 구조화된 데이터를 반환해요 — 매번
    ai_response = client.models.generate_content(
        model="gemini-2.5-flash",
        contents=prompt,
        config=types.GenerateContentConfig(
            response_mime_type="application/json",
            response_schema=GeminiReport,
        ),
    )

    structured_data = json.loads(ai_response.text)
    return {"status": "success", "data": structured_data}

깔끔해요. 드라마 없이.

제가 배운 것

이것을 찾기 전에는 구조화된 LLM 출력이 항상 지저분할 거라고 생각했어요. 방어적 파싱이 그냥... AI로 작업하는 비용이라고요.

아니에요. 그냥 올바른 도구가 필요할 뿐이에요.

구조화된 출력이 필요한 Gemini로 무언가를 만들고 있다면 — 제가 겪은 고생은 건너뛰세요. 먼저 구조화된 출력 문서를 읽으세요. 저도 그랬으면 좋았을 텐데.

도움이 된 리소스

• 📖 Gemini 구조화된 출력 문서 — 모든 걸 바꾼 바로 그것
• 📖 Google GenAI Python SDK — 실제 코드 예시
• 📖 Pydantic BaseModel 문서 — 스키마를 제대로 정의하는 방법
• 🔗 K-Trust 라이브 데모 — 전체 작동 확인
• 📦 K-Trust GitHub — 전체 소스 코드

SweetyCodes (Subhashree Behera) 작성 — AI & 풀스택 개발자 현재 AI 기반 웹앱을 만들고 한국어를 배우는 중이에요

#개발 #Python #AI #백엔드 #Gemini

I Was Stuck for Hours. Then I Found response_schema.

A real story from building K-Trust — my AI merchant compliance tool

Okay so let me be honest.

When I started building K-Trust, I thought the hard part would be the AI logic. The prompts, the scoring rubric, the compliance summary. That stuff.

I did not expect to spend hours fighting with JSON.

The Problem I Kept Running Into

The idea behind K-Trust was simple — send raw merchant data to Gemini, get back a structured risk report. Trust score, risk level, legal status, summary. Clean. Predictable.

Except it wasn't.

My first approach was the obvious one — just tell Gemini what to return:

prompt = """
Analyze this merchant and return a JSON with:
- trust_score (int)
- risk_level (string)
- legal_status (boolean)
- summary (string)
"""

Sometimes it worked perfectly. Sometimes Gemini returned this:

Sure! Here's the compliance report:
```json
{
  "trust_score": 87,
  ...
}
```

And my json.loads() would crash.

So I added .strip(). Then .replace("```json", ""). Then a whole try/except block. Then another one. I was writing more parsing code than actual feature code and it still broke randomly.

I remember staring at my terminal thinking — there has to be a better way.

The Rabbit Hole That Saved Me

I went back to the Google Gemini API docs — properly this time, not just skimming. And buried in the structured output section, I found something I had completely missed:

You can pass a Pydantic model as response_schema to enforce the exact output shape.

Wait. You can enforce it? Not just ask nicely?

I also found this mentioned in the Google GenAI Python SDK docs with actual code examples. I read through the Pydantic BaseModel docs to understand how to define the schema properly.

And then I tried it.

The Moment Everything Clicked

Step 1 — I defined exactly what I wanted Gemini to return

from pydantic import BaseModel

class GeminiReport(BaseModel):
    trust_score: int
    risk_level: str
    risk_tags: list[str]
    legal_status: bool
    financial_risk: bool
    sentiment_score: bool
    executive_stability: bool
    summary: str

Step 2 — I passed it directly to Gemini as response_schema

ai_response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents=prompt,
    config=types.GenerateContentConfig(
        response_mime_type="application/json",
        response_schema=GeminiReport,  # Gemini MUST match this shape
    ),
)

structured_data = json.loads(ai_response.text)

And that was it.

No markdown stripping. No defensive parsing. No random crashes at 2am.

structured_data came back perfectly typed every single time. trust_score was always an int. legal_status was always a bool. The fields were always exactly what I defined.

I literally said "oh" out loud when it worked the first time.

What My Final K-Trust Endpoint Looks Like

@app.post("/audit")
async def run_audit(request: AuditRequest):
    # 1. Look up merchant data
    merchant = MARKET_DB["merchants"].get(request.merchant_id)
    if not merchant:
        raise HTTPException(status_code=404, detail="Merchant not found.")

    # 2. Build prompt with raw business data
    raw = merchant["raw_data"]
    prompt = f"""
Audit this merchant and return a compliance report.
Company: {merchant["company_name"]}
LEGAL RECORDS: {chr(10).join(raw["legal_records"])}
FINANCIAL SIGNALS: {chr(10).join(raw["financial_signals"])}
"""

    # 3. Gemini returns perfectly structured data — every time
    ai_response = client.models.generate_content(
        model="gemini-2.5-flash",
        contents=prompt,
        config=types.GenerateContentConfig(
            response_mime_type="application/json",
            response_schema=GeminiReport,
        ),
    )

    structured_data = json.loads(ai_response.text)
    return {"status": "success", "data": structured_data}

Clean. No drama.

What I Learned

Before finding this, I thought structured LLM output was always going to be messy. That defensive parsing was just... the cost of working with AI.

It's not. You just need the right tool.

If you're building anything with Gemini that needs structured output — skip the struggle I went through. Go read the structured output docs first. I wish I had.

Resources That Helped Me

• 📖 Gemini Structured Output Docs — this is the one that changed everything
• 📖 Google GenAI Python SDK — real code examples here
• 📖 Pydantic BaseModel Docs — for defining your schema properly
• 🔗 K-Trust Live Demo — see the full thing in action
• 📦 K-Trust GitHub — full source code

Written by sweetyCodes (Subhashree Behera), AI & Full-Stack Developer *Currently building AI-powered web apps and learning Korean *

#개발 #Python #AI #backend #Gemini #python #ai #webdev

🔗 라이브: https://interview-lense.vercel.app 📦 GitHub: https://github.com/sweety-HJH223/InterviewLense

문제점

대부분의 면접 준비 도구는 지원하는 회사와 상관없이 똑같은 질문을 제공합니다. *"자기소개를 해보세요." "본인의 단점은 무엇인가요?"*

구글에 지원하든 10명짜리 스타트업에 지원하든 — 항상 같은 리스트입니다. 대부분의 시뮬레이터는 "획일적"입니다. 나만의 커리어 히스토리를 무시하고, 실제 대형 테크 기업 면접을 통과하는 데 필요한 실질적인 피드백을 제공하지 못합니다.

하지만 기업마다 면접 방식은 완전히 다릅니다:

• 구글은 완벽한 답보다 사고 과정을 봅니다.
• 아마존은 모든 것을 16가지 리더십 원칙으로 평가합니다.
• 카카오/네이버는 한국 시장 규모에 맞는 프로덕트 사고를 기대합니다.
• 토스는 실행 속도를 중요시합니다.

저는 이걸 실제로 아는 도구를 원했습니다. 그래서 InterviewLens를 만들었습니다.

솔루션

InterviewLens는 AI 기반 면접 시뮬레이션 엔진으로:

1. 기업명과 직군을 입력합니다.
2. AI가 해당 기업의 채용 문화를 실시간으로 조사합니다.
3. NEW — 이력서 정렬: PDF를 업로드하거나 이력서를 붙여넣으면, AI가 내 경험과 기업 요구사항 사이의 구체적인 갭을 파악합니다.
4. 해당 기업의 실제 스타일로 면접을 시뮬레이션합니다.
5. 기업의 특정 기준에 따라 답변을 평가합니다.
6. 세션 전반에 걸쳐 나의 성장을 장기적으로 "기억" 합니다.

3-에이전트 AI 아키텍처

InterviewLens의 핵심은 Google Gemini로 구축된 3-에이전트 오케스트레이션 파이프라인입니다.

에이전트 A — 리서처

에이전트 A는 채용 포커스, 면접 라운드 구조, 기업 문화 가치를 스캔합니다.

"컨텍스트 엔진": 단순히 기업을 조사하는 것에 그치지 않습니다 — 이력서/PDF 데이터를 받아 내 배경과 기업 요구사항 사이의 갭 분석을 수행하여, 처음부터 개인화된 리서치를 제공합니다.

에이전트 B — 인터뷰어

에이전트 B는 에이전트 A의 정보를 받아 해당 기업의 실제 면접관이 됩니다.

맥락 기반 질문: 이력서 컨텍스트를 받기 때문에 일반적인 질문을 하지 않습니다. 대신 이렇게 묻습니다: *"이력서에서 [X] 프로젝트를 진행하셨는데, [기업]이 처리하는 트래픽 규모로 확장한다면 어떻게 하시겠어요?"*

에이전트 C — 평가자

면접이 끝나면 에이전트 C가 "채용 위원회" 역할을 합니다.

엄격한 채점: 템플릿 형식의 일반적인 답변에는 감점을 주고, 자신의 구체적인 배경을 효과적으로 활용한 지원자에게 높은 점수를 부여합니다.

기술적 도전과 해결 방법

1. 성능 병목 현상

처음에는 AI를 통한 기업 조사에 10초 이상이 걸려 "Request Timed Out" 오류가 자주 발생했습니다.

해결책: Firebase Firestore를 활용한 Redis 방식의 캐싱 레이어를 구현했습니다. 한 번 조사된 기업/직군은 이후 검색 시 거의 즉시 결과를 반환합니다 — 지연 시간과 API 할당량 소진 문제를 모두 해결했습니다.

2. 비정형 PDF 데이터 처리

사용자에게 이력서 맞춤형 질문을 제공하려면 PDF 파싱이 필요한데, 이는 매우 복잡합니다.

해결책: Gemini 1.5 Flash의 멀티모달 기능을 활용해 PDF 이력서를 직접 파싱하고, 면접 에이전트가 맥락 인식 후속 질문에 사용할 수 있는 구조화된 데이터를 추출했습니다 — 외부 PDF 라이브러리 없이 구현했습니다.

3. 에이전트 복잡성 관리

세 개의 AI 에이전트(리서처, 인터뷰어, 평가자)를 조율하는 과정에서 프롬프트 인젝션과 상태 관리 문제가 발생했습니다.

해결책: JSON 전용 출력 스키마를 강제하는 엄격한 오케스트레이션 레이어를 구축했습니다. 모델이 사전 정의된 JSON 구조를 따르도록 강제함으로써 파싱 실패를 없애고 세 에이전트 간의 원활한 상태 공유를 가능하게 했습니다.

Google 기술 스택

배운 점

멀티 에이전트 시스템은 단일 프롬프트 방식보다 훨씬 강력합니다. 리서치, 인터뷰, 평가를 분리함으로써 각 에이전트가 명확한 역할에 집중할 수 있습니다.

가장 어려웠던 부분은 이력서 정렬이었습니다. 단순히 "이력서를 전달"하는 것만으로는 부족했습니다 — AI가 지원자의 과거 경험을 기업의 미래 요구사항과 비교하도록 프롬프트를 정교하게 설계해야 했습니다. 이 연결고리가 일반 챗봇을 실제 코칭 도구로 변환시키는 핵심입니다.

직접 사용해보세요

🔗 라이브: https://interview-lense.vercel.app 📦 GitHub: https://github.com/sweety-HJH223/InterviewLense

#AI #면접 #취업준비 #개발 #구글 #NextJS Google Gen AI Academy APAC 2026 — Meet the Builders Campaign 출품작 SweetyCodes — AI 풀스택 개발자

🔗 Live: https://interview-lense.vercel.app 📦 GitHub: https://github.com/sweety-HJH223/InterviewLense

The Problem

Most interview prep tools give you the same generic questions regardless of where you're applying. *"Tell me about yourself." "What's your greatest weakness?"*

It doesn't matter if you're interviewing at Google or a 10-person startup — you get the same list. Most simulators are "one-size-fits-all": they ignore your unique career history and fail to provide the real-world feedback needed to actually pass a high-stakes interview at a top-tier tech firm.

But interviews are NOT the same across companies:

• Google wants reasoning processes over perfect answers.
• Amazon scores everything against 16 Leadership Principles.
• Kakao/Naver expect specific Korean-market-scale product thinking.
• Toss focuses on speed of execution.

I wanted a tool that actually knows this. So I built InterviewLens.

The Solution

InterviewLens is an AI-powered simulation engine that:

1. Takes any company name and role.
2. Researches that specific company's hiring culture in real-time.
3. NEW — Resume Alignment: Upload your PDF or paste your resume, and the AI identifies the specific gaps between your experience and the company's requirements.
4. Simulates the interview in that company's actual style.
5. Evaluates your answers against the company's specific criteria.
6. Maintains a long-term "memory" of your growth across sessions.

The 3-Agent AI Architecture

The heart of InterviewLens is a 3-agent orchestration pipeline built with Google Gemini.

Agent A — The Researcher

Agent A scans for hiring focus, round structure, and cultural values.

The "Context Engine": It doesn't just research the company — it accepts your resume/PDF data and performs a gap analysis between your background and the company's requirements, making the research personalized from the start.

Agent B — The Interviewer

Agent B receives the intelligence from Agent A and becomes that company's actual interviewer.

Contextual Interaction: Because it receives your resume context, Agent B doesn't ask generic questions. It asks: *"You worked on [X] project in your resume — how would you scale that for the traffic [Company] handles?"*

Agent C — The Evaluator

After you finish, Agent C acts as a "Hiring Committee."

Strict Scoring: It penalizes generic "template" answers and rewards candidates who leverage their specific background effectively.

Technical Challenges & My Solutions

1. The performance bottleneck

Initially, researching companies via AI took 10+ seconds, often leading to "Request Timed Out" errors.

My solution: I implemented a Redis-like caching layer using Firebase Firestore. Once a company/role is researched once, subsequent searches are near-instant — solving both latency and quota exhaustion effectively.

2. Handling unstructured PDF data

Users need resume-tailored questions, but parsing PDFs is messy.

My solution: I leveraged Gemini 1.5 Flash's multi-modal capability to directly parse PDF resumes, extracting structured data that the interview agent uses for context-aware follow-up questions — no external PDF libraries needed.

3. Agentic complexity

Coordinating three distinct AI agents (Researcher, Interviewer, Evaluator) led to prompt injection and state management issues.

My solution: I built a strict orchestration layer that forces a JSON-only output schema. By forcing the models to adhere to a predefined JSON structure, I eliminated parsing failures and enabled smooth state sharing between all three agents.

Google Tech Stack

What I Learned

Multi-agent systems are more powerful than single-prompt approaches. By separating Research, Interviewing, and Evaluation, each agent maintains a clear focus.

The most challenging part was Resume Alignment. Simply "sending the resume" wasn't enough — I had to engineer the prompts to force the AI to compare the candidate's past with the company's future needs. This bridge is what transforms a standard chatbot into an actual coaching tool.

Try It

🔗 Live: https://interview-lense.vercel.app 📦 GitHub: https://github.com/sweety-HJH223/InterviewLense

Built for Google Gen AI Academy APAC 2026 — Meet the Builders Campaign. SweetyCodes — AI & Full Stack Developer Subhashree Behera | India

*"You don't write code anymore. You describe what you want, and AI writes it. You review, refine, and ship."* — The Vibe Coding Philosophy

🤔 What is Vibe Coding?

Vibe Coding is a new development methodology where you use AI tools to rapidly prototype, build, and iterate on software by describing what you want in plain English — instead of writing every line of code manually.

The term was coined in early 2025 and has taken the developer community by storm. It's not about replacing developers — it's about making developers 10x faster.

Think of it like this:

Traditional Coding:

Developer thinks → Developer writes code → 
Developer debugs → Developer ships
(Hours to days)

Vibe Coding:

Developer describes → AI writes code → 
Developer reviews → Developer refines → Ships
(Minutes to hours)

🛠️ Tools Used in Vibe Coding

There are several AI tools that power the Vibe Coding workflow. Here are the most popular ones in 2026:

1. Cursor — The AI Code Editor

Cursor is a VS Code fork with AI built into every part of the editor. You can describe changes in plain English and it edits multiple files at once. It's the most popular Vibe Coding tool right now.

2. Claude AI — The Thinking Partner

Claude (by Anthropic) is great for architecture decisions, code reviews, and explaining complex concepts. Many Vibe Coders use Claude for planning before switching to Cursor for building.

3. GitHub Copilot — The Autocomplete King

GitHub Copilot suggests entire functions and code blocks as you type. It's deeply integrated into VS Code and is great for repetitive code patterns.

4. Gemini CLI — The Free Powerhouse

Google's Gemini CLI brings AI directly into your terminal. With 1000 free requests per day, it's perfect for budget-conscious developers who want full agentic coding capabilities.

5. V0.dev — The UI Generator

V0.dev by Vercel generates entire React UI components from a text description. Describe a dashboard, and it builds it. Perfect for frontend prototyping.

⚡ How Vibe Coding Actually Works

Here's the real workflow that most Vibe Coders use:

Step 1 — Plan (with Claude or ChatGPT)

Before writing a single line, describe your project to an AI and ask it to:

• Break it into components
• Suggest the tech stack
• Identify potential problems

Step 2 — Scaffold (with Cursor or V0.dev)

Use AI to generate the initial structure:

• Project files and folders
• Basic components
• Database schemas

Step 3 — Build Feature by Feature

For each feature:

1. Describe what you want in plain English
2. AI generates the code
3. You read and understand it
4. Test it
5. Fix issues (with AI help)
6. Move to next feature

Step 4 — Review and Refine

Always review AI-generated code:

• Does it make sense?
• Are there security issues?
• Is it efficient?

Step 5 — Ship

Deploy with confidence because you understood every line!

✅ Pros of Vibe Coding

1. Build Faster Projects that used to take weeks now take days. Perfect for hackathons!

2. Learn by Seeing AI generates code you might not know how to write — you can study it and learn new patterns.

3. Prototype Quickly Test ideas fast without spending days on implementation. If the idea doesn't work, you haven't wasted much time.

4. Overcome Blocks Stuck on a problem? Describe it to AI and get unstuck immediately.

5. Better Code Quality AI often suggests best practices and patterns you might not know about.

❌ Cons — The Honest Truth

1. AI Makes Mistakes AI-generated code is NOT always correct. It can have bugs, security issues, and logical errors. Always review!

2. You Still Need to Understand Code If you can't read and understand the AI-generated code, you can't fix it when it breaks. And it WILL break.

3. Over-reliance is Dangerous Some developers stop learning because AI does everything. This is a career killer. Keep learning fundamentals!

4. Context Limits AI tools have limits on how much code they can see at once. For large projects, you need to manage context carefully.

5. Cost Good AI tools like Cursor Pro cost $20/month. Budget-conscious developers need to plan for this.

🤔 Is Vibe Coding Cheating?

This is the most controversial question in the developer community right now.

My honest opinion: NO, it's not cheating.

Here's why:

• Developers have always used tools — Stack Overflow, documentation, libraries
• The goal is to ship working software, not to memorize syntax
• A carpenter who uses an electric drill isn't "cheating" compared to one using a hand drill
• What matters is the result and your understanding of it

BUT — and this is important — you still need to know how to code.

Vibe Coding without coding knowledge is like trying to edit a video without knowing what good editing looks like. You won't know when the AI is wrong.

💡 Tips for Beginners

1. Learn basics first Don't start Vibe Coding without understanding HTML, CSS, JavaScript, and at least one backend language. The fundamentals matter.

2. Start small Don't try to build a complex app first. Start with a simple component or feature.

3. Always read AI code Never copy-paste without reading. Understand what the code does before running it.

4. Be specific in prompts Vague prompts get vague code. The more specific you are, the better the output.

❌ Bad: *"Make a button"* ✅ Good: *"Make a cyan rounded button with a hover glow effect that opens a modal when clicked"*

5. Iterate, don't regenerate Instead of regenerating from scratch when something is wrong, describe specifically what needs to change.

6. Use multiple tools Different tools are good at different things. Use Claude for planning, Cursor for coding, V0.dev for UI.

🚀 My Vibe Coding Stack in 2026

Here's what I personally use:

🔮 The Future of Coding

Vibe Coding is not a trend — it's the future of software development.

In 5 years, every developer will use AI tools the same way every developer uses Git today. It won't be optional — it will be the standard.

The developers who thrive will be the ones who:

• Understand fundamentals deeply
• Know how to work WITH AI
• Can review and improve AI-generated code
• Focus on creativity and problem-solving

The developers who struggle will be the ones who:

• Refuse to adapt
• OR rely completely on AI without understanding

The sweet spot is in the middle — use AI as a powerful tool, not a crutch.

🎯 Conclusion

Vibe Coding has genuinely changed how I build software. I ship faster, learn more by seeing AI patterns, and spend more time on creative problem-solving instead of repetitive syntax.

Is it perfect? No. Does it have drawbacks? Absolutely. But as a developer in 2026, ignoring AI tools is like ignoring the internet in 2000.

Start small. Learn the fundamentals. Use AI as your co-pilot. Ship great software.

That's the Vibe Coding way. ⚡

Written by SweetyCodes — Full-Stack Developer & AI Engineer

안녕하세요! 저는 개발자 SweetyCodes예요 😊

저는 한국어를 공부하고 있어요 — 지금은 중급 수준이에요!

이게 제 Velog 첫 번째 포스트예요! 첫 포스트인 만큼 한국어 문법을 완벽하게 쓰고 싶었어요. 그래서 바이브 코딩을 활용해서 제 글의 문법을 다듬었어요 ⚡

그리고 오늘 주제가 바로 바이브 코딩이에요! 😄

*"이제 코드를 직접 쓰는 게 아니에요. 원하는 것을 설명하면 AI가 써줘요. 검토하고, 다듬고, 배포하면 돼요."* — 바이브 코딩 철학

🤔 바이브 코딩이란 무엇인가요?

바이브 코딩(Vibe Coding)은 모든 코드를 직접 작성하는 대신, AI 도구를 사용해서 원하는 것을 자연어로 설명하며 빠르게 소프트웨어를 만드는 새로운 개발 방법론이에요.

이 용어는 2025년 초에 생겨났고 개발자 커뮤니티에서 엄청난 반향을 일으켰어요. 개발자를 대체하는 게 아니라 — 개발자를 10배 더 빠르게 만들어주는 거예요.

이렇게 생각해보세요:

⏰ 전통적인 코딩:

개발자가 생각 → 코드 작성 → 디버깅 → 배포
(몇 시간에서 며칠)

⚡ 바이브 코딩:

개발자가 설명 → AI가 코드 작성 → 검토 → 수정 → 배포
(몇 분에서 몇 시간)

🛠️ 바이브 코딩에 사용되는 도구들

2026년 현재 바이브 코딩 워크플로우를 지원하는 AI 도구들이에요:

1. ⚡ Cursor — AI 코드 에디터

Cursor는 AI가 에디터 전체에 내장된 VS Code 포크예요. 자연어로 변경 사항을 설명하면 여러 파일을 한 번에 수정해줘요. 지금 가장 인기 있는 바이브 코딩 도구예요.

2. 🧠 Claude AI — 생각하는 파트너

Claude(Anthropic 개발)는 아키텍처 결정, 코드 리뷰, 복잡한 개념 설명에 탁월해요. 많은 바이브 코더들이 계획할 때 Claude를 사용하고, 실제 개발할 때 Cursor로 전환해요.

3. 🐙 GitHub Copilot — 자동완성의 왕

GitHub Copilot은 타이핑하는 동안 전체 함수와 코드 블록을 제안해줘요. VS Code에 깊이 통합되어 있고 반복적인 코드 패턴에 탁월해요. 학생은 무료!

4. 💎 Gemini CLI — 무료 강자

Google의 Gemini CLI는 터미널에서 직접 AI를 사용할 수 있게 해줘요. 하루 1000번 무료 요청으로 예산이 적은 개발자에게도 완전한 에이전틱 코딩 기능을 제공해요.

5. 🎨 V0.dev — UI 생성기

Vercel의 V0.dev는 텍스트 설명으로 전체 React UI 컴포넌트를 생성해줘요. 대시보드를 설명하면 바로 만들어줘요. 프론트엔드 프로토타이핑에 완벽해요.

⚡ 바이브 코딩 실제 워크플로우

대부분의 바이브 코더들이 사용하는 실제 워크플로우예요:

1단계 — 💭 계획 (Claude 활용)

코드 한 줄 작성 전에 AI에게 프로젝트를 설명하고 요청해요:

• 컴포넌트로 분리하기
• 기술 스택 추천
• 잠재적 문제 파악

2단계 — ⚡ 스캐폴딩 (Cursor 또는 V0.dev 활용)

AI로 초기 구조 생성:

• 프로젝트 파일과 폴더
• 기본 컴포넌트
• 데이터베이스 스키마

3단계 — 🔨 기능별 개발

각 기능마다:

1. 원하는 것을 자연어로 설명
2. AI가 코드 생성
3. 코드를 읽고 이해
4. 테스트
5. 문제 수정 (AI 도움으로)

4단계 — 👁️ 검토 및 수정

AI가 생성한 코드는 항상 검토해요:

• 이해가 되나요?
• 보안 문제는 없나요?
• 효율적인가요?

5단계 — 🚀 배포

모든 코드를 이해했으니 자신 있게 배포!

💡 실제로 얼마나 빠를까요?

바이브 코딩을 사용하면:

• 기존에 6시간 걸리던 작업 → 1시간
• 기존에 3일 걸리던 프로젝트 → 반나절
• 막혔던 버그 → 몇 분 만에 해결

개인적으로 바이브 코딩 덕분에 훨씬 더 많은 프로젝트를 완성할 수 있었어요! 😊

✅ 장점 vs ❌ 단점

✅ 장점

❌ 단점

🤔 바이브 코딩은 반칙인가요?

개발자 커뮤니티에서 가장 논란이 많은 질문이에요.

제 솔직한 의견: 아니요, 반칙이 아니에요.

이유는:

• 개발자들은 항상 도구를 사용했어요 — Stack Overflow, 문서, 라이브러리
• 목표는 작동하는 소프트웨어를 만드는 것이지, 문법을 외우는 게 아니에요
• 전동 드릴을 쓰는 목수가 수동 드릴보다 "반칙"하는 게 아니에요

하지만 — 코딩을 이해해야 해요.

AI가 틀렸을 때 알 수 없다면 의미가 없어요.

💡 초보자를 위한 팁

1. 기초부터 배우세요 HTML, CSS, JavaScript 기초 없이 바이브 코딩을 시작하지 마세요.

2. 작은 것부터 시작하세요 복잡한 앱보다 간단한 컴포넌트부터 시작해요.

3. AI 코드는 항상 읽으세요 읽지 않고 복붙하지 마세요!

4. 프롬프트를 구체적으로 쓰세요

❌ 나쁜 예:

"버튼 만들어줘"

✅ 좋은 예:

"클릭하면 모달이 열리는 
호버 시 글로우 효과가 있는 
둥근 cyan 버튼 만들어줘"

5. 여러 도구를 함께 쓰세요 계획 → Claude, 코딩 → Cursor, UI → V0.dev

🚀 2026년 제 바이브 코딩 스택

제가 실제로 사용하는 도구들이에요:

🔮 코딩의 미래

바이브 코딩은 트렌드가 아니에요 — 소프트웨어 개발의 미래예요.

5년 후에는 모든 개발자가 오늘날 Git을 쓰는 것처럼 AI 도구를 사용할 거예요.

잘 될 개발자들:

• ✅ 기초를 깊이 이해하는 사람
• ✅ AI와 함께 일하는 방법을 아는 사람
• ✅ AI 생성 코드를 검토하고 개선할 수 있는 사람

힘들어질 개발자들:

• ❌ 적응을 거부하는 사람
• ❌ AI에 완전히 의존해서 이해하지 못하는 사람

정답은 중간이에요 — AI를 강력한 도구로 사용하되, 의지하지는 마세요.

🎯 마치며

바이브 코딩은 제가 소프트웨어를 만드는 방식을 진정으로 바꿨어요.

완벽한가요? 아니요. 단점이 있나요? 물론이죠.

하지만 2026년 개발자로서 AI 도구를 무시하는 건 2000년에 인터넷을 무시하는 것과 같아요.

작게 시작하세요. 기초를 배우세요. AI를 코파일럿으로 사용하세요. 멋진 소프트웨어를 만드세요.

그게 바이브 코딩의 방식이에요. ⚡

읽어주셔서 감사해요! 질문이나 피드백이 있으면 댓글로 남겨주세요 😊

한국어가 틀린 부분이 있으면 알려주세요 — 저도 배우는 중이에요!

SweetyCodes — Full-Stack Developer & AI Engineer