Phase 26 — 매칭 방법 비교 결과와 Figma DB 설계 결론

AI 를 활용한 MDX ↔ Figma 매칭을 네 가지 방법으로 비교하고, 그 결과로부터 Figma DB 를 어떤 구조로 쌓아야 하는지 도출한다.

1. 네 가지 방법

Phase	방법	공식	데이터
22	정제 anchor keywords only (baseline)	`1.0 × 키워드`	keyword_base.yaml + anchor_sets mirror
23	anchor + content summary	`0.5 × 키워드 + 0.5 × 내용`	+ ko-sroberta cosine (MDX summary ↔ frame.content)
24	anchor + content + legacy structure	`0.5 × 키워드 + 0.3 × 내용 + 0.2 × 구조`	+ legacy structure ontology (family/semantic_role)
25	Template-fit-v1 (최종 운영)	`0.25 anchor + 0.20 card + 0.20 rel + 0.15 slot + 0.20 content − penalties`	templates_v1 (32개: slots + anchor_sets + fit_notes + adaptation_allowed)

2. 정답률

Phase	1. (MDX 1) 팝업 — DX와 BIM의 구분	2. (MDX 2) 2.2 DX 시행 주체별 기대효과	3. (MDX 03) 1. DX 시행을 위한 필수요건	4. (MDX 03) 2. Process 혁신과 Product 변화	합계
22	✓	✓	✓	✓	4/4
23	✓	✓	✓	✓	4/4
24	✓	✓	✓	✓	4/4
25	✓	✓	✓	✓	4/4

→ 네 방법 모두 4 TARGET 에서는 4/4. 정답률만으로는 차이 없음.

3. 1-2위 margin 비교 (안정성)

Phase	MDX01-2	MDX02	MDX03-1	MDX03-2	평균
22	0.095	0.049	0.207	0.158	0.127
23	0.071	0.051	0.105	0.107	0.083
24	0.121	0.045	0.213	0.200	0.145
25	0.076	0.180	0.079	0.098	0.108

4. 유닛별 Phase 점수 상세

1. (MDX 1) 팝업 — DX와 BIM의 구분 — 정답 Frame 18

Phase	1위 Frame	1위 점수	2위 Frame	2위 점수	margin	라우팅
22	🎯 18	0.208	24	0.113	0.095	-
23	🎯 18	0.410	04	0.339	0.071	-
24	🎯 18	0.463	24	0.342	0.121	-
25	🎯 18	0.922	29	0.847	0.076	use_as_is

2. (MDX 2) 2.2 DX 시행 주체별 기대효과 — 정답 Frame 14

Phase	1위 Frame	1위 점수	2위 Frame	2위 점수	margin	라우팅
22	🎯 14	0.164	09	0.115	0.049	-
23	🎯 14	0.402	27	0.351	0.051	-
24	🎯 14	0.404	20	0.359	0.045	-
25	🎯 14	0.928	20	0.748	0.180	use_as_is

3. (MDX 03) 1. DX 시행을 위한 필수요건 — 정답 Frame 13

Phase	1위 Frame	1위 점수	2위 Frame	2위 점수	margin	라우팅
22	🎯 13	0.303	20	0.096	0.207	-
23	🎯 13	0.465	15	0.360	0.105	-
24	🎯 13	0.539	20	0.326	0.213	-
25	🎯 13	0.925	20	0.846	0.079	use_as_is

4. (MDX 03) 2. Process 혁신과 Product 변화 — 정답 Frame 29

Phase	1위 Frame	1위 점수	2위 Frame	2위 점수	margin	라우팅
22	🎯 29	0.259	09	0.101	0.158	-
23	🎯 29	0.428	01	0.321	0.107	-
24	🎯 29	0.508	27	0.309	0.200	-
25	🎯 29	0.919	18	0.821	0.098	use_as_is

5. 관찰

5-1. 정답률로는 차이 없음

Phase 22~25 네 방법 모두 4 TARGET 에서 4/4 — 이 4개 유닛만 보면 어느 방법이 더 나은지 결정 불가.

5-2. Margin 으로 본 안정성 차이

Phase 22 (키워드만): IDF Jaccard 만으로는 의미 관계 포착 부족. 추상 주제에서 margin 약함.
Phase 23 (+내용): 의미 유사도가 정답 margin 을 확대하지만, "의미 비슷한데 구조 다른" 프레임도 함께 상승.
Phase 24 (+기존 구조): family/semantic_role 매칭이 정답 확정에 기여. 단, 구조 감지 confidence low 일 땐 점수 0 이라 불안정.
Phase 25 (template-fit-v1): margin 절대값은 Phase 24 대비 일부 케이스에서 좁아지지만, multi-gate (intent + anchor/content/adaptation/not_suits) 로 정답 후보만 use_as_is — 운영 관점에선 가장 안전.

5-3. Phase 24 기존 구조축의 한계

기존 구조축은 family=list, semantic_role=prerequisites 같은 디자인이 어떻게 생겼나만 기록한다. 실제 운영에서는 '이 콘텐츠가 이 디자인에 들어갈 수 있나'를 알아야 하는데, 기존 구조축은 slot 개수·재구성 비용·금지 사항을 다루지 못한다.

5-4. Phase 25 (template-fit-v1) 이 제공하는 추가 가치

라우팅 (multi-gate): 점수만 제공하는 Phase 22~24 와 달리, structure_intent gate + anchor/content/adaptation/not_suits multi-constraint 로 use_as_is / light_edit / restructure / reject 4단계 운영 판단 제공.
structure_intent 축: 11 frame 에 태깅 (concept_comparison, persona_benefit, requirement_list, problem_diagnosis, process_product_split 등). Tagged mismatch 시 강한 차단 — 예: MDX03-1 × Frame 28 (requirement vs problem polarity 반대) = reject.
축별 breakdown: anchor · cardinality · relation · slot · content 가 각각 몇 점인지 설명 가능 → 왜 이 점수인지 투명.
조건부 cap: 짧은 generic anchor ([BIM, DX] 2-term) 가 우연히 매칭되어 점수를 부풀리는 편향 방어. MDX01-2 (진짜 BIM/DX 비교) 는 방증 세트(comparison_dimensions 0.71)로 cap 면제, MDX03-2 (BIM/DX 배경 언급) 는 방증 0.29 로 cap 적용 — 의도대로 작동.
not_suits 구조 신호: 주체별 나열, 필수요건 나열, BIM vs DX 직접 대조 등 잘못된 매칭을 구조 신호로 감점.
adaptation_cost: cardinality 불일치 시 split/merge/infer 비용으로 자연 감쇠.
32 템플릿 스키마화: Phase 22~24 의 legacy frames 는 analysis.md 키워드 + family 로만 기록된 반면, Phase 25 은 각 프레임마다 slot / anchor / fit_notes / adaptation 을 명시한 templates_v1 스키마로 32개 전부 작성.

6. 결론 — Figma DB 는 어떻게 쌓아야 하나

네 방법 모두 4 TARGET 정답률은 같지만, 제공하는 정보량이 다르다:

제공 정보	Phase 22	Phase 23	Phase 24	Phase 25
1위 Frame	✓	✓	✓	✓
단일 점수	✓	✓	✓	✓
축별 분해	✗	2축	3축	5축 + 2감점
원본 그대로 쓸 수 있나 (use_as_is)	✗	✗	✗	✓
편집이 필요한가 (light_edit)	✗	✗	✗	✓
재구성이 필요한가 (restructure)	✗	✗	✗	✓
아예 쓰면 안 되는가 (reject)	✗	✗	✗	✓
짧은 anchor 편향 방어 (조건부 cap)	✗	✗	✗	✓
구조 신호로 감점 (not_suits)	✗	✗	✗	✓
재구성 비용 산정 (adaptation_cost)	✗	✗	✗	✓

따라서 Figma DB 는 Phase 25 의 templates_v1 스키마로 쌓아야 한다:

yaml templates_v1: <frame_id>: template_id: <snake_case_name> source: {title, original_layout} description: | <embedding-friendly 자연어 설명 (suits 맥락 포함)> visual_pattern: family: list | cards | table | compare | diagram | map | composite layout: <구체 layout> axis: horizontal | vertical relation_type: parallel | sequence | compare | hierarchy cardinality: {ideal, min, max} slots: - {id, type, required, max_chars} anchor_sets: - id: <set_name> terms: [...] min_hits: <int, optional> confidence_cap: <float, 짧은 generic 세트에만> cap_exempt_if_corroborated_by: <방증 임계> fit_notes: suits: [검수용 bullet, description 에 반영] not_suits: [점수 감점 발화 조건] adaptation_allowed: split, merge, infer_missing_slot, rewrite_label, rewrite_body legacy: {family, surface, semantic_role} # Phase 24 호환용 보존

32개 전체 템플릿이 이 스키마로 structure_ontology.yaml 에 정의됨. 스펙: TEMPLATE_FIT_V1.md. 엔진: template_fit.py.

7. 운영 권고

매칭 엔진: template_fit.py (Phase 25)
DB 파일: structure_ontology.yaml → templates_v1 블록 (legacy frames: 는 Phase 24 호환용으로 보존)
MDX 분석: detect_mdx.py — 매칭 단계 LLM 호출 0회
임베딩: embeddings.py — ko-sroberta + numpy (32 프레임 규모는 벡터 DB 불필요)
라우팅 판정 (multi-gate): 단순 threshold 아님 — 여러 조건 AND
1차: structure_intent gate (tagged mismatch 강한 차단)
- intent_source == 'tagged' + intent_compat < 0.4 → reject
- intent_source == 'tagged' + intent_compat < 0.7 → use_as_is/light_edit 금지, restructure 이하만
2차: route_v2 multi-constraint
- use_as_is: confidence ≥ 0.90 AND anchor ≥ 0.70 AND content ≥ 0.55 AND not_suits = 0
- light_edit: confidence ≥ 0.75 AND anchor ≥ 0.50 AND content ≥ 0.45 AND adapt_pen < 0.10
- restructure: confidence ≥ 0.60 AND (anchor ≥ 0.35 OR (content ≥ 0.55 AND adapt_pen < 0.20)) AND not_suits ≤ 1
- 나머지: reject
운영 의미:
use_as_is: 코드로 slot fill, AI 0회
light_edit: max_chars 초과 시만 AI 1회
restructure: adaptation_allowed 조작 AI 1회
reject: 다음 후보 또는 '적합 디자인 없음' 반환

추가 검증 필요: 현재 4 TARGET 으로는 엔진 프로토타입 검증까지 완료. 실제 확장 MDX 세트 (17~30개 추정) 회귀 테스트는 별도 진행.