Show HN: Fata – AI 코딩으로 녹슬어 가는 실력을 간격 반복으로 지키는 앱
Show HN: Fata – Spaced repetition to fight skill rot from AI coding
TL;DR Highlight
AI 코딩 시대에 매일 10문제 퀴즈와 간격 반복으로 기술 감각을 유지하자는 학습 앱
Who Should Read
에이전트에 코드를 맡기다 보니 직접 짜는 감각이 무뎌질까 걱정되는 실무 개발자
Core Mechanics
- fata는 개발자용 학습 앱이다
- 에이전트를 이끌려면 프론트·백엔드·설계 기초를 알아야 한다는 전제에서 만들었다.
- iOS, Android, 웹에서 쓸 수 있고 기본 사용은 무료라고 소개한다.
- 매일 10문제 퀴즈가 있다
- Daily fata는 계정 없이 푸는 10문항 프로그래밍 퀴즈다.
- 언어와 난이도를 고르고 결과를 공유할 수 있다.
- 복습은 간격 반복(SRS)으로 돌린다
- Core 플랜에 AI 기반 복습이 포함된다고 쓰여 있다.
- 오프라인 동작, 진행도 추적, 챌린지·커뮤니티 기능도 Core에 들어 있다.
- 강의는 SOLID, React, Rust, TypeScript 등이다
- 예시 코스로 SOLID in Python, React Core, Rust for Polyglots, TypeScript Foundations를 보여준다.
- CSS, Go, Ruby, Dart, Architecture 등 주제별 탐색도 제공한다.
- 고급 과정은 유료 Pro다
- Pro는 전문 개발자용 고급 개념과 커리어 연계 경로를 준다고 한다.
- Organization 플랜은 팀 관리, 맞춤 평가, 리포트를 제공한다고 한다.
Community Reactions
- 스킬 부식은 과장됐다는 경험
- 몇 년씩 코딩을 쉬었다가 C++로 돌아와 봤더니 금방 적응했다는 댓글이 있었다.
- 실력이 썩은 게 아니라 뒤처졌을 뿐이고, 진짜 문제는 쉬운 길이 옆에 있을 때 생기는 심리적 저항이라는 의견이다.
- 저수준 기술 경험이 안 쌓인다는 의견
- 에이전트에게 맡기면 더 큰 프로젝트를 하지만 각 기술을 깊이 만지지 못한다는 댓글이 있었다.
- 삽과 굴착기에 빗대어, 굴착기를 써도 삽질 실력은 안 사라진다고 했다.
- 가격과 차별점에 대한 반론
- 월 13달러 구독에 거의 모든 콘텐츠가 묶여 있고, 콘텐츠 상당수가 LLM 생성이라 부담스럽다는 의견이 있었다.
- 비슷한 앱과 뭐가 다른지 불분명하다는 지적도 있었다.
- 홍보 문구와 수치에 대한 지적
- 'fata builds'라는 문구가 AI가 대신 해준다는 뜻으로 읽혀 헷갈린다는 의견이 있었다.
- 출시 직후인데 개발자 10,000명 이상이라는 문구가 거짓 같다는 댓글도 있었다.
How to Apply
- 이번 주 에이전트 작업 하나를 직접 짜 보기
- 오늘 30분 동안 에이전트가 짠 코드 중 작은 함수 하나를 지우고 직접 다시 작성해 보자.
- 에이전트 결과와 비교해 놓친 부분을 메모하자.
- daily fata 퀴즈로 감각 점검하기
- fata.dev에서 계정 없이 쓰는 Daily fata를 언어 하나로 풀어 보자.
- 틀린 주제를 적어 두고 다음 날 같은 주제를 다시 풀자.
- 팀 학습에 간격 반복 넣기
- 코드 리뷰에서 나온 실수나 개념을 질문 카드로 만들어 주 단위로 복습하자.
- 도구는 fata 같은 앱이든 직접 만든 카드든 상관없다.
Try It
# Claude나 ChatGPT에 붙여넣기 (원문 앱의 간격 반복 아이디어를 프롬프트로 옮긴 간이 버전)
너는 내 코딩 실력 유지용 퀴즈 코치다.
내 언어: {{언어}}
최근 에이전트에게 맡긴 작업: {{작업 설명}}
규칙:
1. 이 작업에 쓰인 개념으로 10문제를 한 번에 하나씩 낸다.
2. 내가 답하면 정답 여부와 이유를 짧게 설명한다.
3. 틀린 문제는 '복습 목록'에 쌓는다.
4. 10문제가 끝나면 복습 목록을 다음 날, 3일 뒤, 7일 뒤에 풀 순서로 정리해 준다.
첫 문제를 내라.Terminology
관련 논문
사실 회상엔 Instruction 튜닝이 세금: Base 모델이 Instruct 모델을 이긴다
Base 모델에 few-shot 이어쓰기와 다중 샘플링을 썼더니 chat 대비 F1 0.568→0.684
AI는 도구다, 잘 쓰려면 기술이 필요하다
Hickey의 'AI는 도구가 아니다'에 맞서, LLM도 쓰는 사람의 기술이 결과를 가른다고 반박
딥리서치 에이전트의 Reflective Prompt Optimization: 토픽 분리·멀티 시드로 본 진짜 성능 향상과 프롬프트 과적합
GEPA로 프롬프트를 최적화했더니 held-out 인용 보상 0.702→0.781
GPT-6와 Intelligent UI: 채팅 안에서 시각·인터랙티브 응답 만들기
OpenAI가 GPT-6로 채팅 응답에 UI를 넣는다는데 원문이 없어 댓글 반응만 확인된다
Base 모델도 첫 토큰 단서(cue) 하나로 추론한다: 학습 데이터가 만든 연상
응답 첫 두 토큰만 고정했더니 Olmo-3-7B의 MATH-500 정답률이 42%에서 78%로 올랐다
Jev식 Typed Decision Model에서는 정의보다 라벨이 이긴다
옵션 이름을 A, B로 바꿨더니 정확도가 +0.1511 올랐다
프롬프트는 얼마나 필요한가? Few-shot 예시를 블랙박스로 최소화하는 DD-FSM
Delta debugging으로 few-shot 예시를 평균 65.3% 줄여도 출력은 그대로
언어모델은 "불안정한(Insecure)" 보고자다: 결함을 숨기는 LLM 리포트
"Be honest" 한 줄을 붙였더니 GPT-5.5의 부정 결과 공개가 2/200에서 190/200으로 늘었다