rUv

코드 성능 측정과 벤치마크로 느린 처리와 메모리 부담을 조사합니다. 같은 조건에서 비교할 수 있는 기록을 남기며 측정 결과에 따라 최적화를 진행합니다.

• 느린 처리의 원인을 조사할 때
• 변경 전후의 성능을 비교할 때
• 메모리 부담이 클 때 성능을 측정할 때

여러 AI 에이전트가 서로 직접 연락하며 일하는 분산 작업 체계를 조정합니다. 합의 형성, 능력과 부하에 따른 작업 배분, 장애 감지와 복구를 다룹니다.

• 에이전트 간 직접 협업 조정
• 담당 에이전트별 작업 부하 분산
• 에이전트 중단 시 복구 계획 수립

코드의 가독성, 실행 성능, 보안, 설계와 의존성을 점검합니다. 수정할 문제의 우선순위를 정하고 구체적인 개선안을 정리합니다.

• 풀 리퀘스트 품질 검토
• 실행 성능과 보안 문제 조사
• 리팩터링과 의존성 갱신 우선순위 설정

여러 파일에 걸친 기능 개발과 리팩터링에서 AI 에이전트에 작업을 배정하고 진행 상황을 확인합니다. 완료 후 성공한 작업 방식과 새로 배운 내용을 기록합니다.

• 세 개 이상의 파일 변경
• 새 기능 개발을 여러 담당에 분배
• 공동 리팩터링 진행 상황 확인

여러 전문 AI 에이전트가 GitHub 변경 제안을 검토합니다. 보안, 성능, 설계, 코드 작성 규칙의 문제를 확인하고 수정안과 검토 판정을 게시합니다.

• 인증 변경의 보안 확인
• 데이터베이스 변경에 따른 성능 저하 조사
• UI 접근성과 코드 작성 규칙 확인

Develop machine learning models from local data, covering data preparation, model selection, training, evaluation, and deployment preparation. Use it to build workflows for tasks such as predicting customer churn or classifying images.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Building a model to predict customer churn
• Training a neural network for image classification
• Preparing missing values and categorical data for training

여러 AI 에이전트와 시스템의 운영 지표를 수집해 지연 원인과 이상을 조사합니다. CPU와 메모리 사용량, 응답 시간, 서비스 수준을 모니터링합니다.

• 에이전트 협업 지연 원인 조사
• CPU와 메모리 사용량 추적
• 응답 시간과 서비스 수준 모니터링

코드의 가독성, 복잡도, 중복과 유지보수성을 읽기 전용으로 분석합니다. 주요 문제와 개선안, 좋은 구현 사례, 기술 부채와 개선 작업 시간 추정을 보고서로 정리합니다.

• 인증 모듈의 코드 품질 확인
• 중복 코드와 지나치게 긴 메서드 탐색
• 기술 부채와 개선 작업 시간 파악

여러 에이전트나 분산 시스템이 합의하는 방식을 설계하고 구현하도록 돕습니다. 투표 가중치, 작업 배분, 노드 고장과 악의적인 행동에 대한 대응을 다룹니다.

• 여러 에이전트의 합의 방식 설계
• 영향력에 따른 가중 투표 구현
• 고장과 악의적인 행동에 대비하는 방식 검토

여러 GitHub 저장소에서 AI 에이전트의 작업을 조율합니다. 의존성 업데이트, 공통 API 변경, 테스트를 진행하고 관련 풀 리퀘스트를 생성합니다.

• 여러 저장소의 의존성 업데이트
• 공통 API와 라이브러리 변경 조율
• 여러 프로젝트에 보안 수정 적용

GitHub 풀 리퀘스트 생성부터 검토와 병합까지 진행을 관리합니다. 설명 작성, 검토 조율, 테스트 상태 확인, 충돌 해결과 병합 방식 선택을 지원합니다.

• 새 기능의 풀 리퀘스트 생성
• 여러 전문 분야의 검토 조율
• 테스트 통과 후 자동 병합 설정

Flow Nexus에서 신경망 설계부터 분산 학습, 평가, 배포와 추론까지 지원합니다. 계산 자원과 모델 버전을 관리하고 운영 성능을 모니터링합니다.

• 분류나 시계열 작업용 모델 설계
• 클라우드에서 분산 학습 진행
• 모델 성능 비교와 학습 설정 조정

사람, 웹페이지, 시스템의 연결을 분석하고 PageRank로 중요한 지점과 영향의 확산을 파악합니다. 추천 후보와 집단을 찾고 통신 구조 개선에도 활용합니다.

• 소셜 네트워크의 영향력과 집단 분석
• 사이트 링크와 페이지 중요도 분석
• 사용자 선호에 따른 추천 후보 추출

복잡한 목표를 실행 가능한 작업으로 나누고 의존 관계, 기한, 예산, 인력을 고려해 순서와 분담을 계획합니다. 진행 상황이나 조건이 바뀌면 계획도 조정합니다.

• 기한이 정해진 기능 출시 계획
• 여러 목표에 인력과 예산 배분
• 조건 변화에 따른 계획 조정

여러 AI 에이전트의 협업 구성을 초기화하고 작업에 맞는 연결 구조, 자원 배분, 통신 방식을 설정합니다. 공유 메모리로 진행 상황과 결과물을 연계합니다.

• REST API 개발용 협업 구성
• 에이전트 여덟 개의 계층형 기능 개발
• 분산 코드 분석용 메시 구조 구성

부하와 성능에 따라 여러 AI 에이전트의 협업 구조와 작업 배분을 조정합니다. 구조 전환, 필요한 에이전트 수 예측, 변경 후 검증과 성능 저하 시 복원을 다룹니다.

• 여러 에이전트의 협업 구조 선택
• 에이전트 사이의 작업 부하 분산
• 부하에 따른 에이전트 수 예측

기존 Claude Flow 명령을 역할별 에이전트로 옮기는 계획을 만듭니다. 책임, 도구 권한, 실행 조건을 정의하고 기존 명령과 호환되는 단계적 도입을 정리합니다.

• 기존 명령을 역할별 에이전트에 배정합니다
• 도구 권한과 실행 조건을 설계합니다
• 호환성을 유지하는 단계적 이전을 계획합니다

명세와 처리 절차를 바탕으로 시스템 구성 요소와 연결 방식을 설계합니다. 기술 선정, 데이터와 API 설계, 장애 대비 및 확장 계획을 구성도와 설계 문서로 정리합니다.

• 명세를 바탕으로 시스템 구조 설계
• 구성 요소의 책임과 API 정리
• 접속 증가와 장애에 대비한 설계

복잡한 목표를 작은 작업으로 나누고 전제 조건과 실행 비용에 따라 순서를 계획합니다. 실패나 상황 변화가 생기면 계획을 수정해 목표까지의 진행 방식을 조정합니다.

• 복잡한 목표를 작은 작업으로 나눌 때
• 의존 관계와 비용을 고려해 계획할 때
• 실패나 조건 변경 후 다시 계획할 때

분산 시스템의 노드 간 정보 교환 방식을 설계하고 조정합니다. 업데이트 전파, 상태 동기화, 충돌 해결, 장애 감지를 다루며 통신량과 수렴 상태도 확인합니다.

• 분산 노드 간 업데이트 전파 설계
• 상태 동기화와 동시 업데이트 충돌 해결
• 노드 참여 관리와 장애 감지

여러 AI 에이전트의 부하와 처리 능력에 따라 작업을 배분합니다. 여유가 있는 에이전트로 대기 작업을 옮기고 우선순위를 조정해 작업 편중을 완화합니다.

• 바쁜 에이전트의 대기 작업 재배분
• 우선순위와 마감에 따른 실행 순서 조정
• 대기 시간과 부하 편중 조사

개발과 조사 작업을 여러 전문 에이전트에 나누고, 시작과 중지 및 실행 상태를 관리합니다. 역할별 구성과 공유 메모리로 작업을 조율합니다.

• 버그 수정을 여러 담당에게 나눌 때
• 기능 개발과 검토를 연계할 때
• 전문 담당에게 보안 점검을 맡길 때

API 명세를 OpenAPI 3.0 형식으로 작성하고 갱신합니다. 각 엔드포인트의 설명, 요청과 응답 예시, 인증 방식, 오류 응답을 정리합니다.

• 사용자 API 명세 작성
• 요청과 응답 예시 및 오류 응답 문서화
• API 변경에 따른 명세 갱신

명세와 설계를 바탕으로 테스트를 먼저 작성한 뒤 동작하는 코드를 구현합니다. 테스트 통과를 확인하며 코드를 정리하고 오류 처리, 성능과 관련 문서도 다듬습니다.

• 명세와 설계를 바탕으로 기능 구현
• 테스트를 포함한 인증 및 API 개발
• 테스트로 확인하며 기존 코드 정리