rUv

현재 코드에 맞춰 API나 프로젝트 전체 문서를 생성하고 갱신하며, 기존 설명과 구현의 차이를 찾습니다. 정기 유지보수 설정과 작성 방식 저장도 지원합니다.

• 코드 변경 후 문서를 갱신할 때
• 문서와 구현의 차이를 찾을 때
• API나 프로젝트 전체 문서를 생성할 때

기존 테스트에서 고정된 JSON 평가 데이터를 만들고 형식 오류를 검사합니다. 커밋이나 파생 버전이 달라도 같은 과제를 사용해 동일한 기준으로 개선안을 비교합니다.

• 기존 테스트에서 고정 평가 세트를 만듭니다
• CI에서 평가 파일을 검증합니다
• 같은 과제로 여러 커밋을 비교합니다

알려진 취약점과 혼동하기 쉬운 정상 예시로 보안 탐지 방식을 비교합니다. 탐지율, 오탐, 수정 후 테스트 등의 평가 결과를 JSON으로 정리합니다.

• 보안 탐지 방식 비교
• 탐지율과 오탐 변화 추적
• 정기 평가의 불합격 결과 감지

증명, 계획, 원인 분석을 DeepSeek 추론 모델에 요청합니다. 최종 답변과 추론 텍스트를 별도로 받아 표시하거나 확인하고 토큰 사용량도 살펴봅니다.

• 수학적 증명 요청
• 여러 단계의 검토가 필요한 계획 수립
• 어려운 버그의 원인 조사

DeepSeek 모델에 한 번의 요청으로 요약, 정보 추출, 간단한 분류를 맡깁니다. 응답과 토큰 사용량을 JSON으로 받아 후속 처리에 전달할 수 있습니다.

• 한 번의 요청으로 글을 요약합니다
• 글에서 필요한 정보를 추출합니다
• 글을 간단한 범주로 분류합니다

종목별 시가, 고가, 저가, 종가와 거래량을 가져와 비교하기 쉬운 수치로 변환하고 날짜별로 저장합니다. 가격 패턴 탐지와 유사성 검색을 위한 데이터 준비에 사용합니다.

• 종목별 가격과 거래량 이력 가져오기
• 가격 패턴 탐지에 필요한 데이터 준비
• 가격 흐름 비교 전 수치 정규화

며칠에서 몇 주에 걸친 목표를 단계별로 나누고 대화가 바뀌어도 진행 상황과 발견을 기록합니다. 매번 할 일을 계획하고 일정 지연과 초기 범위의 변화를 확인합니다.

• 여러 주에 걸친 기능 개발 진행 관리
• 조사 결과를 다음 대화로 이어가기
• 이전 계획의 지연과 범위 변경 확인

인물 이름, 파일, 개념 등을 출발점으로 웹, 코드, 저장된 정보를 조사합니다. 관련 대상과 관계를 출처가 포함된 조사 자료와 JSON으로 정리합니다.

• 인물이나 개념의 관련 정보 파악
• 파일과 코드 식별자의 참조 관계 조사
• 설계 결정 기록과 관련 정보 조사

작업 내용과 과거 성공 패턴을 바탕으로 담당 에이전트와 AI 모델을 선택합니다. 선택 이유를 확인하고 완료 결과를 기록하여 다음 작업 배정에 반영합니다.

• 작업 전 담당 에이전트와 모델 선택
• 작업 배정의 판단 이유 확인
• 지원하는 코드 변경을 규칙으로 실행

에이전트 실행 구성과 평가값을 담은 두 JSON 데이터를 비교해 유사도와 세부 결과를 계산합니다. 구성 재사용 판단, 템플릿 비교, 구성 변화 확인에 활용합니다.

• 기존 에이전트 구성의 재사용 여부 판단
• 템플릿 후보의 순위 결정
• 팀 사이의 중복 작업 확인

Claude Code 세션에서 지정한 시각이나 간격으로 감사, 테스트 커버리지 분석 등을 실행할 워커를 등록하고 정기 작업을 확인하거나 해제합니다.

• 15분마다 보안 검사를 실행합니다
• 테스트 커버리지를 정기 확인합니다
• 두 시간마다 API 문서를 생성합니다

에이전트의 판단과 문제 해결 절차를 재사용 가능한 패턴으로 정의합니다. 실행 가능한 워크플로에 넣어 실행하고, 결과를 평가해 효과적인 방법을 공유합니다.

• 조건 분기로 판단 절차를 정의할 때
• 문제 해결 절차를 실행 가능하게 만들 때
• 비슷한 과거 사례에서 해결책을 찾을 때

저장소를 읽기 전용으로 조사해 유형, 권장 에이전트 구성, 위험도, 테스트 신뢰도, 공개 준비 상태를 보고서로 만듭니다. 위험도 기준에 따른 CI 판정에도 활용합니다.

• 자체 에이전트 실행 기반 구축 전 점검
• 정기 보고서 비교로 구성 변화 확인
• 위험도 기준에 따른 CI 판정

지정한 주소나 기본 USB Ethernet 주소로 Cognitum Seed 기기를 등록합니다. 식별 정보 조회, 초기 신뢰 수준 설정, 선택적 페어링, 상태 확인과 기록 저장을 수행합니다.

• 지정한 연결 주소로 기기 등록
• USB Ethernet 기본 주소로 연결
• 토큰을 사용한 기기 페어링

진화 방식으로 조정한 프롬프트 설정을 읽어 구조와 생성되는 시스템 프롬프트를 확인합니다. 실행 기록의 실패 유형도 분류해 도입 전 검토를 돕습니다.

• 조정된 프롬프트의 도입 전 확인
• CI에서 설정 변경 검증
• 실행 기록의 실패 유형 분류

복잡한 목표를 전제 조건, 실행 후 변화, 예상 비용이 있는 작업으로 나눕니다. 의존 관계에 따라 실행하고 실패나 상황 변화에 맞춰 남은 계획을 수정합니다.

• 복잡한 목표를 실행할 작업으로 분해
• 의존 관계와 전제 조건 정리
• 실패나 상황 변화에 따라 계획 수정

대화와 성과에 따라 행동을 조정하는 에이전트를 만들고 학습 현황, 효율, 정확도를 확인합니다. 피드백에 따른 조정과 에이전트 간 지식 공유도 수행합니다.

• 학습 설정을 갖춘 에이전트 생성
• 학습 진행 상황과 효율·정확도 확인
• 피드백에 따른 행동 조정

도메인 주도 설계의 TypeScript 코드를 점검합니다. 업무 영역을 넘는 부적절한 참조와 데이터 일관성, 이벤트, 저장소 배치 문제를 위치 및 개선안과 함께 정리합니다.

• 업무 영역 간 의존 관계 감사
• 병합 전 여러 영역의 변경 검토
• CI에서 설계 경계 점검

서로 다른 환경의 에이전트를 연결하는 연합 기능의 상태를 확인하고, 연결 대상의 신뢰도, 세션 수, 메시지 교환, 개인정보 가림 및 위협 탐지 정보를 정리합니다.

• 환경 간 에이전트 연결 확인
• 연결 대상과 신뢰 점수 확인
• 세션 수와 메시지 교환 현황 파악

저장소가 AI 에이전트 실행 프레임워크를 도입할 준비가 되었는지 다섯 지표로 평가합니다. 파일 변경 없이 예상 실행 비용과 기본 틀의 준비 상태도 확인합니다.

• 에이전트 실행 프레임워크 도입 전 평가합니다
• 다섯 지표로 준비 상태를 비교합니다
• 예상 실행 비용과 기본 틀을 확인합니다

용도별 템플릿과 실행 호스트를 골라 AI 에이전트용 하네스의 기본 구조를 만듭니다. 기본값은 계획만 표시하며, 명시적으로 확인한 뒤 기존 프로젝트 밖에 생성합니다.

• 개발용 하네스의 기본 구조 생성
• 실행 호스트에 맞는 구성 준비
• 파일 쓰기 전 생성 계획 확인

데이터베이스 구조 변경을 적용하고 되돌리는 SQL 파일을 쌍으로 만듭니다. 기존 파일에서 다음 번호를 정하고 변경 이름에 맞는 서식을 선택해 생성 기록도 저장합니다.

• 테이블 생성용 SQL 준비
• 열 추가의 적용 및 취소 SQL 작성
• 인덱스 추가를 위한 변경 준비

Git 변경 차이의 위험과 복잡도를 평가하고 변경 유형과 권장 검토 역할을 정리해, 풀 리퀘스트 제출 전이나 병합 전에 집중해서 확인할 부분을 좁혀 줍니다.

• 풀 리퀘스트 제출 전 변경 위험을 확인합니다
• 여러 모듈에 걸친 대규모 변경을 검토합니다
• 변경에 적합한 검토 담당 역할을 정리합니다

메모리에 쌓인 조사 결과를 모아 근거의 강도와 정보 간 충돌을 정리합니다. 요점, 한계, 출처, 다음 행동을 담은 보고서로 조사 후 판단을 돕습니다.

• 여러 차례의 조사 결과 통합
• 상충하는 주장과 근거 비교
• 다음 행동을 담은 조사 요약 작성