스킬 찾기

AI 에이전트가 구현의 많은 부분을 맡는 개발팀을 위해 계획, 책임 분담, 리뷰 기준, 테스트 요구 사항을 정리하고 생성 코드를 다루는 개발 절차를 설계합니다.

• AI 생성 코드를 다루는 개발 규칙 정비
• 코드 리뷰 기준과 승인 조건 설정
• 에이전트가 작업하기 편한 설계 검토

AI 에이전트가 맡는 개발의 완료 조건을 정하고 검증 가능한 작업으로 나눕니다. 구현 전후 평가를 비교하고 난도에 맞는 모델 선택과 비용·시간 기록을 정리합니다.

• AI 에이전트에 맡길 개발을 계획합니다
• 큰 변경을 검증 가능한 작업으로 나눕니다
• 구현 전후 평가 결과를 비교합니다

실제 게시물, 글, 이메일에서 말투와 표현 특징을 정리해 재사용할 수 있는 문체 프로필을 만듭니다. 소셜 미디어, 영업 이메일, 제품 공지의 문체를 일관되게 유지합니다.

• 소셜 미디어 글의 문체를 통일합니다
• 영업 이메일의 어조를 맞춥니다
• 작성자다운 제품 공지를 작성합니다

여러 차례의 대화로 브랜드의 목적, 고객상, 말투를 구체화합니다. 답변과 진행 상황을 저장하고 브랜드북으로 정리해 창업자의 생각을 제작 담당자와 공유하도록 돕습니다.

• 새 브랜드의 방향을 정합니다
• 기존 브랜드의 포지셔닝을 재검토합니다
• 디자이너와 작가에게 전달할 자료를 만듭니다

Compose로 Android·iOS·Desktop·Web의 화면을 공유하도록 상태 관리, 화면 이동, 재사용 컴포넌트, 테마와 렌더링 성능 개선을 돕습니다.

• 여러 플랫폼에서 화면을 공유합니다
• 화면 상태와 사용자 동작을 정리합니다
• 화면과 대화상자 이동을 구현합니다

Bun으로 JavaScript와 TypeScript를 실행하고 의존 패키지 관리, 빌드, 테스트를 진행합니다. Node에서의 이전과 Vercel 설정도 지원합니다.

• JavaScript와 TypeScript 신규 개발
• Node에서 Bun으로 이전 검토
• bun test로 테스트 작성과 수정

AI 에이전트가 정확성·완전성·명확성·실행 가능성·간결성의 다섯 기준으로 결과물을 자체 평가합니다. 근거가 있는 점수와 평균, 우선순위별 개선안을 제공합니다.

• 여러 파일에 걸친 구현 후 자체 평가
• 여러 작업 단계를 마친 결과물 점검
• 설계 문서와 분석 보고서 평가

사용 중인 에이전트 환경에 맞춰 ECC 설치, 업데이트, 재설정을 안내합니다. 설치 상태 확인부터 변경 미리 보기, 승인 후 적용과 결과 검증까지 대화로 진행합니다.

• ECC 설치 또는 업데이트
• Claude Code의 설치 범위 이전
• Claude Code의 훅 조정

Claude Code에서 개발 작업을 반복하는 자율 루프 설계를 안내합니다. 순차 실행부터 병렬 작업까지 진행 상황 인계, 품질 확인, 변경 사항 통합과 중단 조건을 정리합니다.

• 순차적으로 실행할 개발 절차를 설계할 때
• 반복 실행 사이에 진행 상황을 인계할 때
• 병렬 작업과 변경 사항 통합을 조율할 때

경쟁사의 브랜드 표현, 서비스, 실적 등을 공통 기준으로 평가합니다. 근거를 담은 비교 카드와 전략적 두 축 도표로 고객이 목표로 하는 위치의 경쟁사를 파악합니다.

• 공통 기준으로 경쟁사를 비교합니다
• 출처가 있는 경쟁사 카드를 만듭니다
• 두 전략 목표로 경쟁사의 위치를 정리합니다

Claude Code에서 전문 에이전트별로 작업을 배분하고 진행 상황과 결정을 파일에 저장합니다. 세션을 넘겨 작업을 이어 가고 반복 업무의 명령과 실행 일정을 설계합니다.

• 개발·글쓰기·조사 담당 간 협업
• 다음 세션으로 프로젝트 배경 전달
• 매일 아침 현황 확인 작업 예약

프로젝트 코드와 설정을 근거로 ECC 스킬·규칙·훅 등을 매번 불러올 항목과 필요할 때 참조할 항목으로 나누고, 도입 계획과 검증 결과를 정리합니다.

• 프로젝트에 맞는 ECC 구성 요소 선택
• 상시 사용 스킬과 참조용 스킬 구분
• 오래된 규칙과 미지원 훅 정리

회사의 서비스, 고객상, 차별화 근거를 바탕으로 비교할 경쟁사와 조사 출처를 고릅니다. 직접·인접 경쟁사와 목표 기업으로 분류하고 출처가 있는 후보 목록을 만듭니다.

• 자세히 비교할 경쟁사 선정
• 직접·인접 경쟁사와 목표 기업 분류
• 시장 조사 보고서의 후보 압축

추상적인 개념이나 원리를 움직이는 손잡이와 바늘이 있는 정밀한 기계로 표현하고, 비스듬히 내려다보는 조작형 설명도를 HTML, SVG, React용으로 제작합니다.

• 움직이는 기계로 추상 개념 설명
• 기술 글에 조작형 설명도 추가
• 독립 실행형 HTML 설명 자료 제작

유료 API의 HTTP 402 응답에서 결제 요구 사항을 확인하고, 호환되는 클라이언트로 요청별 요금을 지불한 뒤 API 결과와 영수증 정보를 확인하도록 안내합니다.

• HTTP 402를 반환하는 API 결제
• 결제 방식에 맞는 클라이언트 선택
• 유료 서비스 탐색과 지출 관리

TRL로 언어 모델을 추가 학습해 지시와 사람의 선호에 맞는 답변을 만들도록 안내합니다. 데이터 준비, 학습 방식 선택, 보상 모델 학습과 평가를 다룹니다.

• 답변 예시로 지시 수행을 학습합니다
• DPO로 답변 선호를 학습합니다
• 보상 모델을 쓰는 RLHF를 구성합니다

SAM으로 이미지 속 대상을 점이나 사각형으로 지정해 오려낼 영역을 추출합니다. 자동 마스크 생성, 경계 수정, 학습 데이터 준비와 브라우저 및 장치 배포 절차를 안내합니다.

• 대상을 투명 배경 이미지로 추출합니다
• 이미지 영역 지정 도구를 만듭니다
• 이미지 인식용 학습 데이터를 준비합니다

hf 명령어로 Hugging Face Hub의 모델과 데이터셋을 찾고 다운로드·업로드합니다. 저장소, 실행 환경과 로컬 캐시 관리도 다룹니다.

• 모델과 데이터셋을 찾아 다운로드하기
• 로컬 파일을 Hub에 업로드하기
• 저장소 생성과 브랜치·태그 관리하기

DSPy로 질문 응답과 문서 검색을 결합한 AI 처리를 만듭니다. 입출력을 정의한 구성 요소를 조합하고 학습 예시와 평가 지표로 프롬프트를 자동 조정합니다.

• 문서 검색을 결합한 질문 응답 만들기
• 학습 예시로 프롬프트 조정하기
• 텍스트에서 구조화된 데이터 추출하기

Hugging Face Hub에서 로컬 언어 모델을 찾고, 메모리에 맞는 GGUF 파일을 고르도록 돕습니다. 파일 용량을 비교하고 llama.cpp 실행 명령을 준비합니다.

• 메모리에 맞는 로컬 모델을 찾습니다
• GGUF 종류와 파일 용량을 비교합니다
• 로컬 채팅 서버 실행을 준비합니다

vLLM으로 대규모 언어 모델을 API로 제공하거나 많은 입력을 일괄 처리하도록 돕습니다. 배포와 성능 모니터링, 메모리 절약, 응답 속도 조정도 다룹니다.

• OpenAI 호환 API를 제공할 때
• 많은 프롬프트를 일괄 처리할 때
• 제한된 GPU 메모리로 모델을 실행할 때

LLM이 JSON, 정규 표현식, Pydantic 타입 정의에 맞춰 답변을 생성하도록 합니다. 텍스트에서 추출한 정보와 분류 결과를 후속 프로그램에서 다루기 쉬운 형식으로 정리합니다.

• 텍스트에서 기업과 제품 정보를 추출할 때
• 정해진 라벨로 리뷰를 분류할 때
• 프로필을 항목별로 정리할 때

Unsloth로 언어 모델을 추가 학습하도록 돕습니다. LoRA와 QLoRA 구현, 기능과 API 확인, 코드 오류 조사, GPU 메모리를 줄이는 학습 방법 탐색을 지원합니다.

• LoRA와 QLoRA 추가 학습 시작
• Unsloth 기능과 API 확인
• 학습 코드의 오류 조사

Axolotl로 대규모 언어 모델을 추가 학습하는 데 필요한 YAML 설정, 데이터 형식과 학습 방법을 안내합니다. 여러 GPU의 설정과 학습 오류, 속도 문제 조사에도 활용합니다.

• 추가 학습용 YAML 설정 작성
• LoRA와 QLoRA 학습 방법 확인
• 데이터 형식과 API 사용법 확인