Agent-Skills-for-Context-Engineering

KO | EN

gitlite — search

#python #hacktoberfest #react #typescript #llm #golang #android #machine-learning #linux #windows #awesome #kubernetes #vue #openai

Agent-Skills-for-Context-Engineering

(★ 17,747)

컨텍스트 엔지니어링, 멀티 에이전트 아키텍처, 그리고 프로덕션 에이전트 시스템을 위한 종합적인 Agent Skills 모음입니다. 효과적인 컨텍스트 관리가 필요한 에이전트 시스템을 구축, 최적화 또는 디버깅할 때 사용하세요.

Agent-Skills-for-Context-Engineering 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Context Engineering을 위한 Agent Skills
프로덕션 급 AI 에이전트 시스템을 구축하기 위한 컨텍스트 엔지니어링 및 하네스 엔지니어링 원칙 중심의 포괄적이고 개방된 Agent Skills 모음입니다. 이 스킬들은 컨텍스트를 큐레이팅하고, 에이전트 작동 루프를 설계하며, 모든 에이전트 플랫폼에서 에이전트의 행동을 평가하는 예술과 과학을 가르쳐 줍니다.
[![Ask DeepWiki](https://deepwiki.com/badge.svg)](https://deepwiki.com/muratcankoylan/Agent-Skills-for-Context-Engineering)

## 컨텍스트 엔지니어링이란 무엇인가요?
컨텍스트 엔지니어링은 언어 모델의 컨텍스트 윈도우를 관리하는 분야입니다. 효과적인 지시사항 작성에 중점을 두는 프롬프트 엔지니어링과 달리, 컨텍스트 엔지니어링은 시스템 프롬프트, 도구 정의, 검색된 문서, 메시지 기록, 도구 출력 등 모델의 제한된 어텐션 예산으로 들어오는 모든 정보를 총체적으로 큐레이팅하는 것을 다룹니다.
근본적인 과제는 컨텍스트 윈도우가 원시 토큰 용량이 아니라 어텐션 메커니즘에 의해 제약받는다는 점입니다. 컨텍스트 길이가 길어질수록 모델은 예측 가능한 성능 저하 패턴(예: "lost-in-the-middle" 현상, U자형 어텐션 곡선, 어텐션 부족)을 보입니다. 효과적인 컨텍스트 엔지니어링이란 원하는 결과의 가능성을 극대화하는 가장 작은 규모의 고신호(high-signal) 토큰 세트를 찾는 것을 의미합니다.

## 인정 (Recognition)
이 저장소는 정적 스킬 아키텍처에 대한 기초 작업으로 학술 연구에 인용되었습니다:
> "정적 스킬은 잘 알려져 있지만 [Anthropic, 2025b; Muratcan Koylan, 2025], MCE는 이를 동적으로 진화시켜 수동 스킬 엔지니어링과 자율적 자기 개선을 연결하는 최초의 시도 중 하나입니다."
1. [Meta Context Engineering via Agentic Skill Evolution](https://arxiv.org/pdf/2601.21557), 북경대학교 일반인공지능 국가중점실험실 (2025)
2. [Agent Harness Engineering: A Survey](https://openreview.net/pdf/f358711a95aaaf61fdeffd4ef3fc60fba9b8da57.pdf), CMU, 예일, JHU, NEU, 툴레인, UAB, OSU, 버지니아 테크, 아마존 (2026)

## 스킬 개요
### 기초 스킬 (Foundational Skills)
이 스킬들은 후속 컨텍스트 엔지니어링 작업에 필요한 기초적인 이해를 다집니다.
| 스킬 | 설명 |
|-------|-------------|
| [context-fundamentals](skills/context-fundamentals/) | 컨텍스트가 무엇인지, 왜 중요한지, 에이전트 시스템에서 컨텍스트의 구조를 이해합니다 |
| [context-degradation](skills/context-degradation/) | 컨텍스트 실패 패턴 인식: lost-in-middle, 포이즈닝, 산만함, 충돌 |
| [context-compression](skills/context-compression/) | 장기 실행 세션을 위한 압축 전략 설계 및 평가 |

### 아키텍처 스킬 (Architectural Skills)
이 스킬들은 효과적인 에이전트 시스템을 구축하기 위한 패턴과 구조를 다룹니다.
| 스킬 | 설명 |
|-------|-------------|
| [multi-agent-patterns](skills/multi-agent-patterns/) | 마스터 오케스트레이터, 피어 투 피어, 계층형 멀티 에이전트 아키텍처 마스터하기 |
| [long-horizon-prompting](skills/long-horizon-prompting/) | \*\*NEW\*\* 장기 실행 자율 에이전트 및 병렬 오케스트레이션을 위한 준형식적(pseudo-formal) 작업 브리프 작성: 정확한 성공 조건자, 비카운팅 결과, 감사 제어 반환 조건, 노력 하한선, 다양성 정책 (공개된 GPT-5.6 Sol Ultra Cycle Double Cover 프롬프트 모델링) |
| [memory-systems](skills/memory-systems/) | 단기, 장기, 그래프 기반 메모리 아키텍처 설계 |
| [tool-design](skills/tool-design/) | 에이전트가 효과적으로 사용할 수 있는 도구 구축 |
| [filesystem-context](skills/filesystem-context/) | 동적 컨텍스트 발견, 도구 출력 오프로딩, 계획 지속성을 위한 파일시스템 사용 |
| [hosted-agents](skills/hosted-agents/) | \*\*NEW\*\* 샌드박스형 VM, 사전 구축된 이미지, 멀티플레이어 지원, 멀티 클라이언트 인터페이스를 갖춘 백그라운드 코딩 에이전트 구축 |

### 운영 스킬 (Operational Skills)
이 스킬들은 에이전트 시스템의 지속적인 운영과 최적화를 다룹니다.
| 스킬 | 설명 |
|-------|-------------|
| [context-optimization](skills/context-optimization/) | 컴팩션, 마스킹, 캐싱 전략 적용 |
| [latent-briefing](skills/latent-briefing/) | 작업 런타임이 제어 가능한 경우 작업 가이드 KV 캐시 컴팩션을 통해 작업 관련 오케스트레이터 상태를 작업자와 공유 |
| [evaluation](skills/evaluation/) | 에이전트 시스템을 위한 평가 프레임워크 구축 |
| [advanced-evaluation](skills/advanced-evaluation/) | LLM-as-a-Judge 기법 마스터하기: 직접 채점, 쌍대 비교(pairwise comparison), 루브릭 생성, 편향 완화 |
| [harness-engineering](skills/harness-engineering/) | 고정된 메트릭, 내구성 있는 로그, 참신함 게이트(novelty gates), 롤백, 인간 승인 경계를 갖춘 자율 에이전트 하네스 설계 |
| [self-improvement-loops](skills/self-improvement-loops/) | \*\*NEW\*\* 하네스 자체가 최적화 타겟이 되는 루프 구축: RSI, 메타 하네스 탐색, 실패 기반 자체 수정, 진화형 스캐폴드 탐색, 자체 수정 시스템을 위한 수락 게이트 |

### 개발 방법론 (Development Methodology)
이 스킬들은 LLM 기반 프로젝트를 구축하기 위한 메타 수준의 관행을 다룹니다.
| 스킬 | 설명 |
|-------|-------------|
| [project-development](skills/project-development/) | 작업-모델 적합성 분석, 파이프라인 아키텍처, 구조화된 출력 설계를 포함하여 아이디어 도출부터 배포까지 LLM 프로젝트 설계 및 구축 |

### 인지 아키텍처 스킬 (Cognitive Architecture Skills)
이 스킬들은 합리적인 에이전트 시스템을 위한 형식적 인지 모델링을 다룹니다.
| 스킬 | 설명 |
|-------|-------------|
| [bdi-mental-states](skills/bdi-mental-states/) | \*\*NEW\*\* 숙고적 추론 및 설명 가능성을 위한 형식적 BDI 온톨로지 패턴을 사용하여 외부 RDF 컨텍스트를 에이전트 정신 상태(신뢰, 욕구, 의도)로 변환 |

## 디자인 철학
### 점진적 공개 (Progressive Disclosure)
각 스킬은 효율적인 컨텍스트 사용을 위해 구조화되어 있습니다. 시작 시 에이전트는 스킬 이름과 설명만 로드합니다. 전체 콘텐츠는 관련 작업을 위해 스킬이 활성화될 때만 로드됩니다.

### 플랫폼 독립성 (Platform Agnosticism)
이 스킬들은 특정 벤더 구현보다는 이전 가능한 원칙에 중점을 둡니다. 이 패턴들은 Claude Code, Cursor 및 스킬을 지원하거나 커스텀 지시사항을 허용하는 모든 에이전트 플랫폼에서 작동합니다.

### 실용적인 예제가 포함된 개념적 기반
스크립트와 예제는 특정 종속성 설치를 요구하지 않고 환경 전반에서 작동하는 파이썬 의사코드를 사용하여 개념을 시연합니다.

## 사용법
### Claude Code에서의 사용
이 저장소는 사용자의 작업 컨텍스트를 기반으로 Claude가 자동으로 검색하고 활성화하는 컨텍스트 엔지니어링 스킬이 포함된 \*\*Claude Code Plugin Marketplace\*\*입니다.

### 설치
\*\*1단계: 마켓플레이스 추가\*\*
이 저장소를 플러그인 소스로 등록하려면 Claude Code에서 다음 명령어를 실행하세요:
```
/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering
```
\*\*2단계: 플러그인 설치\*\*
옵션 A - 찾아보기 및 설치:
1. `Browse and install plugins` 선택
2. `context-engineering-marketplace` 선택
3. `context-engineering` 선택
4. `Install now` 선택
옵션 B - 명령어를 통한 직접 설치:
```
/plugin install context-engineering@context-engineering-marketplace
```
이렇게 하면 단일 플러그인에 17개의 모든 스킬이 설치됩니다. 스킬은 작업 컨텍스트에 따라 자동으로 활성화됩니다.

### 스킬 활성화 시나리오
| 스킬 | 활성화 시점 |
|-------|---------------|
| `context-fundamentals` | 컨텍스트 윈도우 멘탈 모델 설정, 에이전트 아키텍처 계획, 또는 컨텍스트 구성 요소가 모델 동작에 미치는 영향 설명 시 |
| `context-degradation` | 어텐션 실패, 컨텍스트 포이즈닝, lost-in-middle 동작, 또는 긴 세션에 걸친 에이전트 성능 저하 진단 시 |
| `context-compression` | 컨텍스트 압박 하에서 대화, 도구 출력 또는 궤적 크기를 줄이면서 유용한 상태를 보존할 때 |
| `context-optimization` | 토큰 효율성, 검색 정밀도, 프리픽스 재사용, 마스킹, 파티셔닝, 또는 에이전트 시스템의 예산 할당 개선 시 |
| `latent-briefing` | 작업자 런타임을 제어할 수 있고 모델이 호환되는 경우, 작업 가이드 KV 캐시 컴팩션을 통해 오케스트레이터 궤적을 작업자와 공유할 때 |
| `multi-agent-patterns` | 조정 패턴 선택, 에이전트 간 컨텍스트 격리,핸드오프 설계, 또는 병렬 에이전트가 정당한지 평가 시 |
| `long-horizon-prompting` | 장기 실행 자율 에이전트 또는 병렬 오케스트레이션을 위한 론칭 프롬프트 작성 또는 평가 시: 성공 조건자, 비카운팅 결과, 지속 및 중지 규칙, 적대적 감사 게이트, 포트폴리오 다양성 정책 |
| `memory-systems` | 세션 간 지식 지속, 시간에 따른 엔티티 추적, 메모리 프레임워크 선택, 또는 검색 및 업데이트 시맨틱 설계 시 |
| `tool-design` | 에이전트-도구 계약 정의, 도구 표면 통합, 설명 개선, 또는 도구 오류를 조치 가능하게 만들 때 |
| `filesystem-context` | 크거나 지속적인 컨텍스트를 파일로 이동, 스크래치패드 생성, 적시(just-in-time) 발견 지원, 또는 공유 아티팩트를 통한 에이전트 조정 시 |
| `hosted-agents` | 원격 샌드박스, 백그라운드 환경, 웜 풀, 또는 멀티플레이어 에이전트 인프라에서 코딩 에이전트 실행 시 |
| `evaluation` | 에이전트 동작을 위한 결정론적 검사, 루브릭, 회귀 스위트, 프로덕션 모니터링, 또는 품질 게이트 생성 시 |
| `advanced-evaluation` | LLM 판사, 쌍대 비교, 보정, 편향 완화, 또는 인간 친화적 품질 평가 사용 시 |
| `harness-engineering` | 고정된 평가기, 편집 가능한 표면, 내구성 있는 로그, 참신함 게이트, 롤백, 승인 경계를 갖춘 자율 루프 설계 시 |
| `self-improvement-loops` | 자체 수정 루프 구축 시: 실패 기반 하네스 자체 수정, 메타 하네스 탐색, 진화형 스캐폴드 탐색, 컨텍스트 메커니즘 진화, 자체 수정을 위한 수락 게이트 |
| `project-development` | LLM이 적절한지 결정, 배치 파이프라인 구상, 단계별 아티팩트 생성, 또는 운영 비용 추정 시 |
| `bdi-mental-states` | 신뢰, 욕구, 의도, 합리적 행동 흔적, 또는 에이전트를 위한 신경-상징적 상태 변환 모델링 시 |
![Screenshot 2025-12-26 at 12 34 47 PM](https://github.com/user-attachments/assets/f79aaf03-fd2d-4c71-a630-7027adeb9bfe)

### Cursor, Codex 및 Open Plugins 사용 시
이 저장소는 [Open Plugins](https://open-plugins.com) 플러그인으로 제공됩니다. 호스트는 저장소 루트의 `skills/` 디렉토리(각 하위 디렉토리는 `SKILL.md` 파일 포함)에서 스킬을 검색합니다. 매니페스트는 `.plugin/plugin.json`에 있습니다.

\*\*Cursor (권장):\*\*
1. [Cursor Plugin Directory](https://cursor.directory/plugins/context-engineering)에서 설치하거나, 이 저장소를 복제(clone)한 후 Cursor를 플러그인 루트로 지정합니다.
2. Cursor가 `.plugin/plugin.json`을 읽고 Open Plugins 매니페스트를 통해 저장소 루트의 `skills/` 디렉토리를 검색합니다.
3. 프로젝트 로컬 수동 설치의 경우, 스킬 디렉토리를 `.cursor/skills/`로 복사합니다. 저장소 심볼릭 링크에 의존하지 마세요. Windows 및 플러그인 패키징에서 취약합니다.

\*\*Codex / GitHub Copilot CLI / 기타 Open Plugins 호스트:\*\*
1. 이 저장소를 복제하거나 플러그인 디렉토리로 추가합니다.
2. 호스트가 `.plugin/plugin.json`을 읽고 `skills/` 아래의 17개 스킬을 모두 검색합니다.
3. 프로젝트 로컬 수동 설치의 경우, 스킬 디렉토리를 `.codex/skills/` 또는 호스트에 문서화된 Agent Skills 디렉토리로 복사합니다.

### 개별 스킬 사용하기
Agent Skills는 단일 평면 마크다운 파일이 아니라 \*\*디렉토리 레이아웃\*\*이 필요합니다. 스킬 폴더를 프로젝트의 스킬 디렉토리로 복사하세요:
```bash
# 예시: Cursor 프로젝트에 context-fundamentals 스킬만 추가
mkdir -p .cursor/skills
cp -R skills/context-fundamentals .cursor/skills/
# Claude Code 프로젝트 범위 설치 (동일한 디렉토리 레이아웃)
mkdir -p .claude/skills
cp -R skills/context-fundamentals .claude/skills/
# Codex 프로젝트 범위 설치
mkdir -p .codex/skills
cp -R skills/context-fundamentals .codex/skills/
# 일반 Agent Skills 저장소 범위 설치 (Codex/OpenAI, Copilot CLI, Open Plugins 호스트)
mkdir -p .agents/skills
cp -R skills/context-fundamentals .agents/skills/
```
`SKILL.md`를 `.claude/skills/context-fundamentals.md`와 같은 단일 파일로 병합하지 마세요. 상대 경로 `references/`가 깨지며 Cursor, Claude Code, Codex에서 사용하는 Agent Skills 디렉토리 규격을 위반하게 됩니다.

사용 가능한 스킬: `context-fundamentals`, `context-degradation`, `context-compression`, `context-optimization`, `latent-briefing`, `multi-agent-patterns`, `long-horizon-prompting`, `memory-systems`, `tool-design`, `filesystem-context`, `hosted-agents`, `evaluation`, `advanced-evaluation`, `harness-engineering`, `self-improvement-loops`, `project-development`, `bdi-mental-states`

### 커스텀 구현 시
모든 스킬에서 원칙과 패턴을 추출하여 에이전트 프레임워크에 구현할 수 있습니다. 이 스킬들은 의도적으로 플랫폼 독립적으로 설계되었습니다.

## 예제 (Examples)
[examples](examples/) 폴더에는 여러 스킬이 실제로 어떻게 함께 작동하는지 보여주는 완전한 시스템 설계가 포함되어 있습니다.
| 예제 | 설명 | 적용된 스킬 |
|---------|-------------|----------------|
| [digital-brain-skill](examples/digital-brain-skill/) | \*\*NEW\*\* 창업자와 크리에이터를 위한 개인 운영 체제. 6개의 모듈과 4개의 자동화 스크립트가 포함된 완전한 Claude Code 스킬 | context-fundamentals, context-optimization, memory-systems, tool-design, multi-agent-patterns, evaluation, project-development |
| [x-to-book-system](examples/x-to-book-system/) | X 계정을 모니터링하고 매일 종합된 책을 생성하는 멀티 에이전트 시스템 | multi-agent-patterns, memory-systems, context-optimization, tool-design, evaluation |
| [llm-as-judge-skills](examples/llm-as-judge-skills/) | TypeScript 구현 및 19개의 통과 테스트가 포함된 프로덕션 급 LLM 평가 도구 | advanced-evaluation, tool-design, context-fundamentals, evaluation |
| [book-sft-pipeline](examples/book-sft-pipeline/) | 어떤 작가의 스타일로든 글을 쓰도록 모델 훈련. Pangram에서 인간 점수 70%, 총 비용 $2의 거트루드 스타인(Gertrude Stein) 사례 연구 포함 | project-development, context-compression, multi-agent-patterns, evaluation |
| [interleaved-thinking](examples/interleaved-thinking/) | 에이전트 실패 패턴을 캡처, 분석하고 생성된 스킬로 변환하는 추론 흔적(reasoning trace) 최적화 도구 | evaluation, advanced-evaluation, context-degradation, harness-engineering |
| [long-horizon-prompt-lab](examples/long-horizon-prompt-lab/) | 프로덕션 급 교육용 웹사이트: 메서드 가이드, 복사 가능한 작업 브리프 템플릿, 4개의 완전한 프롬프트 재작성, 구조적 감사, 단서가 포함된 연구/벤더 참조 카탈로그 | long-horizon-prompting, harness-engineering, multi-agent-patterns, advanced-evaluation |

각 예제 포함 내용:
- 아키텍처 결정 사항이 포함된 완전한 PRD
- 각 결정에 영향을 미친 개념을 보여주는 스킬 매핑
- 구현 지침

### Digital Brain Skill 예제
[digital-brain-skill](examples/digital-brain-skill/) 예제는 포괄적인 스킬 적용을 보여주는 완전한 개인 운영 체제입니다:
- \*\*점진적 공개 (Progressive Disclosure)\*\*: 3단계 로딩 (SKILL.md → MODULE.md → 데이터 파일)
- \*\*모듈 격리 (Module Isolation)\*\*: 6개의 독립적인 모듈 (정체성, 콘텐츠, 지식, 네트워크, 운영, 에이전트)
- \*\*추가 전용 메모리 (Append-Only Memory)\*\*: 에이전트 친화적인 파싱을 위한 스키마 우선 라인이 포함된 JSONL 파일
- \*\*자동화 스크립트\*\*: 4개의 통합 도구 (`weekly_review`, `content_ideas`, `stale_contacts`, `idea_to_draft`)
모든 아키텍처 결정을 특정 스킬 원칙에 매핑하는 [HOW-SKILLS-BUILT-THIS.md](examples/digital-brain-skill/HOW-SKILLS-BUILT-THIS.md)에 상세한 추적 가능성이 포함되어 있습니다.

### LLM-as-Judge Skills 예제
[llm-as-judge-skills](examples/llm-as-judge-skills/) 예제는 다음을 보여주는 완전한 TypeScript 구현입니다:
- \*\*직접 채점 (Direct Scoring)\*\*: 루브릭 지원과 함께 가중치 기준에 따라 응답 평가
- \*\*쌍대 비교 (Pairwise Comparison)\*\*: 위치 편향 완화와 함께 응답 비교
- \*\*루브릭 생성 (Rubric Generation)\*\*: 도메인별 평가 표준 생성
- \*\*EvaluatorAgent\*\*: 모든 평가 기능을 결합한 고수준 에이전트

### Book SFT Pipeline 예제
[book-sft-pipeline](examples/book-sft-pipeline/) 예제는 소형 모델(8B)이 작가의 스타일로 글을 쓰도록 훈련하는 방법을 보여줍니다:
- \*\*지능형 세분화 (Intelligent Segmentation)\*\*: 최대 훈련 예제를 위한 오버랩이 있는 2계층 청킹
- \*\*프롬프트 다양성 (Prompt Diversity)\*\*: 암기를 방지하고 스타일 학습을 강제하는 15개 이상의 템플릿
- \*\*Tinker 통합\*\*: 총 비용 $2의 완전한 LoRA 훈련 워크플로우
- \*\*검증 방법론 (Validation Methodology)\*\*: 현대적 시나리오 테스트를 통해 스타일 전송 대 콘텐츠 암기 증명
컨텍스트 엔지니어링 스킬과 통합: project-development, context-compression, multi-agent-patterns, evaluation.

## 연구원 운영 체제 (Researcher Operating System)
[researcher](researcher/) 디렉토리는 외부 연구를 스킬 변경 사항으로 전환하기 위한 파일 기반 운영 체제입니다. 이 저장소가 단순한 앤솔러지가 아니라 복리적 진실의 원천(compounding source of truth) 역할을 할 수 있도록 존재합니다.

### 측정된 라우터 벤치마크 결과
스킬 라우터(주어진 작업에 대해 올바른 스킬이 로드되도록 결정함)는 [Cursor SDK](https://cursor.com/docs/sdk/typescript)를 통해 4개의 프론티어 모델을 대상으로 엔드투엔드 벤치마크를 거쳤습니다. 3회의 전체 스윕 (50개 프롬프트 x 4개 모델 x 3회 반복 = 각각 600회 호출):
- 기준선 (Baseline): [`researcher/benchmarks/router/results-published/2026-05-15.md`](researcher/benchmarks/router/results-published/2026-05-15.md)
- 타겟 설명 재작성 후: [`researcher/benchmarks/router/results-published/2026-05-15-v2.md`](researcher/benchmarks/router/results-published/2026-05-15-v2.md) (기준선 대비 델타 포함)
- 코퍼스 전체 하드닝 후: [`researcher/benchmarks/router/results-published/2026-05-19.md`](researcher/benchmarks/router/results-published/2026-05-19.md) (600/600 사용 가능 레코드, 0개 포맷 실패)

데이터가 플래그한 세 가지 스킬에 대한 스킬별 효과 크기:
| 스킬 | 기준선 top-1 | 재작성 후 | 델타 |
| --- | --- | --- | --- |
| `context-fundamentals` | 0.255 | 0.489 | +23.4pp |
| `project-development` | 0.750 | 1.000 | +25pp (현재 완벽함) |
| `tool-design` | 0.729 | 0.807 | +7.8pp |

코퍼스 전체 하드닝 패스 후 모델별 top-1 정확도:
| 모델 | Top-1 | Top-3 |
| --- | --- | --- |
| gemini-3.1-pro | 0.920 | 0.933 |
| composer-2 | 0.913 | 0.947 |
| gpt-5.5 | 0.913 | 0.973 |
| claude-opus-4-7 | 0.840 | 0.933 |

`researcher/benchmarks/sdk-runner/` 아래의 러너를 통해 이러한 숫자를 정확하게 재현할 수 있습니다.

### 포함된 내용
- \*\*소스 레지스트리\*\* (`researcher/source-registry.md`): 우선순위 소스, 제외 규칙, 모니터링 쿼리.
- \*\*루브릭\*\* (`researcher/rubrics/`): 콘텐츠 큐레이션, 스킬 변경, 하네스 변경, 쌍대 스킬 수정.
- \*\*메커니즘 레지스트리\*\* (`researcher/mechanisms/registry.jsonl` + `ledgers/`): 제도적 기억을 위한 추가 전용 수락/거부 원장과 함께, 주요 참신함 신호로 사용되는 16개의 수락된 동작 변경 사항.
- \*\*클레임 출처\*\* (`researcher/claims/index.jsonl`): 소스 URL, 증거 강도, 변동성, 마지막 검토 날짜가 포함된 12개의 출처 추적 클레임.
- \*\*코퍼스 인덱스\*\* (`researcher/corpus/index.json`): 스킬, 활성화 시나리오, 메커니즘 ID, 클레임 ID의 표준 기계 읽기 가능 맵.
- \*\*실행 상태 머신\*\* (`researcher/runs//run-state.json`): `initialized -> retrieved -> evaluated -> proposed -> novelty_checked -> validated -> pr_ready -> closed`.
- \*\*활성화 회귀 테스트\*\* (`researcher/fixtures/activation-cases.jsonl`): 스킬 경계 혼동을 잡아내는 19개의 결정론적 프롬프트.
- \*\*적대적 벤치마크 하네스\*\* (`researcher/benchmarks/`): 루프를 조작하려는 시나리오(중복 메커니즘, 검색되지 않은 증거, 잘못된 루브릭 수학, 자체 승인된 루브릭 변경, 약한 증거 참신함).
- \*\*지속적 루프\*\* (`researcher/scripts/loop_*.py` + `researcher/orchestration/launchd/`): 받은 편지함, 소스 발견, 한 번에 하나의 상태 진행, 일일 작업, 파킹된 검토 대기열, launchd 서비스 정의.
- \*\*스킬 건강 상태 게이트\*\* (`researcher/scripts/skill_health.py`): 결정론적 본문 품질 점수 매기기; 현재 엄격한 코퍼스 점수는 0.9117이며 플래그된 스킬은 0개입니다.

### 운영자 명령어
로컬 게이트를 실행하기 전에 유효성 검사 종속성을 한 번 설치하세요:
```bash
python3 -m pip install -r requirements-dev.txt
```
```bash
# 결정론적 게이트 (모든 PR에서 CI에서도 실행됨)
python3 -m unittest researcher.scripts.tests.test_skill_frontmatter
python3 researcher/scripts/validate_platform_compat.py --require-reference-validator
python3 researcher/scripts/validate_repo.py --strict
python3 researcher/scripts/skill_health.py --strict --no-history
python3 researcher/scripts/run_benchmarks.py
python3 researcher/scripts/check_activation_cases.py
# 실행별 준비 상태 (활성 실행만 해당)
python3 researcher/scripts/validate_run.py --run-dir researcher/runs/
# 지속적 루프, 수동
python3 researcher/scripts/loop_discover.py
python3 researcher/scripts/loop_step.py --allow-fetch
python3 researcher/scripts/loop_daily.py
python3 researcher/scripts/loop_status.py
# 지속적 루프, 데몬 (macOS)
researcher/orchestration/launchd/install.sh # launchd 작업 설치 (10분 간격 스텝, 12시간 간격 발견, 일일 작업)
researcher/orchestration/launchd/uninstall.sh # launchd 작업 제거
```
데몬 세부 정보, 예산 및 인간 검토 인터페이스에 대해서는 [researcher/runbooks/continuous-operation.md](researcher/runbooks/continuous-operation.md)를 참조하세요.

### 보장 사항
- 이 루프는 유료 LLM을 호출하거나 아웃바운드 쓰기를 수행하지 않습니다. HTTP 검색은 1.5MB 제한 및 30초 타임아웃이 있는 표준 라이브러리 전용입니다.
- 메커니즘 승인에는 기록된 인간 검토자와 통과된 실행 준비 상태 확인이 필요합니다.
- 모든 대기열 변형은 원자적이며(임시 파일 + `os.replace`) `fcntl` 잠금을 통해 직렬화됩니다.
- 에이전트는 게이트 통과 후 PR을 준비할 수 있으며, 병합(merge)과 푸시(push)는 인간이 제어합니다.

## Star History
![star-history-2026526](https://github.com/user-attachments/assets/c9f88769-21b8-4762-9472-d4cf1fe1c802)

## 구조 (Structure)
각 스킬은 Agent Skills 사양을 따릅니다:
```
skill-name/
├── SKILL.md # 필수: 지침 + 메타데이터
├── scripts/ # 선택: 개념을 시연하는 실행 가능한 코드
└── references/ # 선택: 추가 문서 및 리소스
```
표준 스킬 구조는 [template](template/) 폴더를 참조하세요.

## 기여하기 (Contributing)
이 저장소는 Agent Skills 개방형 개발 모델을 따릅니다. 광범위한 생태계의 기여를 환영합니다. 기여 시 주의사항:
1. 스킬 템플릿 구조 준수
2. 명확하고 실행 가능한 지침 제공
3. 적절한 경우 작동하는 예제 포함
4. 트레이드오프 및 잠재적 문제 문서화
5. 최적의 성능을 위해 SKILL.md를 500줄 이하로 유지

협업 기회나 기타 문의 사항이 있으시면 [Muratcan Koylan](https://x.com/muratcan)에게 연락해 주세요.

## 라이선스 (License)
MIT License - 자세한 내용은 LICENSE 파일을 참조하세요.

## 참고 자료 (References)
이 스킬들의 원칙은 주요 AI 연구소 및 프레임워크 개발자의 연구 및 프로덕션 경험에서 비롯되었습니다. 각 스킬에는 권장 사항의 근거가 되는 기본 연구 및 사례 연구에 대한 참조가 포함되어 있습니다.

Agent-Skills-for-Context-Engineering

Agent-Skills-for-Context-Engineering 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Agent-Skills-for-Context-Engineering

Agent-Skills-for-Context-Engineering 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README