yaojingang/yao-meta-skill

해결하는 문제

작업 메모, 녹취록, 프롬프트, 런북과 같은 혼란스러운 운영 입력을 관리되고 재사용 가능한 AI 에이전트 기술로 변환합니다. 단순한 프롬프트 생성을 넘어서, 모델링, 컴파일, 평가, 유지보수를 포함하는 완전한 라이프사이클 시스템을 구축하여 다양한 플랫폼에 배포 가능한 AI 자산을 가능하게 합니다.

작동 방식

이 프로젝트는 'Skill OS' 접근 방식을 사용하여 에이전트 기술의 라이프사이클을 관리합니다:

1. 의도 모델링: 인간의 대화를 통해 작업, 출력, 제약 조건을 명확히 정의합니다.
2. 기술 IR(중간 표현): 플랫폼에 독립적인 의미적 계약을 생성하여 기술의 의도와 특정 플랫폼 형식을 분리합니다.
3. 컴파일: 타겟 컴파일러와 어댑터가 IR을 OpenAI, Claude, VS Code 및 기타 에이전트 프레임워크와 호환되는 형식으로 변환합니다.
4. 평가 및 검토: 'Eval Lab'과 'Review Studio'가 증거(주장, 실행 시간, 토큰 사용량)와 게이트 리포트를 생성하여 릴리스 전에 품질 및 신뢰성 기준을 충족하는지 확인합니다.
5. SkillOps 루프: 채택 편차와 텔레메트리를 추적하여 기술의 다음 반복에 대한 적응 제안을 제시합니다.

대상 사용자

• 반복적인 수동 워크플로를 표준화된 팀 자산으로 전환해야 하는 AI 엔지니어 및 운영자.
• 엄격한 거버넌스, 릴리스 게이트, 증거 기반 품질 보증이 필요한 팀.
• 한 번 개발한 AI 기술을 여러 LLM 제공자나 플랫폼에 배포하고 싶은 개발자.

주요 특징

• 크로스 플랫폼 이식성: 단일 기술 모델을 OpenAI, Claude 등 여러 타겟 어댑터로 컴파일 가능.
• 증거 기반 거버넌스: '세계 최고 수준의 증거 레거시'와 'Review Studio'를 사용하여 조기 주장 차단 및 릴리스 준비 상태 보장.
• 자동 벤치마킹: 조용한 GitHub 벤치마킹 스캔과 참조 합성으로 기술을 최고의 공개 패턴과 일치시킵니다.
• 포괄적인 Eval Lab: 블라인드 A/B 리뷰 팩, 주장 평가, 런타임 권한 프로브 제공.
• SkillOps 텔레메트리: 메타데이터 기반 채택 추적을 구현하여 기술이 패치 또는 업데이트가 필요한 시점을 식별.