새 스킬

design-taste-frontend은 랜딩 페이지, 포트폴리오, 편집형 페이지, 리디자인을 위한 안티-슬롭 프론트엔드 스킬입니다. 에이전트가 브리프를 읽고, 적절한 비주얼 방향을 추론해, 템플릿처럼 보이지 않고 의도가 느껴지는 인터페이스를 만들도록 돕습니다. 디자인 감각, 정보 계층, 브랜드 적합성이 중요한 Frontend Development에 특히 잘 맞습니다.

design-taste-frontend-v1은 고자율 프론트엔드 작업을 위한 원조 taste 스킬로, 정확한 하위 호환성을 위해 보존된 버전입니다. React/Next.js 중심의 UI 코드를 더 분명한 감각의 판단, 의존성 확인, 실무적인 가드레일과 함께 생성하는 데 도움이 됩니다. v2 실험적 재작성본 대신 이전 동작이 필요할 때 이 design-taste-frontend-v1 스킬을 사용하세요.

create-skill-test는 dotnet/skills의 스킬용 `eval.yaml` 테스트 파일을 생성하는 스캐폴딩 스킬입니다. 스킬 테스트를 만들고, 시나리오·피처·어설션·루브릭을 정의하며, 평가 설계에서 과적합을 줄이는 데 사용하세요. 기존 테스트를 실행하거나, validator 오류를 디버깅하거나, `SKILL.md` 파일을 작성하는 용도는 아닙니다.

create-skill은 dotnet/skills 스타일의 새 에이전트 스킬을 위한 스캐폴드 생성기입니다. 유효한 스킬 폴더를 만들고, frontmatter가 포함된 SKILL.md를 생성하며, Skill Scaffolding 저장소 규칙을 따르는 데 사용하세요. 새 스킬을 만들 때 가장 적합하며, 기존 스킬을 수정하는 용도는 아닙니다.

create-custom-agent는 도구, 지침, 핸드오프가 포함된 특화 AI 페르소나용 VS Code 커스텀 에이전트 파일(.agent.md)을 만드는 데 도움을 줍니다. 새 에이전트의 골격을 빠르게 만들고, 도구 사용 범위를 정하고, Skill Authoring을 위한 에이전트 간 워크플로를 정의할 때 유용합니다.

write는 중국어나 영어 산문을 다시 써서, 원래 의미는 유지하면서 더 자연스럽고 분명하며 AI 티가 덜 나게 다듬는 편집 스킬입니다. 초안, 문서, 릴리스 노트, 런칭 카피, 소셜 पोस्ट, 그리고 Technical Writing 정리에 잘 맞습니다. 처음부터 새 아이디어를 만드는 용도보다는, 이미 있는 텍스트를 더 간결하고 대상 독자에 맞게 손보고 싶을 때 쓰세요.

think는 코딩 전에 거친 아이디어를 승인된, 의사결정이 끝난 계획으로 다듬는 의사결정 지원 스킬입니다. 기능 설계, 아키텍처 선택, 트레이드오프 분석, 그리고 ‘이걸 해야 하나?’ 같은 질문에 적합하며, 구현보다 판단이 중요한 상황에서 쓰기 좋습니다. repo 우선 워크플로에서 Decision Support, think guide, think usage 수요에 잘 맞습니다.

read 스킬은 URL과 PDF를 읽기, 인용, 출처 표기, 후속 작업에 바로 쓸 수 있는 깔끔한 Markdown으로 가져옵니다. 유료 구독 벽이 있는 페이지, JS 의존도가 높은 사이트, X/Twitter, GitHub 파일, 중국계 플랫폼, 그리고 분석 전에 신뢰할 수 있는 원문이 필요한 Workflow Automation 흐름에 맞게 설계되었습니다. 해설이 아니라 원문 수집이 필요할 때 read 가이드를 사용하세요.

Learn은 낯선 주제, 소스 묶음, 수집한 메모를 하나의 일관된 결과물로 정리해 출판 가능한 형태로 완성하는 조사 skill입니다. 웹 리서치처럼 여러 출처를 다뤄야 하는 작업에서 심층 분석, 소스 취합, 설명, 구조화된 종합에 유용합니다. 빠른 검색용이 아니라, 여러 입력을 바탕으로 하나의 강한 참고문을 만들고 싶을 때 가장 적합합니다.

hunt는 어떤 수정도 하기 전에 근본 원인부터 생각하게 만드는 디버깅 우선 스킬입니다. 오류, 크래시, 회귀, 실패한 테스트, 캐시 불일치, 스크린샷 버그, “예전에는 됐는데”라는 유형의 장애에 사용하세요. 추측이 아니라 검증 가능한 가설을 세우고, 근거를 모으고, 시행착오를 줄이도록 도와줍니다. 코드 리뷰나 새 기능 작업에는 맞지 않습니다.

health는 Codex, Claude Code, Pi, 에이전트 지시문, hooks/MCP, verifier 표면, 그리고 AI 유지보수성을 대상으로 예산을 고려한 Agent Health 감사를 수행합니다. 에이전트가 왜 지시를 무시하는지, 검증을 놓치는지, 또는 유지보수하기 어려운 방향으로 드리프트하는지 점검할 때 health 스킬을 사용하세요. 특히 Security Audit 워크플로에서 유용하지만, 코드 디버깅이나 PR 리뷰 용도에는 적합하지 않습니다.

design 스킬은 막연한 UI 요청을 페이지, 컴포넌트, 대시보드, 스크린샷 기반의 완성도 높은 시각 결과물로 바꿔줍니다. 화면이 못생겼거나, 불명확하거나, 일관성이 없거나, 시각적으로 어긋나 보일 때, 그리고 백엔드 로직이나 데이터 파이프라인이 아니라 UI Design 자체가 필요할 때 사용하세요. 설치, 사용법, 가드레일, 더 나은 미적 판단을 위한 지침이 포함되어 있습니다.

check skill은 코드 diff, PR, 이슈 큐, 릴리스 준비 상태, 커밋, 푸시, 배포, 프로젝트 감사를 검토합니다. 병합이나 릴리스 전에 Code Review를 위한 엄격한 check가 필요할 때, 그리고 dirty 및 untracked worktree에 대한 안전 가드가 필요할 때 사용하세요. 아이디어 탐색, 근본 원인 디버깅, 문장/문안 리뷰에는 적합하지 않습니다.

treatment-plans 스킬은 임상의 관점에 맞는 간결한 의료 치료계획을 LaTeX/PDF 즉시 출력 가능한 형식으로 작성하는 데 도움을 줍니다. 일반내과, 재활의학, 정신건강, 만성질환, 수술 전후 관리, 통증 관리까지 지원하며, SMART 목표, 근거 기반 중재, 최소한의 인용, 규정 준수를 고려한 서식을 제공합니다. Technical Writing과 구조화된 진료 문서화용 treatment-plans에 특히 적합합니다.

transformers 스킬은 Hugging Face Transformers를 사용해 모델 로딩, 추론, 토큰화, 파인튜닝을 수행하는 데 도움이 됩니다. 텍스트, 비전, 오디오, 멀티모달 워크플로 전반에서 머신러닝 작업을 위한 실용적인 transformers 가이드로, 빠른 베이스라인부터 커스텀 학습까지 자연스럽게 이어집니다.

torchdrug는 분자 및 단백질 머신러닝을 위한 PyTorch 네이티브 툴킷입니다. torchdrug 스킬을 사용해 그래프 신경망, 단백질 모델링, 지식 그래프 추론, 분자 생성, 역합성에 맞는 작업, 데이터셋, 모듈형 모델을 선택하세요. 단순한 데모가 아니라, 커스텀 모델 개발과 재현 가능한 설정에 특히 적합합니다.

PyTorch Geometric 그래프 신경망을 위한 torch-geometric 스킬 가이드입니다. torch-geometric 설치 도움, 사용법, 그래프 분류, 노드 분류, 링크 예측, 이종 그래프, 커스텀 MessagePassing 레이어, 그리고 머신러닝 워크플로에서 GNN 확장까지 다룰 때 활용하세요.

sympy 스킬로 Python에서 대수, 미적분, 행렬, 물리 공식, 수론, 기하, 코드 생성까지 정확한 기호 수학을 처리하세요. 식을 정확하게 유지하고, 적절한 SymPy 모듈을 고르며, 부동소수점 위주의 오류를 피하는 데 도움이 됩니다. 기호 워크플로와 데이터 분석용 sympy를 실용적으로 다루려는 사용자에게 특히 적합합니다.

statsmodels 스킬은 Python에서 데이터 분석을 할 때 통계 모형, 추론, 진단이 필요할 때 statsmodels를 활용하도록 도와줍니다. OLS, GLM, 이산형 결과, 시계열, 혼합모형까지 다루며, 계수표, p-value, 신뢰구간, 가정 점검도 함께 확인할 수 있습니다. 계량경제학, 예측, 근거 있는 보고를 위한 statsmodels 가이드로 활용하세요.

statistical-analysis 기술은 Data Analysis에서 가설검정, 회귀, 상관, 베이즈 분석까지 포함해, 어떤 검정을 선택하고 실행하며 APA 형식으로 어떻게 보고할지 판단하도록 도와줍니다. 가정 확인, 효과크기, 검정력까지 함께 다뤄야 하거나, 특정 모델을 코딩하는 것보다 시험 선택과 명확한 보고가 더 중요한 학술 연구, 실험, 관찰 연구에 적합합니다.

Machine Learning 워크플로를 위한 stable-baselines3 스킬 가이드입니다. RL 에이전트를 학습하고, Gymnasium 환경을 연결하고, PPO, SAC, DQN, TD3, DDPG, A2C 중에서 덜 헤매며 선택할 수 있습니다. 표준 단일 에이전트 강화학습, 빠른 프로토타이핑, 그리고 실무적인 stable-baselines3 활용에 가장 잘 맞습니다.

simpy는 프로세스 기반 이산사건 시뮬레이션을 위한 Python 프레임워크입니다. 이 simpy 스킬은 제조, 서비스 운영, 물류, 네트워킹, 그리고 대기 시간, 활용도, 처리량, 병목 인사이트가 필요할 때 Data Analysis를 위한 simpy에서 큐, 자원, 시간 기반 이벤트를 모델링하는 데 도움을 줍니다.

모델 해석 가능성과 설명 가능한 AI를 위한 shap 스킬입니다. 예측 결과를 이해하고, 특징 기여도를 계산하고, SHAP 플롯을 선택하고, 트리·선형·딥러닝·블랙박스 모델 전반의 데이터 분석에서 모델 동작을 디버깅하는 데 활용할 수 있습니다.

Seaborn은 pandas와 잘 맞는 입력과 안정적인 기본값을 갖춘 Python 통계 시각화용 seaborn 스킬입니다. 분포, 관계, 범주형 비교, 박스 플롯, 바이올린 플롯, 페어 플롯, 히트맵을 빠르게 탐색할 때 유용합니다. matplotlib 기반이라 정적인 출판용 차트를 만들기에 적합합니다.