continual-learning

continual-learning 개요

continual-learning이 하는 일

continual-learning skill은 AI 코딩 에이전트가 세션이 끝날 때마다 초기화되지 않고, 유용한 학습 내용을 다음 세션으로 이어서 기억하도록 돕습니다. 같은 문맥을 매번 다시 설명하지 않고도, 피드백·도구 결과·프로젝트 관행을 바탕으로 에이전트의 동작을 개선하고 싶은 팀에 적합합니다.

이 skill이 가장 잘 맞는 경우

같은 repo에서 반복 작업을 하거나, 여러 repo를 오가거나, 오래 이어지는 워크플로 안에서 동작하는 AI 에이전트를 설정할 때 continual-learning skill을 사용하세요. 도구 신뢰성, 프로젝트별 선호 사항, 반복 실수 감소를 중요하게 볼수록 특히 유용합니다.

사람들이 이 skill을 설치하는 이유

핵심 가치는 “더 많은 AI”가 아니라, 반복 설정을 줄이고 피할 수 있는 실패를 줄이는 데 있습니다. 이 skill은 Agent Orchestration에 맞는 방식으로 학습 내용을 수집·저장·재사용하는 실용적인 continual-learning 루프를 제공합니다. 일회성 프롬프트보다 운영 가능한 학습 체계를 만들고 싶을 때 가치가 큽니다.

continual-learning skill 사용 방법

continual-learning 설치하기

repo에 맞는 표준 skills 워크플로로 continual-learning skill을 설치한 뒤, 에이전트 런타임이 기대하는 위치에 hook을 배치하세요. repo의 Quick Start에는 핵심 설치 경로가 다음과 같이 제시되어 있습니다:

cp -r hooks/continual-learning .github/hooks/

설치 후에는 hook 위치를 확인하고, 에이전트 세션이 실제로 이를 로드할 수 있는지 점검하세요. 특히 환경에 맞춤 hook 경로가 있거나 파일 접근이 제한되는 경우에는 continual-learning install 단계가 중요합니다.

올바른 파일부터 읽기

먼저 SKILL.md를 읽고, 같은 skill 파일 안에서 참조하는 구현 세부사항을 따라가며 이해한 뒤에 적용하세요. 이 skill에서 중요한 개념은 Experience → Capture → Reflect → Persist → Apply라는 학습 루프입니다. 자신의 에이전트 스택에 통합할 때도 바로 이 루프를 유지하는 것이 핵심입니다.

거친 목표를 쓸 수 있는 프롬프트로 바꾸기

약한 요청은 “에이전트에 메모리를 추가해줘” 수준입니다. 더 나은 요청은 이런 식입니다: “continual-learning을 설정해서 에이전트가 프로젝트별 관행은 로컬에 저장하고, 프로젝트 간에 재사용 가능한 도구 학습은 글로벌로 저장하며, 각 세션 시작 시 이전 실패를 먼저 보여주게 해줘.” 이렇게 써야 skill에 필요한 범위, 저장 모델, 기대 동작이 분명해집니다.

메모리 모델을 의도적으로 사용하기

이 skill은 글로벌 메모리와 로컬 메모리를 분리합니다. 글로벌 메모리는 프로젝트를 넘나들며 재사용할 수 있는 도구 패턴과 선호 사항용이고, 로컬 메모리는 repo 전용 규칙과 반복 실수용입니다. 이 둘을 섞으면 에이전트가 잘못 일반화할 수 있습니다. 프롬프트나 정책을 작성할 때, 어떤 학습은 프로젝트 안에만 머물러야 하고 어떤 학습은 여러 repo로 이동할 수 있는지 분명히 적어 두세요.

continual-learning skill FAQ

continual-learning은 코딩 에이전트 전용인가요?

주 대상은 AI 코딩 에이전트지만, 실제로 유용한 부분은 더 넓습니다. 반복 작업에서 지속적으로 학습하는 구조 자체가 핵심이기 때문입니다. 워크플로에서 이미 hook, 메모리 저장소, 세션 시작 로직을 쓰고 있다면 continual-learning skill이 잘 맞을 수 있습니다.

일반 프롬프트와는 무엇이 다른가요?

일반 프롬프트는 지시를 한 번만 전달합니다. 반면 continual-learning은 결과를 관찰하고, 학습 내용을 저장하고, 나중에 다시 활용하는 반복 가능한 시스템을 만드는 데 초점이 있습니다. 한 번의 행동 변경만 필요하다면 프롬프트가 더 단순할 수 있습니다.

continual-learning skill은 초보자도 쓰기 쉬운가요?

네, Quick Start 수준의 설치와 간단한 로컬/글로벌 메모리 분리만 필요하다면 충분히 다룰 수 있습니다. 다만 커스텀 orchestration, SQL 기반 메모리 기록, 엄격한 팀 규칙까지 연결하려고 하면 난도가 올라갑니다.

언제는 사용하지 말아야 하나요?

에이전트 실행이 일회성이고, repo가 상태를 지속 저장할 수 없거나, 모델이 이전 세션에서 학습한 내용에 따라 바뀌는 것을 원하지 않는다면 설치하지 마세요. 이런 경우에는 continual-learning의 오버헤드가 이득보다 클 수 있습니다.

continual-learning skill 개선 방법

skill에 더 나은 입력 경계를 주기

가장 좋은 결과는 어떤 종류의 학습을 저장할지 에이전트에 명확히 알려줄 때 나옵니다. 예를 들어, “도구 실패는 글로벌로 저장하되 API 명명 규칙은 이 repo에 로컬로 유지해라”라고 지정하는 편이 “모든 것을 기억해라”보다 훨씬 낫습니다.

흔한 실패 모드를 주의하기

가장 큰 실패 모드는 과도한 일반화입니다. 에이전트가 로컬 습관을 배워 놓고 어디서나 적용해 버릴 수 있습니다. 반대로 학습이 충분히 수집되지 않는 것도 문제입니다. 유용한 수정이 일어나도 아무것도 영구 저장되지 않으면 의미가 없습니다. hook 또는 메모리 write 경로가 첫 실수 이후 실제로 교훈을 기록하는지 확인하세요.

첫 세션 이후에 반복 개선하기

한 번 실행한 뒤에는 저장된 내용이 무엇인지, 그리고 다음 세션의 동작이 실제로 달라졌는지 살펴보세요. 에이전트가 같은 실수를 계속 반복한다면, 원본 규칙을 더 분명하게 쓰거나 학습 범주를 pattern, mistake, preference, tool_insight처럼 더 좁게 나누는 것이 좋습니다.

Agent Orchestration에 맞게 조정하기

Agent Orchestration용 continual-learning에서는 에이전트가 언제 반성할지, 어디에 저장할지, 세션 시작 시 무엇을 적용할지를 정해야 합니다. 이런 orchestration 세부사항이 조금만 있어도, narrative한 문맥을 더 많이 넣는 것보다 출력 품질이 더 크게 좋아지는 경우가 많습니다.