Ai

videodb는 로컬 파일, URL, RTSP/RTMP 라이브 피드, 데스크톱 캡처에서 비디오와 오디오를 수집하고, 타임스탬프가 있는 순간을 검색해 재생 가능한 증거로 확인하며, 클립, 오버레이, 전사, 알림, 타임라인 편집으로 바로 활용할 수 있도록 돕습니다. VideoDB for Video Editing과 라이브 스트림 분석을 위한 실용적인 videodb 가이드입니다.

token-budget-advisor는 답변 전에 응답의 깊이를 선택하도록 돕는 라우팅 스킬입니다. 워크플로 자동화와 채팅 흐름에서 길이, 상세 수준, 토큰 사용량을 제어할 때 사용하세요. 이 token-budget-advisor 가이드는 트리거 규칙, 사용하지 말아야 할 경우, 그리고 skills/token-budget-advisor에서 적용하는 방법을 다룹니다.

skill-comply는 에이전트가 실제 실행에서 skill, rule, 또는 agent definition을 제대로 따르는지 확인하는 컴플라이언스 테스트 skill입니다. markdown에서 spec을 생성하고, 세 가지 prompt 엄격도 수준으로 실행한 뒤, tool-call 타임라인을 분류하고, 증거와 함께 compliance rate를 보고합니다. Compliance Review용 skill-comply를 검토할 때 유용합니다.

santa-method는 배포 전에 반드시 정확해야 하는 결과물을 위한 멀티 에이전트 검증 워크플로입니다. 독립적인 검토를 통해 콘텐츠, 코드 인접 산출물, 컴플라이언스 민감 문구, 워크플로 자동화 작업의 사각지대를 찾아냅니다. 산출물을 만들고, 검증하고, 수렴시키는 반복 루프가 필요할 때 santa-method 스킬을 설치하세요.

구조화된 텍스트 추출에서 regex와 LLM 중 무엇을 선택할지 판단하는 regex-vs-llm-structured-text 스킬입니다. 먼저 결정론적 파싱으로 시작하고, 신뢰도가 낮은 예외에는 LLM 검증을 더한 뒤, 문서·양식·청구서·데이터 분석에 더 저렴하고 신뢰도 높은 파이프라인을 사용하세요.

llm-trading-agent-security는 지갑 권한을 가진 자율 거래 에이전트를 안전하게 보호하기 위한 실용 가이드입니다. 프롬프트 인젝션, 지출 한도, 전송 전 시뮬레이션, 서킷 브레이커, MEV를 고려한 실행, 키 분리를 다루며, Security Audit에서 금융 손실 위험을 줄이는 데 도움이 됩니다.

foundation-models-on-device는 iOS 26+에서 Apple FoundationModels 기능을 구현할 수 있도록 도와줍니다. 온디바이스 텍스트 생성, @Generable 기반 가이드 출력, tool calling, snapshot streaming, 그리고 프라이버시 우선 앱을 위한 사용 가능성 확인까지 지원합니다.

cost-aware-llm-pipeline는 모델 라우팅, 변경 불가한 비용 추적, 재시도 처리, 프롬프트 캐싱을 통해 API 비용을 통제하는 LLM 워크플로를 구축하도록 돕습니다. 대량 배치 작업, 문서 파이프라인, 그리고 출력량과 품질의 균형에 명확한 기준이 필요한 Workflow Automation에 특히 적합합니다.

ai-first-engineering은 AI 에이전트가 구현 작업의 상당 부분을 맡는 팀을 위한 간결한 운영 모델입니다. 계획, 아키텍처, 리뷰, 테스트에 대한 Agent Standards를 세우는 데 도움이 되며, 설치, 사용법, 그리고 이 스킬을 언제 적용하면 좋은지에 대한 가이드를 제공합니다.

fact-checker는 구조화된 주장 검증, 출처 평가, 그리고 신뢰도·맥락을 함께 제시하는 명확한 판정을 위한 프롬프트 기반 스킬입니다. Shubhamsaboo/awesome-llm-apps에서 설치하면 반복 가능한 워크플로로 발언, 루머, 통계, 오해를 부르는 주장까지 fact-checker로 체계적으로 검증할 수 있습니다.

deep-research는 구조화된 웹 리서치를 위한 경량 에이전트 스킬입니다. 하나의 SKILL.md 워크플로 안에서 조사 범위를 명확히 하고, 여러 출처를 수집하며, 신뢰도를 평가하고, 인용을 포함한 결과를 종합하도록 돕습니다.

triage는 들어오는 버그와 기능 요청을 역할 기반 상태 머신으로 분류하고 처리하는 GitHub 이슈 트리아지 스킬입니다. 이슈를 분류하고, 추가 정보가 필요한지 판단하고, 작업을 AFK 에이전트나 사람 관리자에게 배정하고, 이슈 처리를 일관되게 유지하는 데 사용하세요. Issue Tracking에 적합한 실용적인 triage 스킬입니다.

vector-index-tuning은 지연 시간, 재현율, 메모리 사용량을 기준으로 벡터 검색 인덱스를 튜닝할 때 도움이 되는 스킬입니다. RAG 워크플로에서 인덱스 유형을 고르고, HNSW 설정을 조정하고, 양자화 옵션의 장단점을 비교할 때 활용할 수 있습니다.

rag-implementation은 vector databases, embeddings, retrieval patterns, grounded-answer workflows를 바탕으로 RAG 시스템을 설계할 때 실무적으로 참고하기 좋은 스킬입니다. document Q&A, knowledge assistants, semantic search 용도에서 스택 옵션을 비교하고, 아키텍처 결정을 구체화하며, 설치와 활용 방향을 잡는 데 유용합니다.

similarity-search-patterns는 시맨틱 검색과 RAG 워크플로를 위한 거리 지표, 인덱스 유형, 하이브리드 검색 패턴을 선택할 때 도움을 주는 스킬입니다. 재현율, 지연 시간, 확장성 사이의 운영상 트레이드오프를 고려해 프로덕션 벡터 검색 전략을 설계할 때 활용할 수 있습니다.

hybrid-search-implementation 스킬은 RAG 및 검색 시스템에서 벡터 검색과 키워드 검색을 RRF, 선형 결합, reranking, cascade 패턴과 함께 조합하는 방법을 보여줍니다.

llm-evaluation 스킬을 사용하면 메트릭, 사람 검토, 벤치마킹, 회귀 점검을 바탕으로 LLM 앱, 프롬프트, RAG 시스템, 모델 변경에 대한 반복 가능한 평가 계획을 설계할 수 있습니다.

embedding-strategies는 시맨틱 검색과 RAG 워크플로에 맞는 임베딩 모델을 선택하고 최적화할 수 있도록 돕는 스킬입니다. 청킹 전략, 모델 간 트레이드오프, 다국어 콘텐츠 처리, 검색 성능 평가까지 실무적으로 안내합니다.

ai-prompt-engineering-safety-review는 운영 배포, 평가, 또는 고객 대상 사용 전에 LLM 프롬프트를 점검해 안전성, 편향, 보안 취약점, 출력 품질을 검토하는 프롬프트 감사 스킬입니다.

gws-modelarmor는 googleworkspace/cli 생태계에서 Google Model Armor를 다룰 수 있게 도와줍니다. 프롬프트 정제, 모델 응답 정제, 템플릿 생성에 활용할 수 있으며, 일반적인 프롬프트보다 훨씬 적은 추측으로 작업할 수 있습니다. 반복 가능하고 정책을 고려한 사용, 그리고 Security Audit 워크플로에 맞게 설계되었습니다.

develop-ai-functions-example는 `vercel/ai`의 `examples/ai-functions/src/` 아래에서 실행 가능한 AI SDK 예제를 새로 만들거나 수정할 때 유용합니다. 적절한 카테고리를 고르고, repo 관례에 맞추며, provider 검증·데모·fixture용 최소 예제를 만드는 데 도움이 됩니다.

add-provider-package는 vercel/ai에서 새 `@ai-sdk/<provider>` 패키지를 만들기 위한 실무형 가이드입니다. 기여자와 API 팀이 provider를 추가할 때 AI SDK의 provider 아키텍처, 패키지 구조, 구현 흐름을 맞춰 따라갈 수 있도록 돕습니다.

ai-seo는 ChatGPT, Perplexity, Google AI Overviews, Claude, Gemini 전반에서 AI 답변 노출도를 높이려는 팀을 돕는 스킬입니다. 인덱싱, bot access, 추출 가능성, 인용 준비 상태를 진단한 뒤, repo에 포함된 플랫폼별 기준과 콘텐츠 패턴 참고자료를 바탕으로 실무형 콘텐츠 계획을 세울 수 있습니다.

mama는 `pua` 스킬의 핵심 규칙은 그대로 유지하면서, 중국식 잔소리 엄마 말투로 바꾼 내레이션형 변형입니다. 지속적인 트러블슈팅, 디버깅, Prompt Writing 워크플로에 재사용 가능한 트리거 패턴을 설치할 때 적합하며, 상위 스킬의 에스컬레이션, 체크리스트, 더 강한 후속 점검 흐름을 그대로 이어받습니다.