오픈소스 레포지터리에서 자동으로 에이전트 스킬 추출하기

** 본 논문은 대형 언어 모델(LLM)이 선언적 지식은 풍부하지만, 실제 autonomous workflow에서 요구되는 전문적인 절차적 지식이 부족하다는 문제점을 인식하고, 이를 보완하기 위한 “에이전트 스킬” 패러다임을 제시한다. 에이전트 스킬은 파일 시스템 기반의 모듈로, (C, π, T, R) 네 요소로 정의된다. 여기서 C는 스킬이 활성화될 전제조건, π는 실제 실행 로직(프롬프트, 파이썬 스크립트, RL 정책 등), T는 성공 여부를 판단하는 종료 기준, R은 입력·출력·호출 규격을 명시한다. 이러한 형식은 스킬을 단순 툴 래퍼와 구분하고, 재사용·조합을 가능하게 한다. 스킬을 대규모로 확보하기 위한 방법으로, 저자는 오픈소스 에이전트 레포지터리를 자동으로 마이닝하는 프레임워크를 설계한다. 프레임워크는 크게 세 단계로 구성된다. 1. **레포지터리 구조 분석 및 컨텍스트화** - repo2AI 와 같은 자동화 도구를 이용해 레포지터리 전체 디렉터리와 파일 내용을 Markdown 형태로 추출한다. - 핵심 실행 스크립트(예: generate_video.py), 설정 파일, 보조 모듈, 문서·예시 등을 계층적으로 매핑한다. - 이 단계는 이후 단계가 “재사용 가능한 절차 패턴”과 “레포지터리 특화 구현”을 구분하도록 돕는다. 2. **밀집 검색 기반 스킬 식별** - 양방향 인코더(bi‑encoder)로 작업 설명과 코드 모듈을 벡터화하고, 코사인 유사도로 후보 모듈을 추출한다. - 교차 인코더(cross‑encoder)로 후보 쌍을 재평가하여 정밀한 관련성 점수를 산출한다. - 후보는 재현성(다중 컨텍스트에서 등장), 일반화 가능성(파라미터화 가능), 비자명성(전문가 수준 디버깅 필요), 검증 가능성(코드 정상 동작) 네 기준을 만족해야 한다. 3. **SKILL.md 표준으로 변환** - **프론트매터(YAML)**: name, description, version, trigger, dependencies 등 메타데이터를 자동 생성한다. - **레벨 2 지시문**: 단계별 워크플로우, 오류 처리, 베스트 프랙티스 등을 LLM이 이해하기 쉬운 자연어 형태로 서술한다. 레벨 2는 실행 시점에 대화 컨텍스트에 삽입되는 “숨은 메타 메시지” 형태로 전달된다. - **레벨 3 자원 번들**: 실행 스크립트, 템플릿, 참고 문서 등을 scripts/, references/, templates/ 디렉터리에 정리하고, 하드코딩된 경로나 API 키를 제거한다. 논문은 이 프레임워크를 두 개의 실제 레포지터리, **TheoremExplainAgent(TEA)**와 **Code2Video**에 적용한다. - **TEA**는 플래너와 코딩 에이전트로 구성돼, 정리·스토리보드·Manim 파이썬 코드 생성을 자동화한다. 플래너는 학습 목표·내레이션·레이아웃을 설계하고, 코딩 에이전트는 다중 시도 오류 수정 루프와 RAG(Retrieval‑Augmented Generation) 기반 Manim 문서 검색을 통해 API 오류를 최소화한다. 이 과정에서 “시각적 디버깅” 스킬이 도출된다. - **Code2Video**는 플래너·코더·크리틱 3‑에이전트 구조를 갖는다. 플래너는 강의 흐름을 설계하고, 코더는 Python/Manim 코드로 변환한다. 크리틱은 Vision‑Language Model을 활용해 “Visual Anchor Prompting”이라는 격자 기반 시각적 앵커 기법으로 레이아웃을 정밀 검증하고, 겹침이 발생하면 자동 리팩터링을 제안한다. 또한 “TeachQuiz”라는 평가 메트릭을 도입해 생성된 영상의 지식 전달 효과를 정량화한다. 두 시스템 모두 Manim을 핵심 엔진으로 사용하므로, 시각화·교육 스킬을 추출하기에 최적이다. 프레임워크를 적용해 추출된 스킬 예시로는 **visual-theorem-walkthrough**(정리 시각화)와 **code2video-lecture**(코드 기반 강의 영상 생성) 등이 있다. 각각은 메타데이터, 레벨 2 절차 지시문, 레벨 3 실행 스크립트·템플릿을 포함한다. 실험 결과, 자동 추출된 스킬을 활용한 에이전트는 기존 LLM 기반 워크플로우 대비 **지식 전달 효율이 40 %** 향상되었으며, 인간이 만든 튜토리얼과 비교해도 교육 품질이 동등하거나 우수했다. 또한, 보안 거버넌스(코드 서명, 취약점 스캔, 라이선스 검증)와 다차원 평가(정확도·효율·안전성·사용자 만족도)를 병행함으로써 대규모 스킬 자동화의 실용성을 입증한다. 결론적으로, 이 논문은 오픈소스 레포지터리에서 절차적 지식을 자동으로 추출·표준화함으로써, LLM에 모듈형 스킬을 손쉽게 주입하고, 재학습 비용 없이도 도메인 특화 에이전트를 신속히 구축할 수 있는 로드맵을 제공한다. 이는 AI 시스템 설계·배포에 있어 **모듈화·확장성·보안성**을 동시에 만족시키는 중요한 전환점으로 평가될 수 있다. **