AI 활용 수준을 바꾸는 스킬(Skill) 구축 가이드: 상위 1%처럼 만드는 나만의 연구·콘텐츠 시스템
AI 활용 수준을 바꾸는 스킬(Skill) 구축 가이드: 상위 1%처럼 만드는 나만의 연구·콘텐츠 시스템
Claude Code와 Codex를 단순 프롬프트 입력 도구에서 강력한 자동화 에이전트로 업그레이드하는 방법
단순히 AI에게 질문하고 답변을 받는 '단발성 프롬프트' 시대는 끝났습니다. 이제 AI 활용의 핵심은 개인의 고유한 작업 맥락, 연구 경험, 노하우를 체계화하여 AI 에이전트에게 이식하는 '스킬(Skill) 설계'에 있습니다.
본 글에서는 Claude Code, Cursor, Codex 등 최신 AI CLI 환경에서 사용할 수 있는 스킬(Skill)의 개념부터 설치 방법, 설계 6대 원칙, 그리고 실제 기상·구름물리 연구(미세물리 과정 분석 및 인공강우 씨딩 실험)에 적용한 실전 스킬 작성 예시까지 한눈에 살펴봅니다.
📌 핵심 요약
- 스킬(Skill)이란? AI 에이전트가 특정 작업을 수행할 때 참고하는 마크다운 기반의 온보딩 가이드
- 설계 핵심: 메인 컨텍스트 단순화, 서브 에이전트를 통한 리서치 분리, MECE 선택지 제공
- 지속적 발전: 80% 완성도에서 시작하여 셀프 임프로빙(Self-Improving) 로그를 통해 자산화
1. AI 스킬(Skill)의 정의와 가치
스킬은 쉽게 말해 'AI 신입 연구원/개발자를 위한 업무 매뉴얼(Onboarding Guide)'입니다. 범용적인 AI에게 무작정 "분석해 줘"라고 명령하면 뻔하고 겉도는 답변만 돌아옵니다. 하지만 내 작업 방식, 데이터 형식, 금지 사항, 선호하는 출력을 정리한 SKILL.md를 제공하면 AI는 내 연구 스타일을 완벽히 이해하고 전문 에이전트로 작동합니다.
2. 개발 환경 구축 및 설치 방법
Claude Code나 터미널 기반 AI 에이전트에서 스킬을 설치하고 프로젝트에 적용하는 단계별 방법입니다.
Step 1: 디렉토리 구조 설정
프로젝트 루트 디렉토리 내에 스킬을 모아둘 전용 폴더를 생성합니다.
# 프로젝트 루트 이동
cd ~/my-research-project
# 스킬 저장용 디렉토리 생성 (.claude/skills 또는 ./skills)
mkdir -p .claude/skills/cloud_seeding_eval
Step 2: 폴더 구조 계층화
복잡한 코드나 세부 문헌 레퍼런스는 메인 문서에 넣지 않고 별도 파일로 분리합니다.
my-research-project/
├── CLAUDE.md # 전체 프로젝트 가이드라인
└── .claude/
└── skills/
└── cloud_seeding_eval/ # 인공강우 평가 전용 스킬
├── SKILL.md # 핵심 스킬 정의서 (Lightweight)
├── references/ # 미세물리 물리식 & 레퍼런스
│ └── kdm6_kbmix.md
└── scripts/ # 자동화 데이터 전처리 파이썬 스크립트
└── calc_inp.py
3. 스킬 설계 6대 원칙
메인 스킬 파일은 100~200줄 내외의 명확한 흐름 제어(Workflow)에 집중하고, 수식이나 코드는 별도 파일로 분리하여 필요시 읽게 만듭니다.
데이터 조사 및 문헌 탐색은 메인 세션이 아닌 별도 서브 세션/에이전트에서 수행하여 컨텍스트 오염(Context Noise)을 방지합니다.
AI가 어떤 상황에서 해당 스킬을 자동으로 호출해야 하는지 프런트매터(Frontmatter)에 구체적인 키워드와 조건을 기재합니다.
AI가 단 하나의 정답만 내놓게 하지 말고, 상호배타적이며 전체를 포괄(MECE)하는 2~3가지 분석 시나리오를 제시하게 하여 사람이 고르게 합니다.
스킬 개선 시 기존 버전과의 결과값을 비교·검증할 수 있는 테스트 데이터와 메트릭을 사전에 준비합니다.
작업 실패 원인과 교정사항을 스킬 파일 하단의 Feedback Log에 누적 기록하여 AI가 다음번 실행 시 스스로 오류를 방지하도록 합니다.
4. [실전 적용 예시] 구름물리 연구 및 인공강우 평가 스킬 원본
실제 기상 모델(WRF) 데이터 분석, 빙해핵(INP) 농도 검증, 인공강우(Cloud Seeding) 기회 창(Window) 평가 작업을 자동화하기 위해 구축한 SKILL.md 파일의 실제 구조입니다.
---
name: cloud-seeding-analysis
description: "WRF 수치모델 결과와 빙해핵(INP) 데이터 기반 인공강우(Cloud Seeding) 기회 창 분석 및 미세물리 옵션(KDM6/KBMix) 검증 워크플로우"
---
# Cloud Seeding & Microphysics Evaluation Skill
## 1. Trigger Conditions
사용자가 WRF 수치모델 출력 데이터, 레이더 반사도, 또는 INP 챔버(PINE) 데이터 분석을 요청하거나 인공강우 씨딩 적합도 평가를 요구할 때 이 스킬을 활성화한다.
## 2. Mandatory Pre-flight Checklist
분석을 시작하기 전, 다음 조건 및 데이터를 확인하라.
- [ ] 대상 지역 좌표 및 타겟 온도 영역 (-8°C ~ -15°C 씨딩 핵심 구역)
- [ ] WRF 3D 수액량(QCLOUD) 및 과냉각 수액량(SLW) 존재 여부
- [ ] 지상/항공 빙해핵(INP) 배경 농도 데이터
- [ ] 미세물리 방안 설정 (KDM6 또는 KBMix Bulk Scheme 선택)
## 3. Execution Steps
### Phase 1: Plan Mode & MECE Scenario
단일 결과만 도출하지 말고, 다음 3가지 MECE 기상 시나리오에 대해 각각 분석 가능성을 제시하라.
1. **Case A (Over-seeded):** 자연 빙해핵 농도가 높아 씨딩 효과가 미미한 경우
2. **Case B (Optimal Seeding Window):** 과냉각 수액량이 풍부하고 자연 INP가 부족하여 씨딩 효과가 극대화되는 경우
3. **Case C (Dynamic Shift):** 강한 상승류로 인해 씨딩 물질이 상층으로 유실되는 경우
### Phase 2: Code Execution (Sub-Agent)
- 데이터 전처리는 `.claude/skills/cloud_seeding_eval/scripts/calc_inp.py`를 호출하여 실행하라.
- 컨텍스트를 아끼기 위해 파일 전체를 읽지 말고 필요한 시점의 넷CDF(NetCDF) 변수(QCLOUD, QICE, T)만 extraction하라.
### Phase 3: Reporting Format
최종 보고서는 다음 정형화된 마크다운 표로 제시하라:
| 평가 항목 | 측정/모델값 | 임계 기준 | 씨딩 적합도 |
|---|---|---|---|
| 구름조 온(Cloud Top Temp) | -12.5 °C | -10°C ~ -18°C | ✅ 적합 |
| 과냉각 수액량(SLW) | 0.35 g/m³ | ≥ 0.20 g/m³ | ✅ 적합 |
| 배경 INP 농도 (-15°C) | 0.12 /L | ≤ 0.50 /L | ✅ 적합 |
---
## 4. Self-Improving Feedback Log
*이 섹션은 AI가 분석 중 실패했거나 사용자가 지적한 오류를 기록하여 자동 개선하는 공간임.*
- **[2026-06-10 Log]:** KBMix 방안 적용 시 과냉각 수액량 단위 변환 오류(kg/kg -> g/m³) 발생함. 반드시 `density = P / (R * T)`로 밀도를 계산 후 단위 변환을 수행할 것.
- **[2026-06-22 Log]:** -8°C 미만에서는 AgI 씨딩 빙핵 활성화율이 급격히 떨어지므로 Warning 메시지 자동 출력을 추가함.
5. 실제 활용 및 셀프 임프로빙(Self-Improving) 루프
스킬을 한번 작성했다고 끝이 아닙니다. 실제 터미널에서 AI 에이전트를 운용하며 스킬이 진화하는 과정은 다음과 같습니다.
💡 실전 운용 패턴 (Interview & Feedback)
- 인터뷰 모드 실행: "내가 이번 제주 영역 WRF 모델링 데이터 줄 테니 `cloud-seeding-analysis` 스킬 가이드에 따라 먼저 계획(Plan)을 세워봐."
- 선택지 검토: AI가 제시한 Case A, B, C 분석안 중 연구 의도에 가장 적합한 방안을 선택합니다.
- 오류 수정 및 자산화: AI가 계산 과정에서 특정 수치를 놓치면, "이 수식 틀렸어. 앞으로는 하단 Feedback Log에 적어두고 다음부터 똑같은 실수 하지 마"라고 지시합니다.
마치며: 나만의 AI 콘텐츠·연구 시스템 구축
스킬(Skill)의 진정한 가치는 '완벽한 초기 작성'에 있는 것이 아니라 '지속적인 교육과 육성'에 있습니다.
80% 정도 완성된 스킬 문서로 시작하여, 매일 수행하는 연구 업무, 코딩, 데이터 분석 과정을 피드백으로 축적해 보세요. 한 달 후에는 그 어떤 범용 프롬프트로도 따라올 수 없는 나만의 맞춤형 AI 연구 에이전트 시스템이 완성되어 있을 것입니다.
댓글
댓글 쓰기