지난 몇 주간 반복적으로 해온 작업의 패턴을 정리하면 하나의 방법론이 된다: 작동하는 시스템(엔진)을 구조화된 문서로 변환해서, 그 문서 자체가 AI 에이전트의 행동을 결정하게 만드는 것.
코드 → 문서가 아니라, 시스템의 의사결정 구조 → AI가 소비할 수 있는 컨텍스트 파일로 변환하는 것이 핵심이다.
| 엔진/시스템 | 변환된 문서 | 문서 유형 |
|---|---|---|
| SYNDI 멀티-LLM 디베이트 엔진 | CLAUDE.md + AGENTS.md |
프로젝트 컨텍스트 + 에이전트 행동 경계 |
| Wonder Pipeline v3.0 (아이디어 생성) | SPEC.md (Wonder Pipeline Spec) |
전체 그림 — 뭘/왜/어떻게 |
| Pretext Protocol / Scene Identity Formula | 4개 Formula 문서 (docx) | 재사용 가능한 실행 레시피 |
| 임성현 강의 멀티에이전트 시스템 | TAR (Technical Architecture Reference) | LLM 컨텍스트 인젝션용 아키텍처 참조 |
| 장바구니 연대기 | SSOT + PRD + .claude/agents/*.md |
멀티에이전트 실행 설계서 |
| 댕슐랭 | SSOT v2.1 → 프로덕션 레벨 docx | AI와 사람 모두가 참조하는 단일 원천 |
3/15 강의에서 발견한 것: 내가 만든 프레임워크들이 2026년 업계가 수렴하고 있는 문서 규격과 정확히 같은 패턴을 따르고 있다.
| 업계 표준 | 내 프레임워크 | 공통 패턴 |
|---|---|---|
| SKILL.md (YAML frontmatter + MD body) | Pretext Protocol, Scene Identity Formula | 재사용 가능한 실행 레시피 + 트리거 조건 |
| SPEC.md (PRD + SRS 블렌딩) | Wonder Pipeline PRD | 전체 그림 + 왜/뭘/어떻게 |
| AGENTS.md | CLAUDE.md (SYNDI) | 프로젝트 컨텍스트 + 실행 경계 |
| SSOT Spec (구조화된 요구사항) | TLF (Top-Level Framework) | 단일 원천 → 파생 문서 생성 |
핵심 공식: "구조화된 문서 하나가 AI 에이전트의 행동을 결정한다."
- 시스템을 실행시킨다 — 코드든, 프롬프트든, 워크플로우든 일단 돌아가는 상태를 만든다
- 의사결정 구조를 추출한다 — 이 시스템이 "어떤 조건에서 어떤 판단을 하는가?"를 분리
- 문서 유형을 선택한다 — 목적에 따라:
- AI가 즉시 실행해야 하면 → SKILL.md (YAML frontmatter + 실행 순서)
- AI가 전체 그림을 이해해야 하면 → SPEC.md 또는 TAR
- 여러 에이전트가 분업해야 하면 → AGENTS.md + 에이전트별 .md
- 사람과 AI 모두 참조해야 하면 → SSOT (JSON/YAML 기반)
- "이 파일을 업로드하면 모델이 즉시 구조를 이해하는가?"를 테스트한다
- 부족하면 컨텍스트를 추가하고, 과하면 쳐낸다 — 토큰 효율성이 핵심
데이원컴퍼니 MD 포지션 맥락에서:
- Coloso 코스를 SKILL.md 표준으로 구조화하면, AI 튜터가 코스 콘텐츠를 실행 가능한 학습 경험으로 자동 전환 가능
- 이건 Pretext Protocol에서 이미 해본 것과 동일한 패턴
- "엔진 → 문서 → AI 실행"의 파이프라인을 설계할 수 있다는 것이 기획자로서의 차별화 포인트
- **eval = evaluation(평가)**의 줄임말. AI 시스템이 올바른/유용한/안전한 응답을 내는지 체계적으로 측정하는 테스트
- 전통 소프트웨어는 결정론적(같은 입력 → 같은 출력). AI는 확률적이라 "통과/실패"가 아닌 점수로 측정
- SYNDI의 Trust Score
T=(C×R×I)/max(S,0.1)가 바로 커스텀 eval - AI PRD에서 eval = 수락 기준(acceptance criteria). "응답 정확도 95% 이상, 할루시네이션률 2% 미만" 같은 형태
- 평가 방식 3가지: 알고리즘 기반(빠르고 저렴), AI-as-Judge(확장 가능), 사람 평가(비싸지만 ground truth)
- 오늘(4/13)이 최종 선발 결과 발표일이었고, 발대식 참여 수요조사를 받았다 = 선발됨
- 파이토치 문서 한글화 1회차 발대식: 4/16(목) 19:00~22:00, 서초 Open UP 센터
- GraphRAG도 같은 1회차에 포함
- 6주간 Git 심화 + 프로젝트 활용 실습 멘토링 진행
1. Stanford AI Index 2026 리포트 발표 (오늘)
- Generative AI가 3년 만에 인구 53% 채택률 달성 — PC나 인터넷보다 빠른 확산 속도
- 미국 소비자 기준 생성형 AI 도구의 연간 가치 $172B, 유저당 가치가 2025→2026 사이 3배 증가
- 중국이 미국과 AI 성능 격차를 거의 해소. Anthropic 최상위 모델이 2.7% 차이로 간신히 리드
- 미국 고등학생/대학생 5명 중 4명이 학교에서 AI 사용, 그러나 교사 중 6%만 AI 정책이 명확하다고 응답
2. PwC AI Performance Study (오늘)
- AI 경제적 이익의 75%를 상위 20% 기업이 독점
- AI 리더 기업은 비용 절감이 아닌 **성장(growth)**에 AI를 집중 투입
- "산업 경계를 넘는 컨버전스 기회 포착"이 AI 재무 성과의 가장 강력한 단일 요인
3. OpenAI/Anthropic/Google — AI 모델 복제 방지 동맹
- 3사가 대형 언어 모델의 무단 복제에 공동 대응하는 동맹 구축
- 지적재산 보호 + AI 생태계 무결성 방어가 목적
- Anthropic의 Claude Mythos 모델 제한 배포도 이 맥락
4. Meta "Muse Spark" 모델 공개
- Alexandr Wang(전 Scale AI CEO) 주도, Meta Superintelligence Labs 첫 주요 모델
- 오픈소스 Llama 전략에서 독점 모델로 선회
- AI capex 2026년 $115B~$135B — 전년 대비 거의 2배
- 멀티모달 인식·추론·에이전트 작업 경쟁력 주장, Shopping 모드 탑재
- 엔진을 문서로 바꾸는 능력이 AI 기획자의 실질적 차별화 포인트. 코드를 짜는 것보다 "이 코드가 왜 이렇게 작동하는가"를 AI가 이해할 수 있는 구조로 만드는 것이 더 어렵고 더 가치 있다
- OSSCA 파이토치 한글화 합류 — 오픈소스 기여 이력 확보 시작. 발대식 4/16 준비할 것
- Stanford AI Index 핵심: AI 확산 속도는 역대 최고, 하지만 "누가 이익을 가져가느냐"의 격차가 벌어지는 중. PwC도 같은 결론 — 성장에 AI를 쓰는 기업만 살아남는다