내 작업 내역을 분석하여 어떤 자동화를 구축할지 찾아내는 Claude Code 스킬을 만들었습니다

대부분의 자동화 프로젝트는 '하나의' 자동화를 구축합니다. 이 프로젝트는 자신의 최근 작업 내역을 분석하여 어떤 자동화를 구축해야 할지 찾아내고, 신뢰도가 높은 것들을 재사용 가능한 도구로 패키징하는 시스템을 구축합니다. 이는 Claude Code를 위한 자기 개선형 (self-improving) 스킬입니다.

문제점: 반복되는 수동 작업은 눈에 보이지 않습니다

느끼기는 하지만 측정하기는 어려운 것들이 있습니다. 바로 동일한 다단계 시퀀스를 세 번째로 수동으로 수행하는 상황입니다. 집중적인 버그 수정 (bug-fix) → 브랜치 (branch) → 컨벤셔널 커밋 (conventional commit) → PR 사이클. QA 스윕 (QA-sweep) 배정. 릴리스 배포 (release deploy). 각각의 반복은 추상화 (abstraction)가 누락되었다는 신호이지만, 아무도 체계적으로 그 신호들을 찾아내지 못합니다. 그것들은 git 히스토리, 터미널 세션, 그리고 기억 속에 흩어져 있습니다.

distill-workflows가 하는 일

distill-workflows는 흩어진 신호를 한 번의 과정으로 재사용 가능한 도구로 변환하는 Claude Code 스킬입니다:

1. 스캔 (Scan):

자신의 리포지토리(repo)를 대상으로 실행한 결과, 스캐너는 아무도 추상화하지 않았던 50회 이상 반복되는 패턴을 발견했습니다. 그것은 바로 매번 동일한 컨벤션(브랜치 명명 규칙, Conventional Commit 범위, 베이스 브랜치, 크기 제한, AI 기여 표기 없음)을 따르며 작은 PR(Pull Request)로 배포되는 단일 목적의 Android/Kotlin 수정 사항이었습니다. 엔진은 이를 android-fix-pr 스킬(skill)로 패키징했습니다. 이는 일반적인 commit/create-pr 도구들이 인코딩하지 못하는 바로 그 컨벤션 계층입니다.

더 빈번하게 발생하는 QA-sweep 패턴 또한 감지되었지만, 엔진은 이를 패키징하지 않기로 올바르게 결정했습니다. 해당 패턴은 이미 매개변수화된 워크플로우(parameterized workflow)로 존재했기 때문입니다. 언제 구축하지 않아야 하는지를 아는 것이 가치의 절반을 차지합니다.

구축 방법

• 에이전트가 따르는 SKILL.md 절차(procedure).
• scan.sh 시그널 마이너(signal miner) — 트랜스크립트(transcripts)에 대한 jq 처리, git log 형태 분석, gps recall, 아티팩트(artifact) 인벤토리 등을 통해 하나의 구조화된 보고서를 생성.
• 세션 간 빈도 측정을 위한 watchlist.md 원장(ledger).
• 스킬(skill) / 서브 에이전트(subagent) / 워크플로우(workflow)를 위한 아티팩트 템플릿.
• 지속적인 결정을 위한 GPS 리포지토리 메모리.

향후 계획

• 자동으로 실행되도록 예약하여 매주 "후보 요약(candidate digest)"을 제공.
• GPS MCP 도구를 통해 승격 후보의 순위를 매김.
• 정제된 스킬을 여러 리포지토리 간에 공유.

Claude Code로 구축되었습니다. 핵심 아이디어는 단일 리포지토리를 넘어 잘 일반화됩니다. 발견 루프(discovery loop)를 자신의 작업 내역에 적용하여, 반복되는 항목에 점수를 매기고, 신뢰도가 높은 패턴이 도구가 되도록 만드세요.