AI 온보딩은 종종 모델, 에이전트, 메모리, 통합 및 자동화를 설명하는 캐러셀로 시작됩니다. 하지만 사용자들은 안전한 '첫 성공'이 무엇인지 알지 못한 채 빈 프롬프트에 도달합니다.

유용하고 되돌릴 수 있는 결과물(reversible outcome) 하나를 역으로 설계하세요.

choose bounded task
      ↓
preview required access
...

코딩 어시스턴트의 경우, 첫 번째 작업은 테스트 실패를 설명하고 브랜치를 푸시하지 않고 패치 초안을 작성하는 것일 수 있습니다. 이는 하나의 흐름에서 입력(input), 증거(evidence), 수정(correction), 권한(authority)을 가르칩니다.

권한을 점진적으로 획득하기 (Earn permissions progressively)

가입 시점에 리포지토리 쓰기 접근, 알림 권한, 마이크 접근, 조직 데이터 등을 요청하지 마세요. 각 기능이 필요한 다음 사용자 선택 단계에서 요청하세요. 구체적인 행동, 지속 시간, 범위, 그리고 대안을 설명해야 합니다.

실행 전에 다음 사항을 보여주세요:

• 리포지토리 및 리비전(revision);
• 작업이 읽을 수 있는 파일 또는 데이터;
• 생성할 수 있는 부작용(side effects);
• 알려진 경우 근사 시간 또는 비용;
• 취소 방법과 취소가 되돌릴 수 없는 것.

출력 후에는 증거 제시와 편집을 주요 행동으로 만드세요. 모호한 '계속' 대신 '임시 풀 리퀘스트(draft pull request) 생성'을 보여주세요. 배포(deployment)와 병합(merge)은 첫 성공 경험 이후에 배치하세요.

복구 과정을 의도적으로 가르치기 (Teach recovery deliberately)

사용성 연구에 안전한 수정 과정(safe correction)을 포함시키세요. 어시스턴트에게 불완전한 요구사항을 주거나 잘못된 파일을 제안하게 하세요. 사용자들이 증거를 찾고, 제안을 편집하며, 취소하고, 되돌리고, 최종 상태를 이해하는지 관찰하세요.

첫 번째 되돌릴 수 있는 가치에 도달하는 시간, 맥락 기반의 권한 승인, 수정 성공 여부, 포기 단계, 예상치 못한 부작용, 그리고 사용자들이 시스템이 무엇을 할 수 있도록 허용되었는지 설명할 수 있는지 측정해야 합니다. 완료율만으로는 강제적인 기본값(coercive defaults)에 보상합니다.

키보드 및 스크린 리더 탐색을 지원하고, 페이지를 가리는 코치 마크(coach marks)에 의존하지 않으며, 사용자가 권한 부여를 미룰 때 진행 상황을 유지하세요. 접근 방식을 다시 방문하고 나중에 취소할 수 있는 영구적인 방법을 제공해야 합니다.

공개된 MonkeyCode repository는 AI 작업, 프로젝트 요구 사항, 개발 환경, 팀 협업 및 비공개 배포에 대해 설명합니다. 이러한 워크플로우는 점진적인 권한 부여(progressive authority)를 중요하게 만들지만, 이 글은 독립적인 온보딩 패턴을 제안하며 MonkeyCode의 현재 온보딩 과정을 설명하지는 않습니다.

고지: 저는 MonkeyCode 프로젝트에 기여하고 있습니다. 제품 컨텍스트는 공개 문서를 기반으로 하며, MonkeyCode 사용자 연구를 주장하는 것은 아닙니다.

첫 번째 AI 성공 경험은 최대 자동화를 보여주는 것이어서는 안 됩니다. 그것은 사용자에게 가치(value), 증거(evidence), 권한(permission) 및 복구(recovery)가 어떻게 함께 작동하는지를 가르쳐야 합니다.