AI 에이전트가 사용자에게 글을 쓰는 방식을 위한 컴파일러를 구축했습니다

저는 AI 에이전트에게 항상 같은 방식으로 수정을 요청해 왔습니다: "너무 길어요", "결론부터 말하세요", "도표를 사용하세요", "제가 전문 용어를 알고 있다고 가정하세요"와 같은 것들 말이죠. 각 수정 사항은 현재의 대화 품질을 개선했지만, 이러한 선호도는 지속 가능한 시스템 상태(system state)로 표현되지 않았습니다.

저는 그 상태를 명시적으로 만들기 위해 /calibrate-comms를 구축했습니다. 이는 Obsidian vault 내부에 있는 오픈 소스 스킬(skill)로, Claude Code와 Codex 모두에서 사용됩니다.

모델: 9개의 운영 다이얼 (nine operational dials)

이 스킬은 성격 유형을 발견하려고 시도하지 않습니다. 대신 답변이 렌더링되는 방식을 직접적으로 바꾸는 9가지 선택 사항을 보정(calibrate)합니다:

다이얼 (Dial)	실질적인 질문
밀도 (Density)	압축된 섹션인가, 아니면 전체적인 추론 과정인가?
...

사전 정보(Prior) → 보정(calibration) → 지시 사항(directives)

워크플로우는 세 단계로 구성됩니다:

L1 PRIOR → L2 SAMPLE REACTION → COMPILE → CLAUDE.md
    가설 (hypothesis)        경험적 무효화 (empirical override)       두 에이전트가 공유 (shared by both agents)

퀵 모드(Quick mode)는 각 축에 대해 맞춤형 강제 선택 프록시(forced-choice proxy)를 하나씩 질문합니다. 이러한 질문들은 의도적으로 검증된 심리 측정 도구가 아닌 프록시로 라벨링되었습니다. 딥 모드(Deep mode)는 사용하기 전에 지원되는 오픈 액세스 도구로부터 정확한 항목을 가져와야 합니다. 만약 소스를 얻을 수 없다면, 스킬은 퀵 모드에 머물며 어떠한 검증 주장도 하지 않습니다.

그 후 사전 정보(prior)는 쌍을 이룬 샘플(pairwise samples)을 통해 도전받습니다. 순서의 경우, 대조는 다음과 같습니다:

빌드업 우선 (Build-up first):
우리는 지연 시간 급증의 원인을 N+1 쿼리로 추적했고, 루프 내의 지연 로딩(lazy loading)을 발견했습니다. 따라서 해결책은 즉시 로딩(eager loading)입니다.

...

사용자의 선택은 드러난 선호도(revealed preference)입니다. 만약 이것이 사전 정보와 모순된다면, 샘플의 결과가 승리합니다.

컴파일러가 유용한 부분입니다

최종 프로필은 점수 보고서가 아닙니다. 결정론적인 범위-규칙 테이블(band-to-rule table)은 에이전트가 실행할 수 있는 지시 사항을 출력합니다:

- 결론부터 제시 (Bottom line up front): 첫 번째 문장에서 답변하고, 정당화는 그 뒤에 배치할 것.
- 콘텐츠가 구조적이거나 관계적일 때는 표나 도표를 사용할 것.
- 숙련된 유창함을 가정할 것; 명확하지 않은 용어만 정의할 것.

그러한 지침들은 CLAUDE.md 내의 구분된 COMMS-PROFILE 블록에 작성됩니다. 이 볼트(vault) 내에서 AGENTS.md는 동일한 지침을 가리키므로, Claude Code와 Codex는 하나의 단일 진실 공급원(source of truth)을 전달받게 됩니다.

상호작용은 명시적으로 해결됩니다. 낮은 밀도와 완전한 세부 사항의 조합은 "철저하지만 계층적인" 방식이 됩니다. 답변 우선(answer-first) 방식과 다중 옵션(multiple options)을 모두 선호하는 경향은 한 줄의 핵심 요약 뒤에 옵션별 상세 분석이 따르는 형태가 됩니다. 사용자가 다이어그램과 간결함을 모두 원할 때는 산문(prose) 대신 시각 자료가 사용됩니다.

분류가 아닌 교정 (Calibration, not classification)

이 기술은 DISC, MBTI, VARK 및 결정론적인 사용자 유형 분류를 거부합니다. 지원되는 심리 측정 도구들은 오직 선택적인 사전 정보(priors)로만 사용됩니다. 쌍체 선택(Pairwise choices), 직접 편집, 그리고 실시간 수정은 실제로 무엇이 전달되는지를 측정하기 때문에 더 높은 권위를 가집니다.

그 실시간 루프(live loop)가 중요합니다. 사용자가 실제 작업 중에 "너무 길다"라고 말하면, 전체 프로세스를 다시 실행하지 않고도 밀도 지침을 수정할 수 있습니다. 사용을 통해 학습할 수 없는 교정은 그저 퀴즈에 불과합니다.

프라이버시는 아키텍처의 일부입니다

작성된 커뮤니케이션 프로필은 개인을 묘사하므로 개인 데이터(personal data)에 해당합니다. 프라이빗 볼트(private vault)는 원장(ledger)과 컴파일된 지침을 보관합니다. 퍼블릭 템플릿(public template)은 기술, 템플릿, 그리고 비어 있는 플레이스홀더(placeholder)를 제공하며, 퍼블릭 복사본에 내용이 채워진 프로필이 나타날 경우 동기화 검증기(sync verifier)가 실패하도록 설계되었습니다.

구현 방식은 단순한 마크다운(Markdown)과 프롬프트로 정의된 기술(skills)입니다. 모델을 점검하거나, 매핑(mappings)에 의문을 제기하거나, 컴파일러를 조정해 보세요:

https://github.com/ibrahimkobeissy/ai-second-brain-template