Claude Code로 '이 도구와 유사한 리포지토리'를 한 번에 찾는 기술

「지금 사용하고 있는 이 라이브러리,

같은 일을 하는 다른 구현이나, 더 새로운 대체재에는 무엇이 있을까?」

개발 중에 이런 생각을 하며 GitHub나 키워드 검색을 헤매 본 경험이 없으신가요? 키워드 검색은 「형태소 분석 (Morphological Analysis)」과 같은 **토픽 (Topic)**에는 강한 반면, 「이 mecab이라는 도구와 얼마나 유사한가」라는 축으로는 나열해 주지 않습니다. 표현이 조금 다를 뿐인 유사한 도구는 놓치기 쉽고, 「mecab에 대한 유사도 순」으로 정렬할 수도 없습니다. 1,200건이 넘는 리포지토리를 일일이 카테고리별로 비교하는 것도 꽤나 고된 일입니다.

그래서, 기점이 되는 도구 이름을 하나 전달하면, 동일하거나 관련 처리를 하는 리포지토리를 「수록 리스트」와 「Web」 양쪽 모두에서 찾아 순위를 매겨 나열해 주는 Claude Code 스킬인 similar-resources를

만들었습니다. mecab이라고 입력하면 fugashi나 kuromoji가, oseti와 유사한 도구라고 입력하면 asari나 pymlask가 반환됩니다 (mecab은 문장을 단어로 나누는 형태소 분석 (Morphological Analysis), oseti는 문장의 감정을 판정하는 감성 분석 (Sentiment Analysis) 도구입니다).

이것은 awesome-japanese-nlp-resources에 수록된 1,200건 이상의 일본어 NLP 리소스를 Claude Code에서 횡단 검색할 수 있는 Plugin에 추가된 5번째 스킬입니다. 지난번에는 해당 Plugin 자체를 소개했습니다.

다만, 이 기사에서 가장 전달하고 싶은 것은 「편리한 스킬이 만들어졌습니다」라는 이야기가 아닙니다. 자신의 데이터(사내 지식이라도, 직접 만든 awesome 리스트라도)에 동일한 메커니즘을 응용하는 방법입니다. 포인트는 두 가지입니다.

무거운 계산은 Bash + Python으로 넘기고, 의미적인 판단은 Claude에게 맡긴다는 역할 분담
스킬 추가는 **「폴더 1개 + SKILL.md 파일 1장」**으로 끝나는 가벼움

일본어 NLP를 사용하지 않는 분이라도 이 두 가지 포인트는 그대로 응용할 수 있습니다.

이런 식으로 동작합니다

설치(후술)가 완료되어 있다면, Claude Code 상에서 슬래시 명령어를 입력하기만 하면 됩니다. 우선 영어 쿼리부터 살펴보겠습니다.

/awesome-japanese-nlp-resources:similar-resources mecab

출력 예시 (발췌. star 수는 실행 시점의 데이터에 의존합니다)

mecab에 유사한 리포지토리

기점: mecab — C++ — 사전 기반의 정석적인 일본어 형태소 분석기 (분할 + 품사 부여 + 읽기 추정)

(번들된 데이터셋 + Web 조사를 통한 유사도)

ℹ️

mecab은 영어 쿼리이므로, 실제 출력은 제목과 본문 모두 영어입니다. 본 기사에서는 가독성을 위해 제목과 설명의 일부, 그리고 「유사한 이유 (Why similar)」 열만 일본어로 번역했습니다 (다음 절의 일본어 쿼리에서는 실제로 이 일본어 형태로 반환됩니다).

awesome-japanese-nlp-resources 내의 가까운 리소스

#	Repository	Category	Popularity	Why similar
1	fugashi	Python library (Morphology)	⭐439	MeCab을 Cython으로 래핑한 고속 토크나이저. 가장 간편한 전환 대상
...

Web에서 발견된 미수록 리포지토리

#	Repository	Category	Popularity	Why similar
1	paithiov909/gibasa	R / C++ (Morphology)	⭐17 (업데이트 2026-03)	MeCab을 Rcpp로 래핑. R 에코시스템 버전의 fugashi/natto-py
...

일본어로 물으면, 일본어로 답합니다

쿼리에 일본어가 섞이면 출력도 일본어로 전환됩니다 (언어 자동 판정).

/awesome-japanese-nlp-resources:similar-resources oseti に似たツール

출력 예시 (발췌)

oseti に類似するリポジトリ

기점: oseti — Python library (Sentiment analysis) — 사전 기반의 일본어 감성 분석

awesome-japanese-nlp-resources 내의 유사한 리소스

#	리포지토리	카테고리	인기	유사한 이유
1	asari	Sentiment analysis	⭐153	일본어 감성 극성을 판정. 사전 없이 간편하게 테스트 가능
...
추천

영어로 세계를 향해 열려 있으면서, 일본어 사용자에게는 일본어로 답합니다. 이는 Plugin의 5가지 스킬 모두에 공통적으로 적용되는 동작입니다.

설치

similar-resources를 포함한 5가지 스킬은 Claude Code 상에서 다음 3줄을 실행하면 설치할 수 있습니다 (Claude Code를 사용할 수 있는 환경이 전제됩니다).

/plugin marketplace add taishi-i/awesome-japanese-nlp-resources
/plugin install awesome-japanese-nlp-resources@awesome-japanese-nlp-resources
/reload-plugins

1행에서 이 리포지토리를 마켓플레이스로 추가하고, 2행에서 플러그인을 설치하며, 3행에서 다시 불러옵니다 (환경에 따라 다시 불러오기가 필요하지 않을 수도 있습니다). 완료되면 다음 5가지 스킬을 사용할 수 있게 됩니다 (모두 쿼리의 언어를 자동 판정하여 영어/일본어로 응답합니다).

스킬	용도
`/awesome-japanese-nlp-resources:search <query>`	동봉된 1,200개 이상의 리소스를 검색
`/awesome-japanese-nlp-resources:similar-resources <repo>`	리포지토리/도구를 기점으로 유사한 것을 발견
`/awesome-japanese-nlp-resources:find-new-resources <topic>`	리스트에 포함되지 않은 GitHub 리포지토리 발견 (기여 지원)
`/awesome-japanese-nlp-resources:research-trends <topic>`	데이터셋 + Web 조사를 통한 트렌드 리포트
`/awesome-japanese-nlp-resources:research-issues <topic>`	특정 토픽의 과제·제한 사항·해결책 조사

자세한 사양은 Plugin의 README를 참고하세요.

search와 similar-resources, 어느 것을 사용할까?

스킬이 늘어나면 다음에 궁금해지는 것은 "어느 것을 사용해야 하는가"입니다. 둘 다 "리소스를 찾는" 스킬이지만, 답하는 질문이 다릅니다.

search는 "search 토픽 → 리소스"입니다. "일본어 형태소 분석 라이브러리는?"과 같은 키워드 검색입니다. 우선 넓게 찾고 싶을 때 사용합니다.
similar-resources는 "similar-resources 이 특정 도구 → 유사한 것"입니다. "지금 mecab을 사용하고 있는데, 대체제나 후속 버전은?"과 같이 기점(seed)이 있는 검색입니다. 전환할 대상을 좁히고 싶을 때 사용합니다.

구분	`search`	`similar-resources` (이번 사례)
입력	토픽·키워드	특정 리포지토리／도구 (기점)
질문	"○○한 리소스는?"	"이 도구와 유사한 것은?"
정렬 기준	쿼리와의 관련도 + 인기도	기점과의 내용 유사도 + 기능의 근접성
주요 용도	우선 넓게 탐색	전환 대상·대체제·후속 버전 좁히기

키워드 검색으로는 "mecab과의 근접성"이라는 기준으로 순위를 매길 수 없으며, 표현이 다르다는 이유만으로 의미적으로 유사한 리소스를 놓치기 쉽습니다. 그 빈틈을 메워주는 것이 similar-resources입니다.

원리: 저렴하게 좁히기 → Claude가 의미로 결정

similar-resources의 설계 방침은 단 하나입니다.

무거운 계산은 Bash + Python에 맡기고, 의미적인 판단은 Claude가 직접 수행한다.

구체적으로는, 먼저 Python이 동봉된 데이터 1,170건(본 기사 작성 시점의 스냅샷이며, 리스트 업데이트에 따라 증가합니다)을 기계적으로 채점하여 상위 약 15건으로 좁힙니다. 그 후에 "fugashi는 범용 툴킷보다 mecab에 가깝다"와 같은 의미 판단을 Claude가 담당합니다.

1,170건 전부를 Claude에게 읽힐 필요도 없고, 그렇다고 최종 순위를 수치만으로 결정하지도 않습니다. 이 역할 분담이 핵심이며, 그대로 자신의 데이터에도 응용할 수 있는 부분입니다.

전체 구성은 "데이터셋 내의 유사도와 Web 조사를 병행하여 마지막에 병합(merge)한다"로 되어 있습니다.

동봉 데이터셋 내의 유사도 스코어링: 번들된 resources.json (1,170건)을 seed에 대한 내용 유사도로 채점
Web을 통한 보완: WebSearch / WebFetch를 통해 아직 수록되지 않은 관련 리포지토리 탐색
병합 및 재순위 지정 (Re-rank): 두 결과를 통합 (수록됨/미수록됨으로 중복되지 않으므로, 위아래 표로 나뉩니다)

유사도 스코어의 개념

데이터의 각 항목은 카테고리 c와 쉼표로 구분된 의미 라벨 s를 가지고 있습니다. 예를 들어 형태소 분석 계열이라면 Syntactic Text Processing, Text Segmentation, Tagging, Morphology와 같은 식입니다.

데이터 1건은 다음과 같은 단순한 JSON입니다 (oseti의 예).

{
"n": "oseti",
"u": "https://github.com/ikegami-yukino/oseti",
...

n / u：이름과 GitHub URL
c：카테고리 (Category)
s：쉼표로 구분된 의미 라벨 (Semantic Label)
d：영어 설명 (유사도는 주로 이 3가지와 더불어 이름 n에 의해 결정됩니다)
st：GitHub 스타 수 (Hugging Face 리소스는 대신 dl = 다운로드 수)
ns：인기도를 정규화한 값

본인의 리스트에서도 이 형태의 배열을 하나 준비해 두면 동일한 스킬이 작동합니다. 무거운 작업은 데이터 제작 부분이며, 스킬 측면(SKILL.md)은 가벼운 상태로 그대로 재사용할 수 있습니다.

점수는 대략 다음과 같은 합산으로 결정됩니다.

동일 카테고리라면 +10, 동일 계통 (family = 카테고리 이름의 ( 이전 부분. 예를 들어 Python library (Morphology)라면 Python library)라면 +5
공유하는 의미 라벨의 가중치 (IDF 가중치)
공유하는 설명문·이름의 단어의 가중치 (IDF 가중치)

핵심은 IDF 가중치 (Inverse Document Frequency, 역문서 빈도. 흔한 라벨일수록 가볍게, 희귀한 라벨일수록 강하게 작용하도록 하는 가중치)입니다. Dictionary와 같이 어디에나 붙는 라벨은 효과를 약하게 하고, Sentiment Analysis와 같이 희귀하고 식별력이 높은 라벨은 효과를 강하게 합니다. 이를 통해 '단순히 카테고리가 같은 것'보다 '수행하는 작업이 정말로 유사한' 리소스가 상단에 올라오게 됩니다.

임계값(점수 8 이상)을 넘은 후보는 마지막에 인기도를 아주 조금 가미하여 (대략 점수 + 0.5 × 인기도) 정렬합니다. 내용의 유사성을 주(主)로, 인기도를 종(從)으로 하는 균형입니다.

이렇게 남은 후보들을 Claude가 '기능적 유사성'을 기준으로 재정렬하고, '유사한 이유'도 작성합니다. 예를 들어 MeCab 래퍼인 fugashi는 범용 NLP 툴킷보다 mecab에 더 '가깝다'고 말할 수 있습니다. 이러한 판단은 수치만으로는 다 할 수 없기에, 이 부분은 Claude에게 맡기고 있습니다.

Web 탐색 시 주의하는 점

Web 측은 WebSearch와 WebFetch만을 사용하며, 찾아낸 github.com/owner/repo를 모은 뒤,

resources.json에 이미 존재하는 것은 grep으로 제외한다 (즉, 미수록 표에는 항상 '리스트에 없는 것'만 나열된다)
아카이브된(archived) 리포지토리나 방치된 fork는 제외한다

라는 후처리 과정을 넣고 있습니다. 시드(seed) 자체가 리스트에 없는 경우에는 Web에서 그 정체를 조사한 뒤 가장 가까운 수록 도구를 반환하며, "이것은 수록 후보이므로 find-new-resources를 사용하세요"라고 안내합니다.

자신의 awesome 리스트/데이터에 스킬을 추가하는 방법

여기서부터는 서두에서 언급한 재사용 가능한 부분의 구체적인 절차입니다. "본인의 리스트에서도 똑같은 일을 하고 싶다"는 분들을 위해, 스킬을 1개 추가하는 흐름을 이번 similar-resources를 예로 들어 정리합니다.

1. Plugin의 최소 구성을 파악하기

Claude Code Plugin 디렉토리는 대략 다음과 같은 형태입니다.

plugins/awesome-japanese-nlp-resources/
├── .claude-plugin/
│   └── plugin.json # 플러그인의 메타 정보
...

여기서 가장 중요한 포인트는,

스킬 = skills/ 아래의 폴더 1개 + 그 안의 SKILL.md 1장

이라는 점입니다. 스킬을 늘리기 위해 어딘가에 코드를 등록하거나 배열에 추가할 필요가 없습니다. 폴더를 추가하는 것만으로 Claude Code가 자동으로 찾아냅니다. 이번에도 skills/similar-resources/SKILL.md를 1장 추가했을 뿐입니다.

2. frontmatter 작성하기

SKILL.md의 맨 앞에는 YAML의 frontmatter를 배치합니다. 이번 similar-resources의 실제 값은 다음과 같습니다.

---
description: 일본어 NLP GitHub 리포지토리(URL / owner/repo / 도구 이름)가 주어졌을 때, 동일하거나 관련 처리를 수행하는 리포지토리를 찾습니다. 번들된 데이터셋에서 내용이 유사한 항목을 채굴한 후, 웹 조사(Web research)를 통해 확장하고, 이를 병합 및 재순위화(re-rank)합니다.
when_to_use: "사용자가 특정 리포지토리나 도구의 이름을 언급하며 그와 유사한 것(대안, 동등한 도구 또는 관련 도구)을 찾고자 할 때 사용합니다. 트리거 문구에는 'mecabに似たツール', 'fugashiの代替', 'ginzaと同じことができるライブラリ', '〜の類似リポジトリ', '〜の代わり', 'alternatives to fugashi', 'repos like manga-ocr' 등이 포함됩니다. 주제/키워드 검색에는 search 스킬을 사용하고, 아직 목록에 없는 리포지토리를 찾으려면 find-new-resources를 사용하세요."
...

각 필드의 역할은 다음과 같습니다.

description: 이 스킬이 무엇을 하는지 나타냅니다. Claude가 어떤 스킬을 호출할지 판단하는 근거가 됩니다.
when_to_use: 언제 호출할지를 나타냅니다. 이 부분이 가장 중요합니다. mecabに似たツール, fugashiの代替, 〜の代わり, alternatives to fugashi와 같은 **트리거 문구(trigger phrases)**를 풍부하게 작성해 두면, 사용자가 자연어로 입력해도 적절하게 발화(trigger)됩니다. 나아가 "주제 검색은 search, 미수록 항목 찾기는 find-new-resources"와 같이 **형제 스킬과의 역할 구분(differentiation)**까지 작성해 두면, 용도가 비슷한 스킬끼리 잘못 발화되는 것을 방지할 수 있습니다.
argument-hint: 인자(argument)에 대한 힌트입니다. [github-url | owner/repo | tool-name]와 같이 받을 수 있는 형식을 보여줍니다.
allowed-tools: 스킬이 사용할 수 있는 도구입니다. similar-resources는 Bash, WebSearch, WebFetch를 허용합니다.

세부적인 사항이지만, when_to_use는 언더스코어(_)로 구분하고, argument-hint 및 allowed-tools는 하이픈(-)으로 구분합니다. 필드마다 구분자가 다르므로, 복사할 때는 이 형식을 그대로 유지하여 옮겨 적으세요.

3. 본문은 "Claude를 위한 지침서"

frontmatter 아래의 본문은 그대로 **Claude에게 전달할 지침서(prompt)**입니다. similar-resources의 핵심 골자는 다음과 같은 흐름으로 구성되어 있습니다.

입력 검증 (Input validation): 인자가 비어 있으면 사용법을 표시하고 중단
데이터 위치 해결 (Resolve data location): ${CLAUDE_PLUGIN_ROOT}/data/resources.json 참조
스코어링 (Scoring): 한 번의 Bash 호출로 Python을 실행하여, 시드(seed)와의 유사도로 점수 산정
웹 조사 (Web research): 미수록된 관련 리포지토리를 WebSearch / WebFetch로 보완
재순위화 (Re-rank): Claude가 기능적 유사성을 바탕으로 정렬
출력 형식화 (Output formatting): 일본어/영어 템플릿을 사용하여 표 생성

실제로 작성해 보며 효과를 본, **다른 스킬에도 재사용할 수 있는 이디엄(idiom)**이 4가지 있습니다.

# 데이터 위치를 이 한 줄로 해결 (설치 위치에 의존하지 않음)
RESOURCES_PATH="${CLAUDE_PLUGIN_ROOT}/data/resources.json"
[ -f "$RESOURCES_PATH" ] || RESOURCES_PATH="$(find "${HOME}/.claude/plugins" -name resources.json | grep awesome-japanese-nlp-resources | head -1)"

동봉 데이터에 대한 경로는 이것으로 해결됩니다 (Claude Code가 설치 경로로 대체해 줍니다): ${CLAUDE_PLUGIN_ROOT}
거대 파일에 Read 도구를 사용하지 않기: resources.json은 크기가 크기 때문에, Read 도구로 읽으면 토큰을 낭비하게 됩니다. SKILL.md 내에 "Do NOT use the Read tool"이라고 명시하고, Bash + Python으로 처리하게 합니다.
언어 자동 판정 규칙: "인자에 일본어가 포함되어 있으면 일본어, 그렇지 않으면 영어"라고 본문에 적어두는 것만으로도 출력 언어가 전환됩니다.
연도를 하드코딩하지 않기: 본문 서두에서 date를 한 번만 실행하고, 그 값을 출력 전체에 삽입합니다.

# 실행 시의 date에서 "올해"를 추출하여, 출력 중인 연도는 모두 이것을 사용
echo "YEAR_NOW=$(date +%Y)"

연도를 직접 작성하면 "최종 업데이트 2024"와 같은 오래된 표기가 섞일 수 있지만, 이를 사용하면 해가 바뀌어도 출력이 낡지 않습니다. 웹 조사(Web Research)를 동반하는 스킬에서 특히 효과적입니다.

4. 반영하여 테스트하기

스킬을 추가했다면, 다시 로드하여 호출하기만 하면 됩니다.

/reload-plugins
/awesome-japanese-nlp-resources:similar-resources mecab

5. 복사해서 사용할 수 있는 체크리스트

마지막으로, 자신의 데이터로 스킬을 하나 추가할 때의 최소 체크리스트를 정리해 둡니다.

skills/<name>/SKILL.md를 한 장 만들기 (폴더 + 파일만 생성. 등록 작업은 불필요)
frontmatter에 description과, 트리거 단어 + 형제 스킬과의 차별점을 적은 when_to_use를 넣기
무거운 처리는 Bash + Python으로 넘기고, 의미 판단만 Claude에게 남기기
큰 데이터는 Read 하지 않고 ${CLAUDE_PLUGIN_ROOT}를 통해 shell에서 읽기
출력은 템플릿으로 고정하고, 연도는 date로 삽입하기
/reload-plugins를 실행하여 실제로 호출해 확인하기

데이터(의 질)만 준비되어 있다면, awesome 리스트든 사내 지식(Internal Knowledge)이든 "데이터 + SKILL.md 한 장"으로 실용적인 스킬을 추가할 수 있습니다.

한계와 적합하지 않은 케이스

만능은 아닙니다. 사용하기 전에 알아두어야 할 전제 조건을 솔직하게 적어둡니다.

데이터의 질에 의존합니다. 점수는 각 리소스의 카테고리, 라벨, 설명문을 바탕으로 계산하므로, 라벨링이 부실한 데이터에서는 정밀도가 떨어집니다 (그렇기에 "데이터를 만드는 것이 본체"입니다).
웹 결과는 실행할 때마다 변동될 수 있습니다. 미수록된 표는 검색할 때마다 조금씩 달라질 수 있습니다. 재현성이 필요한 용도라면, 이미 수록된 표를 기준으로 삼으십시오.
의미 라벨은 영어 중심입니다. 라벨이 영어로 정비되어 있기 때문에, 일본어 설명에만 의頼하는 쿼리는 약해질 수 있습니다.
"유사함" $
eq$ "추천", "고품질". 어디까지나 기능적인 유사성을 제시하는 것입니다. 채택 전에는 star 수, 업데이트 날짜, 라이선스를 직접 확인하십시오.
동봉 데이터는 스냅샷입니다. 최신 수록 상황은 리스트 본체(README)에서 확인할 수 있습니다.

요약

awesome-japanese-nlp-resources의 Claude Code Plugin에 5번째 스킬을 추가했습니다. 기점 리포지토리를 하나 전달하면, similar-resources가 수록된 유사 리소스와 웹에서 찾아낸 미수록 리포지토리를 내용 유사도 + Claude의 의미 판단으로 나열하여 반환합니다.
설계의 핵심은 **"저렴하게 필터링(Bash + Python) $
ightarrow$ 의미로 결정(Claude)"**하는 분업입니다. 스킬 추가는 **"폴더 1개 + SKILL.md 한 장"**입니다. 이 두 가지는 당신의 데이터(사내 지식이든 자체 리스트든)에 그대로 응용할 수 있습니다.

우선 Claude Code 상에서 3줄을 실행하여, 당신의 추천 도구 이름을 similar-resources에 입력해 보세요.

입력해 보세요. 그리고 마음이 내킨다면, 위의 체크리스트를 참고하여 **자신의 데이터용 스킬 (Skill)**을 하나 만들어 보세요. awesome-japanese-nlp-resources는 CC0로 공개되어 있으며, 리소스 추가 PR (Pull Request)도 환영합니다.

그럼, 끝까지 읽어주셔서 감사합니다!

저자 소개

taishi-i입니다. 본 기사에서 다룬 awesome-japanese-nlp-resources의 메인테이너 (Maintainer)입니다. 일본어 NLP 리소스를 '찾기 쉽고 사용하기 쉽게' 만드는 일에 힘쓰고 있습니다. 의견, 질문, 리소스 추가 제안은 리포지토리의 Issues / Pull requests로 언제든 편하게 남겨주세요.