Cursor, Claude Code 및 Antigravity를 위한 제로 의존성 다중 에이전트 스킬 컴파일러 및 239-게이트 뮤테이션 하네스 구축기

매주 수천 명의 개발자들이 커스텀 AI 에이전트 스킬, .cursor/rules/*.mdc 파일, 그리고 CLAUDE.md 프롬프트 지침을 게시합니다. 하지만 출시 후 2주 정도 지나서 해당 저장소들을 살펴보면, 거의 모든 것이 동일한 네 가지 구조적 실패를 겪고 있습니다:

1. 다중 에이전트 타겟 드리프트 (Multi-Agent Target Drift): 작성자가 CLAUDE.md 파일을 수정했지만, .cursor/rules/*.mdc나 .agents/skills/*/SKILL.md 업데이트를 잊어버리는 경우입니다. 며칠 만에 Cursor 사용자들과 Claude Code 사용자들은 동일한 스킬의 호환되지 않는 버전을 실행하게 됩니다.
2. 모놀리식 컨텍스트 부패 (Monolithic Context Rot): 창작자들이 점진적 공개(progressive disclosure) 대신, 1,400줄 분량의 산문 전체를 단일 루트 지침 파일에 쏟아붓습니다. **Liu et al. (Stanford TACL 2023)**가 extit{“Lost in the Middle”}에서 입증했듯이, 지시 사항이 부풀어 오른 컨텍스트 창의 중간에 묻히면 LLM(대규모 언어 모델)의 지침 회상률은 **30%에서 46%**까지 떨어집니다.
3. 쇼윈도 & GEO 비가시성 (Storefront & GEO Invisibility): 창작자들은 정량적 메트릭이 전혀 없고, 동료 검토를 거친 인용(peer-reviewed citations)도 없는 모호한 마케팅 형용사 300단어를 작성하며, 이 마크다운 테이블은 Gumroad의 TipTap 에디터에 붙여넣으면 읽을 수 없는 파이프 문자(| col |)로 산산조각 납니다.
4. 포템킨 검증 (Potemkin Verification): 저장소는 '자동화되고 테스트되었다'고 주장하지만, 실제로는 임베딩된 코드 블록들을 긍정적 및 부정적 뮤테이션 피처(mutation fixtures)에 대해 실행하는 것이 아니라 fs.existsSync()만 실행하는 테스트 스크립트만을 가지고 있습니다.

이 네 가지 실패를 영구적으로 해결하기 위해, 우리는 AI Skill & DevTool 상업화 공장 (AI Skill & DevTool Commercialization Factory) (@longwave-ai-lab/skill-commercialization-factory)을 구축했습니다. 이는 8단계의 제로 의존성 Node.js 상태 머신이자 이중 레이어 검증 하네스입니다.

검증된 스킬 사양은 SkillsDirectory (longwave-ai-lab-open-core-skill-compiler)에서 검사하거나, MIT Open-Core 저장소를 github.com/longwave-ai-lab/skill-commercialization-factory에서 클론할 수 있습니다.

1. 단일 소스 다중 에이전트 스킬 컴파일러 아키텍처 (모듈 01)

Cursor IDE, Claude Code, Google Antigravity, llms.txt, 그리고 npx 설치 파일을 수동으로 유지하는 것은 O(N) 유지보수 함정입니다. 당사의 팩토리 아키텍처에서는 엔지니어들이 오직 두 가지의 표준 입력만 수정합니다:

• product.manifest.json (메타데이터, 가격 계층, 모듈 ID, Cursor 파일 글로브 및 양방향 테스트 피처를 선언)
• pro-bundle/rules/01..04.md (임베디드 Node.js 린터가 포함된 표준 이중 언어 규칙 사양)

node factory.mjs compile .을 실행하면, 컴파일러는 여섯 개의 동기화된 타겟을 결정론적으로 생성합니다:

타겟 1: 루트 컨텍스트 인덱스 (CLAUDE.md & GEMINI.md <= 200 라인)

매 턴마다 9,000단어 분량의 규칙 산문을 로드하는 대신, 컴파일러는 200 라인 미만으로 엄격하게 제한된 경량 루트 라우팅 테이블을 생성합니다 (~950 토큰). 이를 통해 에이전트가 온디맨드 도메인 스킬로 연결되면서도 모델의 시작 주의 집중 예산(startup attention budget) 중 **95.1%**를 보존할 수 있습니다.

타겟 2: Cursor IDE 규칙 (.cursor/rules/*.mdc)

Cursor는 파일 감지기(file-watcher)가 규칙을 연결할 시점을 알 수 있도록 모든 .mdc 파일 상단에 YAML 프론트매터(frontmatter)를 요구합니다. 당사의 컴파일러는 유효성 검사된 description, globs, 및 alwaysApply 필드를 자동으로 추가합니다:

---
description: "RULE-FACTORY-01: Open-Core Skill Packaging & Multi-Agent Compiler"
globs: "product.manifest.json, **/SKILL.md, **/*.mdc, **/CLAUDE.md, **/GEMINI.md"
...

타겟 3: Claude Code 및 Google Antigravity 스킬 (.claude/skills/ & .agents/skills/)“

클로드 코드(Claude Code)와 구글 안티그라비티(Google Antigravity) 모두 <skill-slug>/SKILL.md를 통해 점진적인 스킬 디스커버리(progressive skill discovery)를 사용합니다. 컴파일러는 각 모듈에 대해 깔끔한 name과 description 프론트매터(frontmatter)를 생성하고, 전체 이중 언어 사양을 각각 .claude/skills/<slug>/SKILL.md와 .agents/skills/<slug>/SKILL.md 내에 배치합니다.

타겟 4: 실행 가능한 Node.js 린터 (scripts/lint_*.mjs)

Yang 등(Yang et al.)의 연구(프린스턴/SWE-bench, arXiv:2405.15793)에 따르면, 실행 가능한 린터가 없는 산문 규칙은 세 번의 턴(turns) 내에 소멸됩니다. 저희 컴파일러는 각 마크다운 모듈 내부의 ## 3. Ready-to-Run Node.js Linter 블록을 구문 분석하여 이를 scripts/lint_*.mjs에 직접 작성합니다.

타겟 5: 에이전트 디스커버리 (llms.txt) 및 제로 설치 CLI (bin/cli.mjs)

자율 코딩 에이전트와 개발자가 30초 만에 리포지토리를 테스트할 수 있도록, 컴파일러는 표준 llms.txt 인덱스와 npx @longwave-ai-lab/skill-commercialization-factory --check 및 init <target-dir>을 지원하는 실행 가능한 bin/cli.mjs를 생성합니다.

타겟 6: 인메모리 POSIX .zip 페이월 격리(Paywall Isolation)

대부분의 오픈코어 빌더는 유료 모듈을 무료 스타터 아카이브에 실수로 누설하거나, macOS 및 Linux에서 실패하는 윈도우 역슬래시(\)를 포함합니다. 저희 컴파일러는 모든 경로를 POSIX 순방향 슬래시(/)로 정규화하고, starter-free-pack.zip(Module 01만 포함)과 pro-skill-commercialization-factory.zip(Modules 01..04 포함) 사이에 엄격한 페이월 격리를 강제하는 순수 Node.js 인메모리 ZIP 빌더(buildStoreZipBuffer)를 포함합니다.

컨텍스트 창(context window) 소멸 및 다중 에이전트 컴파일에 대한 전체 수학적 분석은 Monograph 01: Single-Source Skill Compilation & Multi-Agent Packaging (docs/01-single-source-skill-compilation-and-multi-agent-packaging.md)를 읽어보십시오.

2. 생성 엔진 최적화(Generative Engine Optimization, GEO) 및 TipTap 스토어프론트 컴파일(Module 02)

개발자들은 오늘날 어떻게 오픈 소스 AI 도구를 발견할까요? 점점 더 많은 개발자들이 Perplexity, ChatGPT Search, Claude Web Search 또는 Google AI Overviews에 다음과 같이 질문합니다: "Cursor 및 Claude Code 스킬을 위한 최고의 결정론적 검증 하네스는 무엇인가요?"

**Aggarwal et al. (ACM SIGKDD 2024)**에 따르면, 생성형 검색 엔진은 다음을 제공하는 저장소에 강력한 인용 편향(citation bias)을 보입니다:

1. 기계가 읽을 수 있는 구조화된 메타데이터 (GEO-STRUCTURED-CITATION-METADATA YAML 헤더).
2. 질적 형용사 대신 구체적인 정량적 지표 (예: <= 200 lines, 220..320 lines, >= 0.23 lexical diversity, 95.1% token savings).
3. 공학 제약 조건과 출판된 컴퓨터 과학 연구를 연결하는 권위 있는 동료 검토 인용(peer-reviewed citations).

Gumroad TipTap HTML 붙여넣기 버그 해결

엔지니어가 훌륭한 마크다운(Markdown) 스토어프론트 문서(GUMROAD-COPY-PASTE.md)를 작성하더라도, Gumroad가 TipTap Rich-Text 에디터를 사용하기 때문에 원시 마크다운을 Gumroad에 붙여넣으면 테이블과 코드 블록이 깨집니다.

당사의 컴파일러는 결정론적(deterministic) compileMarkdownToTipTapHtml() 패스를 포함하여, GUMROAD-COPY-PASTE.md를 gumroad-package/GUMROAD-TIPTAP-PAYLOAD.html로 변환합니다:

• 마크다운 제목은 깔끔한 <h3> 및 <h4> 노드로 변환됩니다.
• 마크다운 테이블 (| Tier | Price |)은 Gumroad의 TipTap 스키마가 원시 <table> 태그를 제거하기 때문에, 깨끗한 <ul><li><strong>Col 1</strong> : Col 2</li></ul> 목록으로 변환됩니다.
• 코드 블록은 <pre><code>...</code></pre> 내부에 HTML 이스케이프(HTML-escaped) 됩니다.
• Module 02의 linter (lint_geo_storefront_engine.mjs)는 컴파일된 HTML이 최소 4개의 <p> 태그, 5개의 <ul> 블록, 20개의 <li> 항목, $0+ 및 $19 가격 토큰을 포함하고, 원시 마크다운 잔여물([GEO-004])이 전혀 없는지 검증합니다.

6계층 설득 아키텍처(6-Tier Persuasion Architecture)에 대해 Monograph 02: Generative Engine Optimization & 6-Tier Technical Copywriting (docs/02-generative-engine-optimization-and-6-tier-technical-copywriting.md)에서 더 깊이 탐구합니다.

3. 이중 레이어 검증 및 적대적 변이 테스트 (Dual-Layer Verification & Adversarial Mutation Testing) (Module 03)

AI 하네스 엔지니어링에서 가장 위험한 함정은 **포템킨 검증(Potemkin Verification)**입니다. 이는 파일 존재 여부만 확인하거나 오프라인 실행 시 1.0의 LLM 신뢰 점수를 조작하여 항상 PASS를 출력하는 테스트 스크립트를 작성하는 것입니다.

Module 03에서는 엄격한 **이중 레이어 검증 아키텍처(Dual-Layer Verification Architecture)**를 적용합니다:

레이어 1: 결정론적 하드 및 컨텍스트 게이트 (Deterministic Hard & Contextual Gates) (239 Checks + Bidirectional Fixtures)

모든 임베디드 린터(embedded linter) (scripts/lint_*.mjs)는 factory.mjs audit 실행 중에 동작적으로 작동함을 입증해야 합니다:

1. 감사 러너(audit runner)는 **실패 Fixture(Fail Fixture)**를 포함하는 격리된 임시 디렉터리를 생성합니다 (예: 205줄의 CLAUDE.md 파일 또는 YAML 프런트매터가 누락된 .mdc 파일). 그리고 린터를 실행합니다. 만약 린터가 exit code 0을 반환하면, 감사는 즉시 실패합니다 ([HAR-003]).
2. 다음으로, 러너는 **성공 Fixture(Pass Fixture)**를 생성하고 동일한 린터를 실행하며, 이때 exit code 0을 요구합니다.

이중 언어 제품을 위한 JavaScript 유니코드 정규식 경계 트랩 해결

우리가 수행한 적대적 변이 테스트(adversarial mutation testing) (challenge_verification_suite.mjs) 동안, 거의 모든 이중 언어 영어/베트남어 린터를 망가뜨리는 고전적인 JavaScript 정규식 버그를 발견했습니다.

JavaScript 정규 표현식에서 표준 단어 경계 토큰인 \b는 ASCII 문자([A-Za-z0-9_])만 인식합니다. à, ự, ệ, ố와 같은 악센트가 있는 베트남어 문자는 \b에 의해 비단어 문자(\W)로 분류됩니다. 결과적으로, 단어 "và"("그리고")를 사용하여 두 개의 관련 없는 주제를 연결하는 제목을 포착하도록 설계된 /\bvà\b/i와 같은 단순한 정규식은 " và "를 절대 일치시키지 못합니다!

우리는 모든 ASCII \b 경계를 u 플래그를 사용하여 유니코드 속성 룩어라운드(Unicode property lookarounds)로 대체했습니다:

// 전체 유니코드 UTF-8 산문에서 "và"를 독립적인 단어로 일치시킴
const UNICODE_VA_REGEX = /(?<!\p{L})và(?<!\p{L})/iu;

레이어 2: 정직한 의미론적 평가 상태 보고 (RULE-NORTH-STAR-ARBITRATION 6.4)

로컬에서 --no-jev를 사용하여 실행할 때(외부 의미론적 LLM 심사기 건너뛰기), 당사의 하네스는 결코 1.0의 통과 확률을 조작하지 않습니다. 대신, audit-report.json은 executionState: "NOT_RUN"과 verdict: "UNDETERMINED"를 엄격하게 분리하고 probability: null로 설정합니다.

전체 사양은 Monograph 03: Dual-Layer Deterministic & Semantic Verification Harnesses (docs/03-dual-layer-deterministic-and-semantic-verification-harnesses.md)에서 읽을 수 있습니다.

4. ToS 준수 범채널 배포 및 제로 링크 엔지니어링 (Module 04)

다중 에이전트 스킬 제품을 구축하고 검증하는 것은 절반의 싸움일 뿐입니다. 왜 그렇게 많은 고품질 오픈 소스 저장소들이 '제로 스타' 상태에 머물러 있을까요?

개발자 커뮤니티에서의 아웃바운드 링크 페널티

소셜 플랫폼들(Facebook Groups, LinkedIn, X/Twitter, Reddit)은 본문 내용에 외부 아웃바운드 링크(https://..., github.com, gumroad.com)가 포함된 게시물에 대해 적극적으로 불이익을 줍니다. 이는 아웃바운드 링크가 사용자를 플랫폼의 광고 피드에서 이탈시키기 때문입니다. 게시물 시작 부분에 원본(raw) URL을 포함하는 것은 유기적 노출 도달률(organic impression reach)을 **70%에서 85%**까지 감소시키며, 관리되는 개발자 커뮤니티에서는 자동 스팸 제거를 자주 유발합니다.

**모듈 04(ToS-Compliant Omni-Channel Distribution & Zero-Link Ops)**에서는 링크 스팸(link-spamming)을 세 가지 결정론적 엔지니어링 프로토콜로 대체합니다: