A local-first, multi-source distillation Skill로, Codex, Claude Code, WorkBuddy, OpenCode, Hermes와 같은 주류 AI 에이전트 환경 내부에서 실행됩니다. 사용 중인 에이전트에 설치한 후, 자연어 요청을 통해 실제 소스 자료를 재사용 가능한 메서드 및 실행 준비가 된 명세서로 변환할 수 있습니다.
<p align="center">
<img src="https://raw.githubusercontent.com/hufeng173/kunpeng-skill/HEAD/assets/kunpeng-skill-banner-web.png" alt="Kunpeng Skill - Distill. Rebuild. Create." width="100%">
</p>
호스트 에이전트에게 저장소(repository), 웹사이트, 제품, UI, 이미지 컬렉션, 비디오, 오디오 녹음, 기사, 문서, 책, 과정 또는 혼합된 소스 세트를 제공하고, 무엇을 추출(distill)하고 싶은지 설명합니다. Kunpeng은 에이전트가 전이 가능한 메커니즘, 기술적 결정, 디자인 원칙, 상호작용 패턴, 작성 방법 및 다른 에이전트가 적용할 수 있는 명세서를 추출하도록 안내합니다.
출력물은 로컬 지식 라이브러리에 저장되어 향후 웹사이트, 앱, 미니 앱, 게임, 에이전트, 데스크톱 제품, 브랜드 시스템 및 콘텐츠 프로젝트에서 재사용될 수 있습니다. Kunpeng은 자신의 에이전트가 모든 작업을 처음부터 시작하는 대신 실제 소스에서 재사용 가능한 지식을 추출하기를 원하는 바이브 코더(vibe coders), AI 네이티브 빌더(AI-native builders), 연구원, 디자이너, 개발자 및 제품 팀을 위해 설계되었습니다.
Kunpeng은 모델의 가중치(weights)를 훈련하거나, 미세 조정(fine-tune)하거나, 수정하지 않습니다. 이는 호스트 에이전트가 사용하는 워크플로우입니다: 호스트는 의미론적 이해, 판단 및 생성 능력을 제공하고, Kunpeng은 추출 과정(distillation process), 도메인 플레이북(domain playbooks), 로컬 증거 도구(local evidence tools), 데이터 계약(data contracts), 라이브러리 도구(library tools) 및 품질 게이트(quality gates)를 제공합니다.
Kunpeng이 해결하는 일반적인 문제들
멋진 웹사이트를 발견했습니다. 같은 수준의 완성도로 무언가를 만들려면 어떻게 해야 할까요?
호스트가 라이브 사이트에 접근할 수 있다면, Kunpeng은 실제 페이지, 반응형 레이아웃, 작업 흐름(task flows), 상호작용 상태(interaction states), 모션, 그리고 보이는 에셋을 검사하도록 안내합니다. 사용 가능한 경우 소스 코드도 포함될 수 있습니다. 이는 원본 브랜드 아이덴티티를 복제하지 않으면서 구조, 컴포넌트, 상태, 디자인 규칙, 모션, 그리고 인수 테스트(acceptance checks)를 포괄하는 구현 준비가 된 UI 및 상호작용 명세서로 변환합니다.
이 영상은 고급스럽고 세련되어 보입니다. 어떻게 만들었으며, 비슷한 것을 어떻게 생성할 수 있나요?
Kunpeng은 전체 타임라인, 내러티브, 샷 디자인, 카메라 및 피사체 움직임, 편집 리듬, 연속성(continuity), 색상과 빛, 자막, 효과, 나레이션, 음악, 그리고 사운드를 분석합니다. 이는 알 수 없는 모델이나 원본 프롬프트를 복구한다고 주장하지 않습니다. 대신, 호스트 에이전트가 사용할 수 있는 도구에 맞게 조정 가능한, 모델 독립적인 샷별 제작 및 생성 패키지를 산출합니다. 하나의 영상은 제작 레시피를 제공하며, 여러 개의 독립적인 영상들은 크리에이터 프로필을 지원할 수 있습니다.
이 앱은 사용하기가 매우 쉬워 보입니다. 이러한 경험을 제가 구축할 수 있는 디자인으로 어떻게 바꿀 수 있나요?
제품에 접근하여, 호스트 에이전트는 대표 사용자 경로를 따라가며 행동 전의 상태, 행동 자체, 전환(transition), 그리고 결과적인 상태를 기록합니다. Kunpeng은 이러한 관찰 내용을 정보 구조(information architecture), 작업 흐름, 상태 기계(state machines), 피드백 및 복구 규칙, 반응형 동작, 모션 가이드, 그리고 신제품을 위한 구체적인 인수 단계로 변환합니다.
훌륭한 오픈소스 프로젝트를 찾았습니다. 어디서부터 시작해야 하며, 실제로 재사용할 만한 것은 무엇인가요?
Kunpeng은 신뢰할 수 없는 대상 코드를 실행하지 않고 저장소를 조사한 다음, 호스트를 실제 진입점(entry points), 호출 체인(call chains), 데이터 흐름(data flow), 의존성(dependencies), 테스트, 실패 경로 등을 통해 안내합니다. 이는 구현된 동작을 문서화된 주장과 분리하고, 유용한 아키텍처, 엔지니어링 패턴, 기술적 트레이드오프(trade-offs) 및 제품 아이디어를 단순히 원본 스택을 맹목적으로 복사하는 대신 재사용 가능한 프로젝트 기록이나 구현 계획으로 전환합니다.
이 시각적 스타일이 마음에 들어요. 왜 '프리미엄' 또는 '미니멀' 같은 프롬프트가 일관되게 이를 재현하지 못하나요?
Kunpeng은 측정 가능한 이미지 증거와 호스트 에이전트의 시각적 검토를 결합하여 구성(composition), 그리드, 계층 구조(hierarchy), 타이포그래피, 색상 역할, 빛, 소재, 이미지, 교차 형식 동작(cross-format behavior) 및 소스 세트에 비디오나 상호 작용 상태가 포함된 경우 모션까지 분석합니다. 그 결과는 구체적인 규칙, 제안된 매개변수, 디자인 토큰(design tokens), 금지 사항/권장 사항 안내, 그리고 생성 기준을 갖춘 시각적 시스템입니다. 단일 이미지는 이미지 레시피를 생성하며, 안정적인 브랜드 또는 크리에이터 패턴은 여러 독립적인 샘플이 필요합니다.
이 작가의 글쓰기 방식이나 이 강의가 마음에 들어요. 새로운 주제에 이 방법을 어떻게 적용할 수 있나요?
Kunpeng은 여러 텍스트나 수업에서 논증 구조(argument structure), 서사적 거리(narrative distance), 속도감(pacing), 수사학(rhetoric), 교육 순서, 개념 의존성(concept dependencies), 예시, 연습 문제 및 적용 가능 경계 등을 추출합니다. 이는 원본의 사실, 긴 구절, 시그니처 표현 및 이야기를 결과물에 포함하지 않으면서도, 새로운 주제를 위한 글쓰기, 지식 또는 교육 프로필로 변환합니다.
멋진 참고 자료가 가득한 폴더가 있어요. 이걸 또 다른 아카이브가 아니라 저만의 제품으로 어떻게 바꿀 수 있나요?
Kunpeng은 저장소(repositories), 제품, 스크린샷, 비디오 및 문서를 재사용 가능한 기록과 검토된 프로필로 변환한 다음, 이러한 결과물을 기존 프로필 옆에 인덱싱하고 새로운 목표와 가장 관련성이 높은 정보를 검색할 수 있습니다. 호스트 에이전트(host agent)는 이 자료를 사용하여 제품 개요서(product brief)와 제품, 시각적, 기술, 구현 또는 생산 계획을 생성합니다. 또한 후보(candidate)를 생성할 때 Kunpeng은 추출된 규칙에 맞춰 결과를 재분석하고 평가할 수 있습니다.
Kunpeng의 네 가지 활용 방법
| 모드 | 용도 | 결과물 |
|---|
| Collection | 저장소, 웹사이트, 앱, 제품 또는 소스 세트 보존 | 검토 가능한 프로젝트 또는 소스 기록 |
| ... | | |
source material -> agent inspection + local evidence -> reusable methods and profiles
-> local knowledge library -> new product or content
-> re-analysis and evaluation
하나의 설치로 컬렉션(collection), 증류(distillation), 검색(retrieval), 적용(application) 및 평가(evaluation)가 가능합니다. Kunpeng의 간결한 SKILL.md는 호스트 에이전트에게 현재 요청에 필요한 도메인 가이드와 스크립트만 로드하도록 지시합니다.
증류할 수 있는 것들
| 소스 | 에이전트가 학습할 수 있는 내용 | 가능한 결과물 |
|---|
| 코드 저장소 | 구현된 기능, 아키텍처, 기술 선택, 진입점(entry points), 흐름(flows), 의존성(dependencies), 테스트, 실패 및 트레이드오프(trade-offs) | 프로젝트 기록, 엔지니어링 패턴, 구현 사양 |
| ... | | |
완성(Completion)이 실제로 의미하는 것
많은 워크플로우가 성공적인 추출을 완료된 증류와 혼동합니다. Kunpeng은 각 상태를 분리하여 유지합니다:
extraction_status -> evidence_ready -> semantic cards -> draft profile
-> reviewed profile -> candidate -> candidate evidence -> evaluation -> complete
status=complete은 분석기(analyzer)가 선언된 status_scope를 완료했음을 의미할 뿐입니다.evidence_ready는 증거(evidence)가 에이전트 검토에 준비되었다는 뜻이며, 정제된 프로필(distilled profile)이 완성되었다는 것을 의미하지 않습니다.- 자동으로 집계되는 프로필은 항상
draft(초안) 상태입니다.
- 지식 증류 모드(Distillation mode)는 증거(evidence), 시맨틱 카드(semantic-card), 그리고 검토된 프로필(reviewed-profile) 게이트를 통과해야 합니다.
- 애플리케이션 모드(Application mode) 역시 후보(candidate), 후보 재분석 증거(candidate re-analysis evidence), 그리고 차원별 평가(dimension-by-dimension evaluation) 통과가 필요합니다.
- 단일 작업(work)이 객체 레시피(object recipe)를 생성할 수는 있지만, 안정적인 저자(author), 브랜드(brand), 또는 창작 스타일(creator style)을 주장할 수는 없습니다.
에이전트에 설치하기
완벽한 kunpeng-skill 디렉토리를 에이전트가 인식하는 스킬(Skills) 위치에 설치하거나 복사하세요. 단순히 SKILL.md만 복사하지 마세요. 워크플로우는 참조, 스크립트, 자산(assets), 그리고 선택적 호스트 메타데이터에도 의존합니다.
| 에이전트 | 일반적인 위치 또는 방법 | 참고 사항 |
|---|
| Codex | $CODEX_HOME/skills/kunpeng-skill | agents/openai.yaml을 유지하세요. |
| ... | | |
| 검색 위치는 호스트와 버전에 따라 다릅니다. 현재 호스트 문서를 따르고 스킬이 검색 가능한지 확인하세요. | | |
Codex에서 설치하기
Codex에게 스킬 설치기(Skill installer)를 사용하도록 요청할 수 있습니다:
$skill-installer를 사용하여 이 GitHub 저장소에서 kunpeng-skill을 설치하세요:
...
로컬 분석기 활성화하기
저장소, 문서, 이미지, 비디오, 오디오에 대한 번들(bundled) 로컬 분석기를 활성화하려면 스킬 루트에 격리된 환경을 생성하세요. Kunpeng는 선택적 로컬 분석기가 사용할 수 없을 때 호스트 에이전트가 제공하는 기능을 여전히 사용할 수 있지만, 그 결과로 발생하는 커버리지 제한을 보고해야 합니다.
Windows PowerShell:
.\.venv\Scripts\python.exe -m pip install --upgrade pip
.\.venv\Scripts\python.exe -m pip install -r requirements-standard.txt
Linux, macOS 또는 WSL:
./.venv/bin/python -m pip install --upgrade pip
./.venv/bin/python -m pip install -r requirements-standard.txt
비디오 및 오디오 처리에는 시스템 ffmpeg/ffprobe도 필요합니다. 처음 사용할 때 faster-whisper 또는 PaddleOCR이 공개 모델 파일을 다운로드할 수 있으며, 해당 파일들이 캐시된 후에는 로컬 분석기들이 네트워크 접속 없이 로컬 소스 파일을 처리할 수 있습니다. 이 분석기들은 API 키를 읽거나 추가 호스팅 추론 API를 자체적으로 호출하지 않습니다.
작업에 필요한 기능을 탐색해 보세요:
python scripts/kunpeng.py probe --profile all
python scripts/kunpeng.py probe --profile video
python scripts/kunpeng.py probe --profile web
비엄격한(Non-strict) 탐색은 사용 가능한 대체 경로를 보고합니다. --strict는 배포 검증에만 예약하세요.
Kunpeng이 에이전트 내부에서 작동하는 방식
- 사용자가 에이전트에게 소스와 목표를 제공합니다. 수집, 정수(distill), 적용, 계획 또는 유지하도록 요청합니다. 순수한 수집과 정수는 즉시 시작되며, 제품 계획은 누락된 고영향 질문만을 요청합니다.
- 호스트가 현재 에이전트에서 사용 가능한 기능을 이용해 실제 자료를 검사합니다. 여기에는 파일 및 문서 읽기, 이미지 보기, 라이브 웹사이트 또는 앱을 위한 브라우저 상호 작용, 그리고 지원되는 미디어 도구가 포함될 수 있습니다. 접근할 수 없는 소스나 상태는 명시적인 커버리지 제한으로 남습니다. 소스 지침은 명령이 아닌 데이터로 취급됩니다.
- 로컬 헬퍼가 증거를 정리합니다. 저장소 인벤토리, 문서 청크(chunk), OCR, ASR, 타임라인, 프레임, 오디오 측정값 및 인덱스는 컨텍스트 부하를 줄이고 검토 가능한 위치를 보존합니다.
- 호스트가 의미론적 정수화(semantic distillation)를 수행합니다. 안정적인 메커니즘, 조건부 패턴, 단일 소스 관찰, 모순점, 변수 및 경계를 분리한 다음, 그 결과를 검토된 프로필과 실행 가능한 사양으로 만듭니다.
- 결과는 저장되거나 적용됩니다. 로컬 라이브러리에 들어가거나 새로운 제품, 디자인, 구현, 워크플로우 또는 콘텐츠 조각을 안내할 수 있습니다.
사용자에게 노출되는 제품 계획은 내부 라이브러리 경로, 소스 파일 이름, 순위, 증거 인덱스 및 검색 추적을 생략하며, 증거 보고서는 추적 가능성에 필요한 출처 위치를 유지합니다.
6. 적용 결과는 확인됩니다. 작업에 생성(creation)이 포함된 경우, 후보는 관련 경로를 통해 재분석되고 검토된 프로필 및 현재 목표와 비교하여 평가됩니다.
Skill은 하나의 진입점(entry point)을 사용하며 현재 소스 및 모드에 필요한 참조만 로드합니다. 호스트 Agent가 일반적으로 아래 명령들을 오케스트레이션하지만, 이들은 검사, 디버깅 및 통제된 수동 실행을 위해 계속 사용할 수 있습니다.
번들된 Helper CLI
probe 호스트가 제공해야 하는 기능을 확인하고 로컬 구성 요소를 식별합니다
repository 대상 코드를 실행하지 않고 로컬 저장소를 안전하게 인벤토리화합니다
host-evidence 웹사이트, 앱, UI, 브랜드, 과정 등에서 호스트가 포착한 증거를 등록합니다
...
예시 요청
$kunpeng-skill을 사용하여 이 오픈 소스 제품의 구현, 아키텍처, 작업 흐름 및 상호 작용 모델을 연구하고, 그 전이 가능한 메커니즘들을 제 새 앱을 위한 구현 계획으로 전환하세요.
$kunpeng-skill을 사용하여 이 웹사이트를 검사하고 상호 작용하며, 그 UI와 모션 시스템을 추출한 다음, 그 원칙들을 아이덴티티를 복사하지 않고 다른 브랜드에 적용하세요.
$kunpeng-skill을 사용하여 이 비디오들의 내러티브, 카메라, 편집 및 시청각 패턴을 새로운 주제를 위한 샷별(shot-by-shot) 제작 패키지로 추출하세요.
...
중요한 경계
