7월 16일, Qwen Code 팀은 /learn 명령어를 사용할 수 있게 되었다고 발표했습니다. Qwen에게 있어 이는 발견된 검사 순서, 마이그레이션 규칙 또는 리포지토리 분석 내용을 별도의 SKILL.md 파일로 저장하여, 채팅 컨텍스트(Context)가 사라진 후에도 이를 다시 수집할 필요가 없도록 하는 기회입니다. 하지만 이 해결책에는 명확한 대가도 따릅니다. URL이나 이전 세션에서 발생한 잘못된 규칙 또한 동일하게 쉽게 다시 호출될 수 있기 때문입니다.

이는 익숙한 문제를 해결합니다. 개발자가 에이전트(Agent)와 함께 복잡한 리포지토리를 한 번 분석하여 검사 순서를 찾거나 마이그레이션 규칙을 확정했다고 가정해 봅시다. 일주일이 지나 컨텍스트가 사라지면 작업은 처음부터 다시 시작됩니다. /learn은 대화 전체를 저장하는 대신, 다시 호출할 수 있는 지침(Instruction)을 저장할 것을 제안합니다.

하지만 바로 이 지점에서 위험이 발생합니다. 재사용 가능한 기술(Skill)은 유용한 결론을 더 쉽게 사용할 수 있게 만들지만, 동시에 잘못된 전제, 오래된 규칙, 또는 신뢰할 수 없는 URL에서 가져온 지침 또한 동일한 힘으로 사용할 수 있게 만듭니다. 에이전트의 기억이 편리해질수록, 그 기억 속의 오류는 더 큰 대가를 치르게 됩니다.

/learn이 정확히 무엇을 저장하는가

Qwen Code는 디렉토리(Directory), URL, 대화 기록(Conversation history), 그리고 자유 텍스트(Free text)라는 네 가지 유형의 소스 자료를 받아들입니다. 결과물은 .qwen/skills/learned-skill-<name>/에 저장되며 source: learned라는 표시가 붙습니다.

실질적인 의미는 구문(Syntax)보다 중요합니다. 이것은 에이전트가 소스로부터 진리를 학습했다는 약속이 아닙니다. 특정 자료에서 작동 가능한 지식을 추출하여 별도의 아티팩트(Artifact)로 구성하는 방법입니다. 이러한 아티팩트는 채팅과 별개로 읽고, 토론하고, 변경하고, 삭제할 수 있습니다.

공개된 PR #6440은 구현 과정을 보여줍니다: 4개의 커밋, 유닛 테스트(Unit-test), E2E 보고서, 그리고 여러 차례의 리뷰(Review) 사이클이 포함되어 있습니다. 리뷰 과정에서 충돌 방지 장치(Collision guard)도 등장했습니다. 이는 중요한 세부 사항입니다. 팀은 단순히 Skill을 생성하는 것뿐만 아니라, 새로운 결과물이 기존 이름과 조용히 충돌하지 않도록 하는 것까지 고려했습니다. 해당 PR은 개발 프로세스를 보여주며, 기능의 가용성은 Qwen Code 팀이 7월 16일 주간 업데이트에서 발표했습니다.

격리가 검증을 의미하지는 않습니다

source: learned 태그는 학습된 기술 (learned skill)을 수동으로 작성하거나 자동으로 생성된 기술과 구분합니다. 이는 감사를 위한 유용한 경계가 됩니다. 즉, 아티팩트 (artifact)의 출처와 다른 유형의 기술 (Skills)로부터의 격리 상태를 확인할 수 있습니다. 수동 검토나 승인은 여전히 별도의 단계로 남아 있습니다.

하지만 태그 자체가 콘텐츠의 정확성, 안전성 또는 최신성을 보장하지는 않습니다. URL에는 오래된 문서가 포함되어 있을 수 있습니다. 대화 기록에는 특정 환경에서만 작동했던 잘못된 해결책이 포함될 수 있습니다. 텍스트는 규칙과 예외를 암묵적으로 혼합할 수 있습니다. 또한 프로젝트 폴더에는 다음 작업에는 더 이상 적합하지 않은 임시 우회 방법이 저장되어 있을 수도 있습니다.

바로 이 지점에서 /learn 기능의 초기 매력이 변질됩니다. 처음에는 이 기능이 성공적인 세션에서 재사용으로 가는 경로를 단축해 주는 것처럼 보입니다. 하지만 실제로는 우연한 실수가 반복되는 경로 또한 단축시킵니다.

Папка, URL, чат и текст проходят через review к learned Skill

/learn이 실제로 유용한 경우

학습된 기술 (learned Skill)의 가장 좋은 후보는 "채팅에서 잘 풀린 모든 것"이 아니라, 관찰 가능한 입력값과 명확한 결과가 있는 반복 가능한 프로세스입니다. 예를 들어:

• 특정 프로젝트에서 로컬 검증을 실행하는 순서;
• 리포지토리 (repository)에서 확인된 변경 사항 준비 규칙;
• 재현 가능한 진단 단계의 시퀀스 (sequence);
• 소유자가 명시된 내부 규약에 대한 간략한 지침.

강력한 반론이 들릴 수 있습니다. 모든 학습된 기술 (Skill)을 검토해야 한다면, 그냥 메모를 저장하는 것이 프로세스를 복잡하게 만들지 않는 더 쉬운 방법이라는 것입니다. 드문 작업의 경우에는 그렇습니다. 기술 (Skill)이 정당화되는 경우는 해당 기술이 다시 실행될 예정이며, 잘못된 반복의 비용이 짧은 검토 (review) 비용보다 높을 때입니다.

메모와 기술 (Skill)의 차이점은 기술 (Skill)이 운영 지점 (operational point)이 된다는 것입니다. 즉, 기술 (Skill)은 호출될 것입니다. 따라서 기술 (Skill)에는 좋은 텍스트뿐만 아니라 신뢰할 수 있는 맥락 (context)도 필요합니다.

재실행 전 진단

학습된 기술 (learned Skill)에 다시 생명력을 불어넣기 전에, 다음 다섯 가지 질문을 통과하는 것으로 충분합니다.

1. 기반이 된 소스는 무엇인가? "우리가 논의했던 내용"이라고 말하는 대신, 특정 폴더, 구체적인 URL, 채팅 조각 또는 텍스트를 명시하세요.
2. 그 내용 중 무엇이 사실이고 무엇이 추론인가? 지침 (instruction)은 추측을 규칙으로 제시해서는 안 됩니다.
3. 어떤 환경에서 유효한가? 버전, 프로젝트, 브랜치 및 제약 조건은 명령 자체보다 중요한 경우가 많습니다.
4. 최신성 유지는 누가 책임지는가? 소유자가 없다면, 기술 (Skill)에는 최소한 마지막 확인 날짜라도 있어야 합니다.
5. 사용을 어떻게 되돌릴 것인가? 기술 (Skill) 호출을 중단하거나 이전 버전의 지침으로 돌아갈 수 있는 명확한 방법이 필요합니다.

어떤 질문에도 답할 수 없다면, 해당 기술 (Skill)은 초안 상태로 두는 것이 좋습니다. 이는 자동화를 금지하는 것이 아니라, 잘못된 확신으로부터 보호하기 위함입니다.

실험과 표준을 분리하는 것도 유용합니다. 먼저 하나의 반복 가능한 작업에 기술 (Skill)을 적용하고, 그 결과를 수동으로 수행했을 때와 비교해 보세요. 만약 결과가 프로젝트의 현재 상태와 일치하지 않는다면, 출력값뿐만 아니라 그 출력값이 수집된 소스 (source)도 수정해야 합니다.

이러한 프로세스가 많아지는 팀에게는 지침 (instruction)과 함께 지식의 소스, 날짜, 소유자, diff, 그리고 롤백 가능성을 함께 저장하는 라이브러리가 중요합니다. 이러한 접근 방식은 provod.ai에서 구현할 수 있습니다. 이는 Qwen Skills를 임포트하는 방식이 아니라, 검증된 프로세스에 대한 별도의 책임 계층으로서 관리하는 방식입니다.

릴리스 속도와 품질 증명을 혼동하지 마세요

Qwen Code의 동일한 릴리스에는 코드 리뷰를 위한 verifier 및 reverse-audit, Web Shell, Voice Bridge, 그리고 PDF-to-image fallback을 포함한 다른 변경 사항들도 포함되었습니다. 또한 일주일 동안 팀은 160개 이상의 병합된 PR (merged PRs)을 보고했습니다. 이는 높은 작업 속도를 나타내지만, 모든 학습된 기술 (learned Skill)이 훌륭할 것이라는 증거는 아닙니다.

더욱이 /learn에 대한 논의를 Qwen, Qwen-Image 모델에 대한 일반적인 관심이나 향후 버전에 대한 루머와 혼동해서는 안 됩니다. 이 기능은 구체적인 가치를 지닙니다. 즉, 선택한 소스를 호출 가능한 아티팩트 (artifact)로 변환한다는 점입니다. 또한 구체적인 한계도 있습니다. 출처는 격리할 수 있지만, 진실성 (truthfulness)은 단 하나의 라벨만으로 얻을 수 없습니다.

여기에 유용한 규율이 있습니다. '에이전트의 최선의 답변'을 저장하는 것이 아니라, 적용 범위가 명시된 검증 가능한 절차를 저장하십시오. 그렇게 하면 에이전트의 메모리 (memory)는 오류를 조용히 고착시키는 통로가 아니라, 작업의 가속기로 남게 됩니다.

Карточка процесса с источником, датой, владельцем, diff и откатом

provod.ai — 법인을 위한 명확한 결제 루프

AI를 개인 결제에서 정상적인 구매 프로세스로 전환하십시오: 기업은 루블화 결제, 계약서, 인보이스 및 정산 서류를 받고, 기술 팀은 단일 API를 제공받습니다.

하나의 카탈로그에서 텍스트 및 미디어용 최신 모델을 확인하십시오: OpenAI의 GPT, Anthropic의 Claude, Google의 Gemini, xAI의 Grok, DeepSeek, Qwen, GLM, Kimi 및 MiniMax; 이미지용으로는 Nano Banana 2 Pro 및 GPT Image; 비디오용으로는 Seedance, Kling, Veo 및 Google Omni의 최신 버전이 준비되어 있습니다. 또한 추론 (reasoning), 검색, 문서, 임베딩 (embeddings), 음악 및 오디오를 위한 모델도 사용 가능합니다.

문서화된 루프는 추가 마진을 숨기지 않습니다: 모델은 provod.ai의 추가 비용 없이 공식 가격과 1:1로 결제됩니다.

비즈니스를 위한 AI를 구성하십시오: 등록 양식 · 모델 가격 · 152-FZ에 따른 데이터 보호 · 계약용 세부 정보

파일럿 프로젝트에서 어디에 경계선을 그으시겠습니까? URL 및 채팅에서 가져온 Skill에 대해서만 리뷰를 요구하시겠습니까, 아니면 팀이 재사용할 계획이 있는 모든 기술 (skill)에 대해 요구하시겠습니까?