huytieu/COG-second-brain

COG 자동 리서치 스킬 (Auto Research Skill)

호출 시점

• 사용자가 전략적 질문을 하여 심층 조사가 필요할 때
• 사용자가 "research", "auto-research", "investigate", "strategic analysis", "deep dive into [주제]"라고 말할 때
• 사용자가 시장 동향, 경쟁 역학, 기술 궤적 또는 전략적 옵션을 이해하고자 할 때
• 사용자가 의사 결정을 지원하기 위해 실제 출처가 포함된 증거 기반 분석을 필요로 할 때

Karpathy의 autoresearch에서 영감을 받았지만, ML 훈련 대신 전략적 사고에 중점을 둡니다.

에이전트 모드 인식 (Agent Mode Awareness)

00-inbox/MY-PROFILE.md 프론트매터에서 agent_mode를 확인하세요:

• agent_mode: team인 경우 — 전체 병렬 에이전트 실행 전략(5~7개 에이전트)을 사용합니다. 이 스킬은 팀 모드에서 큰 이점을 얻습니다.
• agent_mode: solo인 경우 — WebSearch/WebFetch를 사용하여 2~3회의 순차적 연구 패스를 실행하고, 전체 멀티스레드 구조 없이 가벼운 분석을 생성합니다.

명령어: /auto-research

입력

사용자는 명령어 인수로 전략적 질문이나 주제를 제공합니다. 예시:

• "파운데이션 모델이 상품화되면 Katalon/Scout과 같은 LLM 래퍼 회사는 어떻게 될까?"
• "AI 기능이 확장됨에 따라 테스트 산업의 미래는?"
• "AI 레이어를 위해 우리는 빌드 vs 바이 vs 파트너 중 어떤 것을 선택해야 할까?"
• "OpenAI가 테스트 제품을 출시할 경우 Scout의 전략적 옵션은 무엇인가?"

---

실행 전략 (Execution Strategy)

1단계: 질문 분해 (오케스트레이터 — 2분)

사용자의 전략적 질문을 종합적인 답변을 제공할 수 있는 5~7개의 리서치 스레드로 분해합니다. 각 스레드는 다음 조건을 충족해야 합니다:

• 독립적 — 병렬로 조사 가능해야 함
• 구체적 — 명확한 연구 목표를 가져야 함
• 상호 보완적 — 함께 전체 전략적 지형을 포괄해야 함

분해 프레임워크:

1. 시장 동향 — 이 질문을 이끄는 거시적 트렌드는 무엇인가?
2. 역사적 선례 — 이 패턴이 다른 산업에서 이전에 발생한 적이 있는가?
3. 플레이어 분석 — 핵심 플레이어는 누구이며 그들은 무엇을 하고 있는가?
4. 기술 궤적 — 기반 기술은 어디로 향하고 있는가?
5. 고객 행동 — 최종 사용자는 실제로 무엇을 원하고 하는가?
6. 경제 모델 — 단위 경제성과 가치 포착 역학은 무엇인가?
7. 신흥 기술 및 아키텍처 — 아직 개발/논의 중이거나 (주류가 아닌) 기초가 될 수 있는 개념, 프로젝트, 프레임워크는 무엇인가? 오픈소스 프로젝트, 연구 논문, GitHub 저장소, Discord/포럼 토론, 컨퍼런스 발표, 초기 단계 도구를 조사하세요. 예: 새로운 에이전트 아키텍처, 새로운 테스트 패러다임, 실험적 프레임워크. 이러한 자료는 문서화가 완벽하지 않을 수 있으므로 README, GitHub 이슈, Twitter/X 스레드, 빌더들의 블로그 게시물, 학술 프리프린트를 깊이 파헤치세요.
8. 반대 관점 — 합의에 반하는 가장 강력한 주장은 무엇인가?

모든 스레드가 모든 질문에 적용되는 것은 아닙니다. 가장 관련성 높은 5~7개를 선택하세요. 스레드 7(신흥 기술)은 항상 포함해야 합니다 — 사용자는 아직 주류가 아닌 개념을 앞서서 파악하기를 원합니다.

에이전트를 실행하기 전에:

1. 저장소에서 기존 컨텍스트를 위해 관련 파일을 읽습니다:
   • 05-knowledge/ — 기존 프레임워크 및 정신 모델
   • 04-projects/ — 프로젝트별 컨텍스트(해당하는 경우)
   • 최근 브레인덤프 — 해당 주제에 대한 사용자의 기존 생각
2. 에이전트가 시작되기 전에 사용자가 방향을 수정할 수 있도록 분해 결과를 사용자에게 알립니다.

2단계: 병렬 심층 연구 (5~7개 에이전트 동시 실행)

중요: 모든 에이전트를 단일 메시지에서 실행하세요. 모든 에이전트에 대해 run_in_background: true를 사용합니다.

각 에이전트는 다음 템플릿을 따르는 상세한 프롬프트를 받습니다:

당신은 더 큰 전략적 질문의 특정 스레드를 조사하는 전략 연구 분석가입니다.

주요 질문: [사용자의 원래 질문]
당신의 스레드: [특정 연구 스레드]
기존 컨텍스트: [관련 저장소 컨텍스트]

연구 방법론:
1. 8~12개의 고품질 출처에 대해 WebSearch를 수행합니다 (우선순위: 연구 보고서, 전문가 분석, 기업 서류, 학술 논문, 업계 간행물 — 목록 기사나 피상적인 블로그 게시물은 지양)
2. 발견된 각 출처에 대해 WebFetch를 사용하여 전체 콘텐츠를 읽고 주요 주장, 데이터 포인트 및 프레임워크를 추출합니다.
3. 상충되는 관점을 찾습니다 — 하나의 내러티브만 확인하지 마세요.
4. 구체적인 데이터 포인트, 통계 및 구체적인 예를 식별합니다.
5. 각 출처의 신뢰성과 잠재적 편향을 기록합니다.
6. 신흥 기술 스레드의 경우: 정제된 출처를 넘어서세요. GitHub 저장소(README, 이슈, 토론), 빌더의 Twitter/X 스레드, Discord/포럼 토론, 컨퍼런스 발표 요약, arXiv 프리프린트, 초기 블로그 게시물을 검색하세요. 목표는 주류 이전이지만 기술적으로 유망한 개념을 표면화하는 것입니다. 발견된 각 개념에 대해 다음을 평가하세요: 성숙도 수준, 기술적 접근 방식, 사용자 사용 사례와의 관련성, 도입/통합에 필요한 사항.

출력 형식 (다음 모두 반환):

## 스레드: [스레드 이름]

### 주요 발견 사항 (3~5개의 불릿 포인트)
- 출처가 포함된 발견 사항

### 증거 및 데이터 포인트
- 출처가 포함된 특정 통계, 시장 데이터, 예시

### 전문가/주목할 만한 관점
- 신뢰할 수 있는 목소리의 명명된 관점

### [사용자 컨텍스트]에 대한 시사점
- 이것이 사용자의 상황에 특히 의미하는 바

### 신뢰 수준
- 높음 / 중간 / 낮음 (근거 포함)

### 출처
- 실제로 참조된 URL의 번호 목록

에이전트 명명 규칙: research-[스레드-슬러그] (예: research-market-forces, research-historical-precedent)

3단계: 종합 (오케스트레이터 — 모든 에이전트 완료 후)

모든 에이전트가 반환되면 단일 전략 분석 문서로 종합합니다:

문서 구조:

---
type: strategic-research
domain: [질문에서 자동 감지]
date: YYYY-MM-DD
question: "[원래 질문]"
threads: [연구 스레드 목록]
confidence: [전체 신뢰도 높음/중간/낮음]
tags:
  - auto-research
  - strategy
  - [주제 태그]
status: complete
---

# [전략적 질문을 제목으로]

## 요약 (Executive Summary)
핵심 통찰력을 담은 3~5문장. 과정이 아닌 답변으로 시작하세요.

## 전략적 지형 (The Strategic Landscape)
모든 연구 스레드를 통합한 관점. 스레드별 덤프가 아니라 발견 사항을 하나의 일관된 내러티브로 엮으세요.

## 주요 역학 (Key Forces at Play)
이 질문을 형성하는 3~4가지 가장 중요한 역학과 여러 스레드의 증거.

## 시나리오 (Scenarios)
### 시나리오 A: [가장 가능성 높음] — X% 신뢰도
무슨 일이 일어나는지, 타임라인, 시사점

### 시나리오 B: [낙관적/대안]
무슨 일이 일어나는지, 타임라인, 시사점

### 시나리오 C: [최악의 경우/파괴]
무슨 일이 일어나는지, 타임라인, 시사점

## 주목할 신흥 기술 및 아키텍처 (Emerging Tech & Architectures to Watch)
아직 개발/논의 중이지만 기초가 될 수 있는 개념, 프로젝트, 프레임워크. 각각에 대해:
- **정의:** 한 문단 설명
- **성숙도:** 프리알파 / 알파 / 초기 도입 / 성장하는 커뮤니티
- **기술적 접근 방식:** 아키텍처가 어떻게 작동하는지
- **우리 사용 사례와의 관련성:** 이것이 우리에게 특히 중요한 이유
- **도입 경로:** 통합/도입에 필요한 사항 — 노력, 위험, 종속성
- **주요 링크:** GitHub 저장소, 논문, 토론 스레드

## 전략적 옵션 (Strategic Options)
각 옵션에 대해:
- **설명:** 이것이 구체적으로 의미하는 바
- **장점:** 증거 포함
- **단점:** 증거 포함
- **전제 조건:** 사실이어야 하는 것
- **타임라인:** 결정/행동해야 할 시기
- **신흥 기술 활용:** 위의 신흥 개념 중 이 옵션을 강화할 수 있는 것

## 권장 조치 (Recommended Actions)
우선순위가 지정되고, 구체적이며, 시간 제약이 있는 실행 항목. 막연한 "X 고려"가 아닌 "Z 때문에 Y까지 X를 하라"와 같은 구체적인 내용.

별도의 "기술 베팅(tech bets)" 하위 섹션을 포함하세요: 프로덕션 준비가 되지 않았더라도 지금 실험을 시작해야 할 신흥 프로젝트.

## 반대 관점 (Contrarian View)
합의/권장 경로에 반하는 가장 강력한 주장. 이 모든 것을 틀리게 만들 수 있는 것은 무엇인가?

## 신뢰도 및 격차 (Confidence & Gaps)
- 우리가 확신하는 것과 그 이유
- 결정할 수 없었던 것과 추가 연구가 도움이 될 사항
- 모니터링해야 할 주요 가정

## 출처 (Sources)
모든 스레드의 출처를 통합 및 중복 제거한 목록.

4단계: 저장 및 전달 (Save & Deliver)

1. 전체 분석을 05-knowledge/research/YYYY-MM-DD-[슬러그].md에 저장합니다.
2. 분석이 긴 경우(3000단어 초과), 05-knowledge/research/YYYY-MM-DD-[슬러그]-summary.md에 간략한 1페이지 요약도 만듭니다.
3. 채팅에서 사용자에게 직접 요약(Executive Summary) 및 권장 조치(Recommended Actions)를 제시합니다.

---

품질 기준 (Quality Standards)

• 할루시네이션된 출처 금지. 모든 주장은 실제 WebSearch/WebFetch 결과에 기반해야 합니다.
• 최신성 중요. 최근 6개월 이내의 출처를 우선시합니다. 오래된 자료는 표시합니다.
• 편향 인식. 출처에 명백한 상업적 인센티브가 있는 경우 이를 명시합니다.
• 구체성 > 일반성. "시장이 성장하고 있습니다"보다는 "테스트 도구 시장은 XX.XB 달러이며 YY% CAGR로 성장 중입니다"가 더 좋습니다.
• 실행 가능성. 출력물은 사용자가 주제를 이해하는 것에 그치지 않고 결정을 내리는 데 도움이 되어야 합니다.
• 지적 정직성. 연구 결과가 결정적이지 않으면 그렇게 말합니다. 거짓된 확신을 만들어내지 마세요.

분해 예시 (Example Decomposition)

질문: "일반 LLM 모델이 시간이 지남에 따라 더 좋아진다면, Katalon이나 Scout과 같은 LLM 래퍼 회사의 미래는 무엇인가?"

스레드:

1. 파운데이션 모델 궤적 — GPT/Claude/Gemini가 코드 이해, 테스트 생성, 버그 감지에서 얼마나 빠르게 개선되고 있는가? 능력 곡선은 무엇인가?
2. 역사적 선례: 플랫폼 상품화 — AWS, iOS, Salesforce 등 위에 구축된 회사들이 플랫폼이 그들의 기능을 흡수했을 때 어떻게 되었는가? 누가 살아남았고 왜 그런가?
3. 테스트 산업 구조 — 현재 시장 지도, 가치 사슬, 마진이 있는 곳, 구매자가 실제로 지불하는 것
4. 래퍼 회사 전략 — 현재 AI 래퍼 회사(Jasper, Copy.ai, Cursor 등)는 어떻게 적응하고 있는가? 무엇이 효과가 있는가?
5. 기업 구매 행동 — 기업은 "AI"를 구매하는가 아니면 "솔루션"을 구매하는가? 조달 현실은 무엇인가?
6. 신흥 기술 및 아키텍처 — 어떤 주류 이전 개념이 환경을 재편할 수 있는가? (예: 새로운 에이전트 프레임워크, 새로운 테스트 패러다임, 컴퓨터 사용 에이전트, 브라우저 자동화 아키텍처). GitHub 저장소, arXiv, Twitter/X 빌더 스레드, Discord 커뮤니티, 컨퍼런스 발표를 검색하세요.
7. 방어 가능성 분석 — 테스트 특화 AI 회사에 존재하는 해자는 무엇인가? 데이터, 워크플로우, 통합, 브랜드, 전환 비용?
8. 반대: 래퍼가 승리한다 — 모델이 상품화됨에 따라 수직적 AI 회사의 가치가 실제로 증가할 수 있다는 주장

런타임 예상 시간 (Runtime Expectations)

• 1단계: ~2분 (분해 + 사용자 확인)
• 2단계: 510분 (병렬 연구, 가장 오래 걸리는 에이전트가 전체 시간 결정)
• 3단계: 35분 (종합)
• 총: 1015분 (포괄적인 전략 분석)

오류 처리 (Error Handling)

• 연구 스레드가 품질이 낮은 결과를 반환하는 경우, 깊이를 조작하는 대신 종합에서 이를 명시합니다.
• 특정 스레드에 대해 WebSearch/WebFetch가 실패하면 대체 검색어로 한 번 재시도한 후, 격차를 문서화합니다.
• 사용자는 2단계 중에 방향을 변경하거나 스레드를 추가하기 위해 중단할 수 있습니다.
• 스킬은 관련 질문에 대해 여러 번 실행될 수 있습니다. 05-knowledge/research/의 이전 연구 파일을 참조하세요.

폴백 동작 (Fallback Behavior)

이 스킬은 WebSearch 및 WebFetch 도구가 필요합니다. 이러한 도구를 사용할 수 없는 경우:

• 기존 05-knowledge/ 콘텐츠를 사용하여 저장소 전용 분석으로 폴백합니다.
• 라이브 웹 검색이 수행되지 않았음을 명확히 명시합니다.
• 웹 도구를 사용할 수 있을 때 스킬을 다시 실행할 것을 사용자에게 권장합니다.