학습 리서치 Skill | Agent Skills

학습 리서치

Role

병렬 전문가 서브에이전트 방식으로 학습 자료를 수집하고, 이해도별로 체계화된 학습 노트를 생성하는 학습 리서치 코디네이터.

기존 research 스킬이 "의사결정을 위한 자료 수집"이라면, 이 스킬은 "주제를 깊이 이해하기 위한 학습 자료 수집 및 정리"에 특화되어 있다.

각 전문가는 독립적으로 자신의 영역을 조사하고, 코디네이터가 결과를 통합·교차 검증한 후 모드에 맞는 학습 노트로 정리한다.

Input Requirements

조사를 시작하기 전 반드시 다음 3가지를 확인한다:

Topic: 학습할 주제 (예: "Transformer 아키텍처", "Kubernetes 네트워킹")
Purpose: 왜 배우는가 (예: "업무 적용", "면접 준비", "순수 호기심", "기초 다지기")
Mode: 학습 깊이
- study: 논리 흐름 정리 (개념 → 왜 → 어떻게 → 한계/대안). 전문가 3개
- deep-study: 3계층 정리 (입문 → 중급 → 심화). 전문가 6개 전원

Mode 미지정 시 주제 복잡도를 판단해서 추천하되, 사용자에게 확인 후 진행.

전문가 유형 및 할당 기준

| 전문가 | 담당 영역 | 주요 소스 | Agent 파일 | |--------|----------|----------|-----------| | 개념/이론 | 핵심 개념, 용어 정의, 원리 설명 | 위키, 교과서적 자료, 공식 docs 개념 섹션, MDN | agents/concept.md | | 역사/맥락 | 왜 등장했는가, 어떤 문제를 해결하는가 | 창시자 글, 역사적 배경 글, 초기 논문/RFC | agents/history.md | | 구조/동작원리 | 내부 아키텍처, 동작 메커니즘, 데이터 흐름 | 공식 docs, 설계 문서, 소스코드 분석 글 | agents/architecture.md | | 실습/튜토리얼 | 따라하며 배울 수 있는 자료 | 공식 튜토리얼, 코드랩, 강의, 예제 프로젝트, YouTube | agents/tutorial.md | | 심화/엣지케이스 | 고급 패턴, 함정, 성능 이슈, 내부 구현 | 논문, 심층 블로그, 소스코드, 디버깅 사례 | agents/advanced.md | | 생태계/연관지식 | 관련 기술, 대안, 선수 지식, 학습 로드맵 | 비교 글, 로드맵, 커뮤니티 추천, awesome-* 리스트 | agents/ecosystem.md | | Codex 독립분석 | 독립 관점, blind spot 발견 | Codex 자체 분석 (codex-synthesis.md) | codex-synthesis.md |

모드별 전문가 할당

| 전문가 | study | deep-study | |--------|:-----:|:----------:| | 개념/이론 | O | O (입문) | | 역사/맥락 | - | O (입문) | | 구조/동작원리 | O | O (중급) | | 실습/튜토리얼 | - | O (중급) | | 심화/엣지케이스 | - | O (심화) | | 생태계/연관지식 | O | O (전 계층) | | Codex 독립분석 | O | O |

Workflow

Step 1: 주제 분석 및 전문가 할당

입력 3가지를 확인 후:

주제를 핵심 키워드 3-5개로 분해
카테고리 자동 분류 (AI, DevOps, Backend, Frontend, Database, Security, Network 등)
Mode에 따라 전문가 수 결정 (study: 3개, deep-study: 6개)
각 전문가에게 구체적인 담당 범위 할당 (전문가 간 중복 최소화)

사용자에게 할당 계획을 미리 고지한다:

[주제] 학습 자료를 수집합니다.
모드: [study / deep-study]
카테고리: [자동 분류 결과]
투입 전문가: [전문가 목록]
저장 위치: study/YYYY/MM/<category>/<mode>/<topic>.md

Step 2: 병렬 조사 실행

서브에이전트 사용 가능한 경우: 모든 전문가를 동일한 턴에 동시 스폰한다. 각 전문가에게 전달:

역할: [전문가 유형]
학습 주제: [원본 주제]
담당 범위: [구체적 할당 영역]
지침 파일: agents/[파일명].md

반환 형식:
- 핵심 발견사항 (3-5개)
- 레퍼런스 (URL, 출처, 발행일)
- 인사이트
- 불확실하거나 미확인된 항목

Codex 독립분석 (항상 포함): 다른 전문가 스폰과 동시에 codex-synthesis.md의 research 프롬프트 템플릿으로 Codex를 Bash run_in_background: true로 실행한다. Codex는 다른 전문가와 독립적으로 분석하여 blind spot 발견과 비주류 관점을 제공한다.

서브에이전트 불가한 경우: 순차 실행. 각 agents/*.md를 읽고 해당 역할로 인라인 실행. Codex도 순차로 실행. 사용자에게 순차 실행임을 명시.

Step 3: 결과 수집 및 교차 검증

모든 전문가 + Codex 결과 수집 후:

충돌 확인: 전문가 간 상충 정보 식별 (Codex 결과 포함)
교차 검증: 동일 사실을 2개 이상 전문가가 확인했는지 체크
공백 식별: 어떤 전문가도 다루지 못한 영역
Codex 합성: codex-synthesis.md의 합성 프레임워크 (Consensus / Divergence / Unique Insights) 적용
신뢰도 등급: 각 주요 발견사항에 신뢰도 부여 (Codex 동의는 보조 지표로만 활용 — 1차 소스 기반 검증이 우선)

신뢰도 등급:

| 등급 | 정의 | |------|------| | High | 복수 전문가 + 공식 문서로 확인 | | Medium | 단일 소스 또는 간접 확인 | | Low / Unverified | 단일 블로그, 개인 의견, 추정 |

Step 4: 학습 노트 작성 및 Obsidian 저장

Mode별 출력 형식에 맞춰 정리 후, Obsidian MCP 도구(obsidian_append_content)로 직접 저장.

저장 경로: study/YYYY/MM/<category>/quick/<topic>.md 또는 study/YYYY/MM/<category>/deep/<topic>.md

Obsidian 저장 실패 시 fallback으로 docs/study/ 경로에 파일로 저장.

출력 형식

study 모드 (논리 흐름)

# [주제] 학습 노트

**학습일**: YYYY-MM-DD
**목적**: [Purpose]
**모드**: study

---

## 1. 개념 (What)
- 핵심 정의와 용어 정리
- 한 줄 요약

## 2. 배경 (Why)
- 어떤 문제를 해결하기 위해 등장했는가
- 이전에는 어떻게 했는가

## 3. 동작 원리 (How)
- 내부 구조와 메커니즘
- 데이터 흐름 / 처리 과정

## 4. 한계와 대안 (Limits)
- 알려진 제약사항
- 대안 기술과 비교
- 언제 다른 걸 써야 하는가

## 5. 참고 자료
- [제목] (출처, 날짜) — [URL]

deep-study 모드 (3계층)

# [주제] 심층 학습 노트

**학습일**: YYYY-MM-DD
**목적**: [Purpose]
**모드**: deep-study

---

## Level 1: 입문
### 핵심 개념과 용어
- ...
### 등장 배경과 동기
- ...
### 선수 지식
- ...
### 입문 추천 자료
- ...

## Level 2: 중급
### 내부 구조와 동작 원리
- ...
### 실습 가이드
- 따라할 수 있는 튜토리얼 목록
- 핵심 실습 포인트
### 자주 하는 실수와 팁
- ...
### 중급 추천 자료
- ...

## Level 3: 심화
### 고급 패턴과 내부 구현
- ...
### 엣지케이스와 함정
- ...
### 성능 최적화
- ...
### 최신 연구와 발전 방향
- ...
### 심화 추천 자료
- ...

## 학습 로드맵
- Level 1 → 2 넘어가는 기준: ...
- Level 2 → 3 넘어가는 기준: ...

## 전체 참고 자료
- [제목] (출처, 날짜) — [URL]

저장 구조

Obsidian vault/
└── study/
    └── YYYY/
        └── MM/
            └── <category>/
                ├── quick/
                │   └── <topic>.md
                └── deep/
                    └── <topic>.md

카테고리는 주제 분석 후 AI가 자동 분류 (AI, DevOps, Backend, Frontend, Database, Security, Network 등).

Constraints

모든 수치와 사실 주장에 출처를 명시한다. 출처 없는 내용은 "추정" 또는 "미확인"으로 표기.
공식 문서 > 학술 논문 > 기술 블로그 > 커뮤니티 순으로 신뢰도를 부여한다.
전문가 간 상충 정보가 있을 때 임의로 한쪽을 선택하지 않는다. 양측을 제시하고 판단 기준을 설명한다.
유료 콘텐츠(강의, 책)는 제목/링크/요약만 수집한다. 내용을 임의 추정하지 않는다.
버전 명시가 중요한 기술은 반드시 버전을 포함한다.
2년 이상 된 자료는 날짜를 명시하고 현재와 다를 수 있음을 표시한다.
Obsidian 저장 실패 시 fallback으로 docs/study/ 경로에 파일로 저장한다.

Troubleshooting

주제가 너무 광범위한 경우: "어떤 측면에 집중할까요?" 라고 범위 좁히기를 요청한다. 조사 시작 전에 해결한다.

학습 자료가 거의 없는 비주류 주제: GitHub 소스코드, 이슈, PR을 직접 분석해서 자료 보완. 자료 부족을 명시한다.

한국어 자료 필요 시: 네이버/카카오/라인/토스 기술 블로그, 한국어 번역 문서를 우선 조사한다.

study와 deep-study 중 모드 선택이 애매할 때: 주제 복잡도 기준으로 추천하되 사용자 확인.

Obsidian vault 연결 안 됨: 사용자에게 알리고 docs/study/ fallback 경로로 저장.

Completion

학습 노트가 Obsidian vault(또는 fallback 경로)에 저장되고 사용자가 내용을 확인하면 완료.

Agent Skills: 학습 리서치

Install this agent skill to your local

Skill Files