원문 제목: Meta-Meta-Prompting: AI 에이전트가 작동하는 비밀
원문 작성자: Garry Tan
번역: Peggy

편집자 주: 대다수가 AI를 좀 더 똑똑한 채팅 창구로 여기는 동안, 현재 Y Combinator CEO 인 Garry Tan은 이미 그것을 개인용 운영 체제로 변신시키는 시도를 하고 있습니다.

AI 시대의 개인 생산성의 기본 구조가 변화하고 있습니다. 모델은 단순히 엔진일 뿐이며, 실질적인 복리를 창출하는 것은 개인 지식, 작업 흐름, 맥락 및 심사력 주변에 구축된 전체 시스템입니다.

이러한 시스템에서 각 회의, 각 책, 각 이메일, 각 인적 관계는 더 이상 고립된 정보가 아니라 지속적으로 구조화된 "두 번째 뇌"에 기록되며, 각 반복 작업은 더 이상 일회성 피드백에 의존하지 않고 재사용 가능한 기술로 추상화되어 후속 작업에서 계속 발전합니다. 다시 말해, AI는 개인이 작업 방식을 제품화, 시스템화 및 인프라화하는 데 도움을 줌으로써 작업을 완료하는 데 그치지 않고 있습니다.

더 주목할 만한 것은 작가가 중심화된 AI 도구와는 다른 개인적인 접근 방식을 제안했다는 것입니다. 미래의 경쟁력은 AI를 사용하는 사람에게만 속하는 것이 아니라 실제 생활과 업무 주변에 복리형 AI 시스템을 훈련시키는 사람들에게도 속할 수 있습니다. 채팅 로봇은 답변을 제공하고 검색 엔진은 정보를 제공하지만, 진정한 개인 AI 시스템은 여러분의 배경을 기억하고 여러분의 맥락을 이해하며 여러분의 심사력을 이어받아 매 사용시 강화됩니다.

이것이 이 글에서 가장 독창적인 점이기도 합니다. AI의 가치는 한 번에 무엇을 생성했는지가 아니라 지속적인 누적, 지속적인 연결, 지속적인 개선 가능한 신경계가 될 수 있는지입니다. 개인에게 있어서, 아마도 이것이 "AI 네이티브 작업 방식"의 진정한 시작점일지도 모릅니다.

아래는 원문입니다:

사람들은 항상 나에게, 왜 내가 밤늦게까지 코딩에 시간을 할애하느냐고 물었습니다. 내가 일을 하나 가지고 있고, 그것은 매우 무거운 일입니다 - 나는 Y Combinator의 CEO입니다. 매년 수천 명의 창업자들이 자신들의 꿈을 실현할 수 있도록 돕습니다: 수익이 발생하고 실제 빠른 성장을 이루는 창업 기업을 설립합니다.

지난 5개월 동안 AI는 나를 다시 빌더로 만들었습니다. 작년 말, 도구들은 이미 나를 다시 손을 댈 정도로 좋았습니다. 이것은 장난감 프로젝트가 아니라 처음에는 조금씩 성장할 수 있는 시스템입니다. 당신이 개인용 AI를 더 이상 대화 창으로만 보지 않고 운영 체제로 생각할 때, 어떤 모습이 되는지를 알려주고 싶어서 이러한 것들을 오픈 소스로 공개하고 구체적인 예시로 설명한 것입니다. 나는 여러분도 함께 속도를 내도록 원했기 때문에 이러한 글을 썼습니다.

이것은 시리즈의 일부입니다: “Fat Skills, Fat Code, Thin Harness”는 코어 아키텍처를 설명합니다; “Resolvers”는 스마트한 라우팅 테이블에 대해 이야기합니다; “The LOC Controversy”는 각 기술 인이 어떻게 100배에서 1000배까지 확장되는지에 대한 논의입니다; “Naked models are stupider”는 모델이 차체가 아니라 엔진임을 제안합니다; 그리고 “skillify manifesto”는 왜 LangChain은 1.6억 달러를 모금했지만 여러분에게 스쿼트 랙과 덤벨을 주었지만 훈련 계획은 제공하지 않았다고 설명하며, 이 글은 여러분이 정말 필요로 하는 그 훈련 계획을 제공합니다.

그 ‘거꾸로 내게 말하기’ 책

지난 달에 나는 Pema Chödrön의 “When Things Fall Apart”를 읽었습니다. 이 책은 총 162페이지, 22장으로 구성되어 있으며, 불안, 뿌리 없음, 그리고 해방에 대한 불교적 시각을 다룹니다. 어떤 친구가 어려운 시기를 겪을 때 나에게 이 책을 추천해 주었습니다.

나는 내 AI에게 “책 거울”을 만들도록 했습니다.

구체적으로, 이것은 의미했습니다: 시스템이 이 책의 모든 22장의 내용을 추출하고, 각 장에 대해 하위 에이전트를 실행한 다음 두 가지를 실행했습니다: 저자의 사상을 요약하고 각 관점을 내 실제 삶에 매핑했습니다.

이것은 “이 리더에게도 적용된다”는 막연한 말이 아니라 매우 구체적인 매핑이었습니다. 그것은 내 가족 배경을 알고 있었습니다: 이민자 부모, 아버지는 홍콩과 싱가포르 출신, 어머니는 미얀마 출신이었습니다. 그것은 내 직업적 맥락을 이해했습니다: 나는 YC를 경영하고 오픈 소스 도구를 개발하며 수천 명의 창업자를 지도했습니다. 그것은 내가 최근에 읽은 책, 새벽 2시에 생각한 것, 그리고 내가 상담사와 함께 다루는 문제까지 알고 있었습니다.

최종 산출물은 3만 단어짜리 “뇌 페이지”였습니다. 각 장은 Pema가 말하는 내용과 현실적인 경험과 어떻게 연결되는지 두 열에 나뉘어 제시되었습니다. “뿌리 없음”이라는 장은 지난 주에 한 창업자와의 특정 대화와 연결되었으며, “두려움”을 다룬 장은 내 상담사가 지적한 특정 행동 양식과 매핑되었으며, “해방”을 다룬 장은 내가 올해 창작의 자유를 얻은 것에 대해 쓴 어떤 밤의 글을 인용했습니다.

전체 과정은 대략 40분이 걸렸습니다. 300달러 시급의 상담사는 심지어 이 책을 읽고 내 삶에 적용하려면 40시간이면 이를 성취할 수 없었을 것입니다. 왜냐하면 그들은 내 전문적 맥락, 읽기 역사, 회의 노트, 그리고 창업자 관계 네트워크를 완전히 로드하고 상호 참조하지 않았기 때문입니다.

지금까지 이 방식으로 20권 이상의 책을 다루었습니다: 《Amplified》(Dion Lim), 《러셀 자서전》, 《Designing Your Life》, 《천재어린이의 비극》, 《유한과 무한의 게임》, 《바다의 선물》(린드버그), 《시다르타》(헤르만 헤세), 《슈트라우스의 늑대》(헤르만 헤세), 《The Art of Doing Science and Engineering》(해밍), 《The Dream Machine》, 《Who You Are 알지 말아야 할 금기를 언급한 책》(앨런 왓츠), 《당신은 다른 사람이 무엇을 생각하든 말차 상관없어요?》(파인만), 《모든 것이 무너져 내릴 때》(페마 처드런), 《모든 것의 간단한 역사》(켄 윌버) 등등.

각 책은 이 '큰 뇌'를 더 풍부하게 만들어줍니다. 두 번째 거울은 첫 번째 내용을 알고 있고, 스물 번째 거울은 열아홉 번 까지의 내용을 알고 있습니다.

Book-Mirror가 반복을 통해 어떻게 더 나아졌는지

처음으로 book mirror를 만들었을 때 결과는 매우 나쁘었습니다.

첫 번째 버전에는 내 가족에 대한 세 가지 사실 오류가 있었습니다. 가족이 이혼했다고 나와 있는데, 사실은 그렇지 않았습니다. 또한 나는 홍콩에서 자랐다고 나와 있는데, 사실은 캐나다에서 태어났습니다. 이들은 기본적인 오류로, 이러한 결과물을 공유하면 신뢰가 훼손될 가능성이 매우 높습니다.

그래서 나는 강제적인 사실 확인 단계를 도입했습니다. 이제 mirror마다 알고 있는 뇌 사실에 대한 모달 리뷰가 이루어집니다. Opus 4.7 1M은 정확성 오류를 포착하고; GPT-5.5는 누락된 컨텍스트를 찾아냅니다; DeepSeek V4-Pro는 일부 내용이 너무 넓고 일반적인지 여부를 판단합니다.

그 후, 나는 심층적인 검색을 수행하기 위해 GBrain 도구를 기반으로 업그레이드했습니다. 초기 버전은 종합에 뛰어났지만 구체성에서 취약했습니다. 제 3판부터는 섹션별 뇌 검색이 이루어졌습니다. 오른쪽 열의 각 내용은 실제 뇌 페이지를 인용합니다.

어렵고 어려운 대화를 다루는 방법에 대해 언급 될 때, 일반적인 원칙을 요약하는 것이 아닙니다. 대신, 그것은 내가 협동 창립자와 함께 어려운 대화를 경험하고 있는 사람들의 진정한 회의록을 가져옵니다; 또는 나와 동생 제임스가 목요일에 함께 수다 떨 때 떠오른 아이디어; 또는 19 세 때 대학 동기와의 즉각 메시지 대화 기록 등이 포함될 것입니다. 그런 느낌은 매우 기이합니다.

이것이 실제에서의 "기술화"("skillification", GBrain의 /skillify 사용) 의미입니다. 처음으로 수동으로 시도한 것을 반복 가능한 패턴으로 추출하여 테스트된 skill 파일로 작성했고, 트리거 조건과 경계 상황을 포함했습니다. 그 후 수정 사항은 모든 향후 book mirror에서 계속해서 복리되었습니다.

기술을 만들 수 있는 기술

진정한 재귀의 순간이 왔습니다. 나에게는 이것이 가장 큰 통찰 중 하나라고 생각합니다.

내 일상 생활을 지원하는 시스템은 하나의 거대한 독립체로 구성되어 있지 않습니다. 그것은 하나 하나의 기술이 조합되어 만들어진 것입니다. 그리고 이러한 기술들 자체가 또 다른 기술에 의해 만들어집니다.

Skillify는 "메타 기술"입니다 - 새로운 기술을 만들기 위해 사용되는 기술입니다. 미래에 반복적으로 수행할 작업 흐름을 만나면 "이 기술로 만들어"라고 말합니다. 그런 다음 방금 발생한 일을 돌아보고 반복 가능한 패턴을 추출하여 테스트된 skill 파일로 작성하고, 트리거 조건과 경계 상황을 포함하여 resolver에 등록합니다.

언급된 book-mirror 파이프라인은 나가 처음 수동으로 이 작업을 완료한 후 skillify되었습니다. meeting-prep 작업 흐름도 마찬가지입니다. 전화 전마다 동일한 단계를 수행하고 있다는 것을 깨달았을 때 그것을 기술화했습니다.

기술은 조합될 수 있습니다. Book-mirror는 brain-ops를 호출하여 저장하고, enrich를 호출하여 문맥을 보강하고, cross-modal-eval을 호출하여 품질 평가를 하며, pdf-generation을 호출하여 결과를 출력합니다. 각 기술은 한 가지에 집중하지만 이들은 연결되어 복잡한 작업 흐름을 형성할 수 있습니다.

하나의 기술을 향상시킬 때, 그 기술을 사용하는 모든 작업 흐름이 자동으로 향상됩니다. "prompt에서 이 경계 상황을 언급을 잊었다"와 같은 문제가 더 이상 발생하지 않습니다. 기술이 기억합니다.

준비 작업을 스스로 완료한 그 회의

Demis Hassabis가 YC에 화답을 하러 왔습니다. Sebastian Mallaby의 전기가 방금 출간되었습니다.

시스템에 나를 위해 준비시키도록 했습니다.

2분도 안 되어 시스템은 Demis의 전체 뇌 페이지를 가져왔습니다 - 이 페이지의 내용은 기사, 팟캐스트 트랜스크립트 및 내 노트에서 몇 달 동안 계속 축적되었습니다; 그가 AGI 타임 라인에 대해 공개적으로 표현한 견해, 예를 들어, "50%는 규모 확장에 의존하며, 50%는 혁신에 의존한다", 그리고 그가 AGI가 5에서 10년이 더 필요하다고 여겼다고 하는 것; Mallaby 전기의 핵심 내용; 그가 명시적으로 언급한 연구 우선 순위, 지속적인 학습, 세계 모델 및 장기 기억; 그와 내가 공개적으로 논의한 AI 견해를 서로 교차 참조; "뇌"의 다중 점프 추론 능력을 표현하기 위한 대화 스크립트 3개; 및 우리의 세계관 중첩과 차이점을 기반으로 설계된 대화 진입 점으로 구성된 세트.

이것은 단순히 Google 검색을 더 잘하는 것이 아닙니다. 이는 맥락 기반 준비입니다: 시스템은 Demis에 대한 내 오랜 기록 뿐만 아니라 나의 입장과 대화의 전략적 목표도 고려했습니다.

이것은 사실만 준비하는 것이 아니라 시각도 준비하는 것입니다.

10 만 페이지의 두뇌는 어떻습니까?

저는 약 10 만 페이지로 구성된 구조화된 지식 베이스를 유지하고 있습니다.

만난 모든 사람마다 페이지가 할당되며, 그 안에는 타임라인, 상태 바 - 즉, 현재 실제 상황, 아직 해결되지 않은 단서, 그리고 평가가 포함됩니다. 각 미팅에는 트랜스크립트, 구조화된 요약, 그리고 "엔티티 전파" 프로세스가 있습니다. 각 미팅이 끝나면 시스템은 언급된 각 사람과 회사를 통화에서 업데이트하고 해당 brain page를 업데이트합니다.

읽은 각 책에는 챕터별 북 미러가 있습니다. 접한 각 기사, 각 팟캐스트, 각 비디오가 흡수되고 태그가 붙여지며 교차 참조가 구축됩니다.

이 스키마는 매우 간단합니다. 각 페이지에는 세 부분이 있습니다. 맨 위에는 "컴파일된 진실"이 있고, 아래에는 시간 순서로 이벤트를 기록한 타임라인이 있으며, 옆에는 소스 자료를 보관하는 원본 데이터 사이드카가 있습니다.

개인용 위키백과를 상상해보세요. 각 페이지는 AI에 의해 지속적으로 업데이트되며, 이 AI는 미팅에 참석하고, 이메일을 읽고, 강연을 듣고, PDF를 소화합니다.

이 시스템이 어떻게 복리 효과를 보여주는지 설명하는 예시가 있습니다.

저는 창업자 한 명을 office hours에서 만났습니다. 시스템은 그의 개인 페이지, 회사 페이지를 생성하거나 업데이트하고, 미팅 노트를 교차 참조하며, 그 전에 만났는지 확인합니다 - 만났다면 이전에 무엇을 얘기했는지 보여줍니다. 그의 지원 자료를 확인하고 최신 지표를 가져와서, 내 투자 포트폴리오 회사나 연락처 중에서 그의 문제를 해결할 수 있는 사람이 있는지 확인합니다.

다음 번 미팅에 나가면 시스템이 준비가 완벽한 컨텍스트 패키지를 갖추고 있습니다.

이것이 "파일 캐비닛"과 "신경계"의 차이점입니다. 파일 캐비닛은 그저 물건을 보관합니다. 신경계는 그것들을 연결하고, 무슨 일이 일어났는지 표시하며, 현재 가장 관련 있는 정보를 제시합니다.

아키텍처

그것의 작동 방식은 다음과 같습니다. 나는 이것이 개인 AI를 구축하는 올바른 방법이라고 생각하기 때문에 전체 코드를 오픈 소스로 공개했으며 누구나 직접 구축할 수 있습니다.

Harness는 매우 가볍습니다. OpenClaw는 런타임입니다. 이는 내 메시지를 받아들이고 어떤 스킬이 적용되는지 판단한 후 분배하는 역할을 합니다. 몇 천 줄의 라우팅 로직뿐입니다. 이는 책, 회의 또는 창립자를 이해하지 않습니다. 그저 라우팅에 대한 책임만을 집니다.

스킬은 매우 뚱뚱합니다. 현재 100가지 이상의 스킬이 있으며 각각은 특정 작업에 대한 자세한 설명이 포함된 독립된 마크다운 파일입니다. 앞에서 book-mirror와 meeting-prep를 보았습니다. 여기에는 GBrain에 내장된 몇 가지 추가 스킬이 있습니다:

meeting-ingestion: 각 회의 종료시 회의 기록을 가져와 구조화된 요약을 생성한 후, 회의에서 언급된 각 사람과 각 회사를 탐색하여 토론 내용을 업데이트하여 그들의 브레인 페이지를 업데이트합니다. 회의 페이지 자체는 최종 제품이 아니며, 실제 가치는 이러한 정보를 각 사람 및 각 회사 페이지로 전달하는 데 있습니다.

enrich: 사람의 이름을 입력하면 다섯 가지 서로 다른 출처에서 정보를 가져와 모든 내용을 병합하여 브레인 페이지를 만듭니다. 경력, 연락처, 회의 이력 및 관련 컨텍스트를 포함합니다. 각 판단에는 출처 참조가 있습니다.

media-ingest: 비디오, 오디오, PDF, 스크린샷 및 GitHub 리포지토리를 처리합니다. 콘텐츠를 전사하고 개체를 추출한 후 자료를 올바른 브레인 위치에 아카이빙합니다. 주로 YouTube 동영상, 팟캐스트 및 음성 메모를 처리하는 데 사용합니다.

perplexity-research: 브레인 강화 기능을 갖춘 네트워크 연구입니다. 퍼플렉서티를 사용하여 웹을 검색하지만 종합하기 전에 이미 알고 있는 내용을 확인하고 어떤 정보가 실제로 새로운지, 이미 기록한 내용인지를 알려줍니다.

나는 나만을 위해 몇 십 개의 스킬을 구축했으며 이후에도 오픈 소스화될 가능성이 높습니다: email-triage, investor-update-ingest —— 내 이메일에서 포트폴리오 업데이트를 식별하고 지표를 회사 페이지에 추출합니다; calendar-check —— 일정 충돌 및 불가능한 여행 일정을 확인하는 데 사용됩니다. 또한 공공 업무에 사용하는 뉴스 연구 스택이 있습니다.

각 스킬은 운영 지식을 코딩하며 이러한 지식은 새 휴건 조수에게 전달되면 학습에 몇 달이 걸릴 수도 있습니다. 누군가는 내가 AI를 "프롬프트"하는 방법을 물었습니다. 대답은: 나는 프롬프트하지 않습니다. 스킬 자체가 프롬프트입니다.

데이터는 매우 두껍습니다. 두뇌 리포지토리에는 10,000 페이지의 구조화된 지식이 있습니다. 제가 만난 모든 사람, 모든 회사, 모든 회의, 모든 책, 모든 기사, 모든 생각이 연결되어 검색 가능하며 매일 성장하고 있습니다.

코드도 두꺼웁니다. 그것에 공급된 코드가 중요합니다: 변환, OCR, 소셜 미디어 아카이브, 캘린더 동기화, API 통합 스크립트. 그러나 복리 가치가 실제로 노출되는 곳은 데이터입니다.

제가 매일 실행하는 100 가지가 넘는 cron 작업은 내가 주시하는 모든 것을 확인합니다: 소셜 미디어, Slack, 이메일 및 내가 주목하는 모든 정보. 내 OpenClaw/Hermes 에이전트들도 이것들을 대신 살펴봅니다.

모형은 교체 가능합니다. 정확성을 위해 Opus 4.7 1M을 사용하고; 검색 및 채굴하는 데는 GPT-5.5를 사용하고; 창의적 작업과 써드 파티 시각에는 DeepSeek V4-Pro를 사용하고; 속도를 위해 Groq 및 Llama를 사용합니다. 어떤 작업이 어떤 모델을 호출할지는 기술에 따라 달라집니다. Harness는 중요하지 않습니다.

누군가가 "가장 좋은 AI 모델은 무엇입니까"라고 물으면, 대답은: 당신이 잘못된 질문을 하고 있습니다. 모델은 그저 엔진일 뿐이며, 그 외의 모든 부분이 전체 차량입니다.

새벽 2시에 작업하는 빌더, 그리고 계속해서 복리되는 시스템

사람들은 제게 생산성에 관한 질문을 합니다. 그러나 저는 그렇게 생각하지 않습니다.

저는 복리에 대해 생각합니다.

참석한 모든 회의는 이 두뇌에 콘텐츠를 추가합니다. 읽은 모든 책은 다음 책을 위한 맥락을 풍부하게 합니다. 개발한 모든 기술은 다음 작업 흐름을 더 빠르게 만듭니다. 업데이트한 모든 인물 페이지는 다음 회의 준비를 더 날카롭게 만듭니다.

오늘의 이 시스템은 두 달 전보다 10배입니다. 또 다른 두 달이 지나면, 그것은 현재의 10배가 될 것입니다.

새벽 2시에도 코드를 작성하고 있을 때 — 그리고 실제로 그렇게 자주 하고 있습니다. 왜냐하면 AI가 나에게 개발의 즐거움을 다시 알려주기 때문입니다 — 나는 소프트웨어를 작성하는 것뿐만 아니라, 매 시간 더 나아지는 시스템에 능력을 추가하고 있습니다.

100 개의 cron 작업은 하루 종일 실행됩니다. 회의 적재는 자동으로 이루어집니다. 이메일 트리지는 10분마다 실행됩니다. 지식 그래프는 모든 대화에서 자체를 풍부하게 합니다. 시스템은 매일의 트랜스크립트를 처리하며, 내가 주목하지 못한 패턴을 실시간으로 추출합니다.

이것은 글쓰기 도구가 아니며 검색 엔진이나 채팅 로봇도 아닙니다.

이것은 실제로 실행 가능한 두뇌입니다. 이것은 은유가 아니라 현재 실행 중인 시스템입니다. 10 만 페이지의 콘텐츠, 100 개 이상의 스킬, 15 개의 cron 작업, 그리고 작년 동안 나의 모든 직업적인 관계, 모든 미팅, 모든 책, 그리고 모든 아이디어에서 축적된 문맥이 있습니다.

전체 기술 스택은 모두 오픈 소스로 공개되어 있습니다. GStack은 코딩 스킬 프레임워크이며, 8.7 만 개가 넘는 스타를 받았습니다. 제가 이 시스템을 구축하는 데 사용했습니다. 에이전트가 코드를 작성해야 할 때에도 OpenClaw/Hermes Agent에서 기술로 사용합니다. 거기에는 멋진 프로그래밍 가능 브라우저도 있으며, 헤드와 무헤드 모드를 모두 지원합니다.

GBrain은 지식 인프라입니다. OpenClaw와 Hermes Agent는 허니스입니다. 하나를 선택할 수도 있지만 일반적으로 둘 다 사용합니다. 데이터 repo도 GitHub에 있습니다.

핵심 판단은 매우 간단합니다: 미래는 기하 급수적인 AI 시스템을 구축할 수있는 사람들에게 속합니다. 기업의 중앙 집중식 AI 도구만 사용하는 사람이 아닙니다.

이 두 가지 사이의 차이는 일기를 쓰는 것과 신경계의 소유 사이의 차이와 같습니다.

어떻게 시작하나요

당신도 이러한 시스템을 구축하고 싶다면:

먼저 허니스 하나를 선택하십시오. OpenClaw, Hermes Agent를 사용할 수도 있으며, Pi를 기반으로하여 처음부터 만들 수도 있습니다. 중요한 것은 가볍게 유지하는 것입니다. Harnes는 단지 라우터일 뿐입니다. 가정에서 사용하지 않는 컴퓨터에 설치하여 Tailscale로 액세스하거나, Render나 Railway와 같은 클라우드 서비스에 배포할 수 있습니다.

그런 다음 GBrain으로 "두뇌"를 구축하십시오. 나는 처음에 Karpathy의 LLM Wiki에서 영감을 받아 OpenClaw에서 구현하고 나중에 GBrain으로 확장했습니다. 이것은 제가 시험한 가장 훌륭한 검색 시스템입니다: LongMemEval에서 97.6%의 검색률을 달성했으며 LLM을 호출하지 않고도 MemPalace를 뛰어넘었습니다. 39개의 설치 가능한 기술이 함께 제공되며, 이 글에서 언급된 모든 내용을 포함합니다. 설치를 위해 단 한 줄의 명령만 필요합니다. git repo를 받게 되며, 각 사람, 각 미팅, 각 논문, 각 아이디어마다 페이지가 제공됩니다.

그런 다음, 정말 흥미로운 일을 하세요. 처음부터 기술 아키텍처를 계획하지 마세요. 먼저 구체적인 작업을 수행하십시오: 보고서 작성, 사람 연구, NBA 시즌 스코어 다운로드 및 스포츠 베팅을 위한 예측 모델 구축, 투자 포트폴리오 분석 또는 실제로 관심 있는 것을 수행하십시오. 당신의 에이전트를 사용하여 계속해서 반복하고 결과가 충분히 좋아질 때까지 실행 후 Skillify를 실행하세요- 앞에서 언급한 메타 스킬로서 모델의 패턴을 추출하여 재사용 가능한 스킬로 만듭니다. 그런 다음 check_resolvable를 실행하여이 새로운 스킬이 리졸버에 연결되었는지 확인하십시오. 이 루프를 통해 일회용 작업을 계속해서 재투자 가능한 인프라로 변환 할 수 있습니다.

계속 사용하고 출력물을 신중하게 검토하십시오. 이러한 스킬은 처음에는 보통입니다. 이것이 중요한 부분입니다. 사용하고 생성 된 콘텐츠를 읽으십시오. 문제가 발생한 경우 cross-modal eval을 실행하십시오 : 출력물을 여러 모델에 제공하고 관심있는 측면을 기준으로 서로 점수를 매기십니다. 이것이 저가 발견한 book-mirror 오류를 수정한 방법입니다. 수정 사항이 스킬에 기록되어 있으며 이후 모든 mirror가보다 깨끗해졌습니다.

6 개월 후, 어떤 채팅 로봇도 복제 할 수없는 것을 가지게 될 것입니다. 실제 가치는 모델 자체에있는 것이 아니라이 시스템이 당신의 구체적인 삶, 업무 및 판단 방식을 이해할 수 있도록 가르친 데 있습니다.

이 시스템을 사용하여 만든 첫 번째 것은 매우 나쁩니다. 그러나 100 번째 때에는 캘린더, 받은 편지함, 회의 준비 및 읽기 목록을 맡길 만한 시스템이 됐습니다. 시스템은 학습 중이며 나도 학습 중입니다. 복리 곡선은 실재로 존재합니다.

두꺼운 기술, 두꺼운 코드, 얇은 harness. LLM 자체는 단순히 엔진에 불과합니다. 완전히 자체 차를 만들 수 있습니다.

여기에 설명 된 모든 것-모든 스킬, 책 미러 파이프 라인, 교차 모달 eval 프레임워크, 스킬리파이 루프, 리졸버 아키텍처 및 30 개 이상의 설치 가능한 스킬팩-이미 오픈 소스로 제공되어 GitHub에 무료로 게시되었습니다.

건설하세요.

[원문 링크]

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia