도메인을 모르는 AI에게 도메인을 가르치는 도구를 만들었다

AI가 스스로 도메인을 조사하고, 자기가 따를 워크플로우 파이프라인을 설계하고, 그대로 실행해서 결과물까지 만들어내는 Claude Code 스킬 - meta-pipe를 만든 이야기입니다.

스킬 구조: 2-tier 지연 로딩

리서치 중 AWS AI-DLC(AI Developer Learning Curve)에서 영감을 받았습니다. 메인 스킬(SKILL.md)에는 진입 로직과 Phase 개요만 두고, 각 Phase의 상세 지침은 별도 파일로 분리해서 해당 Phase에 진입할 때만 로딩합니다.

skills/meta-pipe/
├── SKILL.md              # 메인 (진입 로직 + Phase 개요)
└── references/           # Phase 진입 시에만 로딩
    ├── discovery.md      # Phase A 상세
    ├── pipeline-design.md # Phase B 상세
    └── execution.md      # Phase C 상세

이렇게 하면 컨텍스트 윈도우를 아낄 수 있고, 각 Phase의 지침을 독립적으로 개선할 수 있습니다.

이중 형식 출력

모든 산출물은 마크다운과 JSON 두 형식으로 저장합니다. 마크다운은 사람이 읽고, JSON은 에이전트가 재사용합니다. 같은 도메인을 다시 요청하면 캐시된 JSON을 로딩해서 Phase A를 건너뜁니다.

상태 파일로 일시정지/재개

.meta-pipe-status.json에 현재 진행 상태를 기록합니다. 세션이 끊겨도 다음 세션에서 이어서 작업할 수 있습니다.

현재 한계: 웹 검색의 깊이

솔직히 AI의 웹 검색은 아주 자세한 수준으로 이루어지지 않습니다. 카드뉴스처럼 비교적 단순한 도메인에서는 충분했지만, 핀테크 규제 체계나 의료 인허가 프로세스 같은 복잡한 도메인에서는 부족할 수 있습니다. 이후에 딥 리서치가 가능한 외부 도구를 연결하면, AI 기본 검색이 못 채우는 나머지 20%를 보완할 수 있을 것으로 봅니다.

표준화가 가져오는 것

meta-pipe가 만드는 워크플로우는 표준화된 형식을 따릅니다. 이것이 중요한 이유가 있습니다.

표준화된 워크플로우를 따르면 결과물도 예측 가능한 구조로 나옵니다. 매번 다른 형태의 산출물이 아니라, 일관된 규칙을 가진 결과물이기 때문에 관리가 쉽습니다. 그리고 같은 표준을 공유하면 AI끼리의 협업도 가능해집니다. 한 AI가 설계한 파이프라인의 중간 산출물을 다른 AI가 이어받아 작업할 수 있습니다.

핵심은 공유 가능한 표준화된 워크플로우를 언제든 스스로 만들 수 있는 능력을 AI에게 주는 것입니다.

더 먼 미래: 엔진으로서의 meta-pipe

meta-pipe는 현재 CLI(Claude Code) 환경에서 동작하는 스킬입니다. 하지만 이 스킬을 엔진으로 두고, 프론트엔드를 렌더링하듯 붙인다면? 사용자가 "카드뉴스 만들고 싶어"라고 입력하면 실시간으로 도메인 조사 → 파이프라인 설계 → 결과물 생성이 일어나는 실시간 SaaS를 만들 수 있지 않을까 생각합니다.

다음 할 일

• 추가 도메인 테스트 (핀테크, 게임, CLI, 의료)로 파이프라인 품질 검증

• 딥 리서치 도구 연동으로 복잡한 도메인 조사 품질 향상

• 캐시 재사용 및 자동 트리거 검증

• v2.0에서 Hooks 기반 안전장치 강화

아루나의 다른 이야기를 더 보고 싶다면 아래 링크로 접속해 보세요!

https://litt.ly/aluna