codebase-ai-readiness

| Use when this capability is needed.

Jump to install

Repository: tomevault-io/skills-registry
Last source activity: May 23, 2026 at 22:30
Detected SKILL.md language: Korean
Stars: 0
Forks: 0

Install options

The review-first prompt is selected by default. You can switch to a direct command or download a local copy.

Review the source files

Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.

Back to search Back to installation

name	codebase-ai-readiness
description	\| Use when this capability is needed.

Codebase AI-Readiness Audit

What this skill does

이 스킬은 git 레포지토리를 7개 카테고리·100점 루브릭으로 감사해 다음 3개 산출물을 생성합니다:

<repo>/.ai-readiness/report.json — 모든 점수와 근거의 구조화 데이터
<repo>/.ai-readiness/dashboard.html — 한국어 단일파일 대시보드 (오프라인 가능)
<repo>/.ai-readiness/actions.md — ROI 순으로 정렬된 개선 액션 리스트

루브릭은 Factory.ai의 8 Agent Readiness pillars, AGENTS.md 명세(GitHub 2,500개 레포 분석), Anthropic Claude Code 베스트 프랙티스를 종합한 산업 표준 기반입니다.

7개 카테고리 (총 100점)

ID	카테고리	배점	핵심 측정
`discoverability`	발견 가능성 & 컨텍스트	15	README, AGENTS.md/CLAUDE.md, ADR, 다이어그램
`structure`	구조 & 모듈성	15	파일/함수 크기, god-file, 디렉토리 구조
`static_analysis`	정적 분석 & 스타일	15	린터, 포매터, 타입체커, pre-commit
`testing`	테스트 & 검증	15	테스트 존재/비율/단일명령/CI/커버리지
`build`	빌드 & 재현성	15	매니페스트, 락 파일, 부트스트랩, 컨테이너
`security`	보안 & 의존성	10	시크릿, .gitignore, LICENSE, 취약점 스캔
`operability`	운영성 & 관찰성	15	구조화 로깅, 에러 처리, env 설정, 헬스체크

어떻게 호출하는가

기본 사용 (현재 디렉토리)

python "C:/Users/DBInc/.claude/skills/codebase-ai-readiness/audit.py"

다른 레포 감사

python "C:/Users/DBInc/.claude/skills/codebase-ai-readiness/audit.py" --path D:/path/to/repo

출력 디렉토리 지정

python ".../audit.py" --path . --out ./my-report

특정 포맷만

python ".../audit.py" --format json     # JSON만
python ".../audit.py" --format html     # 대시보드만
python ".../audit.py" --format md       # 액션 마크다운만

사용 흐름

사용자가 "이 코드베이스 AI-ready 점수 좀 매겨줘" 같은 요청을 하면:

감사 실행: 위 명령으로 audit.py 실행. 보통 수초~수십초 소요.
요약 보고: stderr에 출력된 점수표를 사용자에게 한국어로 전달.
상위 ROI 액션 강조: 액션 1~~3위는 보통 1~~2시간이면 처리 가능한 큰 점수원. 사용자가 즉시 처리하길 원하면 그 자리에서 수정 PR을 만들 수 있음.
HTML 대시보드 안내: <repo>/.ai-readiness/dashboard.html을 브라우저로 열라고 안내.

점수 밴드 해석

점수	라벨	의미
90~100	AI-Native	에이전트가 거의 마찰 없이 작업 가능. 모범 사례.
75~89	AI-Ready	에이전트 작업이 빠르고 안전. 작은 개선으로 최상 도달.
60~74	AI-Compatible	에이전트 협업 가능하지만 시행착오 발생. 보강 필요.
40~59	AI-Cautious	인간 감독 필수. 구조와 검증 인프라 부족.
0~39	AI-Hostile	에이전트가 의미 있는 작업 어려움. 기반 작업 다수 필요.

ROI 계산 방식

각 미만점 항목에 대해:

Points lost = max_points - current_score (얻을 수 있는 점수)
Effort = 1(수분) ~ 5(수일~수주) — 루브릭에 항목별 사전 정의됨
ROI = points_lost / effort

ROI 높은 순으로 정렬해 출력. 보통 상위 3~~5개는 30분~~2시간 작업으로 5~10점 향상 가능.

프레임워크 무관성 보장

스크립트는 다음 기법으로 프레임워크 편향을 회피:

언어 감지: 확장자 + 매니페스트 파일 (pom.xml, package.json, Cargo.toml, go.mod 등)
휴리스틱 매트릭스: 각 검사가 언어별 시그니처 사전(LINTER_CONFIGS, LOCK_FILES 등) 사용
N/A 처리: 정적 타입 언어는 A3 타입체커에서 자동 만점 (컴파일러가 처리)
library/CLI 감지: 웹 시그니처(express, spring-boot-starter-web 등) 없으면 헬스체크 N/A

따라서 Spring Boot, Next.js, Rust CLI, Python ML 라이브러리 등 어떤 형태든 공정 비교 가능.

구성 파일

rubric.json — 루브릭 단일 진실 소스. 카테고리/항목/배점/효과/이유/해결법. 팀 컨벤션에 맞게 수정 후 --rubric custom.json 으로 사용 가능.
audit.py — 메인 스크립트. stdlib만 사용 (외부 의존성 없음).

한계와 보완

휴리스틱 기반이므로 정확도가 100%는 아님. 대표 한계:

시크릿 스캔: 패턴 매칭만 — gitleaks 같은 전문 도구 대체 아님
테스트 비율: 파일 수 기반 — 실제 단언 수와 다를 수 있음
타입 체커 점수: Python의 경우 100개 표본 — 대형 모노레포는 보강 필요
god-file 탐지: LOC 기반 — 정당하게 큰 파일(생성 코드 등) 오탐 가능

루브릭이 평가하는 것은 "에이전트가 협업하기 좋은 구조 신호의 존재 여부"이며, 실제 코드 품질 자체는 인간 리뷰와 정밀 도구로 보완해야 합니다.

결과를 가지고 무엇을 할 것인가

대시보드를 본 후 권장 후속 작업:

상위 3개 ROI 액션을 즉시 처리 — 보통 README/AGENTS.md 보강, .editorconfig 추가, pre-commit 도입 등 1시간 이내 항목
카테고리 점수 50% 미만인 곳을 다음 분기 OKR로 — 보통 testing 또는 operability
재감사: 변경 후 다시 실행해 점수 변화 추적. 90점+ 도달이 합리적 목표.

Source: bigbulgogiburger/claude_jira_harness — distributed by TomeVault.