| name | manpower |
| description | AI 프롬프팅 스킬 레벨 측정 및 성장 분석. Claude Code 세션 로그에서 사용자 프롬프트를 분석하여 8개 역량 축의 점수를 산출하고, 방사형 그래프와 주간 성장 추이를 시각화한다. 트리거: /manpower, AI 스킬 측정, 프롬프트 분석, AI 역량, 스킬레벨, manpower, AI 실력, 프롬프팅 능력, AI 활용도 분석 |
ManPower — AI Skill Level Assessment
Claude Code 세션 로그에서 사용자 프롬프트를 수집·분석하여 8개 역량 축의 점수를 산출하고, 방사형 그래프 + 주간 성장 추이로 시각화한다.
역량 축 (8개)
| 축 | 코드 | 측정 기준 |
|---|
| 명확성 | clarity | 모호한 표현 없이 의도가 명확한가. 대명사("그거", "이것") 남발 대신 구체적 대상을 지칭하는가 |
| 구체성 | specificity | 요구사항에 제약조건, 포맷, 범위를 명시하는가. "대충 만들어줘" vs "A4 단면, 한글, 표 3개 포함" |
| 컨텍스트 제공 | context | 배경 정보, 기존 코드 경로, 기술 스택, 제약사항 등을 선제적으로 제공하는가 |
| 작업 분해 | decomposition | 복잡한 작업을 단계별로 나누어 지시하는가. 한 프롬프트에 10가지를 몰아넣지 않는가 |
| 도구 활용 | tool_usage | 슬래시 커맨드, 스킬, MCP, 에이전트 등 Claude Code 고급 기능을 활용하는가 |
| 반복 개선 | iteration | 결과물에 대해 구체적으로 피드백하고 점진적으로 개선해 나가는가 |
| 창의적 활용 | creativity | AI를 단순 코딩 보조 외에 분석, 설계, 자동화, 리서치 등 다양한 용도로 활용하는가 |
| 효율성 | efficiency | 최소한의 턴으로 원하는 결과를 얻는가. 불필요한 반복 없이 핵심을 짚는가 |
데이터 소스
worklog 스킬과 동일한 JSONL 소스를 사용한다.
~/.claude/projects/{경로해시}/{sessionId}.jsonl
- 경로 해시 규칙: cwd의
/를 -로 치환
- user 엔트리에
timestamp, cwd, sessionId 포함
- assistant 엔트리에 tool_use, text 포함
워크플로우
Phase 1 — 기간 결정
사용자 입력에서 분석 기간을 결정한다.
| 입력 | 기간 |
|---|
| 인자 없음 | 최근 4주 (28일) |
| "이번 주" / "이번주" | 이번 ISO 주 |
| "이번 달" / "한 달" | 최근 30일 |
| "2주" / "최근 2주" | 최근 14일 |
| 특정 날짜 범위 | 해당 범위 |
기간 시작일의 00:00 KST를 UTC로 변환하여 필터링 기준으로 사용한다.
Phase 2 — 세션 수집
import json, os, glob
from datetime import datetime, timezone, timedelta
from collections import defaultdict
KST = timezone(timedelta(hours=9))
now_kst = datetime.now(KST)
start_date = (now_kst - timedelta(days=28)).replace(hour=0, minute=0, second=0, microsecond=0)
start_utc_iso = start_date.astimezone(timezone.utc).isoformat()
start_unix = start_date.timestamp()
projects_dir = os.path.expanduser("~/.claude/projects/")
sessions = []
for proj_dir in os.listdir(projects_dir):
dpath = os.path.join(projects_dir, proj_dir)
if not os.path.isdir(dpath):
continue
for jf in glob.glob(os.path.join(dpath, "*.jsonl")):
if os.path.getmtime(jf) < start_unix:
continue
first_ts = None
cwd = None
with open(jf) as f:
for line in f:
try:
entry = json.loads(line)
if entry.get("type") in ("user", "system"):
first_ts = entry.get("timestamp")
cwd = entry.get("cwd")
break
except:
pass
if first_ts first_ts >= start_utc_iso:
sessions.append({
: jf,
: first_ts,
: cwd,
: os.path.getsize(jf)
})
sessions.sort(key= x: x[])
Phase 3 — 프롬프트 추출
각 세션에서 사용자 프롬프트만 추출한다. 분석 대상은 사용자의 지시 능력이므로 assistant 응답은 보조적으로만 참조한다.
def extract_prompts(jsonl_path):
"""세션에서 사용자 프롬프트와 메타데이터를 추출."""
prompts = []
tool_uses_by_user = []
turn_count = 0
assistant_corrections = 0
with open(jsonl_path) as f:
for line in f:
try:
entry = json.loads(line)
t = entry.get("type")
if t == "user":
turn_count += 1
msg = entry.get("message", {})
content = msg.get("content", "") if isinstance(msg, dict) else ""
text = ""
if isinstance(content, str):
text = content
elif isinstance(content, list):
for block in content:
if isinstance(block, dict) and block.get("type") == "text":
text = block["text"]
break
if not text.strip():
re
cmd_match = re.search(, text)
cmd_match:
tool_uses_by_user.append(cmd_match.group())
correction_patterns = [
, , , ,
, , , ,
, ,
]
pat correction_patterns:
re.search(pat, text, re.IGNORECASE):
assistant_corrections +=
prompts.append({
: text[:],
: entry.get(, ),
: turn_count
})
:
{
: prompts,
: turn_count,
: tool_uses_by_user,
: assistant_corrections
}
Phase 4 — 주간 그룹핑
수집된 프롬프트를 ISO 주차별로 그룹핑한다. 주간 성장 추이를 보기 위함이다.
from datetime import datetime
def get_iso_week(timestamp_str):
"""ISO timestamp에서 'W{주차}' 문자열을 반환."""
dt = datetime.fromisoformat(timestamp_str.replace('Z', '+00:00'))
iso = dt.isocalendar()
return f"W{iso.week:02d}"
weekly_groups = defaultdict(lambda: {
"prompts": [], "sessions": 0, "tool_uses": [],
"corrections": 0, "turn_counts": []
})
for session in sessions:
data = extract_prompts(session["path"])
week = get_iso_week(session["first_ts"])
weekly_groups[week]["prompts"].extend(data["prompts"])
weekly_groups[week]["sessions"] += 1
weekly_groups[week]["tool_uses"].extend(data["tool_uses"])
weekly_groups[week]["corrections"] += data["corrections"]
weekly_groups[week]["turn_counts"].append(data["turn_count"])
Phase 5 — 역량 점수 산출 (하이브리드)
5개 축은 scripts/score_calculator.py로 자동 채점하고, 3개 축만 LLM이 판단한다. 이 구조로 객관성을 확보한다.
Step 1 — 자동 채점 (5축)
score_calculator.py를 실행하여 정량 지표 기반 점수를 산출한다.
python3 ~/.claude/skills/manpower/scripts/score_calculator.py --days 28 --output <workspace>/auto_scores.json
자동 채점은 2가지 데이터 소스를 사용한다:
- JSONL 프롬프트 분석 — 세션 로그에서 슬래시 커맨드, 키워드, 턴 수 등 추출
- 프로젝트 환경 스캔 — 실제 프로젝트 디렉토리의
.claude/ 구성을 직접 스캔 (에이전트, 스킬, CLAUDE.md, 외부 도구 등)
자동 채점 대상 축과 핵심 지표:
| 축 | 핵심 지표 | 데이터 소스 |
|---|
| 도구활용 | 고유 커맨드 종류, 호출 빈도, 하네스/플러그인/외부도구 사용 여부 | JSONL 커맨드 + 환경 스캔 |
| 컨텍스트 | .claude/ 비율(환경 스캔), CLAUDE.md 수, 파일경로·스크린샷·URL | 환경 스캔 + JSONL 패턴 |
| 창의성 | 활용 도메인 종류(8카테고리), 고유 프로젝트 수, 메타활용 여부 | JSONL 키워드 + 환경 스캔 |
| 효율성 | 세션당 턴 수 중앙값, 수정/교정 비율, 중단 비율 | JSONL 턴 카운트 |
| 작업분해 | Plan→Implement 패턴, 하네스 세션 비율, 에이전트 파일 수, 스킬 파일 수 | JSONL + 환경 스캔 |
환경 스캔 (scan_project_environments)이 포착하는 구조화된 AI 활용:
.claude/agents/*.md — 에이전트 정의 파일 수 (작업분해 점수에 반영).claude/skills/*/skill.md — 커스텀 스킬 수 (작업분해 + 도구활용에 반영)CLAUDE.md — 프로젝트 컨텍스트 사전 구성 (컨텍스트 점수에 보너스)settings.json — 훅/퍼미션 설정 여부- 외부 도구/플러그인 — RIPER-5, SuperPower, OhMyClaudeCode 등 CLAUDE.md 내 언급 감지
자동 채점 점수는 LLM이 조정할 수 없다. 공식이 산출한 그대로 사용한다. 공식 자체에 문제가 있으면 score_calculator.py를 수정한다.
Step 2 — LLM 판단 채점 (3축)
나머지 3축은 프롬프트 텍스트의 질적 분석이 필요하여 LLM이 판단한다. 단, 반드시 근거 프롬프트를 인용해야 한다.
| 축 | LLM이 판단하는 이유 |
|---|
| 명확성 | "의도가 명확한가"는 텍스트의 의미를 이해해야 판단 가능 |
| 구체성 | 제약조건·포맷 명시 여부는 내용 분석 필요 |
| 반복개선 | 피드백의 구체성은 텍스트 질적 분석 필요 |
LLM 판단 필수 규칙:
- 점수와 함께 근거 프롬프트 3개 이상을 원문 인용하라 (좋은 예 + 나쁜 예 모두)
- 인용 없는 점수는 무효다
- 점수 범위는 자동 채점과 동일한 0~100 스케일을 사용한다
LLM 판단 3축 채점 기준
짧은 프롬프트가 반드시 나쁜 것은 아니다. 작업 복잡도에 비례하는 적절한 수준이 정답.
대화 맥락 인식 (Context-Aware Scoring)
score_calculator.py가 각 프롬프트를 대화 역할별로 자동 분류한다. LLM 판단 시 이 분류를 반드시 참조하라.
| 역할 | 예시 | 채점 방식 |
|---|
instruction | "에이전트팀으로 리서치 진행해" | 정상 채점 — 명확성/구체성의 주요 평가 대상 |
confirmation | "동일합니다", "네", "좋아요", "진행" | 채점 제외 — 이전 AI 응답에 대한 동의/확인은 대화 관리 행위이며, 짧은 것이 자연스러움 |
refinement | "거기에 여백 16px 추가", "비율 조정" | 명확성 정상 채점. 구체성은 증분 지시로 평가 (이전 맥락이 있으므로 단독 평가 금지) |
feedback | "좌측 바가 좋긴한데 인용문과 헷갈림" | 반복개선 채점 대상. 피드백의 구체성으로 평가 |
operational | "3001 포트로 실행해", "커밋 푸시" | 채점 제외 — 운영 명령은 AI 소통 능력과 무관 |
command | /harness, /skill-creator | 채점 제외 — 도구 호출 (도구활용 축에서 자동 채점됨) |
noise | "Full transcript...", 시스템 출력 | 채점 제외 — 자동 생성 텍스트 |
핵심 원칙:
confirmation을 "모호한 프롬프트"로 감점하지 마라. "동일합니다"는 이전 제안에 동의하는 완전한 의사 표현이다.refinement은 이전 결과가 전제되므로, 프롬프트 단독으로 정보가 부족해 보여도 감점하지 마라.operational("3000포트로 실행해")은 환경 조작이며, 짧은 것이 효율적이다.- 채점 대상은
instruction + refinement + feedback뿐이다. 나머지는 분모에서도 제외한다.
LLM 판단 3축 채점 기준
명확성 (clarity) — 프롬프트를 읽고 의도를 바로 파악할 수 있는가 (채점 대상 프롬프트만 평가)
- 90~100: 작업 복잡도에 맞는 적절한 지시. 단순 작업은 짧게, 복잡한 작업은 상세하게
- 80~89: 대부분 추가 질문 없이 실행 가능. 가끔 모호한 지칭이 있지만 맥락에서 추론 가능
- 65~79: 절반 이상 명확하지만, 기대 결과 누락으로 AI가 추측하는 경우 종종 있음
- 50~64: "고쳐줘", "이상해" 등 증상만 제시하고 기대 상태 미설명
- 0~49: 대부분 AI가 의도를 추측해야 함
구체성 (specificity) — 필요한 제약/포맷/범위를 명시하는가 (채점 대상 프롬프트만 평가)
- 90~100: 필요할 때 정밀한 제약 + 단순 작업에서는 의도적 위임 (적절한 위임도 구체성)
- 80~89: 주요 요구사항 명시. URL, 경로, 에러 등 구체적 근거 제공
- 65~79: 큰 방향은 제시하지만 포맷이나 제약이 빠지는 경우 있음
- 50~64: "만들어줘" 수준 포괄적 지시 다수
- 0~49: 거의 모든 프롬프트가 한 줄짜리 포괄적 지시
반복 개선 (iteration) — 결과물에 구체적 피드백을 주고 점진적으로 개선하는가 (feedback + refinement 평가)
- 90~100: 구체적 피드백 ("3번째 줄의 변수명을 X로") 또는 환경 설정을 체계적으로 반복 개선
- 80
89: 구체적 수정 지시를 주고 23회 반복으로 품질 도달
- 65~79: 피드백을 주지만 가끔 포괄적. 한 번에 완성되면 그대로 수용
- 50~64: 불만만 표현하고 개선 방향 미제시
- 0~49: 피드백 없이 수용하거나 포기
LLM 판단 출력 형식
각 축에 대해 점수 + 근거 프롬프트 인용을 포함한다:
**명확성: 80점 (A)**
- 좋은 예: "cover_01_dawn_walk.png 하단 이름을 '황민호 지음'" → 대상+행동이 한 문장에 명확
- 좋은 예: "README 요구사항에 Claude Code CLI 제거하고 에이전트 팀 활성화에 참고 링크 추가" → 삭제+추가 액션이 구체적
- 나쁜 예: "사이트가 이상해졌어" → 어떻게 이상한지 미기술
- 나쁜 예: "어색한 표현과 문체 수정" → 어떤 부분이 어색한지 미지정
Phase 6 — 시각화
scripts/radar_chart.py를 사용하여 방사형 그래프와 주간 추이 차트를 생성한다.
- 채점 결과를 JSON으로 정리한다:
{
"overall": {
"labels": ["명확성", "구체성", "컨텍스트", "작업분해", "도구활용", "반복개선", "창의성", "효율성"],
"scores": [85, 72, 78, 65, 90, 70, 82, 75],
"max_score": 100
},
"weekly": [
{"week": "W10", "scores": [80
- 차트 생성 실행:
python3 ~/.claude/skills/manpower/scripts/radar_chart.py \
"<output_dir>/manpower_chart.png" \
"<workspace>/chart_data.json"
- 차트 파일을 Read로 열어 사용자에게 보여준다.
Phase 7 — 리포트 출력
분석 결과를 아래 포맷으로 사용자에게 보여준다.
## ManPower — AI Skill Assessment
**분석 기간**: YYYY-MM-DD ~ YYYY-MM-DD (N개 세션, M개 프롬프트)
**종합 등급**: {등급} ({평균점수}점)
### 역량별 점수
| 역량 | 점수 | 등급 | 한줄 평가 |
|------|------|------|----------|
| 명확성 | 85 | A | 지시 대상과 행동이 거의 항상 명확함 |
| ... | ... | ... | ... |
### 강점 (상위 3개)
- **도구 활용** (90점) — 슬래시 커맨드, 스킬, 에이전트 팀 등 고급 기능을 적극 활용
- ...
### 성장 기회 (하위 3개)
- **작업 분해** (65점) — 복잡한 작업을 한 프롬프트에 담는 경향. 단계별 분리 추천
- ...
### 주간 성장 추이
| 주차 | 종합 | 변화 | 주요 변화 |
|------|------|------|----------|
| W10 | 72.6 | — | 기준점 |
| W11 | 74.9 | +2.3 | 구체성, 도구활용 향상 |
| W12 | 77.1 | +2.2 | 명확성, 창의성 향상 |
### AI와 더 잘 소통하는 팁
(하위 역량 기반으로 맞춤 제안 3~5개)
차트 이미지를 리포트 앞에 Read로 표시한다.
Phase 8 — 결과 저장
분석 결과를 manpower/ 디렉토리에 저장한다.
manpower/YYYY-MM-DD_report.md — 마크다운 리포트manpower/YYYY-MM-DD_chart.png — 방사형 그래프 이미지manpower/_data/YYYY-MM-DD.json — 원본 채점 데이터 (추후 비교용)
이전 분석 결과가 있으면 _data/ 디렉토리의 JSON을 참조하여 장기 추이도 반영한다.
등급 체계
| 점수 구간 | 등급 | 설명 |
|---|
| 90~100 | S | AI 마스터. 프롬프트 엔지니어링 전문가 수준 |
| 80~89 | A | 숙련자. AI와의 협업이 자연스럽고 효율적 |
| 70~79 | B | 중급자. 핵심을 알고 있으나 개선 여지 있음 |
| 60~69 | C | 초중급. 기본기는 있으나 효율성 부족 |
| 50~59 | D | 입문자. AI 활용의 기본기를 다져야 함 |
| 0~49 | F | 시작 단계. 체계적 학습 권장 |
에러 핸들링
| 상황 | 처리 |
|---|
| 세션이 0개 | "분석할 세션이 없습니다. 기간을 확인해주세요" 안내 |
| 특정 주차 프롬프트 < 5개 | 해당 주 "데이터 부족" 표시, 채점 생략 |
| JSONL 파싱 실패 | 해당 세션 스킵, 나머지로 진행 |
| matplotlib 없음 | pip install matplotlib 안내 후 텍스트 테이블로 폴백 |
| 차트 생성 실패 | 텍스트 리포트만 출력 (차트 없이 진행) |
| 이전 분석 데이터 없음 | 장기 추이 생략, 현재 분석만 표시 |
테스트 시나리오
정상 흐름
- 사용자가
/manpower 실행
- 최근 4주간 세션 30개, 프롬프트 250개 수집
- 3주차로 그룹핑 (1주차 데이터 부족으로 제외)
- 주차별 채점 → 종합 점수 산출
- 방사형 그래프 + 주간 추이 차트 생성
- 마크다운 리포트 + 차트 이미지 표시
manpower/ 디렉토리에 저장
데이터 부족 흐름
- 사용자가
/manpower 이번 주 실행
- 이번 주 세션 2개, 프롬프트 3개 수집
- "데이터 부족 — 최소 5개 프롬프트 필요" 안내
- 기간 확대 제안 ("최근 2주로 확대할까요?")
