菜单
매일 아침 업무 시작 전 어제 작업 내역을 정리하여 Daily Note에 반영. 서브 에이전트 기반 병렬 처리로 메인 컨텍스트 절약. "어제 작업 정리해줘", "daily log", "업무 내역 정리" 등의 요청 시 자동 적용.
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
현재 세션에서 한 작업(또는 주어진 텍스트·파일)을 비전문가·미래의 자신도 이해하도록 쉽게 풀어 설명하는 인터랙티브 HTML 페이지 생성. 목차·단계별 펼침접힘·핵심요약·용어풀이 포함. ~/Desktop 저장 후 자동 오픈. 트리거: "쉽게 설명", "정리해줘", "복기", "풀어서 설명", "이해하기 쉽게", "설명해줘", "요약해줘".
Turn any rough prompt, half-formed idea, or task description into a finished, ready-to-send prompt optimized for Opus 4.7 (with adaptive thinking) inside the chat app — Codex.ai, the Mac app, the iOS app — NOT the API. Use this skill whenever the user wants to write, rewrite, optimize, improve, sharpen, or polish a prompt for the chat app. Trigger phrases include "rewrite this prompt", "make this a better prompt", "optimize this prompt", "turn this into a prompt", "help me prompt this", "draft a prompt that...", "I want to ask...", or whenever the user pastes a draft prompt and asks for improvements. Also trigger when the user describes a task they plan to send into the chat app and clearly wants a reusable, well-structured prompt rather than a direct answer. The output is always a single, copy-pasteable prompt in a code block that the user sends as-is — never a template with placeholders. Always ends with the exact line "Think before answering (maximum reasoning)".
Use this when you need to EVALUATE OR IMPROVE or OPTIMIZE an existing LLM agent's output quality - including improving tool selection accuracy, answer quality, reducing costs, or fixing issues where the agent gives wrong/incomplete responses. Evaluates agents systematically using MLflow evaluation with datasets, scorers, and tracing. IMPORTANT - Always also load the instrumenting-with-mlflow-tracing skill before starting any work. Covers end-to-end evaluation workflow or individual components (tracing setup, dataset creation, scorer definition, evaluation execution).
Codex 세션 탐색 및 분석. agf 데이터 소스(history.jsonl)를 활용한 세션 리스트 조회, 검색 및 상세 분석. "세션 목록", "session list", "세션 검색", "session search", "agf" 등의 요청 시 자동 적용.
Analyzes an MLflow session — a sequence of traces from a multi-turn chat conversation or interaction. Use when the user asks to debug a chat conversation, review session or chat history, find where a multi-turn chat went wrong, or analyze patterns across turns. Triggers on "analyze this session", "what happened in this conversation", "debug session", "review chat history", "where did this chat go wrong", "session traces", "analyze chat", "debug this chat".
Analyzes a single MLflow trace to answer a user query about it. Use when the user provides a trace ID and asks to debug, investigate, find issues, root-cause errors, understand behavior, or analyze quality. Triggers on "analyze this trace", "what went wrong with this trace", "debug trace", "investigate trace", "why did this trace fail", "root cause this trace".
| name | daily-work-logger |
| description | 매일 아침 업무 시작 전 어제 작업 내역을 정리하여 Daily Note에 반영. 서브 에이전트 기반 병렬 처리로 메인 컨텍스트 절약. "어제 작업 정리해줘", "daily log", "업무 내역 정리" 등의 요청 시 자동 적용. |
| model | sonnet |
매일 아침 업무 시작 전 실행하여 어제 작성/수정된 문서들에서 업무 수행 관련 내용을 추출하고 해당 날짜의 Daily Note에 자동으로 반영하는 skill.
서브 에이전트 기반 병렬 처리로 메인 에이전트의 컨텍스트를 최소화합니다.
┌─────────────────────────────────────────────────────────────┐
│ Main Agent (Orchestrator) │
│ - 날짜 결정 (Phase 1) │
│ - 서브 에이전트 병렬 실행 (Phase 2) │
│ - 결과 수집 및 Daily Note 반영 (Phase 3) │
└─────────────────────────────────────────────────────────────┘
│
┌───────────┬──────────────┼──────────────┐
│ │ │ │
▼ ▼ ▼ ▼
┌────────┐ ┌────────────┐ ┌────────┐ ┌────────┐
│ Sub 1 │ │ Sub 2 │ │ Sub 3 │ │ Sub 4 │
│ Vault │ │ CC+Learn │ │ Meetng │ │ Things │
│ Files │ │ (history) │ │ Notes │ │ Analzr │
└────────┘ └────────────┘ └────────┘ └────────┘
│ │ │ │
└───────────┴──────────────┼──────────────┘
▼
┌─────────────────┐
│ Daily Note 반영 │
│ (Main Agent) │
└─────────────────┘
| 인수 | 설명 | 기본값 |
|---|---|---|
| 날짜 | 분석할 날짜 (YYYY-MM-DD 형식) | 어제 날짜 |
사용 예시:
/daily-work-logger - 어제 날짜 분석 및 반영/daily-work-logger 2026-01-12 - 특정 날짜 분석 및 반영| 항목 | 경로 |
|---|---|
| vault | $VAULT_ROOT/ |
| dailies | $VAULT_ROOT/notes/dailies/ |
| 미팅 노트 | notes/dailies/YYYY-MM-DD-*.md |
| 기술 문서 | 001-INBOX/, 003-RESOURCES/ |
| Codex 세션 | ~/.Codex/history.jsonl (세션 인덱스) |
TARGET_DATE="${1:-$(date -v-1d +%Y-%m-%d)}"
NEXT_DATE=$(date -j -f "%Y-%m-%d" -v+1d "$TARGET_DATE" +%Y-%m-%d)
echo "대상 날짜: $TARGET_DATE"
DAILY_NOTE="$VAULT_ROOT/notes/dailies/${TARGET_DATE}.md"
중요: 아래 4개의 Task를 단일 메시지에서 동시에 호출하여 병렬 실행합니다. 각 서브 에이전트는 분석 결과를 마크다운 형식의 텍스트로 반환합니다. 비용/속도 최적화를 위해 haiku 모델을 사용합니다.
Task 호출 파라미터:
| 파라미터 | 값 |
|---|---|
| description | "Vault 파일 분석" |
| subagent_type | "general-purpose" |
| model | "sonnet" |
프롬프트 (TARGET_DATE, NEXT_DATE 치환 필요):
당신은 Obsidian Vault 파일 분석 전문가입니다. 코드를 작성하지 말고 분석만 수행하세요.
## 작업
{TARGET_DATE} 날짜에 생성/수정된 파일들을 분석하여 업무 관련 내용을 추출합니다.
## 경로
- Vault: $VAULT_ROOT/
- 분석 대상 디렉토리: 001-INBOX/, 003-RESOURCES/, 000-SLIPBOX/, work-log/
## 실행 단계
1. Bash로 해당 날짜에 수정된 .md 파일 찾기 (macOS 호환):
find $VAULT_ROOT -name "*.md" -type f -exec stat -f "%Sm %N" -t "%Y-%m-%d" {} \; 2>/dev/null | grep "{TARGET_DATE}" | awk '{print $2}' | grep -v "notes/dailies/"
**주의**: macOS BSD find는 `-newermt` 옵션이 다르게 동작하므로 `stat` + `grep` 조합 사용
2. 발견된 각 파일의 내용 읽기 (Read 도구 사용)
3. 업무 관련 내용 추출:
- 기술 학습 내용
- 문서 작성/수정 내용
- 프로젝트 관련 작업
## 출력 형식 (마크다운으로 반환)
### Vault 문서 작업
- **[파일명]**: 작업 내용 요약 (1-2줄)
(파일이 없으면 "해당 날짜에 수정된 vault 문서 없음" 반환)
Task 호출 파라미터:
| 파라미터 | 값 |
|---|---|
| description | "Codex 세션 및 학습 분석" |
| subagent_type | "general-purpose" |
| model | "sonnet" |
프롬프트 (TARGET_DATE 치환 필요):
당신은 Codex 세션 분석 및 학습 내용 추출 전문가입니다. 코드를 작성하지 말고 분석만 수행하세요.
## 작업
{TARGET_DATE} 날짜의 Codex 세션을 ~/.Codex/history.jsonl 파일에서 파싱하여:
1. 수행한 작업을 프로젝트별로 요약
2. 학습 관련 내용을 추출하여 분류
## 실행 단계
### 1단계: history.jsonl 파싱으로 세션 추출
Bash 도구로 python3 스크립트를 실행하여 {TARGET_DATE}에 해당하는 세션들을 추출합니다:
python3 -c "
import json, datetime, os
with open(os.path.expanduser('~/.Codex/history.jsonl')) as f:
lines = f.readlines()
target_start = datetime.datetime(int('{TARGET_DATE}'[:4]), int('{TARGET_DATE}'[5:7]), int('{TARGET_DATE}'[8:10]), 0, 0, 0).timestamp() * 1000
target_end = target_start + 86400000
sessions = {}
for line in lines:
obj = json.loads(line)
ts = obj.get('timestamp', 0)
if target_start <= ts < target_end:
sid = obj.get('sessionId', 'no-sid')
proj = obj.get('project', 'unknown')
display = obj.get('display', '').strip()
if not display:
continue
proj_name = proj.split('/')[-1] if '/' in proj else proj
if sid not in sessions:
sessions[sid] = {'project': proj_name, 'project_path': proj, 'messages': []}
sessions[sid]['messages'].append(display[:200])
for sid, info in sorted(sessions.items(), key=lambda x: x[1]['project']):
print(f'### {info[\"project\"]} (세션: {sid[:8]}...)')
for m in info['messages']:
print(f' > {m}')
print()
"
### 2단계: 결과 분석 및 정리
1단계에서 출력된 프로젝트별 세션 정보를 분석합니다.
각 프로젝트에서 수행한 작업을 user message(display) 내용으로부터 파악합니다.
- 슬래시 명령어(예: /obsidian:summarize-article)는 해당 도구 사용으로 기록
- URL이 포함된 메시지는 해당 리소스 작업으로 기록
- 일반 메시지는 작업 내용 그대로 요약
- /clear, /resume 등 세션 관리 명령어는 무시
학습 감지 기준:
- 새로운 도구, 라이브러리, API 사용 (처음 보이는 도구/명령어)
- 버그 해결 과정에서 얻은 인사이트 (문제→해결 패턴)
- 설계 결정과 그 이유
- 처음 접한 개념이나 패턴
## 에러 처리
- history.jsonl 파일 없음 → "history.jsonl 파일을 찾을 수 없음 — Codex 세션 분석 건너뜀" 반환
- 해당 날짜 세션 0건 → 아래 형식에서 각 섹션에 "없음" 표시
## 출력 형식 (마크다운으로 반환 — 반드시 아래 두 섹션 모두 포함)
### Codex 작업
- **[프로젝트명]**: 수행 작업 요약
- 세부 작업 1
- 세부 작업 2
### 학습 기록
#### 기술/도구
- **[도구명]**: 설명 (1줄)
#### 개념
- **[개념명]**: 설명 (1줄)
#### 해결방법
- **[문제]**: 해결 방법 요약
(각 하위 섹션에 해당 항목이 없으면 "없음" 표시)
Task 호출 파라미터:
| 파라미터 | 값 |
|---|---|
| description | "미팅 노트 분석" |
| subagent_type | "general-purpose" |
| model | "sonnet" |
프롬프트 (TARGET_DATE 치환 필요):
당신은 미팅 노트 분석 전문가입니다. 코드를 작성하지 말고 분석만 수행하세요.
## 작업
{TARGET_DATE} 날짜의 미팅 노트를 분석하여 주요 내용을 추출합니다.
## 경로
- 미팅 노트 패턴: $VAULT_ROOT/notes/dailies/{TARGET_DATE}-*.md
## 실행 단계
1. Bash로 미팅 노트 파일 찾기:
ls $VAULT_ROOT/notes/dailies/{TARGET_DATE}-*.md 2>/dev/null
2. 발견된 각 미팅 노트 파일 읽기 (Read 도구 사용)
3. 각 미팅 노트에서 추출:
- 미팅 주제/제목 (파일명에서 추출)
- 참석자 (있는 경우)
- 주요 논의 사항
- 결정 사항 / Action Items
## 출력 형식 (마크다운으로 반환)
### 미팅
- **[미팅 제목]**
- 주요 논의: ...
- 결정 사항: ...
- Action Items: ...
(미팅 노트가 없으면 "해당 날짜에 미팅 노트 없음" 반환)
Task 호출 파라미터:
| 파라미터 | 값 |
|---|---|
| description | "Things 활동 분석" |
| subagent_type | "general-purpose" |
| model | "sonnet" |
프롬프트 (TARGET_DATE 치환 필요):
당신은 Things 3 작업 관리 분석 전문가입니다. 코드를 작성하지 말고 분석만 수행하세요.
## 작업
{TARGET_DATE} 날짜의 Things 활동 내역(완료된 작업, 새로 추가된 작업)을 분석합니다.
## 실행 단계
1. ToolSearch 도구로 "things" 검색하여 Things MCP 도구를 로드합니다.
- 도구가 발견되지 않으면 "Things MCP 서버 미설정 - 건너뜀" 반환
2. 완료된 작업 수집:
Things MCP의 get_logbook 도구를 호출합니다 (period="1d").
반환된 결과에서 각 작업의 제목, 프로젝트명, 영역명을 추출합니다.
3. 새로 추가된 작업 수집:
Things MCP의 get_recent 도구를 호출합니다 (period="1d").
반환된 결과에서 각 작업의 제목, 할당된 리스트/프로젝트를 추출합니다.
4. 결과를 아래 형식으로 정리합니다.
## 에러 처리
- Things MCP 도구 로드 실패 → "Things MCP 서버 미설정 - 건너뜀" 반환
- Things 앱 접근 불가 → "Things 데이터 접근 불가" 반환
- 항목 없음 → 해당 섹션에 "없음" 표시
## 출력 형식 (마크다운으로 반환)
### Things 활동
#### 완료된 작업
- **[작업 제목]** (프로젝트명 | 영역명)
- **[작업 제목]** (프로젝트명)
#### 새로 추가된 작업
- **[작업 제목]** → [할당된 리스트/프로젝트]
- **[작업 제목]** → Inbox
(각각 해당 항목이 없으면 "없음" 표시)
(Things MCP 미설정 시 "Things MCP 서버 미설정 - 건너뜀" 반환)
4개 서브 에이전트 결과 수집
Daily Note 확인
결과 통합하여 Daily Note에 반영
Edit 또는 Write 도구를 사용하여 Daily Note에 다음 섹션 추가/업데이트:
## 작업 내역
{SubAgent 1 결과 - Vault 문서 작업}
{SubAgent 2 결과 중 "Codex 작업" 섹션}
{SubAgent 3 결과 - 미팅}
{SubAgent 4 결과 - Things 활동}
{SubAgent 2 결과 중 "학습 기록" 섹션}
{TARGET_DATE} 작업 내역이 Daily Note에 반영되었습니다.
단일 응답에서 4개 Task 동시 호출: 메인 에이전트는 Phase 2에서 하나의 응답에 4개의 Task 도구 호출을 포함해야 합니다.
haiku 모델 사용: 비용과 속도 최적화를 위해 서브 에이전트는 haiku 모델을 사용합니다.
결과만 반환: 각 서브 에이전트는 마크다운 형식의 분석 결과 텍스트만 반환합니다.
메인 에이전트 역할 최소화:
| 구분 | 기존 방식 | 서브 에이전트 방식 |
|---|---|---|
| 메인 에이전트 컨텍스트 | 모든 파일 내용 로드 | 최종 결과만 수신 |
| 병렬 처리 | 불가 | 4개 작업 동시 실행 |
| 실패 격리 | 전체 실패 | 개별 서브 에이전트만 재시도 |
learning-tracker: 학습 내용 추출 (독립 실행 전용)weekly-Codex-analytics: 주간 종합 분석project-time-tracker: 프로젝트별 시간 추적usage-pattern-analyzer: 도구 사용 패턴 분석obsidian-vault: vault 작업 기본 가이드| MCP 서버 | 용도 | 등록 명령 |
|---|---|---|
| Things MCP | SubAgent 4에서 Things 활동 분석 | Codex mcp add-json -s user things '{"command":"uvx","args":["things-mcp"]}' |
참고: Things MCP 서버가 등록되어 있지 않아도 스킬은 정상 동작합니다. 해당 서브 에이전트만 "건너뜀" 처리됩니다. SubAgent 2는
~/.Codex/history.jsonl파일을 직접 파싱하므로 별도 MCP 서버가 필요 없습니다.