drinks-sommelier: 에이전트용 로컬 우선 음료 추천 스킬

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

일상에서 마실 술을 고르기 어렵다는 문제에서 출발한 drinks-sommelier은 사용자가 한 번 입력한 맛 프로파일을 기준으로 사진이나 텍스트로 제공된 제품 목록을 실시간 웹 검색으로 보강한 뒤 0–100% 선호도 점수와 이유를 반환하는 에이전트용 스킬이다. 추천 과정은 사용자 프로파일 매칭, 제품별 웹 메타데이터 추출, 점수 산출의 순서로 이루어지고 각 추천은 점수와 설명을 함께 제공하며 사용자의 '좋아요/싫어요' 피드백이 들어오면 로컬 데이터베이스를 자동 갱신해 추천을 점진 개선한다. 제로 종속성, MIT 라이선스, 로컬 텍스트 파일 기반 저장을 내세워 외부 API나 서버 없이 다양한 에이전트와 연동할 수 있도록 설계되어 있으며 설치는 npx 명령과 공개 GitHub 리포지토리를 통해 재현 가능하다. 이 구성은 네트워크 의존도를 낮추면서 개인화 추천을 빠르게 시험하려는 프로젝트에 실용적이나, 게시물 자체에는 내부 점수 산출식이나 검색·정제의 상세 알고리즘 수치가 제시되어 있지 않으므로 정확한 재현을 위해 리포지토리 내 구현 검토가 필요하다.

섹션별 상세

사용자 선호를 한 번 입력해 놓으면 이후 추천 과정에서 이를 기준으로 매칭을 수행하는 흐름이 핵심이다. 사용자는 단맛·쓴맛·알코올 도수·선호 스타일 등 맛 프로파일을 에이전트에 등록하고, 에이전트는 이 프로파일을 내부 사용자 모델로 저장한 뒤 입력된 제품 목록이나 사진에서 추출한 메타데이터와 비교해 점수를 계산한다. 게시물에서는 점수 범위를 0–100%로 명시하며 각 추천에 대해 점수와 이유를 함께 반환한다고 명시되어 실제 추천의 투명성이 설계 목표임이 확인된다. 이 방식은 동일한 입력이 들어왔을 때 일관된 추천 순위를 제공하고 피드백을 통해 사용자 모델을 누적 갱신할 수 있다는 점에서 실무적 응용이 가능하다.

제품 정보를 실시간으로 검색해 허구 데이터를 배제하는 검색 기반 보강 전략이 추천 품질을 유지하는 방식으로 설명되어 있다. 사용자가 슈퍼마켓 선반 사진이나 메뉴 텍스트를 전달하면 에이전트는 각 제품에 대해 최신 웹 정보를 조회하여 속성(브랜드, 스타일, 도수 등)을 추출하고 내부 매칭 로직의 입력 데이터로 활용한다. 게시물은 이 과정을 통해 'hallucination'을 줄였다고 주장하며, 외부 데이터 수집을 통해 제품별 신뢰 가능한 메타데이터를 확보하는 점을 근거로 제시하고 있다. 이 접근은 빠르게 변하는 제품 카탈로그에서 추천 근거를 신선하게 유지하는 데 적합하다.

프로젝트 설계는 에이전트 호환성과 설치 편의성, 그리고 종단 간 프라이버시에 중점을 두고 있다. README 기반의 어댑터로 다양한 에이전트(OpenClaw, Hermes Agent, OpenCode, Claude Code, Cursor 등)와 연동되며 처음 설정 시 맛 질문을 통해 자동 설정을 수행하고 이후 피드백 '좋아요/싫어요'로 데이터베이스를 갱신하는 자가 구성 흐름을 따른다. 게시물은 별도의 종속성, API 키, 외부 서버를 요구하지 않는 '제로 디펜던시'와 MIT 라이선스를 강조하면서 로컬 텍스트 파일에 선호를 저장한다고 명시해 데이터 유출 위험을 낮춘다고 주장한다. 이 설계는 네트워크 의존성을 낮추고 오프라인 환경에서도 개인화 추천을 유지하려는 실무 요구를 충족한다.

설치와 재현 가능성 측면에서 GitHub 리포지토리와 npx 설치 명령이 명시되어 있어 실제 사용자가 바로 시도할 수 있도록 구성되어 있다. 게시물에는 npx로 스킬을 추가하는 단일 명령 예시가 포함되어 있으며 리포지토리 링크가 제공되어 코드와 설정 절차를 직접 확인할 수 있다. 또한 피드백 루프가 자동으로 사용자 프로파일과 데이터베이스를 갱신하도록 설계되어 지속적인 품질 개선이 가능하다고 기술되어 있다. 이러한 배포 방식은 빠른 프로토타이핑과 로컬 우선 개인화 실험을 수행하려는 개발자에게 실용적인 출발점을 제공한다.

bash

npx skills add Johell1NS/drinks-sommelier --skill drinks-sommelier

이 코드는 skills 시스템에 drinks-sommelier 스킬을 npx 명령으로 설치하는 예시이다.

용어 해설

에이전트 스킬(Agent Skill): — 에이전트 환경에서 특정 작업을 수행하도록 설계된 플러그인 또는 모듈로, 입력(사용자 선호나 사진)을 받아 내부 로직으로 처리한 뒤 텍스트 결과와 점수 등 구조화된 출력을 반환하여 에이전트의 행동을 제어하는 역할을 한다.
선호도 점수(Preference Score): — 사용자 선호와 제품 특성을 비교해 0에서 100까지의 척도로 산출한 정량 점수로, 입력된 맛 프로파일과 외부에서 수집한 제품 정보를 매칭해 가중합 또는 규칙 기반 점수로 계산하여 추천 우선순위를 만든다.
자동 갱신 데이터베이스(Self-updating Database): — 사용자 피드백과 외부 검색 결과를 지속적으로 병합하여 로컬 또는 프로젝트 내 데이터 파일을 갱신하는 구성으로, 피드백이 들어올 때마다 사용자 프로파일과 제품 메타데이터를 갱신해 추천 정확도를 누적적으로 향상시키는 방식이다.
로컬 우선 프라이버시(Local-first Privacy): — 민감한 사용자 데이터를 외부 서버로 전송하지 않고 로컬 텍스트 파일에 저장하여 프라이버시 리스크를 줄이는 설계 철학으로, 네트워크 호출을 최소화하고 사용자 설정과 피드백을 기기 내에서 관리하는 것을 목표로 한다.

언급된 도구

Claude Code중립

코딩 에이전트와의 통합 사례

Cursor중립

개발 도구와의 연동 사례

Hermes Agent중립

에이전트 호환성 예시

언급된 리소스

GitHubdrinks-sommelier GitHub Repo