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
npx skills add Johell1NS/drinks-sommelier --skill drinks-sommelier이 코드는 skills 시스템에 drinks-sommelier 스킬을 npx 명령으로 설치하는 예시이다.
용어 해설
- 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.
- 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.
- 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.
- 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
코딩 에이전트와의 통합 사례
개발 도구와의 연동 사례
에이전트 호환성 예시
언급된 리소스
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
