오늘은 AI 에이전트용 워크플로우와 로컬 퍼스트 개발 도구가 강하게 눈에 띈 날입니다. 특히 Agent Skills, goose, pm-skills처럼 에이전트의 “일하는 방식” 자체를 정교하게 만드는 프로젝트들과, turbovec, whichllm처럼 로컬 환경에서 AI를 더 빠르고 현실적으로 쓰게 해주는 도구들이 함께 올라왔습니다. 비전·의료·보안·노트 관리까지 범위도 넓지만, 공통점은 결국 개발자가 AI를 실제 작업에 안전하게 붙이기 위한 인프라를 다듬고 있다는 점입니다.

Agent Skills

AI 코딩 에이전트가 프로덕션 수준의 개발 절차를 따르도록 설계한 스킬 팩

  • GitHub: Agent Skills
  • 언어/스택: Markdown, SKILL.md, Claude Code / Cursor / Gemini CLI / Codex 연동
  • 카테고리: AI

무엇을 하는 프로젝트인가?
Agent Skills는 AI 코딩 에이전트에게 “대충 구현하고 끝내는 방식”이 아니라, 스펙 작성부터 테스트, 리뷰, 배포까지 이어지는 표준 개발 흐름을 주입하는 프로젝트입니다. 각 단계별로 필요한 체크리스트와 규율을 분리해, 에이전트가 작업 중간에 품질을 놓치지 않도록 설계했습니다. 단순한 프롬프트 모음이 아니라, 실제 팀의 엔지니어링 문화에 가까운 절차를 에이전트가 따르게 만드는 데 초점이 있습니다.
특히 테스트, 보안, 성능, 문서화 같은 품질 게이트를 명확히 둔 점이 인상적입니다.

주요 특징

  • 7개 슬래시 명령어: /spec, /plan, /build, /test, /review, /code-simplify, /ship로 작업 단계를 분리
  • 23개 스킬 구성: 개발 생명주기 전반을 커버하는 체크리스트와 운영 규칙 제공
  • 다중 도구 호환성: Claude Code, Cursor, Gemini CLI, Windsurf, OpenCode, Copilot 등과 연동 가능

개발자에게 의미하는 것
AI 에이전트를 “코드 생성기”가 아니라 “개발 프로세스의 참여자”로 쓰고 싶을 때 특히 유용합니다. 팀 단위로 반복되는 구현/검증 패턴을 정리해 에이전트에게 맡기려는 경우, 바로 실전 투입 가능한 참고 모델이 됩니다.

goose

로컬에서 실행되는 범용 AI 에이전트, 데스크톱·CLI·API를 모두 제공

  • GitHub: goose
  • 언어/스택: Rust, 네이티브 데스크톱 앱, CLI, API, MCP
  • 카테고리: AI

무엇을 하는 프로젝트인가?
goose는 코드 작업뿐 아니라 리서치, 문서 작성, 업무 자동화까지 처리하는 로컬 실행형 AI 에이전트입니다. 데스크톱 앱과 CLI, API를 한 프로젝트에서 제공해 사용 맥락에 따라 인터페이스를 바꿔 쓸 수 있다는 점이 장점입니다. Anthropic, OpenAI, Google, Ollama, OpenRouter 등 다양한 모델 제공자를 지원하고, MCP 확장으로 외부 도구와의 연결도 넓습니다.
즉, 단일 LLM 앱이 아니라 “내 작업 환경에 붙는 에이전트 플랫폼”에 가깝습니다.

주요 특징

  • 15개 이상 AI 제공자 지원: 클라우드/로컬 모델을 폭넓게 연결
  • 70개 이상 MCP 확장 연동: 외부 서비스와의 통합이 강함
  • Rust 기반 멀티플랫폼 구성: 성능과 이식성을 함께 고려

개발자에게 의미하는 것
로컬에서 민감한 작업을 처리하면서도 외부 도구 연동을 포기하고 싶지 않은 개발자에게 잘 맞습니다. 특히 사내 자동화나 개인용 에이전트 환경을 구축할 때, 데스크톱과 CLI를 동시에 제공하는 구조가 실용적입니다.

pm-skills

제품 매니저와 AI 어시스턴트를 위한 스킬/워크플로우 마켓플레이스

  • GitHub: pm-skills
  • 언어/스택: SKILL.md, Claude Code, Codex CLI, Gemini CLI 호환
  • 카테고리: AI

무엇을 하는 프로젝트인가?
pm-skills는 제품 기획과 실행을 AI가 더 구조적으로 돕도록 만든 워크플로우 중심 프레임워크입니다. 아이디어 발굴, 전략 수립, PRD 작성, 출시 계획, 핵심 지표 설계 같은 PM 업무를 슬래시 커맨드와 체인형 플로우로 정리했습니다. 단순히 문서를 생성하는 수준을 넘어서, 제품 의사결정의 순서를 표준화하는 데 강점이 있습니다.
PM이 반복적으로 하는 작업을 에이전트가 일관된 방식으로 수행하도록 만든 점이 핵심입니다.

주요 특징

  • 68개 PM 스킬과 42개 체인 워크플로우 제공
  • /discover, /strategy, /write-prd, /plan-launch 등 실무형 커맨드 구성
  • 시장 조사, 경쟁 분석, OKR, 로드맵, A/B 테스트 분석까지 폭넓게 포함

개발자에게 의미하는 것
제품팀과 개발팀 사이의 문맥 차이를 줄이는 데 도움이 됩니다. 특히 AI를 활용해 기획 문서, 가설 검증, 출시 준비를 구조화하려는 팀이라면 실전적인 템플릿 저장소로 쓸 수 있습니다.

turbovec

메모리 효율과 속도를 동시에 노리는 Rust 기반 벡터 검색 엔진

  • GitHub: turbovec
  • 언어/스택: Rust, Python 바인딩(maturin), SIMD, ANN
  • 카테고리: 데이터

무엇을 하는 프로젝트인가?
turbovec는 대규모 임베딩을 적은 메모리로 저장하고 빠르게 검색하기 위한 벡터 인덱스 라이브러리입니다. TurboQuant 계열 양자화를 활용해 검색 성능과 압축률을 함께 노리고 있으며, Python 바인딩도 제공해 RAG나 검색 파이프라인에 쉽게 붙일 수 있습니다. 학습 단계나 재빌드가 필요 없는 온라인 인제스트를 지원하는 것도 큰 장점입니다.
로컬 RAG, 지연 시간이 중요한 검색 시스템, 프라이버시가 필요한 환경에 특히 잘 맞습니다.

주요 특징

  • 온라인 ingest 지원: 새 벡터를 넣으면 즉시 인덱싱
  • 필터링 검색 지원: allowlist / 비트마스크로 후보군 제한
  • ARM NEON, x86 AVX2/AVX-512 SIMD 최적화 제공

개발자에게 의미하는 것
관리형 벡터 DB 없이도 로컬에서 빠른 ANN 검색을 구현하고 싶을 때 유용합니다. 특히 “메모리는 적게, 검색은 빠르게”가 중요한 제품에서 대안이 될 수 있습니다.

whichllm

내 하드웨어에서 실제로 돌릴 수 있는 로컬 LLM을 추천하는 CLI

  • GitHub: whichllm
  • 언어/스택: Python, Typer, HuggingFace API, Rich
  • 카테고리: AI

무엇을 하는 프로젝트인가?
whichllm은 GPU, CPU, RAM 같은 로컬 하드웨어 조건을 읽고, 지금 기기에서 실행 가능한 LLM을 추려주는 도구입니다. 단순한 VRAM 계산이 아니라 실제 벤치마크와 모델 형식을 함께 고려해서 “돌아가는 모델”이 아니라 “잘 맞는 모델”을 추천합니다. plan, run, snippet 같은 흐름도 있어 곧바로 채팅하거나 코드에 붙이기 좋습니다.
로컬 모델 선택의 시행착오를 줄여주는 실용적인 가이드에 가깝습니다.

주요 특징

  • 하드웨어 자동 감지: NVIDIA, AMD, Apple Silicon, CPU-only 지원
  • 실행 가능성 예측: 모델 형식과 메모리 조건을 종합 판단
  • --gpu, --json, plan/upgrade로 진단과 계획 수립 가능

개발자에게 의미하는 것
로컬 LLM을 테스트하려는데 “뭘 깔아야 할지”부터 막히는 경우에 특히 유용합니다. 개발자 입장에서는 모델 비교보다 설치 가능성과 체감 성능을 먼저 보게 되는데, 그 판단을 빠르게 도와줍니다.

supervision

컴퓨터 비전 모델 주변의 실무 레이어를 빠르게 붙여주는 Python 툴킷

  • GitHub: supervision
  • 언어/스택: Python, OpenCV, PIL, Roboflow Inference
  • 카테고리: 기타

무엇을 하는 프로젝트인가?
Supervision은 탐지, 분류, 세그멘테이션 모델의 결과를 다루는 주변 작업을 쉽게 만들어주는 비전 툴킷입니다. 모델 자체보다 결과 시각화, 추적, 카운팅, 데이터셋 변환 같은 앱 레이어를 빠르게 구성하는 데 초점이 있습니다. 여러 모델 출력 형식을 Detections 중심으로 통합해서 다룰 수 있는 점이 실무에서 특히 편리합니다.
비전 모델을 실제 서비스로 옮길 때 필요한 “접착제” 역할을 해주는 도구입니다.

주요 특징

  • Annotator 중심: 박스, 라벨, 마스크, 트래킹 시각화 지원
  • 데이터셋 유틸리티: COCO, YOLO, VOC 변환/병합/분할 가능
  • 실시간 분석 기능: 존 카운팅, 추적 기반 분석 지원

개발자에게 의미하는 것
객체 탐지 모델을 데모로 끝내지 않고 대시보드나 운영 시스템으로 옮길 때 유용합니다. 비전 파이프라인의 반복 구현을 줄여주기 때문에, 제품화 속도를 높이는 데 도움이 됩니다.

openmed

임상 텍스트를 로컬에서 구조화하고 비식별화하는 의료 AI

  • GitHub: openmed
  • 언어/스택: Python, Hugging Face, FastAPI, Docker, MLX
  • 카테고리: 보안

무엇을 하는 프로젝트인가?
OpenMed는 의료 문서에서 엔티티를 추출하고 개인정보를 비식별화하는 로컬 퍼스트 의료 AI 프로젝트입니다. 환자 데이터가 외부 클라우드로 나가지 않도록 설계돼, 민감한 임상 텍스트 처리에 적합합니다. 질병, 약물, 해부학, 유전자 같은 엔티티를 추출하고, Safe Harbor 기준의 식별자를 마스킹/치환하는 기능이 핵심입니다.
의료 데이터의 보안성과 실용성을 함께 고려한 점이 강점입니다.

주요 특징

  • 1,000개 이상 의료 특화 모델 제공
  • 12개 언어 지원과 비식별화 방식 다양화
  • Docker REST API, 배치 처리, 오프라인 환경 지원

개발자에게 의미하는 것
병원, 헬스케어 스타트업, 연구 환경처럼 데이터 반출이 민감한 곳에서 특히 유용합니다. 로컬 처리와 규제 대응을 동시에 고려해야 하는 팀에게 현실적인 출발점이 됩니다.

Tolaria

파일 우선·Git 우선 철학의 마크다운 지식 베이스 데스크톱 앱

  • GitHub: Tolaria
  • 언어/스택: Tauri, React, TypeScript, Rust
  • 카테고리: 기타

무엇을 하는 프로젝트인가?
Tolaria는 마크다운 노트를 로컬 파일로 관리하고 Git으로 버전까지 함께 다루는 데스크톱 지식 관리 앱입니다. 클라우드 계정이나 구독에 의존하지 않고, 오프라인 우선으로 돌아가며, AI 에이전트의 메모리나 업무 문맥 저장소로도 활용할 수 있게 설계됐습니다. 대규모 노트 워크스페이스를 다루는 데 초점을 맞춘 점이 눈에 띕니다.
노트 앱이지만 실제로는 “개인용 문서 저장소 + Git 기반 작업공간”에 가깝습니다.

주요 특징

  • files-first / git-first 구조로 로컬 저장과 버전 관리를 자연스럽게 결합
  • 마크다운 + YAML frontmatter 기반 표준 문서 형식
  • 키보드 중심 UX와 10,000+ 노트 규모 워크스페이스 대응

개발자에게 의미하는 것
개인 메모와 팀 문서를 클라우드 서비스에 종속시키고 싶지 않은 사람에게 잘 맞습니다. 특히 AI 워크플로우와 연결되는 지식 베이스를 직접 통제하고 싶을 때 유용합니다.

career-ops

AI와 로컬 도구로 구직 과정을 자동화하는 잡서치 커맨드 센터

  • GitHub: Career-Ops
  • 언어/스택: Node.js, Go, Playwright, Bubble Tea, Markdown/YAML/TSV
  • 카테고리: 기타

무엇을 하는 프로젝트인가?
Career-Ops는 구직 활동을 스프레드시트가 아니라 자동화된 파이프라인으로 관리하게 해주는 도구입니다. 채용 공고를 평가해 지원 가치가 높은 포지션을 선별하고, ATS 친화적인 PDF 이력서를 생성하며, 지원 기록까지 함께 관리합니다. 여러 기업과 채용 포털을 스캔해 점수화하는 구조라, “무조건 지원”이 아니라 “선별 지원”에 맞춰져 있습니다.
개인의 커리어 탐색을 데이터 기반 운영으로 바꿔주는 점이 특징입니다.

주요 특징

  • A~F 등급 평가와 10개 가중치 기준으로 공고 분석
  • 45개 이상 기업, 19개 검색 쿼리 기반 배치 스캔
  • TUI 대시보드와 STAR+R 면접 대비, 협상 스크립트 제공

개발자에게 의미하는 것
이직 준비를 체계화하고 싶은 개발자에게 실전적으로 유용합니다. 특히 공고 수집, 요약, CV 맞춤화 같은 반복 작업을 줄여서 “지원할 곳”을 빠르게 좁히는 데 도움이 됩니다.

オ픈CV(OpenCV)

실시간 영상 처리와 컴퓨터 비전의 사실상 표준 라이브러리

  • GitHub: opencv
  • 언어/스택: C++, Python, Java, CMake, CUDA/OpenCL
  • 카테고리: 시스템

무엇을 하는 프로젝트인가?
OpenCV는 이미지 처리, 객체 탐지, 추적, 얼굴 인식, 3D 비전까지 포괄하는 대표적인 컴퓨터 비전 라이브러리입니다. 연구용 샘플부터 상용 영상 분석 파이프라인까지 폭넓게 쓰이며, 다양한 언어 바인딩 덕분에 접근성도 좋습니다. 실시간 처리와 성능 최적화가 중요할수록 여전히 강력한 선택지입니다.
오래된 프로젝트이지만 여전히 비전 분야의 기본 도구로 살아 있습니다.

주요 특징

  • 이미지/비디오 입출력과 전처리 기능이 매우 풍부
  • 객체 추적, 특징 추출, 기하 변환, DNN 추론까지 지원
  • SIMD, 멀티스레딩, GPU 가속 연계 가능

개발자에게 의미하는 것
비전 분야에서 “처음부터 끝까지 직접 구현하지 않기” 위한 기본 라이브러리입니다. 빠른 프로토타입부터 성능 튜닝까지 넓은 범위에서 활용할 수 있습니다.

last30days-skill

여러 플랫폼의 실제 반응을 모아 트렌드와 관심도를 요약하는 AI 검색 스킬

  • GitHub: last30days-skill
  • 언어/스택: Python, Node.js, yt-dlp, SQLite, Brave Search API
  • 카테고리: AI

무엇을 하는 프로젝트인가?
last30days-skill은 주제에 맞는 인물, 기업, 제품, 커뮤니티를 먼저 식별한 뒤 다양한 플랫폼의 반응 신호를 병렬로 수집해 브리프로 합치는 검색 스킬입니다. 단순 키워드 검색이 아니라 실제 참여도와 사회적 관심을 읽어내는 데 초점을 둡니다. Reddit, X, YouTube, GitHub, Hacker News 등에서 결과를 모아 요약하므로, 트렌드 리서치용 보조 도구로 쓰기 좋습니다.
SEO보다 “지금 사람들이 무엇을 이야기하는가”를 파악하는 데 강합니다.

주요 특징

  • 멀티 소스 병렬 조사와 중복 스토리 클러스터 병합
  • Best Takes, ELI5, 인물 모드, 비교 브리프 등 다양한 요약 방식
  • HTML 브리프 내보내기와 트렌드 모니터링 기능 제공

개발자에게 의미하는 것
제품 조사, 시장 검증, 경쟁사 모니터링을 빠르게 돌려야 할 때 유용합니다. 에이전트 기반 리서치 워크플로우를 만들고 있다면 참고할 만한 패턴이 많습니다.

시스템 프롬프트와 모델 정보 모음

다양한 AI 도구의 시스템 프롬프트와 모델 관련 자료를 모은 공개 아카이브

무엇을 하는 프로젝트인가?
이 저장소는 여러 AI 도구의 시스템 프롬프트, 모델 정보, 관련 인사이트를 모아둔 자료집입니다. 애플리케이션 구현보다 프롬프트 구조와 에이전트 동작 방식에 관심 있는 개발자, 연구자, 보안 실무자에게 참고할 만한 내용을 제공합니다.
특히 AI 제품의 프롬프트 노출이나 모델 유출 같은 보안 이슈를 점검하는 관점에서 의미가 큽니다.

주요 특징

  • AI 도구별 시스템 프롬프트와 모델 자료 정리
  • 보안 관점의 참고 자료와 위협 인식 제공
  • 커뮤니티 업데이트, 이슈, 외부 배지 서비스 연동

개발자에게 의미하는 것
프롬프트 보안, 에이전트 분석, 제품 리버스 엔지니어링 관점에서 유용한 참고 저장소입니다. AI 서비스를 만드는 팀이라면 “무엇을 숨겨야 하는가”를 생각하게 만드는 자료로 볼 수 있습니다.

기타 주목할 프로젝트

  • AiToEarn: 콘텐츠 생성·배포·수익화를 AI 에이전트로 자동화하는 마케팅 플랫폼
  • ChinaTextbook: 중국 교육 교재를 공개 아카이브로 모아둔 자료 저장소
  • OpenMed: 의료 텍스트 비식별화와 엔티티 추출을 로컬에서 처리하는 프로젝트
  • ESPectre: Wi‑Fi CSI로 사람의 움직임을 감지하는 ESP32 기반 모션 탐지 시스템
  • plugins: Codex 플러그인 예제를 모아둔 큐레이션 저장소

오늘의 한 줄 정리: AI 에이전트는 더 똑똑해지는 것보다, 더 잘 일하게 만드는 쪽으로 진화하고 있습니다. 동시에 로컬 실행, 보안, 품질 검증, 실무 워크플로우를 다루는 도구들이 함께 떠오르며 “AI를 제품에 넣는 방법” 자체가 트렌드가 되고 있습니다.

매일 아침 GitHub Trending을 릿치 블로그에서 만나보세요.