act-operator/README_KR.md at main · Proact0/act-operator

Act Operator

※ Read this in English: README.md

LangGraph 1.0+ 프로젝트 구조를 제어하기 위한 프로덕션 하네스. 프로토타입이 아닌 실제 프로덕트에서 쓸 수 있도록 설계되었습니다.

uvx --from act-operator act new

문제: 컨텍스트 격차

같은 AI 모델, 사람인데 왜 결과가 다를까

LangGraph로 개발하다가 팀 내에서 이상한 현상을 계속 목격했습니다.

LangGraph에 익숙한 개발자가 Claude Code에게 워크플로우 구현을 시키면 뛰어난 코드가 나옵니다. 그런데 처음 접한 개발자가 같은 Claude Code에게 같은 요청을 하면 일반적이고, 일관성 없고, 미묘하게 잘못된 코드가 나옵니다. 같은 모델입니다. 왜 그랬을까요?

문제는 모델이 아닌 컨텍스트 격차(Context Gap) 였습니다 — 그리고 이건 사람과 AI 에이전트 모두에게 동일하게 적용됩니다. 온보딩 없이 투입된 새 팀원이 같은 코드베이스에서 헤매는 이유도 같습니다: 컨벤션은 암묵적이고, 아키텍처는 누군가의 머릿속에만 있고, 가이드해줄 구조화된 환경이 없습니다. AI 에이전트도 다르지 않습니다.

숙련자도 이 벽에 부딪힙니다. 세션이 바뀌면 에이전트가 지난 설계를 잊습니다. 어제 정한 아키텍처를 오늘의 에이전트는 모릅니다. 지식은 사람 머릿속에만 있고, 코드베이스 안에는 없으니까요. 사람이 컨벤션을 찾을 수 없으면 에이전트도 찾을 수 없습니다.

이걸 해결하기 위해서 프롬프트 개선이나 더 좋은 모델이 필요한 게 아닙니다. 사람과 에이전트가 함께 동작하는 환경 자체를 설계해야 합니다.

하네스란 무엇인가?

하네스(harness)라는 단어는 고대 프랑스어 harnois에서 왔습니다. 원래 의미는 "군대 장비, 통제 도구"입니다. 1690년대부터 비유적 의미가 확립됩니다: 통제되지 않은 힘을 올바른 방향으로 제어해서 사용하다. 바람을 에너지로 바꾸는 풍력 발전소가 "바람을 하네싱(harnessing)한다"고 하는 것과 같은 맥락입니다.

공학에서 이 원칙은 형태만 바꿔 반복해서 등장했습니다:

전기 배선 하네스(Wiring Harness): 복잡하게 얽힌 전선을 하나의 번들로 묶어 제어 가능한 단위로 만드는 장치. 자동차 산업에서 수십 년째 표준입니다.
테스트 하네스(Test Harness): 전체 인프라 없이 특정 컴포넌트를 격리해서 실행할 수 있도록 스텁과 드라이버로 구성한 실행 환경. 소프트웨어 테스팅의 핵심 개념입니다.
CI/CD 파이프라인: 코드가 직접 프로덕션으로 가지 않고 빌드·테스트·검증 레이어를 통과하도록 구조화한 통제 환경. 이것도 하나의 하네스입니다.

공통점은 하나입니다:

통제되지 않는 대상(전선, 코드 컴포넌트, 배포 흐름)을 올바른 방향으로 제어하기 위한 외부 환경 설계.

AI 기반 개발에서 하네스는 누가 작업하든 상관없이 사람과 AI 에이전트 모두가 올바른 출력을 안정적으로 생성할 수 있도록 감싸는 스캐폴딩, 실행 가능한 지식, 피드백 루프의 시스템입니다.

Act Operator는 이를 세 가지 레이어로 구현합니다:

레이어	역할	Act에서의 구현
스캐폴딩	첫 번째 에이전트 프롬프트 이전에 조립되는 구조	`act new` — 모듈 컨벤션과 베이스 클래스가 내장된 완전한 프로젝트 스켈레톤 생성
실행 가능한 SSOT	에이전트와 사람이 런타임에 읽는 동작 가능한 파일로 인코딩된 지식	Act Template (프로젝트 구조, CI, 베이스 클래스, 설정), Agent Skills (에이전트용 50개 이상 패턴), Drawkit (팀용 시각적 아키텍처)
피드백 루프	세션을 넘어 에이전트를 정렬 상태로 유지하는 명세	`CLAUDE.md` — 스킬이 생성하고 세션 간 유지되는 아키텍처 다이어그램, 기능 명세, 개발 명령어

이 세 레이어는 함께 작동합니다. 스캐폴딩은 에이전트에게 일관된 시작점을 제공합니다. SSOT 레이어는 세 가지 형태의 실행 가능한 지식을 제공합니다: Act Template은 프로젝트 컨벤션(CI 워크플로우, 베이스 클래스, 테스트 구조, 설정)을 확립하고, 스킬은 그 구조 안에서 에이전트가 올바르게 추론할 수 있는 패턴을, Drawkit은 팀에게 아키텍처 다이어그램을 위한 공유 시각 어휘를 제공합니다. CLAUDE.md는 설계된 내용에 대한 지속적인 메모리를 제공합니다 — 다음 세션의 에이전트가 이전 세션이 중단된 지점에서 정확히 이어받을 수 있습니다.

용어 정리: Act는 하네스 인스턴스 — LangGraph 프로젝트입니다. Cast는 그 안의 그래프 단위입니다 (하나의 StateGraph = 하나의 Cast). 하나의 Act는 모노레포 안에 독립적인 패키지로 여러 Cast를 포함할 수 있습니다.

사용 사례: 대화형 에이전트, 에이전트 AI 시스템, 비즈니스 워크플로우 자동화, 다단계 데이터 파이프라인, 문서 처리 플로우 — 또는 상태 기반 그래프/워크플로우 오케스트레이션이 필요한 모든 애플리케이션.

빠른 시작

Python 3.11+ 필요.

# 새로운 Act 프로젝트 생성
uvx --from act-operator act new

# 대화형 프롬프트 따라하기:
# - 경로: 기본값 [.] 또는 새 경로
# - Act 이름: project_name
# - Cast 이름: workflow_name

생성 후 의존성 설치:

uv sync

AI와 함께 빌드 시작하기

프로젝트 루트에서 AI 도구를 실행합니다. Claude Code를 사용하는 경우:

claude

.claude/skills/의 스킬이 사전 로드되어 있습니다. 스킬 이름을 언급하여 활성화합니다:

@architecting-act를 사용해서 고객 지원 챗봇을 설계해줘

다른 도구 사용 시 참고: .claude 디렉터리 명명은 Claude Code 전용입니다. Cursor, Gemini CLI 등 스킬 디렉터리를 지원하는 다른 AI 도구를 사용하는 경우, 해당 도구의 컨벤션에 맞게 이름을 변경하세요.

OpenCode 빠른 시작

opencode .
# 또는
opencode run "고객 지원 챗봇을 설계해줘"

OpenCode는 프로젝트 루트의 .env를 사용합니다(langgraph.json의 env: ".env" 설정).

실행 가능한 SSOT

전통적인 팀은 개발, 설계 지식을 위키, 아키텍처 문서, 구전 지식으로 공유합니다. 문제는 문서가 낡아가고, 위키가 오래되고, 구전 지식이 팀원 변화에서 살아남지 못한다는 점입니다.

하네스는 이 지식을 살아있는 파일로 인코딩합니다 — 정적 문서가 아닌, 에이전트와 사람이 직접 읽는 실행 가능한 참조입니다. Act Operator는 세 가지 상호보완적 SSOT 구성요소를 스캐폴딩합니다:

구성요소	대상	제공하는 것
Act Template (scaffold)	개발자	프로젝트 스켈레톤 자체 — CI 워크플로우, 베이스 클래스, 테스트 구조, pre-commit 훅, 모노레포 설정, `.env.example`, `TEMPLATE_README.md` 사용 가이드
Agent Skills (`.claude/skills/`)	AI 에이전트	50개 이상 참조 패턴, 결정 트리, 아키텍처 템플릿 — 에이전트가 런타임에 읽음
Drawkit (`drawkit.xml`)	팀	draw.io용 Act 아키텍처 사전 정의 쉐이프 — 사람 간 커뮤니케이션을 위한 공유 시각 어휘

각 구성요소는 서로 다른 대상을 겨냥하면서 동일한 기저 컨벤션을 참조합니다. Act Template은 에이전트와 개발자 모두가 작업하는 구조적 기반을 확립합니다. 스킬은 그 구조 안에서 에이전트가 올바르게 구축하는 방법을, Drawkit은 팀에게 아키텍처 시각화 방법을 알려줍니다.

Agent Skills

스킬은 LangGraph 지식을 에이전트가 직접 읽는 파일로 인코딩합니다. 에이전트에게 어떤 패턴이 존재하는지 당신이 설명할 필요 없이, 스킬이 에이전트에게 필요한 정확한 패턴, 결정 트리, 참조 구현을 직접 보여줍니다. 모든 패턴은 추측이 아닌 공식 LangChain 1.0+/LangGraph 1.0+ 문서를 참조합니다. 스킬은 설계상 간결합니다: 불필요한 코드 생성 없이 컨텍스트 인식 가이드를 제공하여 긴 세션에서도 토큰 사용을 최소화합니다.

.claude/skills/
├── architecting-act/      # 설계 단계 — 에이전트 패턴, CLAUDE.md 생성
├── developing-cast/       # 구현 단계 — 50개 이상 LangGraph 패턴
├── developing-deepagent/  # DeepAgent 단계 — 서브에이전트, 백엔드, 샌드박스, HITL
├── streaming-cast/        # 스트리밍 단계 — 스트림 모드, SSE/WebSocket 통합
└── testing-cast/          # 테스팅 단계 — 모킹 전략, 픽스처, 커버리지

각 스킬은 SKILL.md(진입점)와 resources/(참조 문서)를 포함합니다. architecting-act는 추가로 scripts/(검증)와 templates/(CLAUDE.md 생성)를 포함합니다.

사용 가능한 스킬:

architecting-act — 그래프 아키텍처 및 노드 구성 전략 설계. 요구사항을 파악하기 위한 대화형 질문 시퀀스를 사용하고, 구현 단계의 지속적인 명세가 되는 CLAUDE.md를 출력합니다. 4가지 모드: 초기 설계, Cast 추가, Sub-Cast 추출, Cast 재설계.
developing-cast — LangGraph Cast 구현 (state, nodes, create_agent 에이전트, tools, memory, middlewares, graph 조립). CLAUDE.md를 단일 진실 소스(Source of Truth)로 읽습니다.
developing-deepagent — DeepAgent 하네스 구현 (create_deep_agent, 서브에이전트, 백엔드, 샌드박스 실행, HITL). Cast 노드에 다단계 계획이나 서브에이전트 위임이 필요한 경우 사용합니다.
streaming-cast — 서브그래프와 에이전트가 포함된 그래프를 위한 LangGraph v2 스트리밍 구현. 스트림 모드 (values, messages, updates, custom, events), StreamWriter, 네임스페이스 파싱을 통한 서브그래프/에이전트 스트리밍, 전송 계층 통합 (SSE, WebSocket)을 커버합니다.
testing-cast — LLM 모킹 전략을 사용한 pytest 테스트 작성. 노드 레벨 단위 테스트와 그래프 통합 테스트를 커버합니다.

노드 구성 유형

architecting-act 스킬이 그래프 아키텍처 설계 시 다루는 5가지 노드 유형:

노드 유형	사용 시점
`START` / `END`	빌트인 가상 노드 — 그래프 진입과 종료를 위한 흐름 제어 마커
`ToolNode`	상태 없는 도구 실행 — `AIMessage.tool_calls` 파싱, 추론 루프 없음
`create_agent`	도구 + 자율 추론 루프가 필요한 서브그래프 노드/노드 내 서브그래프
`create_deep_agent`	서브에이전트 위임, 백엔드, 또는 샌드박스가 필요한 서브그래프 노드/노드 내 서브그래프
Custom Node	`BaseNode`/`AsyncBaseNode` — 단일 결정적 연산, 사용자 정의 로직

참조 패턴 카테고리

developing-cast 스킬은 모든 주요 LangGraph 관심사에 대한 패턴을 포함합니다:

카테고리	패턴
Core	State, 동기/비동기 노드, 조건부 엣지, 서브그래프 구성
Agents	도구를 가진 `create_agent`, 구조화된 출력, 멀티 에이전트 네트워크
Memory	단기 (대화 기록, 트리밍, 요약), 장기 (Store API)
Middleware	재시도, 폴백 모델, 가드레일, 호출 제한, HITL, 컨텍스트 편집
관찰성	LangSmith 통합, 구조화된 로깅
통합	임베딩, 벡터 스토어 (FAISS/Pinecone/Chroma), 텍스트 스플리터

CLAUDE.md 피드백 루프

세션 간 에이전트를 정렬 상태로 유지하는 핵심은 CLAUDE.md 명세입니다. architecting-act가 생성하고, developing-cast가 읽습니다.

루트 /CLAUDE.md                    ← Act 개요, 목적, 모든 Cast 테이블
Cast /casts/{cast}/CLAUDE.md       ← 이 Cast의 아키텍처 다이어그램 + 노드 명세

CLAUDE.md는 정적 문서가 아닌 살아있는 명세입니다:

아키텍처 스킬이 다이어그램과 노드 명세와 함께 생성
구현 스킬이 단일 진실 소스로 읽음
Cast 추가, Sub-Cast 추출 또는 재설계 시 아키텍처 스킬이 업데이트
모드 4(Cast 재설계) 사용 시 기존 코드와 동기화

이 루프가 하네스의 피드백 메커니즘입니다: 모든 에이전트 세션이 동일한 명세를 기준으로 하여, 누가 프롬프트를 입력하든 일관된 출력을 생성합니다.

아키텍처 다이어그램 키트 (Drawkit)

모든 Act 프로젝트에 스캐폴딩되는 drawkit.xml 파일은 draw.io에서 Act 아키텍처를 시각적으로 설계할 수 있는 사전 정의된 쉐이프를 제공합니다.

참고: Drawkit은 사람 간 커뮤니케이션 — 팀원, 이해관계자, 문서와 아키텍처를 공유하기 위한 것입니다. 에이전트 간 커뮤니케이션에는 @architecting-act이 생성하는 CLAUDE.md의 Mermaid 차트를 사용하세요. 런타임 검사에는 LangGraph Development Server (LangSmith)를 사용하세요.

draw.io의 Scratchpad에 drawkit.xml을 import하면 드래그 앤 드롭으로 Act 컴포넌트를 사용할 수 있습니다. 상세한 import 방법과 예시는 생성된 프로젝트의 TEMPLATE_README.md를 참조하세요.

스킬 기반 개발 흐름

sequenceDiagram
    participant U as Developer
    box rgba(100, 149, 237, 0.15) Agent Skills (하네스)
        participant AA as architecting-act
        participant DC as developing-cast
        participant DD as developing-deepagent
        participant SC as streaming-cast
        participant TC as testing-cast
    end
    participant P as Act Project

    Note over U,P: 1단계 — 아키텍처 (하네스: 설계 결정 + CLAUDE.md)
    U->>AA: "고객 지원 챗봇 설계"
    AA->>U: AskUserQuestion (목적, 패턴, 노드 구성)
    U->>AA: 선택지 응답
    AA->>P: CLAUDE.md 작성 (아키텍처 명세 + 다이어그램 + 노드 명세)

    Note over U,P: 2단계 — 구현 (하네스: 50개 이상 참조 패턴)
    U->>DC: "CLAUDE.md 기반으로 챗봇 구현"
    DC->>P: CLAUDE.md 읽기 (아키텍처 명세)
    DC->>P: state.py → nodes.py → conditions.py → optional modules → graph.py
    DC->>P: 의존성 설치 (uv add)

    opt create_deep_agent 사용 노드
    U->>DD: "DeepAgent 컴포넌트 구현"
    DD->>P: CLAUDE.md 읽기 (에이전트 노드 명세)
    DD->>P: backend → tools → subagents → middleware → agent assembly
    end

    opt 스트리밍 필요
    U->>SC: "챗봇 Cast에 스트리밍 추가"
    SC->>P: graph.py 읽기 (그래프 구조)
    SC->>P: 스트림 모드 선택 → StreamWriter → 서브그래프/에이전트 스트리밍
    end

    Note over U,P: 3단계 — 테스팅 (하네스: 모킹 전략 + 커버리지 가이드)
    U->>TC: "챗봇 Cast 테스트 작성"
    TC->>P: 구현 코드 읽기
    TC->>P: 노드 단위 테스트 + 그래프 통합 테스트
    TC->>P: uv run pytest --cov

워크플로우 예시

예시 1: 새 프로젝트 시작

1. 프로젝트 생성  → uvx --from act-operator act new

2. 설계           → "고객 지원 챗봇 설계"
   (architecting-act 모드 1: 목적, 패턴, 노드 구성 질문
    → /CLAUDE.md + /casts/chatbot/CLAUDE.md 다이어그램 및 노드 명세 포함 생성)

3. 구현           → "CLAUDE.md 기반으로 챗봇 구현"
   (developing-cast: CLAUDE.md 읽기 → state/nodes/agents/graph 구현)

4. 스트리밍 추가  → "챗봇 Cast에 스트리밍 추가"
   (streaming-cast: 스트림 모드 선택 → 토큰 스트리밍, 서브그래프 스트리밍)

5. 테스트         → "챗봇에 대한 포괄적인 테스트 작성"
   (testing-cast: LLM 모킹 + 노드 단위 테스트 + 그래프 통합 테스트)

예시 2: 기존 프로젝트에 Cast 추가

1. 새 Cast 설계   → "문서 인덱싱을 위한 knowledge-base Cast 추가"
   (architecting-act 모드 2: /CLAUDE.md 컨텍스트 읽기 → 새 Cast 설계
    → 루트 CLAUDE.md 업데이트 + /casts/knowledge-base/CLAUDE.md 생성)

2. Cast 스캐폴딩  → uv run act cast -c "knowledge-base"
   (CLAUDE.md 개발 명령어에 따라)

3. 구현           → "CLAUDE.md 기반으로 knowledge-base 구현"
   (developing-cast: Cast CLAUDE.md 읽기 → 컴포넌트 구현)

예시 3: 기존 Cast 재설계

1. 분석           → "챗봇 Cast가 복잡해졌어, 재설계를 도와줘"
   (architecting-act 모드 4: graph.py, nodes.py, agents.py, conditions.py 읽기
    → 현재 아키텍처 요약 제시)

2. 재설계         → 범위 선택: "노드 구성 변경, 라우팅 재구조화"
   (architecting-act: 변경 사항 제안, 확인 대기)

3. CLAUDE.md 동기화 → 재설계된 아키텍처를 반영하여 CLAUDE.md 업데이트
   (developing-cast가 새 명세로 재구현 가능)

예시 4: Sub-Cast 추출

1. 복잡도 분석    → "챗봇 Cast에 노드가 12개나 있어서 복잡해"
   (architecting-act 모드 3: 재사용 가능한 검증 로직 식별)

2. 추출           → "입력 검증을 별도 Sub-Cast로 추출"
   (architecting-act: /casts/input-validator/CLAUDE.md 생성
    → 부모 Cast CLAUDE.md 참조 업데이트)

3. Sub-Cast 구현  → "input-validator 구현"
   (developing-cast: Sub-Cast 구현, CLAUDE.md 명령어로 의존성 관리)

프로젝트 구조

my_workflow/
├── .claude/
│   └── skills/                    # 하네스: AI 에이전트가 로드하는 스킬
│       ├── architecting-act/      # 설계 단계: 패턴, 템플릿, 검증
│       ├── developing-cast/       # 구현 단계: 50개 이상 참조 패턴
│       ├── developing-deepagent/  # DeepAgent 단계: 백엔드, 서브에이전트, 샌드박스
│       ├── streaming-cast/        # 스트리밍 단계: 스트림 모드, 서브그래프 스트리밍
│       └── testing-cast/          # 테스팅 단계: 모킹, 픽스처, 커버리지
├── casts/
│   ├── base_node.py              # 베이스 노드 클래스 (동기/비동기, 시그니처 검증)
│   ├── base_graph.py             # 베이스 그래프 클래스 (추상 build 메서드)
│   └── chatbot/                  # Cast (그래프 패키지)
│       ├── CLAUDE.md             # 살아있는 명세: 아키텍처 다이어그램 + 노드 명세
│       ├── modules/
│       │   ├── state.py          # [필수] InputState, OutputState, State
│       │   ├── nodes.py          # [필수] 노드 구현
│       │   ├── agents.py         # [선택] 에이전트 설정 (create_agent)
│       │   ├── tools.py          # [선택] 도구 정의 / MCP 어댑터
│       │   ├── models.py         # [선택] LLM 모델 설정 / 구조화된 출력
│       │   ├── conditions.py     # [선택] 라우팅 조건
│       │   ├── middlewares.py    # [선택] 라이프사이클 훅
│       │   ├── prompts.py        # [선택] 프롬프트 템플릿
│       │   └── utils.py          # [선택] 헬퍼 함수
│       ├── graph.py              # 그래프 조립 → 진입점
│       └── pyproject.toml        # Cast별 의존성
├── tests/
│   ├── cast_tests/               # 그래프 통합 테스트
│   └── node_tests/               # 노드 단위 테스트
├── CLAUDE.md                     # 루트 명세: Act 개요 + Cast 인덱스
├── drawkit.xml                   # draw.io용 아키텍처 다이어그램 쉐이프
├── langgraph.json                # LangGraph 진입점
├── pyproject.toml                # 모노레포 워크스페이스 (uv workspace, 공유 의존성)
└── TEMPLATE_README.md            # 템플릿 사용 가이드

모듈 의존성

graph TD
    LG["graph.py"] -->|상속| BG["base_graph.py"]
    LG -->|가져오기| S["state.py"]
    LG -->|가져오기| N["nodes.py"]
    LG -->|가져오기| CD["conditions.py"]
    N -->|상속| BN["base_node.py"]
    N -.->|선택| A["agents.py"]
    N -.->|선택| U["utils.py"]
    A -.->|사용| M["models.py"]
    A -.->|사용| P["prompts.py"]
    A -.->|사용| T["tools.py"]
    A -.->|사용| MW["middlewares.py"]

    classDef required fill:#4a9eff,stroke:#2d7cd6,color:#fff
    classDef optional fill:#a0a0a0,stroke:#808080,color:#fff
    classDef base fill:#34c759,stroke:#28a745,color:#fff
    classDef entry fill:#ff9500,stroke:#e68a00,color:#fff

    class LG entry
    class G,S,N required
    class BG,BN base
    class CD,A,T,MW,M,P,U optional

범례: 🟠 진입점 / 🔵 필수 / 🟢 베이스 클래스 / ⚫ 선택적

실행 흐름

하네스가 구축된 런타임 계약: 각 노드는 상태를 읽고, 부분 업데이트를 반환하며, 그래프가 이를 병합합니다.

sequenceDiagram
    participant G as 그래프
    participant N as 노드 (BaseNode)
    participant St as 상태(State)

    G->>St: InputState로 State 초기화
    loop 그래프 내 각 노드에 대해
        G->>N: node.__call__(state, config, runtime)
        N->>N: execute(state, ...) → dict
        N->>St: 반환된 dict를 State에 병합
    end
    G->>G: OutputState 추출 → 결과

CLI 명령어

# 새로운 Act 프로젝트 생성
act new [OPTIONS]
  --act-name TEXT       프로젝트 이름
  --cast-name TEXT      초기 Cast 이름
  --path PATH           대상 디렉토리
  --lang TEXT           스캐폴드 문서 언어 (en|kr)

# 기존 프로젝트에 Cast 추가
act cast [OPTIONS]
  --cast-name TEXT      Cast 이름
  --path PATH           Act 프로젝트 디렉토리
  --lang TEXT           스캐폴드 Cast 문서 언어 (en|kr)

# 기존 Act 프로젝트의 스킬 업그레이드
act upgrade [OPTIONS]
  --path PATH           Act 프로젝트 디렉토리 (기본값: 현재 디렉토리)

`act upgrade`

기존 Act 프로젝트의 .claude/skills/를 Act Operator에 번들된 최신 버전으로 업데이트합니다. Act Operator의 새 버전에 개선된 스킬이나 추가 스킬이 포함될 때 유용합니다.

README.md에서 프로젝트 언어(영어/한국어)를 자동 감지
langgraph.json에서 첫 번째 Cast를 자동 감지
교체 전 기존 스킬을 .claude/skills.bak/에 백업

# 현재 디렉토리의 스킬 업그레이드
act upgrade

# 특정 프로젝트의 스킬 업그레이드
act upgrade --path ./my-act-project

스캐폴딩 후 자세한 사용법 — 의존성 관리, 개발 서버, 그래프 레지스트리 설정 등 — 은 생성된 프로젝트 내 TEMPLATE_README.md를 참조하세요.

기여하기

커뮤니티의 기여를 환영합니다! 기여 가이드를 읽어주세요:

CONTRIBUTING_KR.md (한국어)

기여자

모든 기여자분들께 감사드립니다! 여러분의 기여가 Act Operator를 더 나아지게 만듭니다.

라이선스

Apache License 2.0 - 자세한 내용은 LICENSE 참조.

Proact0가 ❤️로 만들었습니다

Act (AX Template) 표준화 및 AI 생산성 향상을 위한 비영리 오픈소스 허브

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Act Operator

문제: 컨텍스트 격차

하네스란 무엇인가?

빠른 시작

AI와 함께 빌드 시작하기

실행 가능한 SSOT

Agent Skills

노드 구성 유형

참조 패턴 카테고리

CLAUDE.md 피드백 루프

아키텍처 다이어그램 키트 (Drawkit)

스킬 기반 개발 흐름

워크플로우 예시

프로젝트 구조

모듈 의존성

실행 흐름

CLI 명령어

`act upgrade`

기여하기

기여자

라이선스

FilesExpand file tree

README_KR.md

Latest commit

History

README_KR.md

File metadata and controls

Act Operator

문제: 컨텍스트 격차

하네스란 무엇인가?

빠른 시작

AI와 함께 빌드 시작하기

실행 가능한 SSOT

Agent Skills

노드 구성 유형

참조 패턴 카테고리

CLAUDE.md 피드백 루프

아키텍처 다이어그램 키트 (Drawkit)

스킬 기반 개발 흐름

워크플로우 예시

프로젝트 구조

모듈 의존성

실행 흐름

CLI 명령어

act upgrade

기여하기

기여자

라이선스

`act upgrade`