Hermes Agent의 /learn 기능과 커스텀 스킬 만들기

매일 아침 여러 사이트에서 주요 뉴스와 지표를 수집해 리포트를 작성하고, 주기적으로 다운로드 폴더의 문서를 분류하며, 특정 형식의 회의록이나 리서치 문서를 반복해서 작성하는 일상… 우리는 하루에도 수없이 많은 반복적이면서도 맥락 의존적인 컴퓨터 작업을 마주합니다.

많은 사람들이 ChatGPT나 Claude 같은 대화형 AI에게 이런 작업을 맡겨보지만, 곧 다음과 같은 피로감에 부딪히게 됩니다.

“매번 세션을 새로 열 때마다 작업 순서와 출력 서식을 수십 줄씩 길게 설명해야 한다.”
“어제 알려준 예외 처리 룰을 오늘은 완전히 잊어버린다.”
“단순 프롬프트로는 복잡한 다단계 툴(웹 브라우징, 파일 저장, 터미널 실행)을 순서대로 제어하기 어렵다.”

오픈소스 자율 에이전트인 Hermes Agent는 이 문제를 해결하기 위해 /learn 커맨드와 agentskills.io 표준 기반의 커스텀 스킬(Custom Skill) 아키텍처를 도입했습니다.

이번 글에서는 Hermes Agent의 /learn 기능이 어떻게 작동하는지 분석하고, 일상 및 업무 자동화 전반에서 활용할 수 있는 나만의 자율 에이전트 스킬을 제작하고 진화시키는 방법을 상세한 예제와 함께 살펴봅니다.

1. 챗봇의 한계: 왜 단순 대화나 RAG로는 자동화 에이전트가 되지 못하는가?

대화형 AI를 개인 비서로 활용하려 할 때 가장 큰 걸림돌은 지식의 휘발성과 절차적 맥락(Procedural Context)의 부재입니다.

[ 기존 대화형 AI / RAG의 한계 ]
1. 휘발성 컨텍스트: 세션이 끝나면 사용자 선호도와 절차가 모두 초기화됨
2. RAG의 단편성: 텍스트 검색은 잘하지만 "A를 검색하고 -> B를 파싱해 -> C 형식으로 저장한다"는
                 다단계 실행 순서(Workflow)를 보장하지 못함
3. 블랙박스 메모리: 일부 AI 도구의 내부 메모리는 사용자가 직접 열람하거나 세밀하게 수정하기 어려움

진정한 자동화 에이전트가 되려면 다음과 같은 3가지 조건이 충족되어야 합니다.

절차적 지식(Procedural Knowledge)의 영구 보존: 여러 도구를 순서대로 실행하는 레시피가 저장되어야 함.
투명성과 수정 가능성(Inspectability & Control): AI가 무엇을 알고 있는지 엔지니어가 평문 마크다운으로 직접 확인하고 편집할 수 있어야 함.
가벼운 컨텍스트 소비(Progressive Disclosure): 수십 가지 노하우를 배우더라도 평소 대화에서는 토큰을 낭비하지 않아야 함.

Hermes Agent는 이 세 가지 원칙을 온전히 구현한 스킬 시스템을 제공합니다.

2. Hermes Agent의 `/learn` 동작 메커니즘

Hermes Agent의 /learn 명령어는 방금 끝마친 작업이나 제공된 지침을 분석하여, **재사용 가능한 표준 스킬(SKILL.md)**로 자동 변환·저장해 주는 기능입니다.

+-------------------------------------------------------------------------+
|                              학습 소스 (Input)                           |
|  - 방금 성공적으로 완료한 복합 업무 세션 대화                            |
|  - 사용자가 작성한 단계별 업무 매뉴얼 / 메모                             |
|  - 특정 작업 절차가 담긴 마크다운 문서나 웹 URL                          |
+-------------------------------------------------------------------------+
                                    │
                                    ▼
+-------------------------------------------------------------------------+
|                            Hermes /learn 실행                           |
|  1. 작업 목적과 핵심 트리거(When to Use) 추출                           |
|  2. 도구(browser, terminal, file_write 등) 호출 순서 및 파라미터 정형화  |
|  3. agentskills.io 오픈 표준 YAML 프런트매터 구성                       |
+-------------------------------------------------------------------------+
                                    │
                                    ▼ (skill_manage 내부 도구 연동)
+-------------------------------------------------------------------------+
|                  ~/.hermes/skills/<skill-name>/SKILL.md                 |
|  - 평문 마크다운으로 저장되어 언제든 열람, 수정, Git 관리가 가능한 파일    |
+-------------------------------------------------------------------------+

2.1 `/learn` 실행 예시

세션 중에 원하는 작업을 마치거나 지침을 전달한 뒤 간결하게 명령할 수 있습니다:

> 방금 여러 사이트에서 테크 뉴스를 긁어와서 노션 형식의 마크다운 브리핑으로 정리한 과정 좋았어. 
  앞으로 비슷한 요청을 받으면 바로 실행할 수 있게 스킬로 만들어줘. /learn

Hermes는 전체 세션의 도구 사용 이력(browser_search, read_url, write_to_file 등)을 분석하여 핵심 단계를 정리하고, ~/.hermes/skills/daily-tech-digest/SKILL.md 파일을 스스로 생성합니다.

3. 핵심 아키텍처: Progressive Disclosure (점진적 공개)

스킬이 20개, 50개로 늘어나면 프롬프트 토큰이 금방 고갈되지 않을까요? Hermes는 점진적 공개(Progressive Disclosure) 설계를 통해 이 문제를 해결합니다.

[1단계: 일상 대화 시]
시스템 프롬프트에는 스킬 메타데이터 인덱스(이름과 요약 설명)만 로드됨 (매우 가벼운 토큰 소비)
- daily-tech-digest: Search tech news sources, filter top updates, and write a digest.
- pdf-invoice-parser: Extract structured data from PDF receipts and append to CSV.
- git-pr-summarizer: Analyze changes across git branches and draft release notes.

                  │
                  ▼ 사용자 입력: "오늘자 주요 AI 뉴스 브리핑 파일 만들어줘"
                  │
[2단계: 관련 스킬 식별 시]
에이전트가 'daily-tech-digest'의 설명과 사용자 요청의 일치성을 판단
-> 해당 스킬의 전체 지침서(SKILL.md) 및 보조 스크립트를 온디맨드로 동적 로드하여 정밀 수행!

이 구조 덕분에 에이전트는 수백 가지의 복잡한 스킬을 보유하고 있어도 평소에는 날렵하게 동작하며, 필요한 순간에만 전문가 수준의 세부 행동 지침을 활성화합니다.

4. 커스텀 스킬의 구조: `SKILL.md`

모든 커스텀 스킬은 하나의 독립된 디렉토리에 위치하며, SKILL.md를 중심으로 구성됩니다.

~/.hermes/skills/daily-tech-digest/
  ├── SKILL.md             # 에이전트가 읽고 따를 메인 핸드북
  ├── scripts/             # (선택) 복잡한 데이터 정제나 API 호출을 위한 파이썬/셸 스크립트
  │     └── filter_news.py
  └── references/          # (선택) 고정 포맷 템플릿이나 카테고리 분류 기준표
        └── briefing_template.md

스킬의 2가지 스코프

개인 로컬 스킬 (~/.hermes/skills/): 나만의 개인 워크플로우, 특정 데스크톱 경로, 개인 알림 채널 연동. 어떤 디렉토리에서 작업하든 항상 사용 가능.
프로젝트 공유 스킬 (<workspace>/skills/): 특정 코드베이스나 팀 저장소 전용 스킬. Git으로 커밋되어 팀 전체가 동일한 에이전트 워크플로우를 공유.

5. [실전 예제] 일일 리서치 및 브리핑 자동화 스킬: `daily-tech-digest`

일반 업무 자동화의 대표적 사례인 웹 리서치 및 정형 리포트 생성 스킬의 실제 SKILL.md 작성 예시입니다.

---
name: daily-tech-digest
description: "Search trusted tech sources, filter key AI/Tech developments, and create a curated markdown digest."
version: 1.0.0
author: Automation Engineer, Hermes Agent
platforms: [macos, linux, windows]
metadata:
  hermes:
    tags: [research, news, digest, automation, web]
---

## When to Use
- 사용자가 "오늘의 테크 뉴스 요약해줘", "주요 기술 동향 브리핑 작성해줘"와 같은 일일 리서치를 요청할 때.
- 특정 기술 토픽에 대한 다각도 기사 요약 및 마크다운 리포트 생성이 필요할 때.
- **트리거 제외:** 단순 단일 질문 답변이나 특정 단어 정의를 묻는 가벼운 검색에는 사용하지 마십시오.

## Required Tools
- `web_search` 또는 `browser_search` (정보 수집용)
- `read_url` (원문 상세 파싱용)
- `write_to_file` (최종 브리핑 저장용)

## Procedure
1. **핵심 소스 탐색:**
   주요 테크 뉴스 피드 및 검색 쿼리를 실행하여 최근 24시간 내 주요 기사 링크 5~8개를 수집한다.
   - 예: "AI tech developments", "Open source LLM release"

2. **본문 추출 및 중복 필터링:**
   각 기사 URL을 `read_url`로 읽어 핵심 팩트 3줄 요약과 출처 링크를 도출한다. 단순 홍보성 기사는 배제한다.

3. **카테고리별 마크다운 보고서 구성:**
   수집된 내용을 아래 규격으로 구조화한다:
   - `## 1. 주요 헤드라인 (Top Headlines)`
   - `## 2. 오픈소스 & 개발 트렌드`
   - `## 3. 핵심 인사이트 및 시사점`

4. **파일 저장:**
   `write_to_file`을 사용하여 `~/Documents/Digests/YYYY-MM-DD-tech-digest.md` 경로에 저장한다.

## Completion Criteria
- [ ] 최소 3개 이상의 신뢰할 수 있는 소스에서 교차 검증된 요약이 포함됨
- [ ] 모든 항목에 원문 출처(URL)가 마크다운 하이퍼링크로 포함됨
- [ ] 지정된 디렉토리에 마크다운 파일 생성이 완료되고 사용자에게 경로가 안내됨

## Pitfalls & Edge Cases
- **페이월(Paywall) 대응:** 접근이 제한된 사이트는 무리하게 스크랩하지 말고 대체 뉴스 소스를 탐색할 것.
- **오래된 기사 혼입 방지:** 검색 결과의 게시 일자를 반드시 확인하여 당일 또는 전일 기사만 선별할 것.

6. 나만의 자동화 에이전트를 구축하는 4단계 워크플로우

스킬 시스템을 일상에 안착시키는 가장 효율적인 라이프사이클은 다음과 같습니다.

[1단계: 협업 세션] ──> [2단계: /learn] ──> [3단계: 코드 검토] ──> [4단계: 피드백 반영]
 에이전트와 대화하며     세션 결과를 바탕으로    생성된 SKILL.md를     사용 중 발생한 예외를
 실제 업무를 1회 완료     스킬 자동 생성         열어 세부 규칙 다듬기   피드백하여 스킬 진화

에이전트와 함께 1회 직접 작업 수행: 처음에는 평소처럼 대화하며 원하는 결과가 나올 때까지 조율합니다. (“출처 링크도 달아줘”, “3줄 요약 형태로 해줘”)
/learn으로 스킬 추출: 만족스러운 결과가 나왔다면 즉시 /learn을 호출하여 표준 스킬로 패키징합니다.
인간의 관점에서 SKILL.md 다듬기 (Human-in-the-Loop): ~/.hermes/skills/<스킬명>/SKILL.md를 에디터로 열어봅니다. 불필요한 설명은 줄이고, 꼭 지켜야 하는 폴더 경로와 출력 포맷을 명확히 보정합니다.
실행과 피드백 루프: 다음번에 동일한 작업을 시켰을 때 에이전트가 사소한 실수를 저지르면, 즉시 이를 바로잡아 스킬의 Pitfalls 섹션에 반영합니다.

7. 고품질 자동화 스킬을 만들기 위한 모범 사례 (Best Practices)

트리거 설명(description)은 명확한 행동 중심으로 작성:
- 에이전트가 어떤 상황에서 불러올지 결정하는 핵심 기준입니다.
- ❌ “A helpful assistant for handling various office files.”
- ⭕ “Extract invoice data from PDF receipts and record rows into expenses CSV.”
무거운 파싱 로직은 scripts/로 분리:
- 정규식 파싱, 대용량 CSV 조작 등 결정론적인 작업은 LLM의 토큰을 쓰는 것보다 작은 파이썬 스크립트를 작성해 scripts/run.py로 호출하는 것이 훨씬 빠르고 안정적입니다.
민감 정보(API 키, 개인정보) 격리:
- 스킬 본문에 개인 토큰이나 비밀번호를 절대 적지 마세요. 시스템 환경 변수(os.environ)나 인증 도구를 호출하도록 지침을 설계해야 안전합니다.
실패 방지 규칙(Pitfalls)의 적극적인 누적:
- “파일명에 공백이 있을 때 따옴표 처리”, “임시 파일 생성 후 정리” 같은 사소하지만 자주 발생하는 오류를 Pitfalls에 적어두면 동일한 실수를 절대 반복하지 않습니다.

8. 맺음말

기존의 AI 활용이 매번 백지상태에서 새로운 프롬프트를 짜 넣는 **“일회성 소모”**였다면, Hermes Agent의 /learn과 커스텀 스킬은 한 번 해결한 문제를 영구적인 실행 자산으로 바꾸는 **“축적형 자동화”**입니다.

매일 반복되는 지루한 파일 정리, 리서치 요약, 데이터 정제 작업이 있다면 오늘 Hermes와 함께 첫 작업을 수행하고 /learn을 입력해 보세요. 나의 업무 방식과 취향을 가장 잘 이해하는 나만의 전담 AI 비서가 만들어지기 시작할 것입니다.

1. 챗봇의 한계: 왜 단순 대화나 RAG로는 자동화 에이전트가 되지 못하는가?#

2. Hermes Agent의 /learn 동작 메커니즘#

2.1 /learn 실행 예시#

3. 핵심 아키텍처: Progressive Disclosure (점진적 공개)#

4. 커스텀 스킬의 구조: SKILL.md#

스킬의 2가지 스코프#

5. [실전 예제] 일일 리서치 및 브리핑 자동화 스킬: daily-tech-digest#

6. 나만의 자동화 에이전트를 구축하는 4단계 워크플로우#

7. 고품질 자동화 스킬을 만들기 위한 모범 사례 (Best Practices)#

8. 맺음말#