이 발표의 자막을 가져와서, 인용된 벤치마크 숫자를 각각의 타임스탬프와 함께 나열해 줘.돌아오는 내용숫자 표 하나, 각각 말해진 분으로 연결되어 있어 그 주장으로 바로 건너뛸 수 있습니다.
Pi는 일부러 작은 코어를 유지하고 확장을 요구하기 때문에, 스킬은 유지할 도구를 늘리지 않고 도달 범위를 넓히는 의도된 방법입니다.
돌아오는 것은 세션이 검색하고 인용하고 반박할 수 있는 텍스트입니다. 나중에 쓸모 있게 만드는 건 타임스탬프입니다. 없는 인용은 당신을 포함해 누구도 확인할 수 없습니다.
봄에 스케줄러를 모놀리스에서 떼어냈고, 가장 먼저 잃은 게 재시도 예산이었습니다.
p99는 전혀 움직이지 않았습니다. 움직인 건 큐를 기다리며 보내는 시간이었습니다.
그러니까 지연 개선이 아니라 운영 개선이었네요.
맞습니다. 분기마다 나던 장애를 멈추게 하려고 6주를 썼습니다.
이 발표에서 숫자 하나만 가져간다면, 분기당 열네 건이 두 건이 됐습니다.
p99는 전혀 움직이지 않았습니다. 움직인 건 큐를 기다리며 보내는 시간이었습니다.
순서가 중요합니다. 텍스트를 먼저 가져오고, 무엇이 중요한지는 그다음에 정하고, 세 번째에 적습니다.
누군가 녹화를 보내는데, 쓸모 있는 부분이 첫 10분 뒤에 있습니다.
요약은 숫자와 얼버무림을 떨어뜨리는데, 보통 그게 당신이 보는 이유입니다. 타임스탬프가 붙은 줄을 받아서 무엇이 중요한지 직접 정하세요.
숫자나 버전, 날짜가 들어간 모든 문장을 요청하세요. 자막이 텍스트가 되면 이건 텍스트 작업입니다. 작은 하네스가 잘하는 바로 그런 작업입니다.
논지를 나르는 줄 하나, 한계를 밝히는 줄 하나. 타임스탬프는 붙여 두세요. 없는 인용은 확인할 수 없습니다.
이 세션에만 사는 자막은 세션과 함께 사라집니다. 관련된 줄을 그것이 정당화하는 작업 옆에 저장소에 쓰세요.
남는 것검색할 수 있는 타임스탬프 줄, 되풀이할 만한 인용, 그리고 발표자가 끝내 뒷받침하지 않은 주장에 대한 메모.
자막 때문에 특별한 루트가 필요한 것은 아닙니다. Pi에서 지킬 만한 습관은 전역으로 보내기 전에 번들을 읽는 것입니다. 네트워크에 닿는 스킬은 한번 볼 만합니다.
~/.pi/agent/skills/전역이 기기의 모든 프로젝트. 한 번 읽고 어디서나 쓰고 싶어지면 여기에 두세요.
~/.agents/skills/공용다른 하네스도 읽는 폴더라서, 복제 하나로 Pi와 다른 것까지 함께 씁니다.
.pi/skills/프로젝트이 저장소에서만, 그리고 프로젝트를 신뢰한 뒤에만. 아직 안 읽은 번들을 평가할 자리입니다.
pi install npm:@scope/pkg패키지패키지의 skills/ 디렉터리. 버전이 관리되고 업데이트할 수 있습니다. 번들이 상주할 자리를 얻었을 때 더 깔끔한 경로입니다.
pi --skill /path/to/felo-youtube-subtitling둘 다 영상을 오락이 아니라 출처로 보고, 둘 다 확인 가능한 것으로 끝납니다.
이 발표의 자막을 가져와서, 인용된 벤치마크 숫자를 각각의 타임스탬프와 함께 나열해 줘.돌아오는 내용숫자 표 하나, 각각 말해진 분으로 연결되어 있어 그 주장으로 바로 건너뛸 수 있습니다.
이 녹화에서 롤백을 어떻게 처리했는지 말하나요? 답을 타임스탬프와 함께 인용해 줘.돌아오는 내용타임스탬프가 붙은 관련 줄 — 또는 그 주제가 아예 나오지 않았다는 분명한 진술. 그것도 답입니다.
자막은 알려진 실패 방식을 가진 근거이고, 확인하는 비용이 쌉니다.
자동 생성 자막은 이름과 숫자를 망칩니다. 숫자가 결정에 들어간다면, 중요한 곳에 되풀이하기 전에 녹화로 확인하세요.
자막 없는 녹화는 스킬이 가져올 것을 주지 않습니다. 그건 출처 문제이고, 더 긴 프롬프트로 해결되지 않습니다.
자막은 무엇을 말했는지만 알려주고, 발표자의 상황이 당신과 비슷한지는 알려주지 않습니다. 스킬은 시청을 덜어줄 뿐 판단은 덜어주지 않습니다.
Pi Coding Agent을 위해 작성한 스킬 5개입니다. 이 플랫폼에서는 사용법이 같아서 환경을 다시 설명하지 않고 한 세션에서 함께 쓸 수 있습니다.
스킬에서 시작해 Pi 워크플로에 필요한 모델, 실시간 데이터, 지식, 출력 도구를 조합하세요. 쓰는 키는 Felo 스킬이 이미 사용하는 것과 같습니다.
에이전트에 맞춤 추론이나 생성이 필요할 때 비용 효율이 좋은 LLM 접근을 사용하세요.
오래된 컨텍스트에 기대는 대신 에이전트에 최신 웹과 소셜 신호를 제공합니다.
재사용할 수 있는 지식에 작업의 근거를 두고, 공유할 수 있는 결과물로 바꿉니다.
리서치에서 비주얼과 오피스에서 바로 쓸 수 있는 결과물까지 워크플로를 넓힙니다.