By name: codebase-ai-readiness description: | 임의의 git 레포지토리가 AI 코딩 에이전트(Claude Code, Cursor, Copilot, Aider 등)와 얼마나 잘 협업할 수 있는지 100점 7-카테고리 루브릭으로 감사하고 JSON 점수표, 한국어 HTML 대시보드, ROI 우선순위 액션 리스트를 산출합니다. 프레임워크 무관 — Python, JS/TS, Java, Go, Rust, Ruby 등 어떤 언어든 동작.
Use this skill PROACTIVELY whenever the user asks about:
- "AI-ready", "AI 준비도", "에이전트 준비도", "agent readiness", "codebase audit"
- "이 코드베이스 점수 매겨줘", "AI 협업 가능한지 평가해줘", "코드베이스 감사"
- "AGENTS.md 있는지 확인", "CLAUDE.md 점검", "에이전트 친화적인지"
- "이 레포가 AI랑 얼마나 잘 맞는지", "Claude Code 쓰기 좋은 구조인지"
- "리팩토링 우선순위", "ROI 기반 개선 항목", "어디부터 손대야 하나"
- 새 레포에 합류했을 때 / 외부 OSS 평가 / 도입 가능성 검토
- 시니어 엔지니어가 팀 코드베이스 진단을 의뢰하는 모든 상황
Also trigger when the user mentions any of: Factory.ai Agent Readiness, AGENTS.md spec, agentic coding setup, dev environment scoring, repo health check, codebase quality benchmark.
Codebase AI-Readiness Audit
What this skill does
이 스킬은 git 레포지토리를 7개 카테고리·100점 루브릭으로 감사해 다음 3개 산출물을 생성합니다:
<repo>/.ai-readiness/report.json— 모든 점수와 근거의 구조화 데이터<repo>/.ai-readiness/dashboard.html— 한국어 단일파일 대시보드 (오프라인 가능)<repo>/.ai-readiness/actions.md— ROI 순으로 정렬된 개선 액션 리스트
루브릭은 Factory.ai의 8 Agent Readiness pillars, AGENTS.md 명세(GitHub 2,500개 레포 분석), Anthropic Claude Code 베스트 프랙티스를 종합한 산업 표준 기반입니다.
7개 카테고리 (총 100점)
| ID | 카테고리 | 배점 | 핵심 측정 |
|---|---|---|---|
discoverability |
발견 가능성 & 컨텍스트 | 15 | README, AGENTS.md/CLAUDE.md, ADR, 다이어그램 |
structure |
구조 & 모듈성 | 15 | 파일/함수 크기, god-file, 디렉토리 구조 |
static_analysis |
정적 분석 & 스타일 | 15 | 린터, 포매터, 타입체커, pre-commit |
testing |
테스트 & 검증 | 15 | 테스트 존재/비율/단일명령/CI/커버리지 |
build |
빌드 & 재현성 | 15 | 매니페스트, 락 파일, 부트스트랩, 컨테이너 |
security |
보안 & 의존성 | 10 | 시크릿, .gitignore, LICENSE, 취약점 스캔 |
operability |
운영성 & 관찰성 | 15 | 구조화 로깅, 에러 처리, env 설정, 헬스체크 |
어떻게 호출하는가
기본 사용 (현재 디렉토리)
python "C:/Users/DBInc/.claude/skills/codebase-ai-readiness/audit.py"
다른 레포 감사
python "C:/Users/DBInc/.claude/skills/codebase-ai-readiness/audit.py" --path D:/path/to/repo
출력 디렉토리 지정
python ".../audit.py" --path . --out ./my-report
특정 포맷만
python ".../audit.py" --format json # JSON만
python ".../audit.py" --format html # 대시보드만
python ".../audit.py" --format md # 액션 마크다운만
사용 흐름
사용자가 "이 코드베이스 AI-ready 점수 좀 매겨줘" 같은 요청을 하면:
- 감사 실행: 위 명령으로
audit.py실행. 보통 수초~수십초 소요. - 요약 보고: stderr에 출력된 점수표를 사용자에게 한국어로 전달.
- 상위 ROI 액션 강조: 액션 1
3위는 보통 12시간이면 처리 가능한 큰 점수원. 사용자가 즉시 처리하길 원하면 그 자리에서 수정 PR을 만들 수 있음. - HTML 대시보드 안내:
<repo>/.ai-readiness/dashboard.html을 브라우저로 열라고 안내.
점수 밴드 해석
| 점수 | 라벨 | 의미 |
|---|---|---|
| 90~100 | AI-Native | 에이전트가 거의 마찰 없이 작업 가능. 모범 사례. |
| 75~89 | AI-Ready | 에이전트 작업이 빠르고 안전. 작은 개선으로 최상 도달. |
| 60~74 | AI-Compatible | 에이전트 협업 가능하지만 시행착오 발생. 보강 필요. |
| 40~59 | AI-Cautious | 인간 감독 필수. 구조와 검증 인프라 부족. |
| 0~39 | AI-Hostile | 에이전트가 의미 있는 작업 어려움. 기반 작업 다수 필요. |
ROI 계산 방식
각 미만점 항목에 대해:
- Points lost =
max_points - current_score(얻을 수 있는 점수) - Effort = 1(수분) ~ 5(수일~수주) — 루브릭에 항목별 사전 정의됨
- ROI =
points_lost / effort
ROI 높은 순으로 정렬해 출력. 보통 상위 35개는 30분2시간 작업으로 5~10점 향상 가능.
프레임워크 무관성 보장
스크립트는 다음 기법으로 프레임워크 편향을 회피:
- 언어 감지: 확장자 + 매니페스트 파일 (
pom.xml,package.json,Cargo.toml,go.mod등) - 휴리스틱 매트릭스: 각 검사가 언어별 시그니처 사전(
LINTER_CONFIGS,LOCK_FILES등) 사용 - N/A 처리: 정적 타입 언어는
A3 타입체커에서 자동 만점 (컴파일러가 처리) - library/CLI 감지: 웹 시그니처(express, spring-boot-starter-web 등) 없으면 헬스체크 N/A
따라서 Spring Boot, Next.js, Rust CLI, Python ML 라이브러리 등 어떤 형태든 공정 비교 가능.
구성 파일
rubric.json— 루브릭 단일 진실 소스. 카테고리/항목/배점/효과/이유/해결법. 팀 컨벤션에 맞게 수정 후--rubric custom.json으로 사용 가능.audit.py— 메인 스크립트. stdlib만 사용 (외부 의존성 없음).
한계와 보완
휴리스틱 기반이므로 정확도가 100%는 아님. 대표 한계:
- 시크릿 스캔: 패턴 매칭만 — gitleaks 같은 전문 도구 대체 아님
- 테스트 비율: 파일 수 기반 — 실제 단언 수와 다를 수 있음
- 타입 체커 점수: Python의 경우 100개 표본 — 대형 모노레포는 보강 필요
- god-file 탐지: LOC 기반 — 정당하게 큰 파일(생성 코드 등) 오탐 가능
루브릭이 평가하는 것은 "에이전트가 협업하기 좋은 구조 신호의 존재 여부"이며, 실제 코드 품질 자체는 인간 리뷰와 정밀 도구로 보완해야 합니다.
결과를 가지고 무엇을 할 것인가
대시보드를 본 후 권장 후속 작업:
- 상위 3개 ROI 액션을 즉시 처리 — 보통 README/AGENTS.md 보강, .editorconfig 추가, pre-commit 도입 등 1시간 이내 항목
- 카테고리 점수 50% 미만인 곳을 다음 분기 OKR로 — 보통 testing 또는 operability
- 재감사: 변경 후 다시 실행해 점수 변화 추적. 90점+ 도달이 합리적 목표.