[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M73FSCC6GFHNYV37BJ8VB0G0":3,"skill-same:01M73FSCC6GFHNYV37BJ8VB0G0":50},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":26,"commitSha":27,"skillDirectory":28,"forksCount":29,"repositoryHtmlUrl":30,"repositoryHomepageUrl":31,"ownerHtmlUrl":32,"ownerBlogUrl":33,"ownerDescription":34,"updatedAt":35,"install":36,"resources":49},"01M73FSCC6GFHNYV37BJ8VB0G0","session-wrap",null,"세션 종료 전 자동 정리 스킬. 4개 병렬 subagent가 문서 업데이트, 반복 패턴, 학습 포인트, 후속 작업을 동시 탐지하고, 1개 검증 subagent가 중복 제거 후 사용자에게 선택지를 제시한다.\n트리거: \u002Fsession-wrap, 세션 마무리, 세션 정리, 작업 마무리","Horonomos-laps\u002FYana-AI","Horonomos-laps","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F355299122?v=4","01M76B3QPXE88ET2SQPDPVATZT"," Horonomos-laps","01M72ZQRJPCYPSSWT4D00VJR2A",13,"Apache-2.0","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fsession-wrap\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: session-wrap\ndescription: |\n  세션 종료 전 자동 정리 스킬. 4개 병렬 subagent가 문서 업데이트, 반복 패턴, 학습 포인트, 후속 작업을 동시 탐지하고, 1개 검증 subagent가 중복 제거 후 사용자에게 선택지를 제시한다.\n  트리거: \u002Fsession-wrap, 세션 마무리, 세션 정리, 작업 마무리\nargument-hint: '[--dry-run] [--skip-docs] [--skip-learning] [--skip-scout] [--skip-followup]'\n---\n\n# \u002Fsession-wrap 스킬\n\n## 파이프라인 개요\n\n```\n입력: \u002Fsession-wrap [--dry-run] [--skip-docs] [--skip-learning] [--skip-scout] [--skip-followup]\n\n[Phase 0] 컨텍스트 수집\n  ├─ git diff --stat (이번 세션 변경사항)\n  ├─ ~\u002F.claude\u002Fhomunculus\u002Fobservations.jsonl (최근 관찰)\n  └─ \u002Ftmp\u002Fsession-wrap\u002Fcontext.md 생성\n\n[Phase 1] 병렬 4개 subagent (Explore, sonnet)\n  ├─ doc-updater        → 문서 업데이트 필요 곳 탐지\n  ├─ automation-scout   → 반복 패턴 발견 + 스킬 후보 제안\n  ├─ learning-extractor → 배운 점 추출 (instinct 후보)\n  └─ followup-suggester → 다음 작업 제안\n\n[Phase 2] 순차 1개 subagent (Explore, sonnet)\n  └─ duplicate-checker  → Phase 1 결과 중복 제거 + 카테고리 분류\n\n[Phase 3] AskUserQuestion으로 사용자 선택\n\n[Phase 4] 선택된 항목만 실행\n\n[Phase 5] 리포트 출력 + session-wrap-followups.md 기록\n```\n\n## 파라미터 파싱\n\n사용자 입력에서 다음을 추출:\n\n| 파라미터 | 기본값 | 설명 |\n|---------|--------|------|\n| --dry-run | false | 탐지만 수행, 실행하지 않음 (Phase 3에서 중단) |\n| --skip-docs | false | doc-updater subagent 생략 |\n| --skip-learning | false | learning-extractor subagent 생략 |\n| --skip-scout | false | automation-scout subagent 생략 |\n| --skip-followup | false | followup-suggester subagent 생략 |\n\n## Phase 0: 컨텍스트 수집\n\n세션 중 변경사항과 관찰 데이터를 수집하여 subagent에 전달할 컨텍스트를 구성한다.\n\n```bash\n# 1. Git 변경사항 수집 (git repo인 경우만)\nWORK_DIR=$(pwd)\nif git -C \"$WORK_DIR\" rev-parse --is-inside-work-tree 2>\u002Fdev\u002Fnull; then\n  git -C \"$WORK_DIR\" diff --stat HEAD~5..HEAD > \u002Ftmp\u002Fsession-wrap\u002Fgit-changes.txt 2>\u002Fdev\u002Fnull || true\n  git -C \"$WORK_DIR\" diff --name-only HEAD~5..HEAD > \u002Ftmp\u002Fsession-wrap\u002Fchanged-files.txt 2>\u002Fdev\u002Fnull || true\n  git -C \"$WORK_DIR\" log --oneline -10 > \u002Ftmp\u002Fsession-wrap\u002Frecent-commits.txt 2>\u002Fdev\u002Fnull || true\nfi\n\n# 2. 관찰 데이터 수집 (최근 50개)\nOBS_FILE=\"$HOME\u002F.claude\u002Fhomunculus\u002Fobservations.jsonl\"\nif [ -f \"$OBS_FILE\" ]; then\n  tail -50 \"$OBS_FILE\" > \u002Ftmp\u002Fsession-wrap\u002Frecent-observations.jsonl\nfi\n\n# 3. 버퍼 데이터 수집 (있으면)\nBUFFER_FILE=\"$HOME\u002F.claude\u002Fhomunculus\u002Fbuffer.jsonl\"\nif [ -f \"$BUFFER_FILE\" ]; then\n  tail -30 \"$BUFFER_FILE\" > \u002Ftmp\u002Fsession-wrap\u002Frecent-buffer.jsonl\nfi\n```\n\n`\u002Ftmp\u002Fsession-wrap\u002F` 디렉토리를 생성하고 위 수집을 실행한다.\n\n## Phase 1: 병렬 Subagent 실행\n\n4개 subagent를 **동시에** 실행한다. `--skip-*` 플래그로 특정 subagent를 건너뛸 수 있다.\n\n각 subagent 프롬프트는 `references\u002F` 디렉토리에 위치:\n\n| Subagent | 프롬프트 파일 | 출력 파일 |\n|----------|-------------|----------|\n| doc-updater | `references\u002Fprompt-doc-updater.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Fdoc-updates.json` |\n| automation-scout | `references\u002Fprompt-automation-scout.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Fautomation-patterns.json` |\n| learning-extractor | `references\u002Fprompt-learning-extractor.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Flearning-points.json` |\n| followup-suggester | `references\u002Fprompt-followup-suggester.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Ffollowup-tasks.json` |\n\n### Subagent 실행 패턴\n\n```\n# 활성화된 subagent만 필터링\nactive_agents = [\n  (\"doc-updater\", skip_docs 아니면),\n  (\"automation-scout\", skip_scout 아니면),\n  (\"learning-extractor\", skip_learning 아니면),\n  (\"followup-suggester\", skip_followup 아니면),\n]\n\n# 병렬 Task 호출 (Explore, sonnet)\nfor agent in active_agents:\n  Task(\n    subagent_type=\"Explore\",\n    prompt=Read(\"references\u002Fprompt-{agent}.md\") + context_data\n  )\n```\n\n각 subagent는 결과를 JSON 파일로 `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002F`에 기록한다.\n\n### 출력 JSON 스키마\n\n모든 subagent의 출력은 동일한 아이템 스키마를 따른다:\n\n```json\n{\n  \"items\": [\n    {\n      \"id\": \"unique-id\",\n      \"source\": \"doc-updater|automation-scout|learning-extractor|followup-suggester\",\n      \"title\": \"항목 제목\",\n      \"description\": \"상세 설명\",\n      \"category\": \"auto|user|info\",\n      \"priority\": \"high|medium|low\",\n      \"action\": \"실행할 구체적 작업 (있으면)\",\n      \"files\": [\"관련 파일 경로들\"]\n    }\n  ]\n}\n```\n\n카테고리 분류 기준:\n- **auto**: 사용자 확인 없이 자동 실행 가능 (문서 타임스탬프 갱신 등)\n- **user**: 사용자 선택이 필요 (스킬 생성, 코드 수정 등)\n- **info**: 정보 제공만 (학습 포인트, 통계 등)\n\n## Phase 2: 중복 검증\n\nPhase 1의 모든 결과를 수집하여 duplicate-checker subagent에 전달한다.\n\n프롬프트: `references\u002Fprompt-duplicate-checker.md`\n\n역할:\n1. 4개 subagent 결과를 병합\n2. 의미적으로 중복되는 항목 제거 (더 구체적인 항목 유지)\n3. 최종 카테고리 재분류 (auto\u002Fuser\u002Finfo)\n4. 우선순위 정렬 (high → medium → low)\n\n출력: `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Fmerged-actions.json`\n\n## Phase 3: 사용자 선택\n\n`--dry-run`이면 여기서 중단하고 탐지 결과만 출력한다.\n\n### 표시 형식\n\n```\n## 세션 정리 항목\n\n### 자동 실행 (auto) - N건\n1. [docs] README.md 타임스탬프 갱신\n2. [docs] CODEMAPS\u002Fbackend.md 모듈 추가\n\n### 사용자 선택 필요 (user) - M건\n3. [ ] [scout] \"API 에러 처리\" 패턴 → 스킬 후보\n4. [ ] [followup] auth 모듈 리팩토링 제안\n5. [ ] [learning] \"Supabase RLS 패턴\" instinct 생성\n\n### 참고 정보 (info) - K건\n6. [learning] 이번 세션에서 3개 새 라이브러리 사용\n7. [stats] 변경 파일 12개, 커밋 5개\n\n실행할 항목 번호를 선택하세요 (예: 1,3,4 또는 all 또는 auto-only):\n```\n\nAskUserQuestion으로 사용자 입력을 받는다.\n\n- `all`: auto + 모든 user 항목 실행\n- `auto-only`: auto 항목만 실행\n- `1,3,4`: 특정 번호만 실행\n- `none`: 아무것도 실행하지 않음\n\n## Phase 4: 선택 항목 실행\n\n사용자가 선택한 항목을 실행한다:\n\n| 카테고리 | 실행 방식 |\n|---------|----------|\n| docs 업데이트 | Edit\u002FWrite로 직접 수정 |\n| scout 스킬 후보 | `\u002Ftmp\u002Fsession-wrap\u002Fskill-candidates.md`에 기록 |\n| learning instinct | `~\u002F.claude\u002Fhomunculus\u002Finstincts\u002Fpersonal\u002F`에 MD 파일 생성 |\n| followup 작업 | `\u002Ftmp\u002Fsession-wrap\u002Fsession-wrap-followups.md`에 기록 |\n\n## Phase 5: 리포트 출력\n\n### 최종 리포트 형식\n\n```\n## Session Wrap 완료\n\n### 실행 결과\n- 문서 업데이트: N건 완료\n- 스킬 후보 기록: M건\n- Instinct 생성: K건\n- 후속 작업 기록: L건\n\n### 후속 작업 파일\n\u002Ftmp\u002Fsession-wrap\u002Fsession-wrap-followups.md\n\n### 스킬 후보 파일 (있으면)\n\u002Ftmp\u002Fsession-wrap\u002Fskill-candidates.md\n```\n\n후속 작업 파일(`session-wrap-followups.md`)은 다음 세션 시작 시 `\u002Fsync`로 로드할 수 있다.\n\n### 권장 다음 단계\n- `\u002Fsync-docs` - 세션 중 변경된 문서를 프로젝트에 동기화\n- `\u002Fsync` - git pull + sync-docs 한 번에 실행 (다음 세션 시작 시)\n\n## 에러 처리\n\n| 상황 | 대응 |\n|------|------|\n| git repo 아님 | git 관련 컨텍스트 생략, 나머지 진행 |\n| observations.jsonl 없음 | 관찰 데이터 없이 진행, 경고 표시 |\n| subagent 실패 (일부) | 실패 subagent 결과 생략, 나머지로 진행 |\n| 결과가 0건 | \"정리할 항목이 없습니다\" 출력 |\n| \u002Ftmp 쓰기 불가 | 에러 메시지 출력 후 중단 |\n\n## 관련 파일\n\n| 파일 | 용도 |\n|------|------|\n| `references\u002Fprompt-doc-updater.md` | doc-updater subagent 프롬프트 |\n| `references\u002Fprompt-automation-scout.md` | automation-scout subagent 프롬프트 |\n| `references\u002Fprompt-learning-extractor.md` | learning-extractor subagent 프롬프트 |\n| `references\u002Fprompt-followup-suggester.md` | followup-suggester subagent 프롬프트 |\n| `references\u002Fprompt-duplicate-checker.md` | duplicate-checker subagent 프롬프트 |\n| `references\u002Foutput-schema.md` | 출력 JSON 스키마 상세 |\n","# \u002Fsession-wrap 스킬\n\n## 파이프라인 개요\n\n```\n입력: \u002Fsession-wrap [--dry-run] [--skip-docs] [--skip-learning] [--skip-scout] [--skip-followup]\n\n[Phase 0] 컨텍스트 수집\n  ├─ git diff --stat (이번 세션 변경사항)\n  ├─ ~\u002F.claude\u002Fhomunculus\u002Fobservations.jsonl (최근 관찰)\n  └─ \u002Ftmp\u002Fsession-wrap\u002Fcontext.md 생성\n\n[Phase 1] 병렬 4개 subagent (Explore, sonnet)\n  ├─ doc-updater        → 문서 업데이트 필요 곳 탐지\n  ├─ automation-scout   → 반복 패턴 발견 + 스킬 후보 제안\n  ├─ learning-extractor → 배운 점 추출 (instinct 후보)\n  └─ followup-suggester → 다음 작업 제안\n\n[Phase 2] 순차 1개 subagent (Explore, sonnet)\n  └─ duplicate-checker  → Phase 1 결과 중복 제거 + 카테고리 분류\n\n[Phase 3] AskUserQuestion으로 사용자 선택\n\n[Phase 4] 선택된 항목만 실행\n\n[Phase 5] 리포트 출력 + session-wrap-followups.md 기록\n```\n\n## 파라미터 파싱\n\n사용자 입력에서 다음을 추출:\n\n| 파라미터 | 기본값 | 설명 |\n|---------|--------|------|\n| --dry-run | false | 탐지만 수행, 실행하지 않음 (Phase 3에서 중단) |\n| --skip-docs | false | doc-updater subagent 생략 |\n| --skip-learning | false | learning-extractor subagent 생략 |\n| --skip-scout | false | automation-scout subagent 생략 |\n| --skip-followup | false | followup-suggester subagent 생략 |\n\n## Phase 0: 컨텍스트 수집\n\n세션 중 변경사항과 관찰 데이터를 수집하여 subagent에 전달할 컨텍스트를 구성한다.\n\n```bash\n# 1. Git 변경사항 수집 (git repo인 경우만)\nWORK_DIR=$(pwd)\nif git -C \"$WORK_DIR\" rev-parse --is-inside-work-tree 2>\u002Fdev\u002Fnull; then\n  git -C \"$WORK_DIR\" diff --stat HEAD~5..HEAD > \u002Ftmp\u002Fsession-wrap\u002Fgit-changes.txt 2>\u002Fdev\u002Fnull || true\n  git -C \"$WORK_DIR\" diff --name-only HEAD~5..HEAD > \u002Ftmp\u002Fsession-wrap\u002Fchanged-files.txt 2>\u002Fdev\u002Fnull || true\n  git -C \"$WORK_DIR\" log --oneline -10 > \u002Ftmp\u002Fsession-wrap\u002Frecent-commits.txt 2>\u002Fdev\u002Fnull || true\nfi\n\n# 2. 관찰 데이터 수집 (최근 50개)\nOBS_FILE=\"$HOME\u002F.claude\u002Fhomunculus\u002Fobservations.jsonl\"\nif [ -f \"$OBS_FILE\" ]; then\n  tail -50 \"$OBS_FILE\" > \u002Ftmp\u002Fsession-wrap\u002Frecent-observations.jsonl\nfi\n\n# 3. 버퍼 데이터 수집 (있으면)\nBUFFER_FILE=\"$HOME\u002F.claude\u002Fhomunculus\u002Fbuffer.jsonl\"\nif [ -f \"$BUFFER_FILE\" ]; then\n  tail -30 \"$BUFFER_FILE\" > \u002Ftmp\u002Fsession-wrap\u002Frecent-buffer.jsonl\nfi\n```\n\n`\u002Ftmp\u002Fsession-wrap\u002F` 디렉토리를 생성하고 위 수집을 실행한다.\n\n## Phase 1: 병렬 Subagent 실행\n\n4개 subagent를 **동시에** 실행한다. `--skip-*` 플래그로 특정 subagent를 건너뛸 수 있다.\n\n각 subagent 프롬프트는 `references\u002F` 디렉토리에 위치:\n\n| Subagent | 프롬프트 파일 | 출력 파일 |\n|----------|-------------|----------|\n| doc-updater | `references\u002Fprompt-doc-updater.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Fdoc-updates.json` |\n| automation-scout | `references\u002Fprompt-automation-scout.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Fautomation-patterns.json` |\n| learning-extractor | `references\u002Fprompt-learning-extractor.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Flearning-points.json` |\n| followup-suggester | `references\u002Fprompt-followup-suggester.md` | `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Ffollowup-tasks.json` |\n\n### Subagent 실행 패턴\n\n```\n# 활성화된 subagent만 필터링\nactive_agents = [\n  (\"doc-updater\", skip_docs 아니면),\n  (\"automation-scout\", skip_scout 아니면),\n  (\"learning-extractor\", skip_learning 아니면),\n  (\"followup-suggester\", skip_followup 아니면),\n]\n\n# 병렬 Task 호출 (Explore, sonnet)\nfor agent in active_agents:\n  Task(\n    subagent_type=\"Explore\",\n    prompt=Read(\"references\u002Fprompt-{agent}.md\") + context_data\n  )\n```\n\n각 subagent는 결과를 JSON 파일로 `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002F`에 기록한다.\n\n### 출력 JSON 스키마\n\n모든 subagent의 출력은 동일한 아이템 스키마를 따른다:\n\n```json\n{\n  \"items\": [\n    {\n      \"id\": \"unique-id\",\n      \"source\": \"doc-updater|automation-scout|learning-extractor|followup-suggester\",\n      \"title\": \"항목 제목\",\n      \"description\": \"상세 설명\",\n      \"category\": \"auto|user|info\",\n      \"priority\": \"high|medium|low\",\n      \"action\": \"실행할 구체적 작업 (있으면)\",\n      \"files\": [\"관련 파일 경로들\"]\n    }\n  ]\n}\n```\n\n카테고리 분류 기준:\n- **auto**: 사용자 확인 없이 자동 실행 가능 (문서 타임스탬프 갱신 등)\n- **user**: 사용자 선택이 필요 (스킬 생성, 코드 수정 등)\n- **info**: 정보 제공만 (학습 포인트, 통계 등)\n\n## Phase 2: 중복 검증\n\nPhase 1의 모든 결과를 수집하여 duplicate-checker subagent에 전달한다.\n\n프롬프트: `references\u002Fprompt-duplicate-checker.md`\n\n역할:\n1. 4개 subagent 결과를 병합\n2. 의미적으로 중복되는 항목 제거 (더 구체적인 항목 유지)\n3. 최종 카테고리 재분류 (auto\u002Fuser\u002Finfo)\n4. 우선순위 정렬 (high → medium → low)\n\n출력: `\u002Ftmp\u002Fsession-wrap\u002Fresults\u002Fmerged-actions.json`\n\n## Phase 3: 사용자 선택\n\n`--dry-run`이면 여기서 중단하고 탐지 결과만 출력한다.\n\n### 표시 형식\n\n```\n## 세션 정리 항목\n\n### 자동 실행 (auto) - N건\n1. [docs] README.md 타임스탬프 갱신\n2. [docs] CODEMAPS\u002Fbackend.md 모듈 추가\n\n### 사용자 선택 필요 (user) - M건\n3. [ ] [scout] \"API 에러 처리\" 패턴 → 스킬 후보\n4. [ ] [followup] auth 모듈 리팩토링 제안\n5. [ ] [learning] \"Supabase RLS 패턴\" instinct 생성\n\n### 참고 정보 (info) - K건\n6. [learning] 이번 세션에서 3개 새 라이브러리 사용\n7. [stats] 변경 파일 12개, 커밋 5개\n\n실행할 항목 번호를 선택하세요 (예: 1,3,4 또는 all 또는 auto-only):\n```\n\nAskUserQuestion으로 사용자 입력을 받는다.\n\n- `all`: auto + 모든 user 항목 실행\n- `auto-only`: auto 항목만 실행\n- `1,3,4`: 특정 번호만 실행\n- `none`: 아무것도 실행하지 않음\n\n## Phase 4: 선택 항목 실행\n\n사용자가 선택한 항목을 실행한다:\n\n| 카테고리 | 실행 방식 |\n|---------|----------|\n| docs 업데이트 | Edit\u002FWrite로 직접 수정 |\n| scout 스킬 후보 | `\u002Ftmp\u002Fsession-wrap\u002Fskill-candidates.md`에 기록 |\n| learning instinct | `~\u002F.claude\u002Fhomunculus\u002Finstincts\u002Fpersonal\u002F`에 MD 파일 생성 |\n| followup 작업 | `\u002Ftmp\u002Fsession-wrap\u002Fsession-wrap-followups.md`에 기록 |\n\n## Phase 5: 리포트 출력\n\n### 최종 리포트 형식\n\n```\n## Session Wrap 완료\n\n### 실행 결과\n- 문서 업데이트: N건 완료\n- 스킬 후보 기록: M건\n- Instinct 생성: K건\n- 후속 작업 기록: L건\n\n### 후속 작업 파일\n\u002Ftmp\u002Fsession-wrap\u002Fsession-wrap-followups.md\n\n### 스킬 후보 파일 (있으면)\n\u002Ftmp\u002Fsession-wrap\u002Fskill-candidates.md\n```\n\n후속 작업 파일(`session-wrap-followups.md`)은 다음 세션 시작 시 `\u002Fsync`로 로드할 수 있다.\n\n### 권장 다음 단계\n- `\u002Fsync-docs` - 세션 중 변경된 문서를 프로젝트에 동기화\n- `\u002Fsync` - git pull + sync-docs 한 번에 실행 (다음 세션 시작 시)\n\n## 에러 처리\n\n| 상황 | 대응 |\n|------|------|\n| git repo 아님 | git 관련 컨텍스트 생략, 나머지 진행 |\n| observations.jsonl 없음 | 관찰 데이터 없이 진행, 경고 표시 |\n| subagent 실패 (일부) | 실패 subagent 결과 생략, 나머지로 진행 |\n| 결과가 0건 | \"정리할 항목이 없습니다\" 출력 |\n| \u002Ftmp 쓰기 불가 | 에러 메시지 출력 후 중단 |\n\n## 관련 파일\n\n| 파일 | 용도 |\n|------|------|\n| `references\u002Fprompt-doc-updater.md` | doc-updater subagent 프롬프트 |\n| `references\u002Fprompt-automation-scout.md` | automation-scout subagent 프롬프트 |\n| `references\u002Fprompt-learning-extractor.md` | learning-extractor subagent 프롬프트 |\n| `references\u002Fprompt-followup-suggester.md` | followup-suggester subagent 프롬프트 |\n| `references\u002Fprompt-duplicate-checker.md` | duplicate-checker subagent 프롬프트 |\n| `references\u002Foutput-schema.md` | 출력 JSON 스키마 상세 |\n",{"name":5,"description":24,"argument-hint":25},"세션 종료 전 자동 정리 스킬. 4개 병렬 subagent가 문서 업데이트, 반복 패턴, 학습 포인트, 후속 작업을 동시 탐지하고, 1개 검증 subagent가 중복 제거 후 사용자에게 선택지를 제시한다.\n트리거: \u002Fsession-wrap, 세션 마무리, 세션 정리, 작업 마무리\n","[--dry-run] [--skip-docs] [--skip-learning] [--skip-scout] [--skip-followup]","main","481dcd7dd2e288b9d627a2bd017db70e64e6c6fa","core\u002Fskills\u002Fsession-wrap",2,"https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI","https:\u002F\u002Fyana.vutam.link\u002F","https:\u002F\u002Fgithub.com\u002FHoronomos-laps","https:\u002F\u002Fyana.vutam.link","An open-source governed runtime & execution environment for multi-agent AI systems.","2026-11-12 23:12:27",{"source":8,"skillName":5,"commands":37,"prompt":47,"zipAvailable":48},[38,41,44],{"tool":39,"command":40},"npx","npx skills add Horonomos-laps\u002FYana-AI --skill session-wrap",{"tool":42,"command":43},"bunx","bunx skills add Horonomos-laps\u002FYana-AI --skill session-wrap",{"tool":45,"command":46},"pnpm","pnpm dlx skills add Horonomos-laps\u002FYana-AI --skill session-wrap","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fsession-wrap\u002FSKILL.md",true,[],[51,59,66,74,82,90],{"skillNo":52,"name":53,"nameZh":6,"description":54,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":55,"licenseFileUrl":6,"sourceHtmlUrl":56,"categories":57,"keywords":58,"publishedAt":19},"01M735GKET5YVYKAY62W2P5YXB","openai--sentry--sentry","Use when the user asks to inspect Sentry issues or events, summarize recent production errors, or pull basic Sentry health data via the Sentry API; perform read-only queries with the bundled script and require `SENTRY_AUTH_TOKEN`.","MIT","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fopenai--sentry--sentry\u002FSKILL.md",[],[],{"skillNo":60,"name":61,"nameZh":6,"description":62,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":63,"categories":64,"keywords":65,"publishedAt":19},"01M73DCAP83T17HY7SMGK7MGFE","ito-basket-compare","Compare Itô prediction-market baskets against a user's knowledge base, portfolio notes, financial context, watchlist, or research thesis. Use for read-only basket comparison and gap analysis without investment advice or live trading.","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fito-basket-compare\u002FSKILL.md",[],[],{"skillNo":67,"name":68,"nameZh":6,"description":69,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":70,"sourceHtmlUrl":71,"categories":72,"keywords":73,"publishedAt":19},"01M734CYEMZFDR3KH6SW0JP8TD","implementing-network-traffic-baselining","Build network traffic baselines from NetFlow\u002FIPFIX data using Python pandas for statistical analysis, z-score anomaly detection, and hourly\u002Fdaily traffic pattern profiling","https:\u002F\u002Fgithub.com\u002Fyanacuti1121\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-network-traffic-baselining\u002FLICENSE","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-network-traffic-baselining\u002FSKILL.md",[],[],{"skillNo":75,"name":76,"nameZh":6,"description":77,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":78,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":19},"01M73ASZ6NJRJM44Z2P84NGQ3Q","detecting-evasion-techniques-in-endpoint-logs","Detects defense evasion techniques used by adversaries in endpoint logs including log tampering, timestomping, process injection, and security tool disabling. Use when investigating suspicious endpoint behavior, building detection rules for evasion tactics, or conducting threat hunting for stealthy adversary activity. Activates for requests involving evasion detection, defense evasion analysis, log tampering detection, or MITRE ATT&CK TA0005.","https:\u002F\u002Fgithub.com\u002Fyanacuti1121\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fdetecting-evasion-techniques-in-endpoint-logs\u002FLICENSE","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fdetecting-evasion-techniques-in-endpoint-logs\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":86,"sourceHtmlUrl":87,"categories":88,"keywords":89,"publishedAt":19},"01M734AFNXD06Z78QRK0VKGT7Q","implementing-microsegmentation-with-guardicore","Implementing microsegmentation using Akamai Guardicore Segmentation to map application dependencies, create granular network policies, visualize east-west traffic flows, and enforce least-privilege communication between workloads across data centers and cloud.","https:\u002F\u002Fgithub.com\u002Fyanacuti1121\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-microsegmentation-with-guardicore\u002FLICENSE","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-microsegmentation-with-guardicore\u002FSKILL.md",[],[],{"skillNo":91,"name":92,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":93,"categories":94,"keywords":95,"publishedAt":19},"01M736TK27QMCXK0DVCH25SJN5","ramdisk-tmpfs-patterns","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Framdisk-tmpfs-patterns\u002FSKILL.md",[],[]]