AI Fluency 프레임워크로 프롬프트 수·생성 라인 수 등 정량 지표 대신 Context Design, Precision, Steering, Output, Breadth 5축 자기 평가 시스템 도입

Context

AI 코딩 도구의 생산성을 라인 수, 프롬프트 빈도, 커밋 수 등 정량 지표로만 측정하면 실제 협업 품질을 반영하지 못한다. 개발자가 체감하는 AI와의 자연스러운 상호작용은 이 지표들에 잡히지 않는다.

Technical Solution

• 5축 자기 평가 프레임워크 도입: Context Design(환경 설정), Precision(명확한 의도 표현), Steering(출력 방향 조정), Output(실제 가치 전달), Breadth(다양한 작업 활용)
• Claude Code 세션 데이터 분석: ~/.claude/usage-data/facets/에서 JSON 형식의 facets 데이터 자동 생성
• 성격 유형 분류 시스템 구현: 5축 점수의 형태에 따라 16개 스타일 유형(Sniper, Architect, Explorer, Surgeon, Virtuoso 등) 자동 분류
• SVG 레이더 차트 및 능력 시트 생성: output/ 디렉토리에 card-dark.svg, card-light.svg, profile.md 자동 출력
• npm 스크립트로 모듈화: npm run score(정량 점수), npm run card(SVG 생성), npm run profile(능력 시트 생성) 분리 실행 가능

Key Takeaway

AI와의 협업 품질을 측정할 때 프롬프트 수나 생성 코드량 같은 용량 지표가 아닌 협업의 자연스러움과 의도 명확성을 축으로 재설계하면, 개발자 개인의 실제 AI 활용 능력을 더 정확히 이해할 수 있다.