This skill should be used when the user asks to "콘텐츠 정리", "아티클 요약", "PDF 학습", "영상 정리", "트윗 정리", "digest", "summarize", "정리해줘", or provides a YouTube URL, X/Twitter URL (x.com, twitter.com), webpage URL, or PDF file for analysis. Supports YouTube (transcript), X/Twitter (via fetch-tweet skill), webpa

Content Digest 콘텐츠 → Quiz First 학습 → 선택적 깊이 탐색 → 근본 개념 확장. Task Agent 기반 설계 : 긴 컨텍스트는 subagent가 처리하고, 메인 세션은 최종 결론만 소비 아키텍처 원칙 1. Context Separation : 긴 자막/본문은 Task agent가 처리, 메인 세션은 가벼운 md 파일만 Read 2. Clean Transcript : 자막에서 번호, 시간 제거 → 순수 영어 텍스트만 추출 3. Web Research Integration : 추출된 키워드로 자동 웹 리서치 4. Single Output : 모든 처리 결과는 단일 md 파일로 저장 지원 콘텐츠 타입 추출 방법 저장 경로 YouTube Task agent (yt dlp + 정제) research/digests/youtube/ X/Twitter fetch tweet 스킬 (api.fxtwitter.com) research/digests/tweet/ Webpage Task agent (browser + 정제) research/digests/web/ PDF Task agent (Read + 정제) research/digests/pdf/ 핵심 원칙 1. Quiz First : 요약 보기 전에 퀴즈부터 (Pretesting Effect → 9 12% 향상) 2. Knowledge Gap : 틀린 문제가 호기심을 만들고, 호기심이 기억을 강화 3. 선택적 깊이 : 사용자가 더 알고 싶은 부분만 깊게 4. 근본 확장 : 콘텐츠 너머의 기초 개념까지 웹 검색으로 확장 워크플로우 개요 (Task Agent 기반) Phase 1: 콘텐츠 타입 감지 입력 패턴에 따라 콘텐츠 타입 자동 결정: 패턴 타입 youtube.com , youtu.be YouTube x.com , twitter.com X/Twitter http:// , https:// (기타) Webpage .pdf 파일 경로 PDF 명확하지 않으면 사용자에게 확인: Phase 2: Task Agent 실행 (핵심) 메인 세션의 context를 보호하면서 긴 콘텐츠를 처리 2 1. Task Agent 호출 패턴 2 2. X/Twitter 추출 (fetch tweet 스킬 활용) Task Agent 불필요 fetch tweet 스크립트로 직접 추출 (짧은 콘텐츠) JSON 응답에서 활용할 필드: tweet.text : 트윗 본문 tweet.author : 작성자 정보 (name, bio, followers) tweet.likes/retweets/views : 인게이지먼트 tweet.quote : 인용 트윗 (있을 경우 동일 구조) tweet.media : 첨부 이미지/영상 트윗은 짧으므로 Task Agent 없이 메인 세션에서 직접 처리. 인용 트윗이 있으면 함께 포함하여 분석. 저장 경로: research/digests/tweet/{YYYY MM DD} {author} {short topic}.md 2 3. YouTube 추출 (Task Agent 내부) 정제 결과: 순수 영어 텍스트만 남음 (시간, 번호, 중복 없음) 2 4. Webpage 추출 (Task Agent 내부) 2 5. PDF 추출 (Task Agent 내부) 2 6. 웹 리서치 (Task Agent 내부) 추출된 텍스트에서 핵심 키워드 5 10개 식별 후: 2 7. 최종 md 파일 저장 (Task Agent 내부) 경로: research/digests/{type}/{YYYY MM DD} {sanitized title}.md Phase 3: 메인 세션에서 결과 Read Task Agent 완료 후: 메인 세션은 정제된 md 파일만 읽음 → context 효율 극대화 Phase 4: Pre Quiz (핵심) 목적 : 정보 갭 생성 → 주의력 프라이밍 → 능동적 학습 유도 퀴즈 출제 원칙 핵심 주제만 질문 : 사소한 세부사항이나 숫자가 아닌, 콘텐츠의 핵심 메시지와 직결되는 내용만 출제 ✅ 핵심 개념, 주요 원칙, 저자의 핵심 주장 ❌ 날짜, 통계 수치, 부수적 예시, 지엽적 세부사항 결과 md 파일의 "Quiz 재료" 섹션을 활용하여 3문제 출제: 결과 처리 : 정답/오답 즉시 표시 틀린 문제 → "이 부분을 콘텐츠에서 확인해보세요" 안내 Knowledge Gap 생성 : "이제 콘텐츠를 보면 답을 찾고 싶어질 것입니다" Phase 5: 선택적 콘텐츠 제공 Pre Quiz 결과에 따라 사용자에게 선택지 제공: 5 1. 틀린 문제 관련 섹션 Pre Quiz 오답과 관련된 섹션만 추출: YouTube: 해당 타임스탬프 Webpage: 관련 단락 PDF: 해당 페이지/섹션 5 2. 핵심 인사이트 (간결 모드) 5 3. 전체 요약 + 인사이트 Phase 6: 본 퀴즈 (9문제) 3단계 × 3문제. AskUserQuestion으로 각 단계 진행. 출제 원칙 : 모든 문제는 콘텐츠의 핵심 주제와 직결되어야 함. 지엽적 세부사항, 날짜, 통계 수치는 출제 금지. 단계 난이도 출제 기준 1 기본 핵심 메시지, 주요 개념 2 중급 개념 간 관계, 근거 연결 3 심화 사례 분석, 적용, 구체적 데이터 문제 유형 상세: references/quiz patterns.md 즉각 피드백 : 각 단계 완료 후 정답/해설 즉시 제공 Phase 7: Elaborative Interrogation "왜?" 질문이 깊은 처리를 유발 (76% vs 69% 정답률 향상) 퀴즈 완료 후, 핵심 개념에 대해 심화 질문: 선택된 개념에 대해: 1. "왜 이것이 사실인가?" 질문과 답변 2. 콘텐츠 내 근거 위치 (타임스탬프/페이지/섹션) 3. 웹 검색으로 추가 맥락 제공 Phase 8: Foundation Expansion (근본 확장) 콘텐츠 너머의 기초 지식 확장 8 1. 기초 개념 웹 검색 (WebSearch 병렬 3 5개) 8 2. 근본 지식 정리 Phase 9: 스키마 연결 (이전 학습과 연결) 기존 지식과 연결할 때 학습 효과 극대화 research/digests/ 폴더의 기존 다이제스트 스캔: mermaid graph LR A[이번 콘텐츠] B[공통 개념] C[이전 콘텐츠 1] B D[이전 콘텐츠 2] B Phase 10: 문서 업데이트 (퀴즈 결과 반영) Task Agent가 저장한 md 파일에 퀴즈 결과 추가: 기본 콘텐츠는 Phase 2에서 이미 저장됨. 여기서는 학습 결과만 추가. Phase 11: 후속 선택 필수: Quiz First 모드 모드 선택 없음 . 항상 Quiz First로 진행. 연구에 따르면 학습 전 테스트가 9 12% 향상 효과를 가져오며, 요약을 먼저 보면 이 효과가 사라짐. 사용자가 "요약만", "퀴즈 없이" 등을 요청해도: "Quiz First가 학습 효과가 9 12% 더 높습니다. 먼저 3문제만 풀어볼까요?" 강하게 요청 시에만 요약 제공, 단 퀴즈 권유 메시지 포함 콘텐츠 타입별 참고사항 YouTube 자막 언어 우선순위 1. 한국어 수동 → 2. 영어 수동 → 3. 한국어 자동 → 4. 영어 자동 yt dlp 옵션 list subs : 자막 목록 확인 cookies from browser chrome : 로그인 필요 시 Webpage 항상 claude in chrome 사용 . WebFetch 사용 금지. claude in chrome 워크플로우 장점 동적 콘텐츠 완벽 지원 페이월/로그인 콘텐츠 접근 가능 무한 스크롤 페이지 처리 본문 전체를 정확히 가져옴 PDF Read 도구 특성 텍스트와 이미지를 동시에 인식 페이지별로 처리 표/차트 구조 인식 가능 대용량 PDF 페이지 범위 지정하여 분할 처리 목차 먼저 확인 후 관심 섹션 집중 리소스 scripts/extract metadata.sh YouTube 메타데이터 추출 scripts/extract transcript.sh YouTube 자막 추출 references/quiz patterns.md 퀴즈 문제 유형 상세 references/deep research.md Deep Research 워크플로우 references/learning science.md 학습 과학 연구 근거 학습 과학 근거 이 워크플로우는 다음 연구에 기반: 1. Pretesting Effect (Richland et al., Roediger & Karpicke) 학습 전 테스트 → 9 12% 향상, effect size g = 0.34 0.54 2. Information Gap Theory (Loewenstein, 1994) 지식 갭 인식 → 도파민 회로 활성화 → 기억 강화 3. Elaborative Interrogation (Dunlosky et al., 2013) "왜?" 질문 → 깊은 처리 → 76% vs 69% 정답률 4. PACE Framework (Gruber et al., 2019) 호기심 상태에서 무관한 정보도 기억력 향상 상세: references/learning science.md

content-digest