VibeLearn AI

🌐 Language / 언어: 한국어 | English

Version: 2.0 Date: 2025-12-28 Author: Catch Up AI Channel

🚀 빠른 시작: GETTING_STARTED.md를 참조하세요!

---

📚 개요 (Overview)

VibeLearn AI는 AI를 활용하여 새로운 기술, 프레임워크, 프로젝트를 체계적으로 학습하고, 그 과정에서 생성된 산출물을 다른 학습자들이 활용할 수 있는 고품질 교과서로 만드는 학습 방법론입니다.

핵심 철학

“AI와 함께 배우고, 배운 것을 구조화하여, 다음 학습자를 위한 길을 만든다”

• AI 협업 중심: AI를 학습 파트너로 활용하여 효율적 학습
• 구조화된 프로세스: 명확한 단계와 산출물로 학습 추적
• 지식 재사용: 학습 과정 자체가 다른 이들을 위한 교과서
• 지속적 개선: Continuous Vibe Learning (CVL)을 통한 최신성 유지
• 실용주의: AI 시대에 맞는 실용적 학습 범위 설정

---

🎯 방법론의 목표

1. 학습자 개인

• 빠른 학습: AI를 활용한 효율적 학습 프로세스
• 깊은 이해: 단순 암기가 아닌 개념과 활용법 중심 이해
• 실전 적용: 실습 중심 학습으로 즉시 적용 가능
• 메타 인지: 회고를 통한 학습 방법 자체의 개선

2. 학습 산출물

• 재사용 가능: 다른 학습자가 그대로 활용 가능한 교과서
• 구조화: 체계적인 폴더 구조와 명명 규칙
• 최신성 유지: CVL 프로세스로 변화 추적 및 업데이트
• 검증된 내용: 실제 실습을 통해 검증된 정보

3. 커뮤니티

• 지식 공유: 개인의 학습이 커뮤니티 자산으로
• 협업: 같은 방법론으로 학습한 이들의 쉬운 협업
• 표준화: 일관된 구조로 학습 자료 이해 용이

---

🏗️ 방법론 구조

VibeLearn AI 전체 구조

VibeLearn AI/
├── README.md                    # 방법론 설명서 (이 파일)
├── GETTING_STARTED.md          # 빠른 시작 가이드
├── templates/                  # 템플릿 파일들
│   ├── topic_starter.md        # Topic 시작 템플릿
│   ├── roadmap_prompt_template.md
│   └── daily_learning_prompt.md
├── VibeLearn AI_Development/         # VibeLearn AI 자체 개발 기록
│   └── vl_worklog/
└── [Topic 폴더들]/             # 각 학습 Topic
    ├── topic_info.md
    ├── vl_prompts/
    ├── vl_roadmap/
    ├── vl_worklog/
    ├── vl_materials/
    └── 01-ModuleName/

Topic 폴더 구조 (학습 시 생성됨)

[TopicName]/
├── topic_info.md               # Topic 정보 (topic_starter.md 복사)
├── vl_prompts/                 # 프롬프트 파일들
│   ├── roadmap_prompt.md       # Topic 정보 주입된 프롬프트
│   └── daily_learning_prompt.md
├── vl_roadmap/                 # 전체 학습 로드맵
│   └── YYYYMMDD_RoadMap_[Topic].md
├── vl_worklog/                 # 일별 학습 작업 로그
│   ├── YYYYMMDD_M1_[Topic].md
│   └── ...
├── vl_materials/               # 참조 자료 (Optional)
└── 01-ModuleName/              # 학습 산출물 (교과서)
    ├── README.md
    ├── concepts/
    ├── examples/
    └── guides/

핵심 구성 요소 설명

1. templates/ 폴더

• 목적: 새 Topic 시작 시 사용하는 템플릿들
• 핵심 파일:
  • topic_starter.md: Topic 정보 입력 템플릿
  • roadmap_prompt_template.md: Roadmap 생성 프롬프트 템플릿
  • daily_learning_prompt.md: 매일 학습 계획 수립 프롬프트

특징:

• Topic-agnostic (모든 주제에 재사용 가능)
• 복사하여 각 Topic에 맞게 커스터마이징
• 방법론의 핵심 엔진 역할

2. [TopicName]/vl_prompts/ 폴더

• 목적: 해당 Topic의 프롬프트 파일 저장
• 생성 방법: templates/에서 복사 후 Topic 정보 주입
• 핵심 파일:
  • roadmap_prompt.md: Topic 정보가 이미 채워진 로드맵 생성 프롬프트
  • daily_learning_prompt.md: 범용 일일 학습 프롬프트

역할:

• AI와의 협업 인터페이스
• 체계적인 학습 계획 수립 지원

3. [TopicName]/vl_roadmap/ 폴더

• 목적: 해당 Topic의 전체 학습 로드맵 저장
• 파일명 규칙: YYYYMMDD_RoadMap_[TopicName].md
• 내용:
  • 학습 모듈 구조 (M1, M2, M3, …)
  • 각 모듈의 학습 목표 및 예상 시간
  • 난이도 및 필수 사전 지식
  • DoD (Definition of Done)
  • Self-Assessment

역할:

• 학습 전체의 나침반
• 매 학습 세션마다 참조
• vl_ 접두사로 방법론 전용 폴더임을 표시

4. [TopicName]/vl_worklog/ 폴더

• 목적: 일별 학습 작업 로그 및 진행 상황 기록
• 파일명 규칙: YYYYMMDD_MX_[TopicName].md
  • 예: 20251228_M1_Docker-Basics.md
  • 예: 20251229_M2_Docker-Basics.md

내용 구조:

# WorkLog: [작업 제목]

**Date**: YYYY-MM-DD
**Module**: M1, M2, ...
**Status**: 계획 수립 / 진행 중 / 완료

## 📊 학습 목표
- [ ] 목표 1
- [ ] 목표 2

## 📝 학습 내용
[당일 학습한 내용 상세]

## ✅ 완료한 작업
- [x] 작업 1
- [x] 작업 2

## ⚠️ 발생한 문제와 해결
[문제 및 해결 과정]

## 💡 학습 포인트
[핵심 학습 내용]

## 🔍 Daily Retrospective
### What went well?
### What didn't go well?
### What did I learn?
### Action Items

## 🚀 다음 세션 준비
[다음에 할 일]

규칙:

• 같은 날은 같은 파일에 추가 작성
• 다음 날은 새 파일 생성
• Roadmap과 연결고리 명시 (모듈/단계)

4. NN-TopicName/ 폴더 (학습 산출물)

• 목적: 실제 학습 결과물을 교과서 형태로 저장
• 폴더명 규칙: [순서번호]-[주제명]/
  • 예: 01-Installation_Setup/
  • 예: 02-Basic_Commands/
  • 예: 03-Advanced_Features/

하위 구조 (권장):

01-TopicName/
├── README.md              # 주제 개요 및 목차
├── concepts/              # 개념 설명 문서
│   ├── concept1.md
│   └── concept2.md
├── examples/              # 실습 코드
│   ├── example1.py
│   └── example2.py
├── guides/                # 단계별 가이드
│   ├── installation.md
│   └── configuration.md
├── troubleshooting/       # 문제 해결
│   └── common-issues.md
└── references/            # 외부 참조 및 리소스
    └── useful-links.md

특징:

• 교과서 목표: 다른 학습자가 이것만으로 학습 가능
• 검증된 내용: 실제 실습을 통해 검증
• Topic별 구조: 각 주제별로 하위 폴더 구성
• 다양한 형태: 문서(md), 코드, 설정 파일, 스크린샷 등

---

🔄 Continuous Vibe Learning (CVL)

개념

학습 대상이 지속적으로 변화하는 프로젝트나 기술일 때, 변경사항을 감지하고 학습 내용을 동기화하는 프로세스

CVL 프로세스 (매 학습 세션 시작 시)

graph TD
    A[학습 세션 시작] --> B{Remote Repository사용?}
    B -->|No| E[Roadmap 확인]
    B -->|Yes| C[git fetch]
    C --> D{변경사항있음?}
    D -->|No| E
    D -->|Yes| F[변경사항 분석]
    F --> G[영향도 평가]
    G --> H[사용자에게 보고]
    H --> I{업데이트필요?}
    I -->|대규모| J[별도 세션업데이트 작업]
    I -->|중간| K[오늘 학습 전부분 업데이트]
    I -->|소규모| E
    J --> E
    K --> E
    E --> L[오늘 학습 계획 수립]
    L --> M[학습 진행]

영향도 평가 기준

CVL WorkLog 기록

## 🔄 Continuous Vibe Learning - Repository 동기화

**동기화 일시**: 2025-12-14 09:00
**Remote 커밋**: abc1234 - "Add new feature X"
**이전 로컬**: def5678 - "Previous version"

### 주요 변경사항
1. 새로운 기능 X 추가
2. 모듈 Y 리팩토링

### 학습 자료 업데이트
- [ ] 01-Basics: 변경 없음
- [x] 02-Advanced: 기능 X 섹션 추가
- [ ] WorkLog: 참고사항 기록

### 오늘 학습에 미치는 영향
- 기능 X는 M5에서 다룰 예정이므로 현재 영향 없음

---

🔍 회고 (Retrospective) 메커니즘

3단계 회고 구조

1. Daily Retrospective (매일 학습 종료 시)

• 위치: 당일 WorkLog 파일 내
• 소요 시간: 5-10분
• 내용:
  • What went well? (잘된 점)
  • What didn’t go well? (개선 필요)
  • What did I learn? (배운 점)
  • Action Items (개선 사항)
  • Tomorrow’s Focus (내일 집중 사항)

2. Module Retrospective (각 모듈 완료 시)

• 위치: vl_worklog/YYYYMMDD_[ModuleName]_Retrospective.md
• 소요 시간: 15-20분
• 내용:
  • 계획 대비 실제 비교 (시간, 난이도)
  • 학습 목표 달성도
  • 핵심 학습 내용 (Key Learnings)
  • 발생한 문제와 해결 과정
  • 방법론 개선 제안
  • Roadmap 정확도 평가
  • 산출물 품질 평가
  • 다음 모듈 준비사항

3. Topic Retrospective (전체 Topic 완료 시)

• 위치: vl_worklog/YYYYMMDD_[Topic]_Final_Retrospective.md
• 소요 시간: 30-60분
• 내용:
  • 전체 학습 여정 통계
  • VibeLearn AI 방법론 효과성 평가
  • Topic별 특수성 및 인사이트
  • 방법론 개선 사항 (다음 Topic에 적용)
  • 산출물의 교과서 품질 평가

회고의 가치

• 메타 인지: 학습 방법 자체를 개선
• 패턴 인식: 반복되는 문제/성공 패턴 발견
• 방법론 진화: 데이터 기반 VibeLearn AI 개선
• 동기 부여: 성취와 성장 가시화

---

✅ 학습 완료 기준 (Definition of Done)

Module 완료 기준

모든 모듈은 다음 조건을 충족해야 완료로 간주:

1. 학습 목표 달성

• [ ] Roadmap에 명시된 모든 학습 목표 완료
• [ ] 핵심 개념 이해 및 문서화
• [ ] 주요 실습 항목 완료

2. 산출물 생성

• [ ] 해당 모듈의 교과서 폴더 생성 (NN-TopicName/)
• [ ] README.md 작성 (주제 개요)
• [ ] 핵심 개념 문서 작성 (최소 2개)
• [ ] 실습 예제 작성 및 실행 검증 (최소 1개)

3. 실습 검증

• [ ] 핵심 명령어/기능 최소 3개 실행
• [ ] 샘플 코드 작성 및 동작 확인
• [ ] 발생한 문제 해결 및 문서화

4. WorkLog 기록

• [ ] 당일 WorkLog 파일 작성
• [ ] 완료한 작업 목록 체크
• [ ] 발생한 문제와 해결 방법 기록
• [ ] Daily Retrospective 작성

5. 진행 상황 추적

• [ ] Roadmap에 모듈 완료 표시
• [ ] 다음 모듈 준비사항 파악
• [ ] 전체 진행률 업데이트

Topic 완료 기준

전체 Topic은 다음 조건을 충족해야 완료:

• [ ] 모든 모듈 완료
• [ ] 최소 5개 이상의 산출물 폴더 생성
• [ ] 전체 Topic README.md 작성
• [ ] Final Retrospective 작성
• [ ] Self-Assessment 완료
• [ ] (선택) GitHub 공개 또는 커뮤니티 공유

---

🎓 Self-Assessment (자가 평가)

AI 시대의 학습 평가 철학

“모든 디테일을 암기할 필요는 없다. AI에게 효과적으로 지시할 수 있는 수준의 이해면 충분하다.”

평가 범위

✅ 인간이 알아야 할 것

1. 개념적 이해

   • 해당 기술/프로젝트가 무엇인지
   • 왜 사용하는지 (문제 해결 목적)
   • 언제 사용하는지 (적용 시나리오)
   • 대안 기술들과의 차이점

2. 아키텍처 이해

   • 전체 구조 및 구성 요소
   • 주요 컴포넌트 간 관계
   • 데이터/제어 흐름

3. 실무 활용 능력

   • 기본 설치 및 설정 방법
   • 주요 명령어/API 3-5개
   • 일반적인 사용 패턴
   • 일반적인 문제 해결 방법

4. AI 활용 능력

   • AI에게 정확히 요구사항 전달
   • AI 생성 코드의 품질 판단
   • 문제 발생 시 디버깅 방향 제시

❌ 인간이 암기하지 않아도 되는 것

• 상세한 API 파라미터 목록
• 복잡한 설정 파일 문법
• 모든 엣지 케이스
• 라이브러리 내부 구현 디테일

Self-Assessment 체크리스트

각 모듈 완료 시 다음을 자가 평가:

## Self-Assessment: [Module Name]

### 1. 개념 이해 (5분)
- [ ] 이 기술/기능이 무엇인지 1-2문장으로 설명 가능
- [ ] 왜 필요한지 예시와 함께 설명 가능
- [ ] 비슷한 기술과 차이점 설명 가능

### 2. 실무 활용 (10분)
- [ ] AI 도움 없이 기본 설치/설정 가능
- [ ] 주요 명령어 3개를 AI에게 요청 가능
- [ ] 간단한 예제를 AI와 함께 구현 가능

### 3. AI 협업 능력 (5분)
- [ ] AI에게 이 기술을 사용한 코드 작성 요청 가능
- [ ] AI가 생성한 코드의 옳고 그름 판단 가능
- [ ] 문제 발생 시 AI에게 디버깅 방향 제시 가능

### 4. 교과서 품질 (5분)
- [ ] 내가 만든 산출물로 다른 사람이 학습 가능
- [ ] 모든 예제가 실제로 동작함을 검증
- [ ] 트러블슈팅 정보가 충분히 포함

### 점수
- 모두 체크: ⭐⭐⭐⭐⭐ (완벽)
- 10-11개: ⭐⭐⭐⭐ (우수)
- 8-9개: ⭐⭐⭐ (보통)
- 6-7개: ⭐⭐ (복습 필요)
- 5개 이하: ⭐ (재학습 권장)

실습 문제 설계 원칙

Self-Assessment 실습 문제는 다음 원칙을 따름:

1. AI 활용 전제: “AI와 함께” 해결하는 문제
2. 개념 중심: 디테일보다는 개념 이해 확인
3. 실용성: 실제 업무에서 마주칠 법한 시나리오
4. 짧은 시간: 각 문제당 5-10분 내 해결

예시 문제:

## 실습 문제: MCP 서버 생성

**시나리오**:
간단한 파일 읽기 기능을 제공하는 MCP 서버를 만들어야 합니다.

**당신이 해야 할 것**:
1. AI에게 요구사항을 명확히 전달
2. AI가 생성한 코드 리뷰 (구조가 맞는지)
3. 실행 후 문제가 있다면 AI에게 디버깅 방향 제시

**평가 기준**:
- [ ] AI에게 MCP 프로토콜 준수 요청
- [ ] 생성된 코드에서 주요 컴포넌트 식별 (서버, 도구, 핸들러)
- [ ] 실행 후 정상 동작 확인

**허용 시간**: 10분 (AI 도움 포함)

---

📂 Naming Convention (명명 규칙)

폴더명

파일명

날짜 형식

• YYYYMMDD: 모든 날짜는 이 형식 사용
• 예: 20251214 (2025년 12월 14일)

---

🚀 학습 프로세스 (Step-by-Step)

Phase 0: 준비 단계

1. Topic 선정

   • 학습할 기술/프로젝트 결정
   • 학습 목적 및 목표 명확화

2. 프로젝트 폴더 생성

   mkdir [Topic]_Project
   cd [Topic]_Project
   mkdir vl_prompts vl_roadmap vl_worklog
   

3. 범용 프롬프트 준비

   • vl_prompts/roadmap_prompt.md 생성
   • vl_prompts/daily_learning_prompt.md 생성
   • (선택) CVL 관련 프롬프트

Phase 1: Roadmap 수립

1. Roadmap 생성

   • Roadmap Prompt를 AI에게 전달
   • Topic 정보 제공
   • 생성된 Roadmap을 vl_roadmap/YYYYMMDD_RoadMap_[Topic].md에 저장
   • 주의: roadmap_prompt.md의 STEP 1은 학습 기간 적정성 검토와 사용자 확인 대기입니다. 사용자 승인 전에는 Roadmap 파일을 만들지 않습니다.

2. Roadmap 검토 및 조정

   • 학습 범위 적절성 확인
   • 모듈 구조 및 순서 조정
   • 예상 시간 현실성 검토

Phase 2: 일별 학습 사이클

매일 반복:

1. 학습 시작 (10-15분)
   ├─ CVL 프로세스 (필요 시)
   ├─ 이전 WorkLog 확인
   ├─ Roadmap 참조
   └─ 오늘 학습 계획 수립

2. 학습 진행 (1-3시간)
   ├─ 개념 학습 및 문서화
   ├─ 실습 (핵심 명령어/기능)
   ├─ 예제 코드 작성
   └─ 산출물 폴더에 저장

3. WorkLog 작성 (진행 중)
   ├─ 실시간 작업 기록
   ├─ 문제 및 해결 과정
   └─ 체크리스트 업데이트

4. 학습 종료 (10분)
   ├─ Daily Retrospective 작성
   ├─ 다음 세션 준비사항 기록
   └─ (선택) Git 커밋

Phase 3: 모듈 완료

1. Module Retrospective 작성

   • 계획 대비 실제 비교
   • 핵심 학습 내용 정리
   • 개선 사항 도출

2. Self-Assessment

   • 체크리스트 점검
   • 실습 문제 풀이 (선택)

3. Roadmap 업데이트

   • 모듈 완료 표시
   • 필요 시 후속 모듈 조정

Phase 4: Topic 완료

1. Final Retrospective 작성

   • 전체 여정 정리
   • 방법론 효과성 평가
   • 다음 Topic을 위한 개선안

2. 산출물 최종 검토

   • 교과서 품질 확인
   • 링크 및 예제 검증
   • README 작성/업데이트

3. 공유 (선택)

   • GitHub 공개
   • 커뮤니티 공유
   • 블로그 포스팅

---

🛠️ 도구 및 환경

필수 도구

• AI 어시스턴트: Claude, ChatGPT, Copilot 등
• 텍스트 에디터: VS Code, Cursor 등 (Markdown 지원)
• Git: 버전 관리 (선택)

권장 도구

• Mermaid: 다이어그램 작성
• Markdown Preview: 문서 미리보기
• Git: 버전 관리 및 협업

환경 설정

# Git 설정 (선택)
git init
git add .
git commit -m "Initial VibeLearn AI structure"

# .gitignore 설정
echo ".env" >> .gitignore
echo "__pycache__/" >> .gitignore
echo "*.pyc" >> .gitignore

🔧 클론 후 초기 설정 (GitHub에서 클론한 경우)

이 레포를 클론하여 직접 개선하거나 기여하려면 아래 설정을 최초 1회 실행하세요.

Pre-commit Hook 설치: git commit 시 자동 동기화 및 품질 검증 실행

powershell -ExecutionPolicy Bypass -File scripts/install-hooks.ps1

Python 의존성 설치: CLAUDE.md 자동 번역 기능에 필요

pip install -r requirements.txt

Claude API 키 설정 (선택사항): 설정 시 CLAUDE.md 변경이 CLAUDE.en.md에 자동 반영

$env:ANTHROPIC_API_KEY = "sk-ant-..."
# 영구 설정: [System.Environment]::SetEnvironmentVariable("ANTHROPIC_API_KEY", "sk-ant-...", "User")

API 키 없이도 hook의 sync/validate 기능은 정상 작동합니다.

🧩 Claude Skill 등록하기 (선택, Claude Code / Claude Desktop 전용)

VibeLearn AI는 프롬프트만으로도 모든 AI 도구에서 사용할 수 있지만, Claude Code / Claude Desktop 사용자는 extras/vibelearnai-skill/에 포함된 vibelearn Skill을 등록하면 Topic 폴더 생성, 파일 탐색 등을 /vibelearn 명령어로 자동화할 수 있습니다.

Claude Code 사용자는 아래 수동 단계를 따라 할 필요 없이, 이 레포 폴더에서 Claude Code에게 다음과 같이 요청하면 Claude Code가 Step 1~4를 대신 수행합니다:

extras에 있는 vibelearnai-skill 을 등록해 주세요.

Claude Desktop 등 직접 파일 조작이 어려운 환경이거나 수동으로 등록하고 싶다면 아래 단계를 따르세요.

Step 1. Personal Skills 폴더 확인/생성

# Windows (PowerShell)
mkdir -p "$env:USERPROFILE\.claude\skills"

# macOS/Linux
mkdir -p ~/.claude/skills

Step 2. Skill 폴더 생성 및 SKILL.md 복사

# Windows (PowerShell)
mkdir "$env:USERPROFILE\.claude\skills\vibelearn"
cp "extras\vibelearnai-skill\SKILL.md" "$env:USERPROFILE\.claude\skills\vibelearn\"

# macOS/Linux
mkdir -p ~/.claude/skills/vibelearn
cp extras/vibelearnai-skill/SKILL.md ~/.claude/skills/vibelearn/

Step 3. 경로 설정: 복사한 SKILL.md를 열고 {VibeLearn AI_ROOT}를 실제 VibeLearn-AI 레포 경로로 모두 변경합니다.

# 변경 전
파일: {VibeLearn AI_ROOT}/templates/topic_starter.md

# 변경 후 (예시)
파일: C:\Projects\VibeLearn-AI\templates\topic_starter.md

Step 4. Claude 재시작: VS Code(Claude Code) 또는 Claude Desktop 앱을 재시작합니다.

Step 5. 설치 확인: /vibelearn start를 실행하거나 "VibeLearn AI Skill이 설치되어 있나요?"라고 물어봅니다.

등록 후에는 /vibelearn start → /vibelearn roadmap → /vibelearn daily 순서로 각 Phase를 진행할 수 있습니다. 문제 해결, 업데이트 방법 등 상세 가이드는 extras/vibelearnai-skill/README.md를 참고하세요.

---

📊 성공 지표 (Success Metrics)

정량적 지표

정성적 지표

---

🌟 VibeLearn AI의 장점

1. 학습자 관점

• ✅ 구조화된 학습: 명확한 단계와 프로세스
• ✅ 시간 효율: AI 활용으로 학습 속도 향상
• ✅ 깊은 이해: 실습 중심의 체화된 학습
• ✅ 지속 가능: 회고를 통한 학습 방법 개선
• ✅ 포트폴리오: 학습 과정 자체가 결과물

2. 산출물 관점

• ✅ 재사용 가능: 다른 학습자의 시작점
• ✅ 검증된 정보: 실습을 통해 검증
• ✅ 최신성: CVL로 지속 업데이트
• ✅ 체계적: 일관된 구조와 명명 규칙

3. 커뮤니티 관점

• ✅ 지식 축적: 개인 학습이 공동 자산으로
• ✅ 협업 용이: 동일 방법론으로 소통 원활
• ✅ 표준화: 학습 자료 이해 및 활용 쉬움

---

⚠️ 주의사항 및 제약

Do’s (권장)

• ✅ 매일 WorkLog 작성
• ✅ 핵심 기능은 반드시 실습
• ✅ 회고를 통한 개선
• ✅ 산출물의 교과서 품질 유지
• ✅ CVL 프로세스 준수 (필요 시)

Don’ts (지양)

• ❌ 문서만 작성하고 실습 생략
• ❌ 모든 디테일 암기 시도
• ❌ 산출물 없이 학습만 진행
• ❌ 회고 생략
• ❌ 오래된 정보 방치

제약사항

• 초기 설정 시간 필요 (30분-1시간)
• 꾸준한 기록 습관 필요
• 폴더 구조 및 명명 규칙 준수 필요
• AI 도구 접근 필요

---

🔮 향후 발전 방향

Version 1.x 계획

• [ ] 다양한 Topic 적용 및 피드백 수집
• [ ] Self-Assessment 문제 은행 구축
• [ ] 범용 프롬프트 템플릿 고도화

Version 2.x 계획 (진행 중)

• [x] templates/ 폴더 구조로 재설계
• [x] topic_starter.md 템플릿 시스템
• [x] GETTING_STARTED.md 빠른 시작 가이드
• [x] Topic별 독립 폴더 구조
• [ ] 자동화 스크립트 개발 (선택 사항)
• [ ] VibeLearn AI CLI 도구 (향후)
• [ ] 웹 기반 대시보드 (향후)

커뮤니티

• [ ] GitHub Organization 구축
• [ ] 학습 자료 공유 플랫폼
• [ ] 월간 학습 챌린지

---

📚 참고 자료

관련 방법론

• Agile Learning
• Zettelkasten (지식 관리)
• Learning in Public
• Continuous Learning

추천 읽기

• “How to Take Smart Notes” - Sönke Ahrens
• “The Pragmatic Programmer” - Andrew Hunt, David Thomas
• “Atomic Habits” - James Clear

---

📞 Contact

Catch Up AI 채널

• Website: https://www.catchupai.net
• YouTube: https://www.youtube.com/@catchupai/
• Email: [email protected]
• GitHub (Methodology Template): https://github.com/solkit70/VibeLearn-AI.git

---

📄 License

이 방법론은 CC BY-SA 4.0 라이선스 하에 공유됩니다.

• 출처를 명시하면 자유롭게 사용 및 수정 가능
• 수정된 버전도 동일 라이선스로 공유 필요

---

Version History

• v1.0 (2025-12-14): 초기 버전 공개
• v2.0 (2025-12-28): 구조 재설계
  • templates/ 폴더 시스템 도입
  • topic_starter.md 템플릿 추가
  • Topic별 독립 폴더 구조
  • GETTING_STARTED.md 빠른 시작 가이드
  • daily_learning_prompt.md 순서 재구성

Created by Catch Up AI Last Updated: 2025-12-28