---
name: recommend-ai-app
description: AI 어플리케이션 후보 식별 및 프레임워크 추천 - ROI 기준 우선순위 제공
type: core
user-invocable: false
---

# AI 어플리케이션 추천 (Recommend AI App)

[recommend-ai-app 스킬 활성화 - 코드 패턴 분석을 통한 AI 어플리케이션 후보 식별]

## 목표

코드베이스의 선언적 로직 패턴을 분석하여 AI 에이전트, MCP 서버, LLM 기반 변환 후보를 식별함.
적합한 AI 프레임워크를 추천하고 ROI 기준으로 우선순위를 계산하여 권고 레포트를 생성함.

## 활성화 조건

- 사용자가 "AI 추천", "어떤 부분을 AI로 만들까", "recommend-ai-app" 명령 시
- 명세 생성 완료 후 AI 어플리케이션 분리를 고려하는 상황
- Step 4 단계에서 자동 호출

## 워크플로우

### Phase 1: 분석 결과 및 명세 로드 (`/oh-my-claudecode:deepsearch` 활용)

.omc/analysis-report.json과 specs/v1.0.0/**/*.md 파일들을 로드하여 
코드베이스 구조와 생성된 명세를 종합 분석함.

### Phase 2: AI 어플리케이션 후보 식별 → Agent: ai-app-advisor (`/oh-my-claudecode:analyze` 활용)

- **TASK**: 선언적 로직 패턴을 분석하여 AI 전환 후보 식별
- **EXPECTED OUTCOME**: AI 에이전트, MCP 서버, LLM 변환 후보 목록
- **MUST DO**: 
  - 워크플로우 복잡도 기준으로 AI 에이전트 후보 식별
  - 외부 연동 패턴 감지하여 MCP 서버 후보 식별  
  - 비정형 데이터 처리 패턴으로 LLM 기반 변환 후보 식별
- **MUST NOT DO**: 단순 CRUD나 계산 로직을 AI 후보로 제안
- **CONTEXT**: 분석 결과, 명세 파일들, 복잡도 임계값

### Phase 3: AI 프레임워크 추천 → Agent: ai-app-advisor (`/oh-my-claudecode:research` 활용)

- **TASK**: context7 MCP를 활용하여 적합한 AI 프레임워크 문서 검색
- **EXPECTED OUTCOME**: Dify, LangChain, MCP SDK 등 구체적 프레임워크 추천
- **MUST DO**: 각 후보에 가장 적합한 프레임워크 매칭, 최신 문서 참조
- **MUST NOT DO**: 오래된 정보나 지원 중단된 프레임워크 추천
- **CONTEXT**: 식별된 AI 후보들, 프로젝트 기술 스택

### Phase 4: 권고 레포트 생성 → Agent: ai-app-advisor (`/oh-my-claudecode:ralph` 활용)

- **TASK**: ROI 기준 우선순위 계산 및 구현 복잡도 분석
- **EXPECTED OUTCOME**: 완성된 AI 어플리케이션 권고 레포트
- **MUST DO**: 
  - ROI 기준 우선순위 계산
  - 구현 복잡도 및 예상 효과 분석
  - 구체적인 구현 방안 제시
- **MUST NOT DO**: 모호한 추천이나 근거 없는 우선순위 제공
- **CONTEXT**: 프레임워크 매칭 결과, 비즈니스 임팩트 추정

### Phase 5: 권고 레포트 리뷰 (사용자 개입)

생성된 권고 레포트를 사용자에게 제시하고 AI 어플리케이션 분리 적용 여부 결정:

```
🤖 AI 어플리케이션 권고 레포트

📊 식별된 후보 (ROI 순위):
1. 주문 승인 워크플로우 → Dify Agent (ROI: 높음, 복잡도: 중간)
2. 고객 문의 분류 시스템 → LangChain + LLM (ROI: 높음, 복잡도: 낮음)  
3. 외부 결제 연동 → MCP Server (ROI: 중간, 복잡도: 낮음)
4. 리포트 자동 생성 → LLM 변환 (ROI: 중간, 복잡도: 중간)

선택하세요:
[D] 세부 분석 보기  [A] 전체 적용  [S] 선택 적용  [N] 적용 안함  [E] 편집
```

## 출력 형식

### AI 어플리케이션 권고 레포트
```
🤖 AI 어플리케이션 분리 권고서
📅 생성일: 2024-01-01 12:00

## 🎯 Executive Summary
현재 코드베이스에서 4개의 AI 전환 후보를 식별했습니다.
총 예상 ROI: 85% 향상, 개발 공수: 3개월

## 📋 AI 어플리케이션 후보

### 1. 주문 승인 워크플로우 (우선순위: 1위)
- **현재 상태**: 복잡한 조건부 로직 (15개 규칙)
- **AI 전환 방안**: Dify Workflow Agent
- **예상 효과**: 승인 시간 60% 단축, 오류율 80% 감소
- **구현 복잡도**: 중간 (4주)
- **ROI**: 높음 (6개월 내 투자 회수)

### 2. 고객 문의 분류 시스템 (우선순위: 2위)  
- **현재 상태**: 키워드 기반 하드코딩
- **AI 전환 방안**: LangChain + GPT-4
- **예상 효과**: 분류 정확도 95% 달성
- **구현 복잡도**: 낮음 (2주)
- **ROI**: 높음 (3개월 내 투자 회수)

### 3. 외부 결제 연동 (우선순위: 3위)
- **현재 상태**: 다중 API 호출 로직
- **AI 전환 방안**: MCP Server 표준화
- **예상 효과**: 연동 시간 50% 단축
- **구현 복잡도**: 낮음 (1주)  
- **ROI**: 중간 (9개월 내 투자 회수)

## 🛣️ 구현 로드맵
1. Phase 1 (1-2주): 고객 문의 분류 시스템 (Quick Win)
2. Phase 2 (3-6주): 주문 승인 워크플로우 (High Impact)
3. Phase 3 (7주): 외부 결제 연동 (기술 부채 해소)

## 💰 비용 효과 분석
- 총 개발 비용: $50,000
- 연간 절감 효과: $120,000
- 투자 회수 기간: 5개월
```

## MUST 규칙

| # | 규칙 |
|---|------|
| 1 | 분석 결과와 명세가 모두 존재해야 AI 후보 식별 시작 |
| 2 | ROI 계산 시 구체적인 수치와 근거 제시 |
| 3 | 각 AI 후보에 대해 적합한 프레임워크 매칭 |
| 4 | 구현 복잡도를 낮음/중간/높음으로 명확히 분류 |
| 5 | context7 MCP를 통해 최신 프레임워크 정보 검색 |

## MUST NOT 규칙

| # | 금지 사항 |
|---|----------|
| 1 | 단순 CRUD나 계산 로직을 AI 후보로 제안하는 것 |
| 2 | 근거 없는 ROI 수치나 모호한 효과 제시 |
| 3 | 지원 중단되거나 오래된 프레임워크 추천 |
| 4 | 사용자 검토 없이 자동으로 AI 전환 적용 |
| 5 | 비즈니스 임팩트를 고려하지 않은 기술 중심 추천 |

## 검증 체크리스트

- [ ] 분석 결과와 명세 파일들이 모두 로드되었는가?
- [ ] 식별된 AI 후보들이 실제 AI 전환이 필요한 영역인가?
- [ ] 각 후보에 대한 ROI 계산이 구체적 근거를 포함하는가?
- [ ] 추천된 프레임워크가 현재 프로젝트와 호환되는가?
- [ ] 구현 복잡도 평가가 현실적인가?
- [ ] 권고 레포트가 .omc/reports/ai-application-recommendations.md에 저장되었는가?
- [ ] 사용자가 적용 여부를 검토할 수 있는 옵션이 제공되었는가?