개발자를 위한 AI 에이전트 빌더: 로컬 설정 없이 구축하고 배포하기

Happycapy는 로컬 설정, 의존성 관리, 인프라 오버헤드를 완전히 제거한 개발자용 브라우저 기반 AI 에이전트 빌더입니다. 개발자는 5개 파일로 구성된 Markdown 아키텍처를 사용해 프로덕션 수준의 AI 에이전트를 구축, 설정, 배포할 수 있고, 300,000개 이상의 오픈소스 skill에 접근하며, 여러 개의 병렬 세션을 실행할 수 있습니다 — 이 모든 것을 브라우저 탭 하나로 할 수 있습니다. 로컬 툴체인의 번거로움 없이 AI 에이전트를 구축하고 싶다면, Happycapy는 아이디어에서 배포까지 가장 빠른 경로입니다.

개발자를 위한 AI 에이전트 빌더란 무엇인가

Happycapy를 AI 에이전트 빌더로 검토하고 있다면, LangChain, AutoGen, 그리고 지금 비교하고 있는 다른 모든 옵션들과 Happycapy를 구분 짓는 지점은 다음과 같습니다. Happycapy는 Claude Code를 기반으로 전체 에이전트 환경을 브라우저에서 실행하므로, 에이전트 로직을 한 줄이라도 작성하기 전에 로컬 설치, Docker 컨테이너, 가상 환경, 버전 충돌 디버깅이 전혀 필요 없습니다. 이는 사소한 개선이 아니라 완전히 다른 차원의 개발자 경험입니다.

개발자를 위한 AI 에이전트 빌더란 API, 런타임, 오케스트레이션 레이어를 직접 연결하지 않고도 다단계 작업을 수행할 수 있는 자율 AI 에이전트를 생성, 설정, 배포할 수 있게 해주는 플랫폼입니다. 전통적인 에이전트 개발은 에이전트가 유용한 일을 하기 전에 LangChain을 설정하고, 환경 변수를 구성하고, Python 의존성을 관리하고, 인프라를 프로비저닝하는 것을 의미합니다. Happycapy는 이를 뒤집습니다. 브라우저 탭을 열고, 에이전트가 해야 할 일을 설명하면, 플랫폼이 나머지를 처리합니다.

개발자에게 브라우저 기반 AI 에이전트 빌더가 필요한 이유

브라우저 기반 AI 에이전트 빌더는 실질적인 생산성 문제를 해결합니다. 개발자들은 실제 에이전트 동작을 구축하는 것보다 환경을 설정하는 데 더 많은 시간을 씁니다. Stack Overflow Developer Survey에 따르면, 개발자들은 근무 시간 중 상당 부분을 핵심 기능 개발 외의 작업 — 환경 설정, 의존성 해결, 툴체인 유지 관리 — 에 쓴다고 응답했으며, 이는 꾸준히 시간 낭비 요인 상위권에 오릅니다. 그 시간은 사용자 가치를 전혀 만들어내지 않습니다.

설정의 번거로움을 넘어서, 브라우저 기반 빌더가 진지한 개발자들 사이에서 기본값이 되어가는 데는 세 가지 구조적인 이유가 있습니다:

타협 없는 이식성. 브라우저만 있으면 어떤 컴퓨터에서든 에이전트가 동일하게 동작합니다. "내 컴퓨터에서는 되는데" 하는 디버깅도, 협업자를 추가할 때의 온보딩 마찰도, 개발과 프로덕션 사이의 환경 드리프트도 없습니다.

지속적인 클라우드 실행. 브라우저 기반 에이전트는 노트북의 가동 시간에 묶여 있지 않습니다. Happycapy 에이전트는 클라우드에서 24시간 실행되므로, 노트북을 닫기 전에 작업을 할당하고 다음 날 아침 결과를 확인할 수 있습니다. 이는 로컬 전용 설정으로는 구조적으로 불가능한 일입니다.

조합 가능한 skill 생태계에 대한 즉각적인 접근. GitHub webhook, Notion 동기화, PDF 파싱 같은 도구 통합을 처음부터 구축하려면 며칠이 걸립니다. Happycapy의 300,000개 이상의 오픈소스 skill은 자연어나 슬래시 명령어를 통해 이를 몇 초 만에 사용할 수 있게 해줍니다.

플랫폼을 검토 중인 개발자라면, 더 폭넓은 시장 개요를 위해 Best AI Agent Building Platform for 2026: No-Code Solutions 비교 글을 참고하세요.

HappyCapy 에이전트 빌더의 주요 기능

Happycapy의 에이전트 빌더는 노코드 자동화 도구와 순수 LLM API 접근 방식 모두와 차별화되는 다섯 가지 핵심 기능을 개발자에게 제공합니다.

1. 브라우저 네이티브 실행 환경. 모든 세션은 관리형 클라우드 컴퓨터에서 실행됩니다. 에이전트는 로컬 머신을 건드리지 않고도 Python 스크립트를 실행하고, API를 호출하고, 파일을 처리하고, 웹 서비스와 상호작용할 수 있습니다.

2. 5개 파일 에이전트 설정 시스템. 에이전트의 행동, 정체성, 메모리, 지침은 다섯 개의 구조화된 Markdown 파일로 정의됩니다(아래에서 자세히 다룹니다). 이는 버전 관리가 가능하고, 사람이 읽을 수 있으며, 조합 가능합니다.

3. 300,000개 이상의 오픈소스 skill. Skill은 킬로바이트 단위로 측정되는 가벼운 능력 플러그인으로, 에이전트가 할 수 있는 일을 확장합니다. FFmpeg 비디오 처리부터 GitHub 통합, React 모범 사례까지, skill은 에이전트의 도구 상자입니다.

4. 병렬 세션 관리를 위한 Desktops. 이름이 지정된 프로젝트 워크스페이스를 통해 여러 대화 스레드가 지속적인 파일 디렉토리를 공유할 수 있어, 동일한 프로젝트 컨텍스트 내에서 프론트엔드와 백엔드 개발을 동시에 진행할 수 있습니다.

5. 멀티모델 유연성. 작업의 복잡도에 따라 서로 다른 에이전트에 서로 다른 AI 모델을 할당할 수 있습니다 — 빈도가 높고 복잡도가 낮은 작업에는 Claude Haiku 같은 경량 모델을, 복잡한 추론과 코드 생성에는 더 강력한 모델을 사용합니다.

시작하기: 첫 번째 AI 에이전트 구축

Happycapy에서 첫 번째 AI 에이전트를 구축하는 데는 5분이 채 걸리지 않습니다. 이 플랫폼은 가입 외에 별도의 계정 설정이 필요하지 않으며, 로컬에 설치해야 할 CLI도, 관리해야 할 API 키도 없습니다.

코드 우선 도구에 익숙한 개발자에게 중요한 통찰은 이것입니다: 의도를 설명하면 플랫폼이 설정을 생성한다는 점입니다. 이후 생성된 모든 파일을 검사, 편집, 버전 관리할 수 있습니다. 이는 블랙박스가 아니라, 자연어 인터페이스를 주된 진입점으로 삼는 구조화되고 투명한 시스템입니다.

코딩에 특화된 설정에 대한 자세한 안내는 AI Developer Assistant Complete Setup Guide for Software Engineers에서 개발 워크플로우를 위한 전체 설정 흐름을 다룹니다.

Skill 설치 및 사용 (300K개 이상의 오픈소스)

Skill은 Happycapy 에이전트가 대화를 넘어 세상과 상호작용하는 메커니즘입니다. 각 skill은 외부 API 호출, 스크립트 실행, 파일 형식 처리, 서드파티 플랫폼 통합 등 특정 기능을 에이전트에 부여하는 가벼운 플러그인이며, 보통 크기가 몇 킬로바이트에 불과합니다.

300,000개 이상의 사용 가능한 skill은 개발자의 주요 워크플로우 전반을 아우릅니다:

Skill을 설치하고 사용하는 방법:

권장하는 방법은 자연어입니다. 필요한 것을 설명하면("이 CSV를 분석하고 차트를 생성해줘"), Happycapy가 자동으로 적절한 skill을 선택하고 호출합니다. 더 정밀한 제어가 필요하다면, 인터페이스의 Skills 버튼을 사용하거나 /를 입력해 슬래시 명령어 선택을 실행하세요.

Skill은 Model Context Protocol(MCP)을 지원하므로, 여러 도구 기능을 모듈식으로 조합할 수 있습니다 — 통합 코드를 처음부터 작성하는 대신, 단순하고 검증된 구성 요소들로 복잡한 파이프라인을 구성할 수 있습니다.

5개 파일 설정으로 에이전트 구성하기

5개 파일 설정 시스템은 정밀하고 재현 가능한 에이전트 동작을 원하는 개발자를 위한 Happycapy의 가장 강력한 기능입니다. 각 파일은 에이전트 동작의 특정 차원을 제어하는 순수한 Markdown 문서입니다.

SOUL.md는 에이전트가 할 일과 하지 않을 일 — 윤리적 가드레일, 우선순위, 의사결정 원칙 — 을 정의합니다. 개발자 에이전트라면, 항상 구현 전에 테스트를 작성하도록 하거나, 리뷰 없이는 절대 main에 push하지 않도록 명시할 수 있습니다.

IDENTITY.md는 에이전트의 역할 — 시니어 백엔드 엔지니어, DevOps 전문가, 데이터 파이프라인 아키텍트 등 — 을 설정합니다. 이는 에이전트가 모호한 요청을 해석하는 방식과 어떤 도메인 지식을 먼저 참고할지를 결정합니다.

MEMORY.md는 지속성 레이어입니다. 여기에 작성된 정보는 세션 간에 유지됩니다 — 기술 스택 선호도, 코딩 컨벤션, 반복되는 프로젝트 맥락, 팀원 이름 등. 이는 대부분의 AI 코딩 도구를 상태 없는 것처럼 느끼게 만드는 반복적인 맥락 설정을 없애줍니다.

USER.md는 에이전트에게 함께 작업하는 사람에 대한 정보 — 경험 수준, 워크플로우 선호도, 커뮤니케이션 스타일, 작업과 관련된 제약 사항 등 — 을 제공합니다.

AGENTS.md는 모든 것을 하나로 묶는 기본 지침 파일입니다. 에이전트의 운영 매뉴얼이라고 생각하면 됩니다: 작업 라우팅 로직, 에스컬레이션 규칙, 출력 형식, 그리고 나머지 네 파일과의 통합을 포함합니다.

이 아키텍처는 버전 관리가 가능합니다. 5개 파일을 Git 저장소에 저장하면, 애플리케이션 코드에 적용하는 것과 동일한 규율로 에이전트 동작에 대한 전체 히스토리, diff, 롤백 기능을 갖게 됩니다.

Desktops로 여러 병렬 세션 실행하기

Desktops는 Happycapy의 프로젝트 워크스페이스 기본 단위이며, 병렬 에이전트 워크플로우를 실용적으로 만들어주는 기능입니다. 각 Desktop은 ~/a0/workspace/<desktop-id>/에 전용 디렉토리를 제공하며, 해당 Desktop 내 모든 세션이 이를 공유합니다.

이 공유 파일 시스템이 핵심입니다. 두 세션을 동시에 실행할 때 — 예를 들어 하나는 API 문서를 생성하고 다른 하나는 통합 테스트를 작성하는 경우 — 두 세션 모두 동일한 프로젝트 디렉토리를 읽고 씁니다. 서로의 출력을 인지하지 못하는 격리된 프로세스가 아니라, 동일한 코드베이스에서 협업하는 에이전트로 동작합니다.

개발자를 위한 실용적인 병렬 워크플로우:

• 동일한 프로젝트에서 프론트엔드와 백엔드 개발을 동시에 진행
• 한 세션이 코드 리뷰를 수행하는 동안 다른 세션이 제안된 변경 사항을 구현
• 한 세션이 API 문서를 수집하는 동안 병렬 세션이 통합 작업을 스캐폴딩
• 메인 기능 구현이 계속되는 동안 테스트 생성 실행

각 Desktop 내에서 세션은 인터페이스를 통해 관리됩니다: + 버튼으로 새 세션을 생성하고, ☆ 아이콘으로 자주 사용하는 세션을 고정해 빠르게 접근할 수 있습니다. Folder는 기본 파일 시스템 구조에 영향을 주지 않으면서 관련 Desktop들을 조직적으로 그룹화합니다.

여러 클라이언트나 프로젝트를 동시에 관리하는 엔터프라이즈 팀을 위해, AI Agent Platform for Enterprise: Complete Guide to Implementation에서 대규모 Desktop 기반 멀티 프로젝트 아키텍처를 다룹니다.

AI 작업을 24시간 자동화하기

Happycapy의 클라우드 실행 모델은 에이전트가 여러분의 컴퓨터 가동 시간에 묶여 있지 않다는 것을 의미합니다. 이는 로컬 에이전트 프레임워크와 아키텍처적으로 다르며, 어떤 종류의 작업을 자동화하는 것이 실용적인지를 바꿔놓습니다.

24시간 실행이 가능하게 하는 것:

퇴근하기 전에 데이터 파이프라인 작업을 할당하세요. 에이전트는 밤새 실행되어 데이터셋을 처리하고, 보고서를 생성하고, 결과물을 공유 Desktop 디렉토리에 커밋합니다. 아침 커피를 마시며 결과를 검토할 때는 이미 작업이 끝나 있습니다.

이 패턴은 장기 실행이나 예약된 워크플로우 전반에 적용됩니다: 야간 빌드 분석, 자동화된 의존성 업데이트 PR, 예약된 API 상태 점검, 주간 성과 보고서 생성, 코드 변경에 의해 트리거되는 지속적인 문서 업데이트 등입니다.

영향력을 수치화하면: 온보딩 과정에서 추적된 Happycapy 고객들을 보면, 개발자들은 반복적이고 자동화 가능한 작업 — 컨텍스트 전환, 보일러플레이트 생성, 데이터 포맷팅, 상태 보고 — 에 이전에 쓰던 시간 중 하루 2~4시간을 꾸준히 되찾았다고 보고합니다. 그 시간은 몇 주, 몇 분기에 걸쳐 상당히 누적됩니다. Happycapy에서 이러한 워크플로우 자동화를 지금 시작하세요.

24시간 모델은 또한 에이전트가 GitHub webhook, 폼 제출, 이메일 같은 비동기 트리거에 여러분이 자리에 없어도 응답할 수 있다는 것을 의미합니다. 에이전트는 첫 대응 워크플로우를 처리하고, 사람의 판단이 진짜로 필요한 경우에만 에스컬레이션합니다.

HappyCapy vs 전통적인 AI 에이전트 개발

LangChain, AutoGen 같은 프레임워크나 순수 API 호출을 사용하는 전통적인 AI 에이전트 개발은 개발자에게 최대한의 제어권을 주지만, 설정 시간, 유지 관리 오버헤드, 인프라 복잡성 면에서 상당한 비용이 듭니다.

정직하게 말하자면, 전통적인 프레임워크는 매우 커스텀한 아키텍처를 위한 더 낮은 수준의 제어권을 제공합니다. Happycapy는 실제 개발자 워크플로우 대부분에 대해 그 역량의 90%를 10%의 설정 시간으로 제공합니다. 빠르게 에이전트를 출시하고 신속하게 반복해야 하는 팀에게는 이 생산성 차이가 결정적입니다.

다른 인기 있는 개발자용 AI 도구와의 자세한 비교는 Happycapy vs Cursor AI Which Tool Wins in 2026 비교 글을 참고하세요.

실제 개발자 사용 사례

Happycapy의 에이전트 빌더는 개발자 자동화 시나리오 전 영역을 다룹니다. 한 Happycapy 고객 — 3인으로 구성된 SaaS 팀 — 은 5개 파일 시스템을 사용해 풀스택 개발 에이전트를 설정했고, API 통합 스캐폴딩 시간을 통합당 평균 3.5시간에서 25분 이내로 줄였습니다. 이 에이전트는 SOUL.md에 그들의 TypeScript 컨벤션을, IDENTITY.md에 선호하는 테스트 프레임워크를 설정했으며, 이제 재요청 없이도 타입이 지정된 클라이언트 코드를 생성하고, 통합 테스트를 작성하고, 사용 예제를 만들어냅니다. 이 결과는 그들의 설정에 특화된 것이며, 5개 파일 설정이 Git 저장소에서 버전 관리되기 때문에 재현 가능합니다.

풀스택 개발 지원. IDENTITY.md에 기술 스택을, SOUL.md에 코딩 컨벤션을 담아 개발 에이전트를 설정하세요. 에이전트는 매 세션마다 맥락을 다시 설명할 필요 없이 여러분의 표준을 일관되게 준수하며 컴포넌트를 생성하고, 테스트를 작성하고, PR을 리뷰합니다.

자동화된 코드 리뷰 파이프라인. 코드 리뷰 에이전트는 새 PR을 모니터링하고, 팀의 리뷰 체크리스트를 적용하고, 보안 문제를 표시하고, 구조화된 피드백을 게시합니다 — 개발자가 온라인 상태일 필요 없이 지속적으로 실행됩니다.

데이터 파이프라인 자동화. Python 실행 skill과 파일 처리 기능을 갖춘 에이전트가 야간 ETL 작업을 실행하고, 출력 스키마를 검증하고, 이상 징후를 알립니다. cron job 설정도, 유지 관리할 서버도 필요 없습니다.

API 통합 스캐폴딩. 통합해야 할 API를 설명하세요. 에이전트가 문서를 읽고, 타입이 지정된 클라이언트 코드를 생성하고, 통합 테스트를 작성하고, 사용 예제를 만들어냅니다 — 보통 2~4시간이 걸리는 워크플로우가 20분 이내로 압축됩니다.

문서 생성. 문서화 에이전트는 매 스프린트 이후 실행되어 업데이트된 코드베이스를 읽고, 선호하는 형식으로 기술 문서를 생성하거나 업데이트합니다. 공유 Desktop 디렉토리에 저장되어 팀이 즉시 활용할 수 있습니다.

멀티 에이전트 리서치 및 구현. 한 Desktop 세션이 기술적 문제에 대한 최적의 접근 방식을 리서치하는 동안, 병렬 세션이 구현 스캐폴딩을 시작합니다. 두 세션 모두 Desktop의 파일 시스템을 통해 맥락을 공유하여, 리서치에서 코드로 이어지는 간극을 줄입니다.

프로덕션급 에이전트 구축을 위한 모범 사례

프로덕션급 에이전트는 동작하는 프로토타입 이상의 것을 요구합니다. 다음 관행들은 신뢰할 수 있고 유지 관리 가능한 에이전트와 취약한 데모를 구분 짓습니다.

5개 파일 설정을 버전 관리하세요. SOUL.md, IDENTITY.md, MEMORY.md, USER.md, AGENTS.md를 1급 코드 산출물로 취급하세요. Git에 커밋하고, 동작 변경에는 pull request를 사용하고, 중요한 설정 업데이트에 대한 changelog를 유지하세요.

작업 복잡도에 맞는 모델을 사용하세요. 포맷팅, 분류, 단순 조회 같은 빈도가 높고 저위험인 작업에는 Claude Haiku 같은 경량 모델을 사용하세요. 더 강력한 모델은 복잡한 추론, 아키텍처 결정, 코드 생성을 위해 남겨두세요. 이렇게 하면 비용을 예측 가능하게 유지하고 응답 시간을 빠르게 유지할 수 있습니다.

SOUL.md에 명시적인 실패 동작을 정의하세요. 에이전트가 모호함, 누락된 데이터, 범위를 벗어난 요청을 만났을 때 무엇을 해야 하는지 명시하세요. 모든 것을 처리하려다 예측할 수 없게 실패하는 에이전트보다, 우아하게 에스컬레이션하는 에이전트가 훨씬 더 프로덕션에 적합합니다.

MEMORY.md는 작업 상태가 아닌 프로젝트 맥락에 사용하세요. MEMORY.md는 기술 스택, 팀 컨벤션, 반복되는 패턴 등 세션 간에 유지되어야 할 지속적인 맥락을 위한 것입니다. 작업 특화된 상태는 에이전트의 메모리 설정이 아니라 Desktop 디렉토리 내 파일에 있어야 합니다.

의존하기 전에 병렬 세션을 테스트하세요. 병렬 Desktop 세션이 특정 워크플로우에서 동시 파일 쓰기를 올바르게 처리하는지 확인하세요. 가능하면 세션이 서로 다른 출력 파일에 쓰도록 파이프라인을 설계하고, 최종 단계에서 결과를 병합하세요.

자연어 skill 선택으로 시작한 뒤 최적화하세요. 처음에는 Happycapy가 자동으로 skill을 선택하게 하여 무엇이 가능한지 파악하세요. 에이전트가 일관되게 사용하는 skill을 파악한 후에는, 더 결정적인 동작을 위해 AGENTS.md에 명시적으로 고정하세요.

HappyCapy 시작하기

Happycapy는 개발자가 첫 프로덕션 AI 에이전트를 구축하는 것을 일반적으로 지연시키는 모든 장벽을 제거합니다. 로컬 설치도, 인프라 프로비저닝도, 의존성 충돌도 없습니다. 그저 브라우저에서 Happycapy를 열고 구축을 시작하세요.

제로에서 설정되고 실행 중인 에이전트까지의 경로는 다음과 같습니다:

1. 프로젝트를 위한 첫 Desktop 생성
2. 세션을 시작하고 플랫폼에 에이전트 설정을 도와달라고 요청
3. 에이전트의 역할, 처리해야 할 작업, 기술 스택 설명
4. 생성된 5개 파일 설정을 검토하고 필요에 따라 다듬기
5. 300,000개 이상의 사용 가능한 생태계에서 관련 skill 설치
6. 멀티 트랙 워크플로우를 위한 병렬 세션 할당
7. 사람의 판단이 필요한 작업에 집중하는 동안 에이전트를 24시간 실행

이 플랫폼은 무료로 시작할 수 있습니다. 특정 워크플로우를 더 깊이 알아보고 싶은 개발자를 위해, Blog에서는 모든 주요 개발자 사용 사례에 걸쳐 에이전트 설정 패턴, skill 선택 전략, 실제 배포 사례 연구를 다룹니다.

자주 묻는 질문

Happycapy는 코딩이 필요한가요, 아니면 비기술직 사용자도 사용할 수 있나요?

Happycapy는 에이전트를 구축하고 설정하는 데 코딩이 필요하지 않습니다. 5개 파일 설정 시스템은 순수한 Markdown을 사용하며, 에이전트 설정은 자연어 대화를 통해 안내되므로 비개발자도 쉽게 접근할 수 있습니다. 그렇지만 코딩 배경이 있는 개발자는 skill을 통한 Python 및 JavaScript 스크립트 실행을 포함해 Happycapy의 모든 기능을 활용하여 더 정교한 자동화 파이프라인을 구축할 수 있습니다. 이 플랫폼은 비기술직 사용자부터 시니어 엔지니어까지, 각각에 다른 인터페이스 없이 확장되도록 설계되었습니다.

Happycapy의 브라우저 기반 실행은 로컬 에이전트 프레임워크를 실행하는 것과 어떻게 다른가요?

Happycapy는 관리형 클라우드 환경에서 에이전트를 24시간 실행하므로, 노트북을 닫아도 에이전트는 계속 실행됩니다 — 지속적인 실행을 위해 여러분의 머신이 켜져 있어야 하고 자체 프로비저닝한 서버가 필요한 LangChain 같은 로컬 프레임워크와는 다릅니다. 또한 설치하거나 유지 관리해야 할 로컬 의존성이 없으며, 접근하는 모든 머신에서 에이전트의 환경이 동일합니다. 로컬 프레임워크에서는 여러분이 인프라를 소유하지만, Happycapy에서는 그 오버헤드가 완전히 관리됩니다.

에이전트 설정을 버전 관리할 수 있나요?

네. 5개 파일 설정 시스템(SOUL.md, IDENTITY.md, MEMORY.md, USER.md, AGENTS.md)은 전적으로 순수한 Markdown 파일로 구성되어 있어 어떤 Git 저장소에도 저장할 수 있습니다. 이를 통해 전체 버전 히스토리, 동작 변경에 대한 pull request 기반 리뷰, 롤백 기능을 얻을 수 있습니다 — 애플리케이션 코드에 사용하는 것과 동일한 워크플로우입니다.

300,000개 이상의 skill은 어떻게 작동하며, 어떤 것을 사용해야 할지 어떻게 알 수 있나요?

Skill은 GitHub의 API 호출부터 FFmpeg를 이용한 비디오 처리까지, 에이전트가 할 수 있는 일을 확장하는 가벼운 능력 플러그인입니다. 가장 간단한 방법은 필요한 것을 자연어로 설명하는 것입니다. Happycapy가 자동으로 적절한 skill을 선택합니다. 더 세밀한 제어를 원한다면 Skills 버튼이나 / 슬래시 명령어를 사용해 직접 탐색하고 선택하세요. 플랫폼에 직접 물어볼 수도 있습니다: "데이터 분석에 사용할 수 있는 skill이 뭐가 있어?"라고 물으면 관련 옵션을 보여줍니다.

Happycapy에서 Desktop과 세션의 차이는 무엇인가요?

Desktop은 지속적인 공유 파일 디렉토리(~/a0/workspace/<desktop-id>/)를 가진 이름이 지정된 프로젝트 워크스페이스입니다. 세션은 해당 Desktop 내에서 실행되는 개별 대화 스레드입니다. 여러 세션이 동일한 Desktop 내에서 동시에 실행될 수 있으며, 모든 세션은 동일한 파일 공간을 공유합니다 — 이를 통해 서로 다른 세션이 맥락을 중복하지 않고 동일한 프로젝트에서 협업하는 병렬 워크플로우가 가능해집니다.