agentleFS
Mineru98Mineru98/skills-store/.claude/skills/prototype-deploy/SKILL.md

prototype-deploy

Skill13 starsChanged 3 months agoMITView on GitHub

요구사항 목록을 받아 각 항목이 화면에서 어떻게 동작할지 보여 주는 디자인 프로토타입(정적 HTML)을 만들고, Tailscale serve로 tailnet에 정적 배포한 뒤 링크를 전달한다. '프로토타입 만들고 테일스케일로 배포', '시안 만들어서 링크 줘', '/prototype-deploy' 요청에 사용한다. 실제 기능 구현이나 운영 배포, 공개 인터넷(funnel) 공유에는 쓰지 않는다.

The file

Files
SKILL.md

Prototype Deploy

요구사항 → 클릭 가능한 정적 프로토타입 → tailnet HTTPS 링크.

결과물은 링크 하나다. 코드베이스의 실제 기능은 건드리지 않는다.

필요 도구: 로그인된 tailscale CLI, python3, curl, lsof.

1. 요구사항 정리

  • 사용자가 준 요구사항을 항목별로 쪼갠다.
  • 항목마다 "화면에서 무엇이 보이고, 사용자가 무엇을 하면, 어떻게 반응하는지"를 한 줄로 정한다.
  • 해석이 갈려 결과가 달라지는 항목만 질문한다. 나머지는 가장 단순한 해석을 택하고 가정으로 기록한다.
  • 현재 저장소에 실제 화면이 있으면 그 디자인 토큰·컴포넌트 모양·용어를 먼저 읽고 맞춘다.

2. 프로토타입 작성

위치는 <저장소 루트>/.omc/artifacts/<slug>/다. 저장소 밖이면 ~/prototypes/<slug>/를 쓴다.

  • 빌드 없는 정적 파일로 만든다. 진입점은 index.html이다.
  • 외부 라이브러리는 버전을 고정한 CDN으로만 쓴다.
  • 데이터는 그럴듯한 목업으로 하드코딩한다. 실제 API를 호출하지 않는다.
  • 요구사항 항목마다 확인할 수 있는 화면·상태를 둔다. 상단에 항목 목록(번호 + 한 줄 설명)을 두고 각 항목 화면으로 이동하게 한다.
  • 대안이 둘 이상이면 같은 페이지에서 A/B 토글로 비교하게 한다.
  • 모바일 폭(390px)과 데스크톱 폭 모두에서 깨지지 않게 한다.

3. 로컬 확인

배포 전에 실제로 열어 본다.

  • 브라우저 도구(ego-browser 등)가 있으면 file:// 또는 로컬 서버로 열어 콘솔 에러 0건과 각 항목 화면 전환을 확인한다.
  • 브라우저 도구가 없으면 최소한 HTML 구문과 참조 경로(스크립트·이미지)가 모두 존재하는지 확인한다.

4. 배포

bash <이 스킬 디렉터리>/scripts/deploy.sh <프로토타입 디렉터리> [port]
  • 포트를 생략하면 19400–19499 중 비어 있는 포트를 고른다.
  • 127.0.0.1에 python3 -m http.server를 띄우고 tailscale serve --bg --https=<port>로 연결한다. macOS Tailscale 앱은 디렉터리를 직접 서빙하지 못해서 이 방식을 쓴다.
  • 스크립트는 tailnet URL이 200을 돌려줄 때만 성공한다. 실패하면 출력된 에러를 그대로 보고한다.
  • 같은 프로토타입을 고쳐 다시 배포할 때는 파일만 수정한다. 서버가 디렉터리를 그대로 서빙하므로 재배포가 필요 없다.
  • funnel(공개 인터넷)은 쓰지 않는다. 사용자가 명시적으로 요청할 때만 확인 후 쓴다.

내리기:

bash <이 스킬 디렉터리>/scripts/deploy.sh stop <port>

5. 전달

짧게 보고한다.

  • 링크: 스크립트가 출력한 url
  • 요구사항 항목별로 프로토타입에서 어떻게 표현했는지 한 줄씩
  • 세운 가정과 남은 질문
  • 로컬 경로와 내리는 명령(deploy.sh stop <port>)

tailnet 전용 링크라 같은 tailnet 기기에서만 열린다는 점을 함께 적는다. 로컬 서버는 재부팅하면 꺼지므로, 링크가 죽으면 같은 명령으로 다시 배포한다.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.