my-ai-project/ ├── README.md # 프로젝트 소개 & 퀵스타트 ├── CONTRIBUTING.md # 기여 가이드라인 ├── setup.py / pyproject.toml # 패키지 설정 ├── src/ 또는 패키지명/ │ ├── models/ # 모델 정의 (아키텍처) │ ├── data/ # 데이터 로딩 & 전처리 │ ├── training/ # 학습 루프 & 최적화 │ ├── inference/ # 추론 파이프라인 │ ├── configs/ # 하이퍼파라미터 설정 │ └── utils/ # 유틸리티 함수 ├── tests/ # 테스트 코드 ├── scripts/ # 학습/평가 스크립트 ├── notebooks/ # Jupyter 노트북 예제 ├── docs/ # 문서 └── .github/workflows/ # CI/CD (GitHub Actions)

# HuggingFace Transformers 예시 from transformers import AutoTokenizer, AutoModel tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-3.2-3B") inputs = tokenizer("안녕하세요", return_tensors="pt") # inputs: {'input_ids': tensor([[1, 15023, 8842, ...]]), 'attention_mask': tensor([[1, 1, 1, ...]])}

transformers/ ├── models/ # 200+ 모델 아키텍처 (각각 독립적 모듈) │ ├── llama/ # LLaMA 모델 │ │ ├── modeling_llama.py # 모델 구현 │ │ ├── configuration_llama.py # config 클래스 │ │ └── tokenization_llama.py # 토크나이저 │ ├── bert/ # BERT 모델 │ └── gpt2/ # GPT-2 모델 ├── pipelines/ # 고수준 추론 API (pipeline("text-generation")) ├── generation/ # 텍스트 생성 로직 (sampling, beam search) ├── tokenization_utils.py # 토크나이저 기반 클래스 ├── modeling_utils.py # 모델 기반 클래스 (PreTrainedModel) └── configuration_utils.py # 설정 기반 클래스 (PretrainedConfig) 의존성 흐름: pipeline → model → config + tokenizer → generation

# Claude Code 실전 예시 > "GitHub 이슈 #456을 분석해줘. 관련 코드를 찾고 원인을 파악해줘." Claude Code가 자동으로: 1. 이슈 내용 파악 2. 관련 파일 검색 (grep, file search) 3. 코드 흐름 추적 4. 원인 분석 결과 보고 5. 수정 방향 제안

# Step 1: 이슈 내용 확인 > "GitHub 이슈 #789의 내용을 요약해줘" # Step 2: 관련 코드 탐색 > "이 이슈와 관련된 코드를 찾아줘. 아직 수정은 하지 마" # Step 3: 원인 분석 > "이 버그의 근본 원인이 무엇인지 분석해줘" # Step 4: 해결 방향 도출 > "이 문제를 해결하기 위한 방법을 3가지 제안해줘" # Step 5: 난이도 평가 > "이 이슈를 해결하는 데 예상되는 작업량과 난이도를 평가해줘"

## 기여 계획서 ### 대상 이슈 - 프로젝트: [프로젝트명] - 이슈 번호: #[번호] - 이슈 제목: [제목] ### 문제 분석 - 현재 상황: [현재 동작 설명] - 기대 동작: [올바른 동작 설명] - 원인: [AI 도구 + 직접 분석으로 파악한 원인] ### 해결 방안 - 접근 방식: [구체적인 해결 방법] - 변경 예정 파일: - [ ] file1.py - [변경 내용] - [ ] file2.py - [변경 내용] - [ ] test_file.py - [테스트 추가] ### 테스트 계획 - [ ] 기존 테스트 통과 확인 - [ ] 새로운 테스트 케이스 추가 - [ ] CI/CD 파이프라인 통과 ### 일정 - 코드 작성: [날짜] - 테스트 완료: [날짜] - PR 제출: [날짜]

# Claude Code로 기여 계획서 초안 작성 > "이슈 #789에 대한 기여 계획서를 작성해줘. 다음을 포함해줘: 1. 문제 분석 (원인과 영향) 2. 해결 방안 (구체적 코드 변경 계획) 3. 변경 예정 파일 목록 4. 테스트 계획 코드는 아직 수정하지 마."

# FastMCP로 한국 서비스 MCP 서버 개발 from fastmcp import FastMCP mcp = FastMCP("korean-service") @mcp.tool() def search_naver(query: str) -> str: """네이버 검색 API로 웹 검색을 수행합니다""" import requests headers = { "X-Naver-Client-Id": os.environ["NAVER_CLIENT_ID"], "X-Naver-Client-Secret": os.environ["NAVER_CLIENT_SECRET"] } resp = requests.get( "https://openapi.naver.com/v1/search/webkr.json", params={"query": query, "display": 5}, headers=headers ) return resp.json() @mcp.tool() def get_weather(city: str) -> str: """도시의 날씨 정보를 반환합니다""" # 기상청 API 연동 return f"{city}의 날씨: 맑음, 5°C"