Skip to content

hashgraph-online/awesome-codex-plugins / plugins/alpoxdev/hypercore/skills/hyper-decision

hyper-decision

Unverified

Use this skill when the user wants a decision API in software: a model call that returns a typed judgment (a yes/no probability, one option from a closed set, an ordered score, or an image box) instead of text, through TypeSafe Jev, OpenAI Decisions, Perplexity, Liquid, Cloudflare Clef, the Vercel AI SDK or AI Gateway, OpenRouter, or an emulation on a general LLM. It decides fit, writes typed questions, calling code, request templates, eval plans, audits of label-only LLM calls, and route setup. Do not use for chat or code generation, model training, moderation policy writing, or general prompt writing.

FileKindSize
SKILL.ko.mdmarkdown27.3 KB
SKILL.mdskill md24.7 KB
assets/evals/hyper-decision-cases.jsonlother36.1 KB
assets/templates/call-aisdk.tsscript9.2 KB
assets/templates/call-direct.tsscript14.5 KB
assets/templates/call-openai.tsscript14.6 KB
assets/templates/call-sdk.pyscript10.1 KB
assets/templates/call-sdk.tsscript9.2 KB
assets/templates/constants.template.tsscript4.2 KB
assets/templates/eval-cases.template.jsonlother3.2 KB
assets/templates/request-openai.jsonconfig2.5 KB
assets/templates/request.jsonconfig2.3 KB
assets/templates/routing-table.template.jsonconfig1.5 KB
references/ecosystem.ko.mdmarkdown7.4 KB
references/ecosystem.mdmarkdown6.6 KB
references/eval-and-audit.ko.mdmarkdown35.0 KB
references/eval-and-audit.mdmarkdown32.5 KB
references/mode-procedures.ko.mdmarkdown26.2 KB
references/mode-procedures.mdmarkdown24.9 KB
references/official/decision-providers.ko.mdmarkdown43.7 KB
references/official/decision-providers.mdmarkdown42.6 KB
references/official/jev-platform.ko.mdmarkdown34.8 KB
references/official/jev-platform.mdmarkdown32.3 KB
references/official/openai-decisions.ko.mdmarkdown20.7 KB
references/official/openai-decisions.mdmarkdown19.9 KB
references/patterns.ko.mdmarkdown20.2 KB
references/patterns.mdmarkdown18.9 KB
references/providers.ko.mdmarkdown30.3 KB
references/providers.mdmarkdown28.9 KB
references/question-design.ko.mdmarkdown34.9 KB
references/question-design.mdmarkdown31.8 KB
rules/modes-and-routing.ko.mdmarkdown12.4 KB
rules/modes-and-routing.mdmarkdown11.4 KB
rules/safety-and-boundaries.ko.mdmarkdown12.1 KB
rules/safety-and-boundaries.mdmarkdown10.7 KB
scripts/check-decision-request.shexecutablescript40.6 KB

references/patterns.ko.md

View on GitHub
# 판단 패턴 참조

결정 요청은 공유 입력 하나와 타입이 붙은 질문 여럿으로 이루어지고, 호출 하나에 서로 독립된 질문을
여럿 담을 수 있습니다. 판단의 모양이 세 가지를 정합니다. 어떤 질문 유형을 쓸지, 코드가 여러 답을
어떻게 합칠지, 임계값이 어디에 놓일지입니다. 이 파일은 판단 여덟 가지 모양을 질문 유형에 이어 주고,
벤더가 문서로 밝힌 패턴과 확률을 읽는 규칙, 그리고 복합 점수가 기대는 산술 규칙 하나를 담습니다.

여기 쓰는 유형 이름은 모두 중립 이름입니다. 어떤 경로에서 그 이름이 어떤 방언으로 바뀌는지는
[`./question-design.md`](./question-design.md)에 있습니다. 경로 사실과 한도, 모델 아이디는
[`./providers.md`](./providers.md)와 [`./official/`](./official/) 아래 스냅샷에 있습니다.

## Contents

- 판단 여덟 가지 모양
- 분류
- 탐지
- 점수화
- 라우팅
- 검색
- 선별
- 순위
- 검증
- 문서로 밝힌 패턴
- 추측 팬아웃
- 불리언 선별 먼저
- 짝 불리언
- 확률로 라우팅하고 신뢰도로 라우팅하지 않기
- 복합 점수와 일관성 경고
- 게이트웨이 결정 폴백
- 두 번째 요청이 값을 하는 때
- 확률 규칙
- 벤더 쿡북은 예시입니다
- Sources

## 판단 여덟 가지 모양

모양마다 맞는 질문 유형, 코드가 답을 합치는 방식, 임계값을 다루는 법, 그리고 벤더 예시 하나를
적습니다. 예시는 설명을 위한 것이지 지켜야 할 규칙이 아닙니다.

### 분류

- **질문 유형:** 전체 라벨 집합에 대한 Choice입니다.
- **합치는 법:** 코드가 고른 선택지를 분기로 옮깁니다. 단계가 있는 분류 체계는 단계마다 Choice
  질문 하나로 나누고, 첫 단계 아래는 위 단계의 답이 이끌게 합니다.
- **임계값:** 고른 선택지의 확률에 관문을 두고, 불확실한 구간은 사람에게 보내거나 분류 체계의 위
  단계로 올립니다. 확신하는 답과 동전 던지기를 같은 통에 넣는 것이 여기서 흔한 실수입니다.
- **예시:** TypeSafe의 계층 분류 쿡북입니다.

### 탐지

- **질문 유형:** 확률 자체가 신호일 때는 Boolean입니다. 예를 들어 메시지에 개인 정보가 들어
  있는지입니다. 탐지 대상에 정도가 있으면 Score를 씁니다.
- **합치는 법:** 코드가 확률에 임계값을 걸어 경로를 고릅니다. 같은 입력에 대한 탐지기 여럿은 한
  요청에 담고 코드에서 합칩니다.
- **임계값:** 놓쳤을 때의 비용과 잘못 걸렸을 때의 비용이 다르므로 두 방향이 보통 다른 값을
  받습니다. 둘 다 라벨이 붙은 자료로 맞추고, 두 임계값 사이에 떨어진 확률은 어느 쪽으로도 밀지
  않고 검토로 보냅니다.
- **예시:** TypeSafe의 가드레일 쿡북입니다.

### 점수화

- **질문 유형:** 단계를 구체적 상황으로 적은 Score입니다. 차원마다 Score 하나를 두고, 차원은
  직접 가진 가중치로 코드에서 합칩니다.
- **합치는 법:** Score마다 공통 범위로 정규화한 뒤 가중치를 곱해 더합니다. 합성 결과가 틀렸을 때
  어느 차원 탓인지 추적하려면 원래 Score를 남겨 둡니다.
- **임계값:** Score는 임계값을 넘거나 못 넘습니다. 단계 사이에서 정확한 수치를 보간하지 않습니다.
- **예시:** TypeSafe의 검색 문단 분류 쿡북입니다.

### 라우팅

- **질문 유형:** 처리기 전체에 대한 Choice이고, 목적지마다 선택지 하나입니다. 처리기마다 무엇이
  자기에게 속하고 무엇이 이웃에게 속하는지 설명을 붙입니다.
- **합치는 법:** 코드가 답이 가리킨 분기를 호출합니다. 목적지에 인자가 필요하면 인자마다 닫힌
  값 집합에 대한 질문을 따로 두고 타입이 붙은 함수를 호출합니다.
- **임계값:** 고른 처리기의 확률에 관문을 두고, 불확실한 구간에는 가장 가까운 곳으로 밀어 넣는
  대신 대비 처리기를 둡니다.
- **예시:** TypeSafe의 함수 호출 쿡북입니다.

### 검색

- **질문 유형:** 평문 질의에 대한 후보 줄이나 문단 아이디 전체에 대한 Choice와, 그 문서에 답이
  들어 있기는 한지 확인하는 Boolean입니다.
- **합치는 법:** 코드가 후보 집합을 먼저 만들고 한 번 보낸 뒤, 답을 그 집합 안의 위치로 읽습니다.
  글은 후보에서 그대로 복사하고 다시 만들지 않습니다.
- **임계값:** Boolean에는 확률 임계값을, Choice에는 따로 관문을 둡니다. "이 문서에는 답이 없음"
  분기를 따로 두면 빈 결과가 정직하게 남습니다.
- **예시:** TypeSafe의 줄 단위 검색 쿡북입니다.

### 선별

- **질문 유형:** 두 가지입니다. 후보 집합에서 하나를 고르는 Choice, 또는 후보마다 Score나
  Boolean을 매기고 코드에서 순위를 정하는 방식입니다. 후보 목록이 코드에서 열거할 만큼 짧으면
  질의와 후보 쌍마다 질문 하나를 둡니다.
- **합치는 법:** 코드가 후보 목록을 만들고 후보 집합마다 요청 하나를 보낸 뒤 상위 일치를 남깁니다.
  검색기는 코드에 남고, 모델은 검색기가 찾은 것의 순서만 바꿉니다.
- **임계값:** 관문을 건 자동 경로와 사람이 검토하는 경로를 견주고, 관문이 움직일 때 둘의 일치율을
  봅니다.
- **예시:** TypeSafe의 재순위 쿡북입니다.

### 순위

- **질문 유형:** 후보 전체에 대한 Choice 또는 Score입니다. 선택지를 나열한 순서는 순위가 아닙니다.
  후보별 Score나 Choice 답의 분포로 코드에서 순위를 정합니다.
- **합치는 법:** 코드가 답으로 순위를 정한 뒤, 첫 요청이 요약만 보았다면 상위 몇 개를 더 온전한
  입력으로 두 번째 요청에서 다시 확인합니다.
- **임계값:** 순위 자르기는 제품 결정이지 모델 결정이 아닙니다. 검토 항목을 하나 더 보는 비용과
  놓친 항목의 비용이 균형을 이루는 곳에 둡니다.
- **예시:** TypeSafe의 스킬 제안 쿡북입니다.

### 검증

- **질문 유형:** 주장과 그 주장이 인용한 출처에 대한 Choice 또는 Boolean입니다. Boolean 하나로는
  "출처에 근거가 없음"과 "출처를 확인할 수 없음"을 구분하지 못합니다. 세 상태 Choice를 쓰거나,
  출처가 주장을 확인하기에 충분한지 따로 묻습니다.
- **합치는 법:** 코드가 주장과 출처를 나란히 입력에 두고 쌍마다 질문 하나를 묻습니다. 판정은
  코드의 검토 경로를 이끕니다.
- **임계값:** 근거가 없는 주장과 확인할 수 없는 주장은 다른 결과입니다. 분기를 따로 두고, 불확실한
  구간은 통과가 아니라 검토에 떨어지게 합니다.
- **예시:** TypeSafe의 인용 확인 쿡북입니다.

## 문서로 밝힌 패턴

아래 패턴은 벤더가 문서로 밝힌 것입니다. 벤더의 유형 이름을 빼고 적었으므로 어느 경로로도 옮길 수
있습니다. 각 항목에 근거 페이지를 붙였습니다.

### 추측 팬아웃

코드가 필요할 수 있는 질문을 한 호출에 모두 보내고, 일부 입력에서만 쓰이는 질문도 함께 넣은 뒤
쓰지 않는 답은 코드가 무시합니다. 질문은 병렬로 돌고 자기 토큰만 쓰므로 추측 질문의 비용은 거의
없습니다. "반품 요청인가?"와 "어느 항목을 반품하는가?"를 함께 묻고, 첫 답이 예일 때만 두 번째 답을
읽습니다. 출처: <https://docs.typesafe.ai/patterns/fan-out>.

### 불리언 선별 먼저

뒤에 오는 비싼 질문이 일부 입력에서만 의미가 있으면 같은 요청에 Boolean 선별을 넣고 코드가 그
답으로 분기합니다. 선별은 싸고, 건너뛰기 결정을 드러내며, 흔한 경로에서 두 번째 요청을 통째로
없앱니다. 출처: <https://docs.typesafe.ai/patterns/noul-screen>.

### 짝 불리언

Choice는 아무것도 맞지 않아도 선택지 하나를 돌려주고, Box는 대상이 없어도 네 변을 돌려줍니다.
벤더의 지침은 catch-all 선택지에 기대지 말고, 맞는 선택지가 있는지(또는 대상이 보이는지) 묻는 짝
Boolean을 두라는 것입니다. 벤더는 자기 시험에서 이것이 `other`나 `none of the above` 선택지보다
나았다고 밝히고, 이유도 적습니다. `other` 선택지가 실제 선택지와 확률을 다투기 때문입니다. 출처:
<https://docs.typesafe.ai/primitives> 및 <https://docs.typesafe.ai/patterns/companion-noul>.

### 확률로 라우팅하고 신뢰도로 라우팅하지 않기

답이 이미 지닌 확률로 라우팅합니다. Choice라면 곧 실행할 선택지의 확률이고, Boolean이라면 예일
확률입니다. 신뢰도는 다른 통계이고, 선택지 수가 고정된 Choice에서는 최고 확률의 결정적 변환이므로
둘 다에 임계값을 걸어도 새 정보가 없습니다.

벤더는 더 단호하게 적습니다. 신뢰도는 관문이 되는 일이 드물다고 합니다. 서툰 구현이 신뢰도를 코드가
행동할지 정하는 검사로 쓰는데, 그 값은 분포가 얼마나 몰려 있는지를 잴 뿐 답이 맞을 확률이 아닙니다.
확률에 다른 계산을 얹는 편이 대개 그 용례에 더 맞습니다. 출처:
<https://docs.typesafe.ai/patterns/probability-routing>,
<https://docs.typesafe.ai/confidence.md>, 벤더 지침
<https://github.com/typesafe-ai/skills> (release v0.6.2, 2026-10-23).

### 복합 점수와 일관성 경고

넓은 판단을 잘게 나눈 Score로 쪼개고, 직접 가진 가중치로 코드에서 합칩니다. 합성 결과가 팀의 판단과
어긋나면 프롬프트가 아니라 가중치를 바꿉니다. 출처:
<https://docs.typesafe.ai/patterns/composite-scoring>.

경고는 산술에 있습니다. 어떤 질문과 그 부정형의 확률은 1로 합쳐질 필요가 없고, 서로 배타적인
라벨의 확률도 마찬가지입니다. 독립 연구 하나가 "라벨이 X"와 "라벨이 X가 아님"의 차이를 평균
0.064(95% 신뢰구간 0.055에서 0.072)로 쟀고, 단일 라벨 확률 셋이 평균 1.14로 합쳐지는 것도
확인했습니다. 코드가 질문 사이에서 확률을 더하거나 빼거나 재정규화하면 모델이 보장하지 않는 성질에
기대는 것입니다. 복합은 별개 답의 가중 합으로 두고, 그 결과를 확률이 아니라 순위 신호로
다루십시오. 출처: <https://arxiv.org/abs/2609.33209>.

### 게이트웨이 결정 폴백

게이트웨이는 첫 답이 불확실할 때 성공한 결정을 다른 모델에서 다시 돌릴 수 있습니다. Vercel AI
Gateway는 `providerOptions.gateway.models`의 첫 항목으로 조건 객체를 받고, Choice와 Score에는
`when: { question, confidenceBelow }`, Boolean에는
`when: { question, probabilityBetween: [lo, hi] }`를 쓰며 `any`, `all`, `atLeast` 조합을 둡니다.
이 패키지가 아는 유일한 내장 에스컬레이션 수단이고, 비용이 둘입니다. 폴백이 걸리면 두 단계 모두
과금되고, 언어 모델 폴백은 분포를 돌려주지 않습니다. TypeSafe 호환 표면에서는 게이트웨이가
`confidence: 0`과 `probabilities: {}`를 사용 불가 표시로 돌려주고, OpenAI 호환 표면에서는 두 필드를
아예 뺍니다. 폴백은 두 번째 의견이지 보정된 두 번째 확률이 아닙니다. 출처:
<https://vercel.com/docs/ai-gateway/models-and-providers/decision-fallbacks> 및
<https://vercel.com/changelog/confidence-based-decision-fallbacks>.

## 두 번째 요청이 값을 하는 때

요청 하나로는 다른 답에 기대는 질문을 해결하지 못합니다. 코드가 첫 답으로 다음 입력을 만들어야
하거나, 근거를 가져와야 하거나, 다음 선택지를 골라야 할 때 두 번째 요청을 보냅니다. 한 질문 때문에
넣은 필드가 다른 질문을 실제로 흐릴 때, 또는 질문 묶음을 따로 캐시하거나 버전을 매겨야 할 때도
그렇습니다. 그 밖의 경우에는 두 질문을 첫 요청에 함께 넣고 코드에서 합칩니다. 출처:
<https://github.com/typesafe-ai/skills> (release v0.6.2, 2026-10-23).

## 확률 규칙

- 확률은 집단 비율입니다. 벤더는 보정 비율이 "개별 답 하나에 대한 보장이 아니라 예측 집단을
  설명한다"고 적습니다. "이 항목에 대해 모델이 맞을 확률이 92퍼센트"라고 쓰지 말고, 자기 라벨
  표본에서 그 구간이 보인 값을 쓰십시오. 출처:
  <https://docs.typesafe.ai/introduction/machine-learning-primer.md>.
- Boolean은 예일 확률 하나만 지닙니다. 값이 0.5 근처면 모델이 예와 아니오에 같은 무게를 준
  것이고, 이는 중간 세기의 답이 아니라 불확실입니다. 정도가 필요하면 단계를 정의한 Score를
  쓰십시오.
- 신뢰도는 답이 맞을 확률이 아닙니다. 분포가 얼마나 몰려 있는지를 재는 값이고, 벤더도 그렇게
  적습니다. 선택지 수가 고정된 Choice에서는 최고 확률의 변환이므로 관문으로는 대개 부적합합니다.
  곧 실행할 행동의 확률을 관문으로 쓰고, 신뢰도는 진단값으로 남기십시오. 출처:
  <https://docs.typesafe.ai/confidence.md>.
- Score의 위치는 측정값이 아닙니다. 임계값을 넘는지 보거나 두 항목의 순서를 정할 수는 있지만,
  두 단계 사이의 실제 수치를 복원하지는 못합니다. 출처:
  <https://docs.typesafe.ai/model-jaggedness.md>.
- 임계값은 자기 자료에서 평가합니다. 벤더 예시는 설명일 뿐 보편 규칙이 아닙니다. "올바른 임계값은
  도메인과 그 용례에서의 모델 성능에 달렸다"고 벤더가 적습니다. 출처:
  <https://docs.typesafe.ai/confidence.md>.
- 임계값은 시스템당 하나가 아닙니다. 행동마다 다른 관문이 필요하고, 되돌리기 어려운 행동에 더 높은
  문턱을 둡니다. 벤더가 제시하는 Boolean 출발값은 0.7과 0.3이고, 그 사이 구간에는 따로 결과를
  둡니다. 출처: <https://docs.typesafe.ai/confidence.md>.
- 임계값은 질문 유형 사이로도, 질문 사이로도 옮겨 가지 않습니다. Boolean에서 맞춘 값은 Choice로
  넘어오지 않고, 한 질문에서 맞춘 값은 관련된 다른 질문으로 넘어오지 않습니다. 출처:
  <https://docs.typesafe.ai/confidence.md>.
- 특정 모델 버전에 맞춰 임계값을 조정했다면 그 버전 아이디를 고정해, 별칭이 조용히 옮겨가도 값이
  흔들리지 않게 하십시오. 출처: <https://docs.typesafe.ai/models.md>.
- 거절은 낮은 확률이 아닙니다. OpenAI 방언에서 거절은 질문마다 붙는 네 번째 답 유형이고, 벤더는
  그것이 확률이 낮은 predicate 답과 다르다고 적습니다. 분기를 따로 두십시오. 출처:
  <https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/decisions>.

## 벤더 쿡북은 예시입니다

아래는 TypeSafe가 낸 레시피이고, 위 모양들의 예시로 남깁니다. 이름은 패턴 설명으로 읽고 필수
라이브러리로 읽지 마십시오. 현재 목록은 이 파일이 아니라 벤더 목록에서 읽으십시오.

| 쿡북 | 보여 주는 것 |
| --- | --- |
| Self-consistency: nouls | 불확실한 확률을 사람 검토로 보내면서 값을 계속 보이게 두기 |
| Self-consistency: choices | 조정 결정에 불확실 결과를 더하고 라벨 일치를 견주기 |
| Parallel questions | 질문을 많이 담은 브리핑을 한 호출에 넣고 묶음의 비용과 지연을 재기 |
| Re-ranking | 어휘 검색기의 후보 목록을 받아 질의와 후보 쌍마다 질문 하나 |
| Line-by-line search | 문서 줄을 질의에 비추어 점수화하고 그 문서에 답이 있는지 확인 |
| Structure recovery | 줄을 다시 이은 뒤 블록마다 분류해 잃은 서식을 되살리기 |
| Function calling | 자연어 요청을 닫힌 인자를 가진 타입 함수 호출로 바꾸기 |
| Skill suggestion | 큰 목록의 순위를 정한 뒤 상위 몇 개를 전문과 함께 다시 확인 |
| Knowledge graph entity alignment | 두 목록 항목이 같은 제품인지 짝 확인과 함께 판정 |
| Classifying RAG passages | 검색된 문단을 점수화하고 어느 것이 답변기로 갈지 코드에서 결정 |
| Double-checking citations | 인용을 믿기 전에 인용문의 맥락을 출처와 견주기 |
| Guardrails for LLMs | 모델 앞뒤에서 메시지를 거르고 위험도와 심각도에 임계값 걸기 |
| SDE cascade | 싼 단계, 확인 단계, 비싼 단계로 이어지는 2단 추출 |
| Date extraction | 날짜 조각을 뽑은 뒤 코드에서 해석하고 검증 |
| Pre-parsed value extraction | 정규식으로 후보를 찾고 모델이 그 범위를 고르기 |
| Hierarchical classification | Choice 확률을 병렬로 훑어 깊은 라벨 계층을 내려가기 |
| Autoresearch feature discovery | 자유 텍스트를 수치 특징으로 바꾸고 하위 모델을 훈련 |
| Classification using confidence | Choice 답의 신뢰도로 세밀 라벨과 굵은 라벨 사이를 고르기 |

## Sources

> Links checked 2026-11-08.

| 주장 | 출처 |
| --- | --- |
| 질문 유형과 각 답의 형태, 코드가 바로 쓸 수 있는 유형을 고르라는 지침 | <https://docs.typesafe.ai/primitives> |
| Boolean 확률 자체가 신호라는 점, Choice와 Score 신뢰도가 분포의 변환이라는 점, 0.7과 0.3 출발 구간, 임계값이 도메인에 달렸다는 주의 | <https://docs.typesafe.ai/confidence.md> |
| 확률 라우팅, 짝 불리언, 불리언 선별, 복합 점수, 추측 팬아웃이 문서로 밝힌 패턴이라는 점 | <https://docs.typesafe.ai/patterns/probability-routing>, <https://docs.typesafe.ai/patterns/companion-noul>, <https://docs.typesafe.ai/patterns/noul-screen>, <https://docs.typesafe.ai/patterns/composite-scoring>, <https://docs.typesafe.ai/patterns/fan-out> |
| Choice는 언제나 하나를 고르고 Box는 언제나 네 변을 돌려주며, `other` 선택지보다 짝 Boolean을 권한다는 점 | <https://docs.typesafe.ai/primitives> |
| 두 번째 요청 규칙, 결정을 코드의 진리표로 두라는 설명, 신뢰도가 관문이 되는 일이 드물다는 경고 | <https://github.com/typesafe-ai/skills> (release v0.6.2, 2026-10-23) |
| 부정형 쌍이 1에서 0.064 어긋나고 단일 라벨 확률이 1.14로 합쳐진다는 측정 | <https://arxiv.org/abs/2609.33209> |
| 게이트웨이 결정 폴백, 트리거 조건, 이중 과금, 사용 불가 표시 | <https://vercel.com/docs/ai-gateway/models-and-providers/decision-fallbacks> 및 <https://vercel.com/changelog/confidence-based-decision-fallbacks> |
| 약한 Score 보간과 Choice 선택지 순서 편향 | <https://docs.typesafe.ai/model-jaggedness.md> |
| 거절이 별개 답 유형이고 낮은 확률이 아니라는 점 | <https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/decisions> |
| 확률이 개별 확률이 아니라 집단 비율이라는 점 | <https://docs.typesafe.ai/introduction/machine-learning-primer.md> |
| 임계값을 한 버전에 맞췄을 때 버전 아이디를 고정하라는 점 | <https://docs.typesafe.ai/models.md> |
| 쿡북 이름과 각 레시피의 한 줄 목적 | <https://docs.typesafe.ai/llms.txt> |

### Evidence grade

위 벤더 사실은 `PRIMARY`입니다. 패턴과 임계값 규칙, 확률 규칙이 각각 2026-11-08에 받아 둔 벤더
문서에서 나왔습니다. 게이트웨이 폴백 계약도 `PRIMARY`이고, 게이트웨이 벤더 자체 페이지에서
가져왔습니다. 일관성 수치는 `SECONDARY`입니다. 독립 프리프린트 하나에서 나왔고 분석 자료는
공개됐지만 학회 검토를 거치지 않았습니다. 판단 모양과 특정 벤더 쿡북을 이어 주는 것은 `LOCAL`이고,
벤더 진술이 아니라 이 패키지의 편집상 짝짓기입니다.

여기서 확인되지 않아 일부러 비워 둔 것: 보편적으로 권장되는 임계값, 가격, 요청 한도, 모델
아이디입니다. 그 값들은 [`./providers.md`](./providers.md)와 [`./official/`](./official/) 아래
스냅샷에 있습니다.
rea-analysis-optimizationmorluto/reaOptimize REA providers and shared analysis workflows for agent context, latency, CPU, and memory while preserving correctness and Evidence. Use for analysis bottlenecks and cache or query design; CI/test-suite optimization belongs to rea-ci-tests-audit.Stars: 468kUpdated Claude CodeCodexVerifiedInstall
rea-ci-tests-auditmorluto/reaAudit REA CI and test suites for correctness, fixture drift, false passes, and measured performance; use for suite or workflow investigations and efficiency changes, rather than ordinary feature testing or a single test failure.Stars: 468kUpdated Claude CodeCodexVerifiedInstall
rea-tool-designmorluto/reaAudit, investigate, design, or change REA investigation tools, CLI/MCP contracts, provider capabilities, and Evidence semantics.Stars: 468kUpdated Claude CodeCodexVerifiedInstall
ponytail-auditDietrichGebert/ponytailQuality audit of the whole repo: bugs, security, real load, missing tests, speed, and what to delete. Most important first.Stars: 194kUpdated Claude CodeCodexVerifiedInstall