Turtleneck system flow
전체 흐름은 로컬 우선으로 동작하며, 인증정보는 로컬 보호 저장소 경계를 벗어나지 않습니다.
개발 중 발견한 장애와 회귀 원인은 문제·회귀 기록에 증상·원인·해결·검증·남은 위험 순서로 기록합니다.
개발자 응원
터틀넥이 도움이 됐다면 GitHub Sponsors에서 개발자를 응원할 수 있어요. 물리치료비, 커피비, 맥주비처럼 편한 이름과 금액을 선택해 주세요. 후원은 선택 사항이며 기능이나 지원 범위를 제한하지 않습니다.
터틀넥은 무엇인가요?
과제, 공지, 강의자료, 시험 준비가 여러 화면에 흩어져 있을 때 생기는 번거로움을 줄이는 컴퓨터용 학습 스킬입니다.
터틀넥은 학교 자료를 기기에 정리하고, 읽을 수 있는 자료만 작은 단위로 AI에 전달합니다. 문제를 만들고 풀 때는 채팅창이 아니라 전용 웹 시험지를 열며, 답안과 풀이 기록도 이어서 볼 수 있습니다.
핵심은 세 가지입니다.
| 학생 입장에서 | 터틀넥이 하는 일 |
|---|---|
| 무엇부터 해야 할지 모르겠을 때 | 과제·강의·공지·할 일을 과목별로 정리 |
| 할 일을 자꾸 놓칠 때 | 기기에서 주기적으로 새 과제·미시청 강의·마감을 확인하고 먼저 알려줌 |
| 자료는 있는데 공부가 막막할 때 | 핵심 개념을 먼저 정리하고 자료 근거 기반 문제 생성 |
| 문제를 풀고 실력이 남지 않을 때 | 웹 시험지, 자동 저장, AI 채점, 지난 풀이와 약한 문항 기록 |
기본 실행 환경은 Codex·Claude Code·Gemini가 설치된 macOS·Windows입니다. 모바일은 독립 실행형 앱이 아니라, 사용자의 컴퓨터에서 켜 둔 ChatGPT Actions 게이트웨이를 통해 정식 보조 경로로 지원합니다. 모바일 기기와 DB를 자동 동기화하지 않고, 컴퓨터 안에 원본 자료를 보관합니다.
성능 검증은 계속 업데이트해요
터틀넥은 전체 속도를 하나의 숫자로 포장하지 않고 학습 파이프라인·로컬 캐시·미디어·TLS 동기화·전사를 파트별로 나눠 측정합니다. 각 결과에는 버전 커밋, 실행 시각, 운영체제, Python 버전, 머신과 논리 코어 수가 함께 남습니다. macOS와 Windows는 서로 다른 환경에서 독립 실행하며, 실제 Whisper 모델이 없는 환경의 전사 속도는 추정하지 않습니다.
현재 기준과 상징 버전의 비교 규칙은 파트별 벤치마크 기준과
상징 버전별 비교 기준에서 계속 갱신합니다. 최신 실행 결과는
저장된 최적화 기록과 GitHub Actions의 Benchmark Turtleneck 결과에서
확인할 수 있습니다.
서버 부담은 로컬 시간만으로 추정하지 않습니다. 같은 작업을 브라우저와 터틀넥에서 각각 기록해 요청 수·본문량·리디렉션·실패를 비교하며, 실제 브라우저 기준 HAR가 없을 때는 사용자보다 빠르거나 가볍다고 단정하지 않습니다. 자세한 기준은 트래픽 비교 절차에 적었습니다.
최근 macOS 기준 실행(2565d02, 8코어, 30회 중앙값)에서는 1개 파일 cold 학습 파이프라인이
92.946ms → 87.386ms, 4개 파일 warm 재사용이 22.545ms → 22.279ms로 측정됐습니다.
4개 파일 cold는 92.104ms → 93.169ms, TLS fixture 시간은 44.352ms → 47.845ms로 소폭 늘어
모든 경로가 빨라졌다고 포장하지 않습니다. 이 수치는 AI 추론과 실제 TLS 접속을 제외한
오프라인 fixture 결과이며, 최신 상세 결과에 실행 환경과
파트별 타임스탬프를 함께 기록합니다.
건국대학교 TLS 기준 트래픽 분석
다른 학교 비교를 시작하기 전에는 실제로 측정된 tls.kku.ac.kr 결과를 기준선으로 사용합니다. 아래 수치는
건국대 TLS 9개 과목 계정에서 로그인·초기 준비를 제외하고, 파일 원본 바이트를 받지 않은 읽기 작업을
비교한 값입니다. 응답 본문량은 헤더·TLS·TCP·압축 조건을 모두 포함하지 않으므로 학교 회선 전체 사용량이나
서버 CPU·DB 부하와 같은 값으로 해석하지 않습니다.
| 건국대 TLS 시나리오 | 변경 전 → 현재 | 감소 효과 |
|---|---|---|
| 9개 중 1과목 변경 감지·상세 갱신 | 294 → 18 요청 | 93.88% 감소 |
| 같은 작업의 응답 본문량 | 1,125,750B → 202,623B | 82.00% 감소 |
| 같은 작업의 소요 시간 | 67.297초 → 8.031초 | 88.07% 감소 |
| 15분 이내 과제·강의 상태 재조회 재사용 | 57 → 0 요청 | 100% 감소 |
| 같은 재사용 구간의 응답 본문량 | 520,427B → 0B | 100% 감소 |
| 공지 7개 일반 재조회 | 8 → 1 요청 | 87.50% 감소 |
| 같은 공지 구간의 응답 본문량 | 85,620B → 10,402B | 87.85% 감소 |
강제로 최신 상태를 확인하면 57개 요청을 다시 보내며, 이는 캐시를 무시하고 현재 값을 확인하기 위한 의도된 동작입니다. 대신 실측 피크 요청 빈도는 7→4로 낮아졌습니다. 현재 동기화는 한 계정에서 읽기 작업을 최대 2개까지만 병렬화하고, 요청 사이에 0.25초 간격을 두며, 서버가 요구한 대기 시간과 실패 재시도를 따릅니다. 이미 확인한 자료·공지·상태는 로컬 캐시를 재사용하므로 시험기간에 같은 내용을 반복해서 읽을 때 학교 서버로 다시 보내는 요청을 줄입니다.
이 기준은 “모든 학생의 브라우저보다 항상 적다”는 증명이 아니라, 건국대 TLS에서 중복 조회를 줄인 현재 설계의 실측 기준입니다. 실제 학생 브라우저와의 직접 비교는 이후 같은 시나리오의 HAR가 확보될 때 추가하며, 그 전까지는 사용자보다 몇 % 적다고 주장하지 않습니다. 원시 측정은 TLS 최적화 결과와 단계별 트래픽 비교 절차에 보관합니다.
사용자·스킬 트래픽 곡선
동일 시나리오를 여러 번 기록하면 사용자 브라우저와 터틀넥의 누적 트래픽 하한을 곡선으로 만들 수 있습니다. 브라우저 HAR가 아직 저장소에 없어 현재 README에는 임의의 사용자 수치를 그리지 않으며, 다음 도구가 실제 HAR 비교 결과를 받아 두 선을 생성합니다.
python experiments/benchmarks/traffic_profile.py \
--har '<브라우저 HAR>' --scenario academic_sync \
--skill-json '<터틀넥 계측 JSON>' --output /tmp/traffic-compare.json
python experiments/benchmarks/traffic_curve.py \
--input /tmp/traffic-compare.json /tmp/traffic-compare-2.json \
--output docs/optimization/kku-traffic-curve.svg
초록 실선은 터틀넥, 주황 점선은 실제 사용자 브라우저입니다. 같은 시나리오·같은 로그인 제외 범위·비슷한 캐시 상태의 비교 파일만 한 곡선에 넣으며, 곡선의 값도 실제 회선 총량이 아닌 기록된 HTTP 본문량의 하한입니다.
빠른 시작
터틀넥은 GitHub에서 Turtleneck AI Skill 또는 터틀넥 스킬로 찾을 수 있고, Codex·Claude Code
마켓플레이스 형식과 Gemini 스킬 경로에 맞춘 패키지를 제공합니다. 설치 환경만 먼저 확인하려면 아래를
실행하고, 실제 등록은 확인 후 --apply를 붙이세요.
python3 skills/university-agent/scripts/install_turtleneck.py
python3 skills/university-agent/scripts/install_turtleneck.py --apply
설치가 끝났을 때만 “도움이 됐다면 GitHub에서 별 하나만 눌러 주세요”라는 안내를 한 번 표시합니다. 별은 선택 사항이며 기능·지원 범위와 무관합니다.
Git이 없어도 설치할 수 있습니다. GitHub 저장소의 Code → Download ZIP으로 압축을 받은 뒤
압축을 풀고 같은 스크립트를 실행하면, 터틀넥이 현재 폴더를 로컬 설치 원본으로 사용합니다.
저장소 폴더 없이 스크립트만 실행한 경우에는 공개 turtleneck 브랜치의 현재 커밋을 먼저 확인하고,
그 커밋 SHA에 고정된 GitHub ZIP을 임시 폴더에 받아 설치한 뒤 즉시 삭제합니다. 설치 과정에서 GitHub ZIP 전체 크기와 압축 경로를 검사하며, 학교 계정·비밀번호·쿠키는 읽지 않습니다.
따라서 Git이 없는 새 컴퓨터에서는 다음 흐름이면 됩니다.
- Turtleneck 저장소에서 Code → Download ZIP
- 압축 해제 후
skills/university-agent/scripts/install_turtleneck.py실행 - 먼저 확인 결과를 보고, 동의할 때만
--apply실행
Codex·Claude Code·Gemini 자체가 설치되어 있지 않은 경우에는 먼저 해당 호스트를 설치해야 합니다. Git은 터틀넥 설치의 필수 조건이 아닙니다.
공개 마켓플레이스 상태
현재 패키지는 호스트의 마켓플레이스 형식으로 준비되어 있지만, 건국대 TLS·에브리타임처럼 터틀넥이 접근하는 제3자 엔드포인트의 공개 사용 권리를 확인하지 못해 공개 마켓플레이스 제출은 보류 중입니다. 사용자 본인 계정으로 접근할 권한과 플러그인 제작자가 제3자 엔드포인트를 공개 배포할 권리는 다릅니다. 권리 확인 전에는 공개 등록을 완료했다고 안내하지 않습니다.
1. 설치
로컬 Codex, Claude Code 또는 Gemini가 필요합니다. 소스 설치와 직접 스크립트 실행에는 Python 3.10 이상이 필요합니다. Python이 없는 컴퓨터에서는 GitHub Releases의 무서명 turtleneck-macos-arm64-unsigned, turtleneck-macos-x64-unsigned 또는 turtleneck-windows-x64-unsigned 무설치 번들을 사용할 수 있습니다. 번들에는 PDF 읽기와 완료된 강의 오디오 변환에 필요한 런타임도 포함합니다. 첫 실행 때 운영체제의 보안 경고가 나올 수 있으므로 아래 확인 절차를 거친 뒤 실행하세요.
무설치 번들은 압축을 푼 뒤 macOS의 turtleneck 또는 Windows의 turtleneck.exe를 실행합니다. 플러그인 자체는 사용하는 Codex·Claude Code의 설치 명령으로 등록하고, 번들은 로컬 실행기와 Python 런타임을 제공하는 방식입니다. 배포 절차는 릴리스 정책, 변경 내역은 변경 기록에서 확인할 수 있습니다.
설치 중 보안 경고가 뜨는 이유
공개 번들은 현재 Apple 개발자 인증서와 Windows 코드 서명 인증서가 없어 무서명 상태입니다. 따라서 macOS Gatekeeper가 “확인되지 않은 개발자”라고 표시하거나 Windows SmartScreen이 실행을 막을 수 있습니다. 이는 Python이 없어서 생기는 오류가 아니라 운영체제가 파일의 개발자 서명을 확인하지 못했다는 안내입니다.
실행 전에는 반드시 공식 GitHub Release에서 받은 파일인지 확인하고, 함께 제공된 .sha256 파일과 체크섬이 일치하는지 비교하세요. 체크섬이 다르거나 출처가 불분명하면 경고를 무시하지 말고 실행을 중단하세요. 서명이 없다는 사실만으로 안전하다는 뜻은 아닙니다.
Codex:
codex plugin marketplace add K-Lunatic/Turtleneck --ref turtleneck
codex plugin add university-agent@turtleneck
설치 후 새 Codex 대화에서 호출합니다.
$turtleneck
처음 호출할 때 설치 폴더를 다시 복사하거나 setup 명령을 따로 입력할 필요가 없습니다. 터틀넥이
이 컴퓨터의 준비 상태만 먼저 읽고, 연결되지 않은 항목이 있을 때만 한 번 쓰는 로컬 연결 화면을 열어요.
이미 준비된 학교 자료·에타 캐시는 그대로 재사용합니다.
Claude Code: 공개 저장소에서 아래 두 명령으로 설치합니다.
claude plugin marketplace add K-Lunatic/Turtleneck
claude plugin install university-agent@turtleneck
새 Claude Code 대화에서 /university-agent:turtleneck을 호출하세요. 설치 없이 개발본을 확인하려면
claude --plugin-dir .로 시작해 같은 명령을 사용합니다. 경로의 .은 이 저장소 루트입니다.
저장소가 없다면 먼저 git clone --branch turtleneck https://github.com/K-Lunatic/Turtleneck.git로
받은 뒤 Turtleneck 폴더에서 설치합니다.
스킬 폴더만 쓸 때는 skills/university-agent를 ~/.claude/skills/turtleneck에 복사하고 /turtleneck을
호출합니다. 이 경우 플러그인 자동 업데이트 대신 폴더를 다시 복사해 갱신합니다.
Claude 설치 규칙과 실행 지침을 참고하세요.
Gemini CLI: 저장소 전체가 아니라 스킬 경로를 직접 등록합니다.
gemini skills install https://github.com/K-Lunatic/Turtleneck.git \
--path skills/university-agent --scope user
gemini skills list --all
개발 중인 저장소는 루트에서 gemini skills link "$PWD/skills/university-agent" --scope workspace를 사용합니다. 로컬 파일·명령 실행이 없는 일반 Gemini 웹 대화에서는 학교 로그인·동기화·로컬 시험지를 사용할 수 없습니다. Gemini 실행 지침을 참고하세요.
로컬 시험 서버나 Actions 연결을 실행할 때는 University Agent.command(macOS) 또는 University Agent.bat(Windows)를 더블클릭하세요. Python이 없으면 공식 설치 안내가 표시됩니다. 실행 전 터틀넥은 신뢰한 turtleneck 버전을 확인하지만 자동으로 덮어쓰지 않으며, 사용자가 확인한 뒤 --apply를 선택해야 업데이트합니다. 개발 중인 Git 저장소는 자동으로 덮어쓰지 않습니다.
공개 저장소 사용 범위
이 저장소에는 학교의 공개 기본 주소와 일반적인 요청 경로가 포함될 수 있지만, 계정 비밀번호·세션 쿠키·OAuth 비밀값·개인 강좌 ID·원본 강의자료는 포함하지 않습니다. 본인 계정과 본인이 접근 권한을 가진 자료에만 사용하고, 학교나 에브리타임의 이용 정책을 우회하거나 과도한 요청을 보내지 마세요. .mbz, .tpack, 데이터베이스와 다운로드 파일은 저장소에 커밋하지 않습니다.
보안 문제는 공개 이슈가 아니라 보안 안내에 따라 비공개로 알려 주세요.
XERJ Corpus Hub 선정
터틀넥은 XERJ Corpus Hub에 공개 코퍼스로 선정되었습니다. 실제 구현을 참고할 수 있도록 feat: add lecture media and activity support 커밋(49615b7)이 MIT 라이선스와 함께 고정되어 있으며, K-Lunatic 기여자 페이지에서 확인할 수 있습니다.
자율강좌는 예약 확인 때 어떻게 갱신되나요?
자율강좌 주소를 한 번 확인하고 --remember-watch를 선택하면, 예약된 학교 동기화 때 해당 강좌의 운영 권한과 화면에 보이는 토픽·활동 구조를 읽기 전용으로 확인합니다. 변경이 발견되면 변경 종류를 이 컴퓨터에 저장하고 사용자에게 알려 줍니다. 확인에 실패하면 이전 기록을 최신 정보처럼 보여주지 않습니다. 자료 업로드·삭제·강좌 수정은 자동으로 실행하지 않으며, 별도 명령과 사용자 확인이 필요합니다.
원본 파일과 동영상 데이터는 자동으로 일괄 수집하지 않습니다. 필요한 자료만 요청 시 확인하고, 이미 검증된 로컬 사본은 재사용합니다. 학교 서버의 이용 제한이나 자료 다운로드 정책이 확인되지 않은 작업은 실행하지 않습니다.
python3 scripts/run_agent.py autonomous-course-verify \
--url 'https://tls.kku.ac.kr/course/view.php?id=<내 자율강좌 ID>' \
--remember-watch
다른 코스모스·Moodle 학교에서도 쓸 수 있나요?
표준 Moodle 화면을 쓰는 학교라면 먼저 로그인 후 /my/ 또는 /course/index.php에서 내 강좌를 찾고,
/course/view.php?id=...의 주차·토픽·활동 목록을 공통 형식으로 읽습니다. quiz, assign, resource,
h5pactivity처럼 처음 보는 활동도 버리지 않고 유형과 원래 위치를 그대로 보관합니다.
다만 SSO, 동영상 뷰어, 파일 다운로드, 출결·제출 상태, 자율강좌 관리 화면은 학교마다 달라요. 현재는
건국대 TLS에서 실제로 확인한 경로만 학교 전용 기능으로 활성화하고, 다른 학교에 /local/ubion이나
/local/ubeclass 같은 주소를 추측해서 요청하지 않습니다. 따라서 다른 학교에서는 공통 강좌·활동 지도부터
사용할 수 있고, 세부 기능은 해당 학교 화면을 확인한 뒤 별도 프로필로 추가해야 합니다.
정규 강좌와 자율강좌에서 공통으로 쓰는 Moodle 경로와 학교별로 분리된 경계는
Moodle 호환성 기록에 정리했습니다.
학교별 실제 환경은 담당자와 협의한 뒤 읽기 전용으로 확인하고, 요청량과 캐시 동작을 측정해 순서대로 최적화할 계획입니다. 공개 기관 목록은 후보를 찾는 참고 자료일 뿐 지원 보장이 아닙니다. 자세한 협력 절차와 배포 기준은 대학교 협력·최적화 로드맵을 확인해 주세요.
교수용 제출물 정리
교수 계정으로 강좌의 실제 관리 링크가 보일 때만 제출물 정리 기능을 엽니다. 먼저 목록만 확인하고, 사용자가
확인한 뒤에만 제출 파일을 한 번에 내려받습니다. 파일명은 {index}, {course}, {assignment}, {label},
{filename}을 조합해 정할 수 있고, 같은 이름 덮어쓰기는 기본적으로 막습니다. 기존 파일을 덮어쓸 때는
더 강한 확인 문구가 필요합니다.
python3 skills/university-agent/scripts/moodle_teacher.py capabilities \
--course-id '<확인된 자율강좌 ID>' --autonomous-only
자율강좌 기준으로 확인하면 먼저 현재 계정의 자율강좌 목록에서 같은 ID를 찾고, 운영자 또는 교수 역할과
수정 링크가 함께 보이는지 확인합니다. 그 다음 실제 강좌 화면의 교수용 링크를 읽습니다. 둘 중 하나라도 없으면
교수 기능을 열지 않습니다.
python3 skills/university-agent/scripts/moodle_teacher.py download-submissions \
--assignment-id '<확인된 과제 ID>' --output './제출물' \
--name-template '{index:03d}_{label}_{filename}'
python3 skills/university-agent/scripts/moodle_teacher.py download-submissions \
--assignment-id '<확인된 과제 ID>' --output './제출물' \
--name-template '{index:03d}_{label}_{filename}' --apply --confirm 다운로드
채점 화면은 실제로 확인된 Moodle 양식만 계획 단계에서 보여주며, 점수 저장은 별도 확인 없이는 실행하지 않습니다. 자료 업로드도 학교별 양식 차이가 커서, 현재 공통 기능은 실제 추가 양식 확인까지입니다. 표준 Moodle에서 확인되지 않은 교수용 링크는 권한이 없다고 단정하지 않고 사용할 수 없음으로 보고합니다.
Canvas도 연결할 수 있어요
Canvas를 사용하는 학교는 별도 Canvas 연결로 수강 과목, 성적 요약, 과제·제출 상태, 모듈, 공지와 파일 목록을 읽기 전용으로 가져올 수 있습니다. Canvas 주소와 API 토큰은 보안 입력 화면에서 직접 입력하며, 토큰은 macOS Keychain 또는 Windows 보호 저장소에만 보관합니다. TLS의 비밀번호·쿠키·DB와는 분리됩니다. Canvas는 아이디·비밀번호를 받아 API 토큰으로 바꿔 주는 공통 로그인 절차가 없으므로, 비밀번호를 Canvas 토큰 발급에 사용하지 않습니다. 학교가 OAuth를 제공하는 경우는 별도 앱 등록이 필요하며, 현재 연결은 사용자가 직접 만든 API 토큰만 받습니다.
python3 skills/university-agent/scripts/canvas_sync.py \
--domain https://canvas.example.edu --account-alias 본계정
첫 버전은 읽기와 로컬 정리만 지원합니다. 과제 제출, 파일 업로드, 강좌 수정은 권한·학교 정책·실제 양식을 확인한 뒤 별도 기능으로 검토합니다. 토큰을 입력할 수 없거나 학교가 API를 막아 둔 경우에는 Canvas 웹 화면을 우회하지 않고 연결 실패로 안내합니다.
2. 처음 한 번 연결
처음 호출하면 이 컴퓨터의 브라우저에 한 번만 쓰는 터틀넥 연결 화면이 열립니다. 학교 이름이 아니라 사이트별 계정 별칭도 함께 입력할 수 있어요. 예를 들어 건국대학교 TLS / 본계정, 목원대학교 LMS / 본계정, 같은 학교의 조교계정을 따로 저장합니다. 비밀번호는 macOS Keychain 또는 Windows 보호 저장소에만 저장합니다. 아이디나 비밀번호가 틀리면 실패했다고 숨기지 않고 입력 화면을 다시 열어요. 에브리타임을 함께 쓰려면 이어지는 공식 로그인 화면에서 로그인과 2차 인증을 직접 마칩니다.
비밀번호를 채팅이나 터미널에 입력하지 마세요. 이미 연결한 계정과 캐시는 다음 실행에서 재사용합니다. macOS는 최초 저장·접근 시 운영체제의 키체인 승인을 한 번 요구할 수 있으며, 이후에는 같은 실행 환경의 보호 저장소와 세션을 재사용합니다. 오래된 항목이 현재 실행 환경의 접근 권한을 갖고 있지 않으면 일반 동기화가 반복 승인 창을 띄우지 않고 멈춥니다. 이 경우 연결을 한 번만 다시 실행해 새 접근 정책으로 저장하세요.
요청에 과목명이 들어 있으면 터틀넥은 각 프로필의 로컬 과목 목록만 대조해 연결을 고릅니다. 자료구조 과제 확인해줘가 한 프로필에서만 발견되면 그 공간의 DB와 파일만 읽고, 두 학교나 두 계정에 같은 과목이 있으면 임의로 고르지 않고 선택을 요청합니다. 직접 고르려면 --site와 --account-alias를 함께 지정할 수 있습니다.
같은 학교 계정을 여러 학교 서비스에서 쓰는 경우에도 자동으로 추측하지 않습니다. 사용자가 명시적으로 원본 프로필을 지정하면 대상 사이트의 로그인 프로필이 원본 OS 보호 저장소를 참조합니다. 예를 들어 다음은 건국 TLS의 본계정 인증정보를 IM에 명시적으로 연결하는 흐름입니다.
python3 scripts/sync_tls.py --base-url https://im.kku.ac.kr \
--account-alias 본계정 \
--reuse-site https://tls.kku.ac.kr \
--reuse-account-alias 본계정 --connect
이 연결은 비밀번호를 JSON·DB·로그로 복사하지 않습니다. IM과 KIS의 세션 쿠키, 학사 DB, 내려받은 파일은 각 사이트 프로필에 따로 저장되며, 연결을 요청하지 않은 사이트에는 인증정보를 사용하지 않습니다.
3. 원하는 일을 말하기
이번 주 미제출 과제 알려줘
내 시간표와 오늘 일정 알려줘
자료구조 3주차 자료로 문제 만들어줘
전에 풀었던 시험 보여줘
이 과제 지금까지 한 것 저장해줘
명령어를 외울 필요는 없습니다. 원하는 일을 말하면 필요한 선택만 안내합니다. 진행 기록을 최종 저장하거나 불러올 때는 화면에 안내된 확인 명령을 직접 보내야 합니다.
TLS 자율강좌의 관찰된 설정 저장 양식으로 안전한 설정만 바로 바꿀 수도 있습니다. 강좌 ID와 필드 값은 매번 로그인 후 실제 양식에서 확인하며, 비밀번호·쿠키·보안키는 출력하지 않습니다.
python3 scripts/run_agent.py tls-course-update \
--course-url 'https://tls.kku.ac.kr/course/view.php?id=<내 자율강좌 ID>' \
--set numsections=8
# 활동 추가 양식과 저장 경로를 읽기 전용으로 확인 (활동 생성 없음)
python3 scripts/run_agent.py tls-activity-inspect --course-id '<내 자율강좌 ID>'
# 여러 토픽의 활동을 한 계획으로 확인 (기본은 저장하지 않음)
python3 scripts/run_agent.py tls-activity-control \
--course-id '<내 자율강좌 ID>' --plan '<로컬 활동 계획.json>'
# 계획을 확인한 뒤에만 실제 저장
python3 scripts/run_agent.py tls-activity-control \
--course-id '<내 자율강좌 ID>' --plan '<로컬 활동 계획.json>' --apply
무엇을 해주나요?
| 기능 | 사용 예시 | 얻는 결과 |
|---|---|---|
| 학사 정보 | “오늘 뭐 해야 해?” | 과목별 과제, 강의, 공지, 마감, 시청 상태 |
| Moodle 활동 지도 | “강의실에 뭐가 올라와 있어?” | 주차별 게시판·퀴즈·페이지·자료·H5P 등 모든 활동 유형과 원본 위치 |
| 일반 할 일 | “TLS에 없는 과제도 추가해줘” | 학교에 없는 개인 과제까지 함께 관리 |
| 수업자료 | “자료구조 공지와 자료 보여줘” | 저장된 과목 자료와 원본 파일 확인 |
| 자료 학습 | “자료구조 공부 좀 해야겠다” | 핵심 개념을 먼저 익히고 다음 학습 선택 |
| PDF·PPT 도표 | “이 자료로 문제 만들어줘” | 문서 내부 이미지를 로컬에서 추출해 필요한 문항에만 연결 |
| 취약 개념 복습 | “약한 개념부터 복습 자료 보여줘” | 자료 분석·풀이 기록으로 중요도와 취약도를 정해 짧은 복습 자료 제공 |
| 시험지 | “자료구조 전체 자료로 10문제 만들어줘” | 전용 웹 시험지와 자동 저장 답안 |
| 채점 | “시험 채점해줘” | 현재 Codex·Claude의 기준별 AI 채점과 자료 근거 피드백 |
| 지난 기록 | “전에 풀었던 시험 다시 보여줘” | 당시 문제·답안·채점 결과를 읽기 전용으로 확인 |
| 강의 음원 | “이미 본 강의의 음성만 가져와줘” | 시청 완료·제한을 재확인하고 로컬 오디오 보관; 대리 시청 없음 |
| 학습 팩 | “학습 자료를 다른 기기로 옮겨줘” | 분석 결과·문제 세트·풀이 기록만 묶어 이동 |
| 에브리타임 | “내 시간표와 자료구조 강의평 보여줘” | 로컬에 저장한 시간표·선택한 강의평 조회 |
TLS 자율강좌의 자료·활동 메뉴는 실제 화면에서 확인한 유형과 저장 양식만 사용합니다. 세부 목록은 TLS 활동 엔드포인트 기록에 정리되어 있습니다.
터틀넥이 편한 이유
- 한 번 읽은 자료는 다시 읽지 않음: 파일 분석과 문항 후보를 저장해 다음 학습에서 재사용합니다.
- 원본을 잃지 않음: 같은 이름의 파일도 서로 덮어쓰지 않고 원래 형식을 유지합니다.
- 시험처럼 풀 수 있음: 채팅 퀴즈가 아니라 전용 웹 시험지에서 먼저
시험 시작하기를 누른 뒤 문제를 보고 답합니다. 시작 버튼을 누른 시점부터 풀이 시간이 기록되고,지난 시험목록에서 원본을 보존한 채 별도 재시험을 만들 수 있습니다. - 풀이가 남음: 답안, 채점, 헷갈린 문항, 전체 풀이 시간과 문항별 풀이 시간을 저장합니다.
- 근거 없는 출제를 줄임: 실제로 읽지 못한 자료는 문제 근거로 사용하지 않습니다.
- 놓치는 일을 줄임: 새 과제·임박한 마감·미시청 영상을 6시간마다 기기에서 확인하고, 바뀐 내용이 있을 때만 알려줍니다.
- 기기 안에서 끝남: 별도 데이터베이스 서버나 모델 API 키 없이 로컬 저장소를 사용합니다.
- 필요한 것만 이동: 학습 팩에는 원본 파일·TLS 비밀번호·쿠키를 넣지 않고 분석 결과와 학습 기록만 담습니다.
자세히 보기
아래 항목은 처음 사용하는 사람에게는 숨겨 두었지만, 동작 원리와 제한을 확인하려는 사용자를 위해 남겨 두었습니다.
시험지와 학습 기능의 세부 동작
자료에서 시험지까지
범위 선택 → 파일별 읽기 → 핵심 개념·맥락 정리 → 유형별 문항 후보 저장
↓
시험지 ← 저장된 후보 조합 ← 전체 범위 처리 확인
↓
답안 자동 저장 → 제출 → 현재 AI 채점 → 점수·피드백·근거 표시
자료를 한 번에 AI에 넣지 않습니다. 긴 파일은 작은 본문 조각으로 나누고, 파일별 분석이 끝난 뒤 후보 문항을 조합합니다. PDF/PPT/PPTX 안의 이미지·도표도 로컬에서 추출해 이미지 참조 후보로 함께 보관합니다. 변경된 파일이나 출제 조건만 다시 처리합니다. 시험지가 완성되면 실행기가 전용 웹 화면을 자동으로 열며, 채팅에 문제를 평문으로 대신 내지 않습니다.
완료된 강의는 저장된 학교 연결로 창 없이 음성을 가져올 수 있습니다. TLS의 현재 completed를
확인하고 공식 제공 경로만 사용하며 재생·진도·출석 요청은 보내지 않습니다. 보호·금지된 영상은
제외합니다. 음성을 나눌 도구가 없다면 사용 중인 Python에 requirements-audio.txt를 설치합니다.
음성은 로컬에 보관하고 임시 영상은 정리합니다. scripts/lecture_review.py transcribe로
시간표시 전사를 만들고, 필요한 경우 현재 호스트 AI 검수와 해당 시각 화면 확인을 별도로 이어갑니다.
검수 기록이 저장되기 전에는 전사문을 의미적으로 확인된 자료로 취급하지 않습니다. 자세한 제한은
강의 음원·전사 안내를 참고하세요.
약한 개념을 다음 학습에 반영
저장된 파일별 분석의 개념·설명·근거와 이전 풀이의 오답·부분점수·힌트 사용·매칭 실패를 합쳐 개념별 중요도와 취약도를 계산합니다. 먼저 복습할 개념에는 저장된 설명과 원문 위치를 함께 보여주고, 다음 문제 생성에도 learningFocus로 전달합니다. 기록이나 근거가 없으면 추측하지 않고 확인 권장으로 남깁니다.
python3 scripts/run_agent.py study-insights --course "자료구조"
지원하는 문제 유형은 다음과 같습니다.
| 유형 | 풀이 방식 |
|---|---|
| 객관식·n지선다 | 선택지와 OMR 선택 |
| 용어 단답형 | 용어 입력과 동의어 평가 |
| 서술형 | 핵심 의미·키워드·기준별 부분 점수 |
| 코드 오류 수정 | 예제 코드의 오류 수정 |
| 실행 결과 예측 | 코드 결과와 흐름 설명 |
| 순서 배열형 | 블록을 올바른 순서 칸에 배치 |
| 신규 유형 | 자료 특성에 맞는 텍스트·코드·선택 입력 유형 |
문항 수는 1200개이며 객관식 선택지는 220개입니다. 한 유형만 반복하거나 여러 유형을 섞을 수 있고, 문제은행 셔플·파일/차시별 출제·문제 세트 분할·전체 개념 매칭판을 지원합니다. 매칭판은 양쪽을 따로 섞고, 첫 오매칭 때 한 번 자동으로 다시 섞습니다.
시험 화면에는 다음이 표시됩니다.
- 전체 스톱워치와 선택적 제한 시간 타이머
- 시간 초과 후에도 계속 풀 수 있는 초과 시간 표시
- 문항을 건드린 시각을 기준으로 계산한 문항별 풀이 시간
- 자동 저장과 새로고침 복구
- 채점 표시와 분리된 “헷갈렸어요” 눈 아이콘
시간 측정은 실제 시선 추적이 아니라 문항 클릭·답안 입력·OMR 선택 등 시험 화면 상호작용을 기준으로 합니다. 건너뛴 문항은 기록하지 않고, 돌아온 문항은 구간별 시간을 누적합니다.
정답·평가 기준·원문 인용은 채점 전 브라우저에 보내지 않습니다. 코딩 답안은 실행하지 않고 의미 기준으로 평가합니다.
학습 팩 이동
학습 팩은 .tpack 파일로 저장합니다. 과목별 분석 결과, 핵심 개념, 문제 세트, 풀이 기록과 선택한 학습 메모를 담을 수 있지만 원본 강의 파일·TLS 계정·쿠키는 포함하지 않습니다.
python3 scripts/run_agent.py study-pack export --course "자료구조" --output ~/Desktop/data-structures.tpack
python3 scripts/run_agent.py study-pack import --input ~/Desktop/data-structures.tpack
학습 팩은 개인 학습 자료이므로 공유할 때는 파일을 받은 사람과 범위를 확인하세요. 가져온 기기에서는 원본 파일을 자동으로 내려받지 않으며, 필요한 경우 해당 파일을 직접 첨부해 모바일 분석을 요청할 수 있습니다.
모바일 학습 팩 경로도 정식 보조 경로에 포함합니다. 모바일에서 터틀넥이 직접 실행되는 것은 아니며, 학습 게이트웨이를 실행한 Mac·Windows 컴퓨터가 켜져 있어야 합니다. 게이트웨이가 꺼져 있거나 터널이 끊기면 모바일 조회와 시험 화면도 중단됩니다.
TLS 자율강좌 백업 흐름
자율강좌는 계정당 하나만 터틀넥 관리 대상으로 삼고, 강좌명·토픽명·시험 활동명은 중립적인 표현만 허용합니다. 운영자 화면에서 만든 백업을 로컬로 내려받아 구조를 검사한 뒤, 저장된 Moodle XML 문항을 기존 토픽의 새 퀴즈 활동으로 조립할 수 있습니다.
백업 생성(운영자 화면) → 로컬 다운로드 → 구조 검사 → 시험 XML 생성
→ 새 퀴즈 활동을 로컬 .mbz에 조립 → 복구 화면에서 목적지·중복 확인
로컬 조립 명령은 외부 요청을 보내지 않습니다.
python3 scripts/run_agent.py tls-backup-assemble \
--template '<기존 .mbz>' --questions '<시험 Moodle XML>' \
--section '자료구조' --quiz-name '자료구조 · 모의시험' --output '<새 .mbz>'
기존 백업을 완전히 비우고 현재 로컬 TLS 수강 과목별 토픽만 다시 만들 때는 다음 명령을 사용합니다. 과목을 지정하지 않으면 이 기기의 TLS 수강 목록을 사용합니다.
python3 scripts/run_agent.py tls-backup-rebuild \
--template '<기존 .mbz>' --output '<깨끗한 .mbz>'
백업을 실제 강좌에 연결할 때도 먼저 계획 단계로 대상과 구조를 확인합니다. --apply는 복구 마법사를
진행하고, --execute를 함께 쓸 때만 확인된 자율강좌의 기존 내용을 비운 뒤 복구합니다. 역할·등록은 보존하며,
TLS 커스텀 강좌 형식이 토픽 이름을 적용하지 않으면 성공으로 처리하지 않고 멈춥니다.
python3 scripts/run_agent.py tls-backup-restore \
--backup '<깨끗한 .mbz>' \
--course-url 'https://tls.kku.ac.kr/course/view.php?id=<내 자율강좌 ID>'
# 최종 복구(대상·백업 검증 후 기존 내용 교체)
python3 scripts/run_agent.py tls-backup-restore \
--backup '<깨끗한 .mbz>' \
--course-url 'https://tls.kku.ac.kr/course/view.php?id=<내 자율강좌 ID>' \
--apply --execute
이미지 문항은 Moodle 파일 연결을 먼저 구성해야 하므로 자동 조립에서 중단합니다. 토픽명·활동 본문은 현재 계정에서 편집 양식이 확인된 뒤에만 자동 수정하며, 확인되지 않은 주소를 추측해 저장하지 않습니다.
읽을 수 있는 자료와 다운로드 제한
- PDF, PPT/PPTX, HWP/HWPX, DOC/DOCX, TXT/MD와 Java·Python·C/C++ 등 텍스트·코드 파일을 지원합니다.
- 구형 문서는 운영체제에 맞는 변환 도구가 추가로 필요할 수 있습니다.
- PDF는
pypdf를 우선 사용하고, 필요하면 Poppler로 재시도합니다. Windows에서 Swift는 필요하지 않습니다. - 파일당 10MB 이하를 처리하며, 이미지형 PDF의 OCR이나 손상·암호화 문서는 보장하지 않습니다.
- TLS 화면에 다운로드 금지가 명시됐거나 서버가 거부한 자료는 가져오거나 분석하지 않습니다.
- 읽지 못한 자료는 파일명만으로 추정하지 않으며, 나머지 읽을 수 있는 범위만 사용할 수 있습니다.
- 정상적으로 저장한 원본은
resource-file요청으로 원래 파일 형식 그대로 받을 수 있습니다.
저장 위치와 보안 경계
터틀넥은 기기별 로컬 저장을 기본으로 합니다. 기기 간 자동 공유나 별도 서버 동기화는 제공하지 않습니다.
| 데이터 | 기본 저장 위치 |
|---|---|
| 학교 정보·일반 과제·진행 기록 | ~/.university-agent/university.db |
| 파일 분석·문항·답안·시험 기록 | ~/.university-agent/study-sessions.db |
| 내려받은 강의 원본 | ~/.university-agent/files/ |
| TLS 비밀번호 | macOS Keychain 또는 Windows DPAPI |
| TLS 쿠키 | OS 보호 세션 저장소와 요청 중 메모리 |
사이트나 별칭이 기본 프로필과 다르면 같은 구조를 ~/.university-agent/profiles/<사이트>/<별칭>/ 아래에 따로 만듭니다. 그 안에 해당 프로필의 DB·파일·학습 세션을 두므로 건국대학교 자료와 목원대학교 자료, 본계정과 부계정이 한 과목 목록이나 파일 경로에 섞이지 않습니다. 표시 파일에는 사이트·별칭·아이디만 남고 비밀번호와 쿠키는 남지 않습니다.
비밀번호는 SQLite·JSON 응답·로그에 넣지 않습니다. 다만 무제한 로컬 명령 실행 권한을 가진 AI 프로세스와 OS 보호 저장소가 완전히 격리된다고 보장하지는 않습니다. 출제와 채점에 쓰는 자료 본문·답안은 현재 대화의 AI에 전달됩니다.
에브리타임 계정·캐시와 TLS 계정·DB는 서로 분리합니다. 에브리타임 변경 기능은 미리보기와 사용자 승인 후에만 적용합니다.
학사 자동 확인
학교 연결을 마치면 macOS 또는 Windows의 예약 작업으로 매일 오전 7시(컴퓨터 현지 시간)에 TLS의 과제·강의·공지 상태를 새로 확인합니다. 노트북이 예약 시각에 잠들어 있던 경우를 위해 6시간 간격 보완 실행도 둡니다. 새 과제, 마감 임박 과제, 아직 끝내지 않은 영상, 새 공지가 있을 때만 터틀넥이 과목명·기한·확인된 내용·바로 가기 링크를 알려줍니다.
한 계정의 자료 수집은 최대 2개 읽기 작업까지만 병렬로 진행하고, 분리된 작업도 같은 학교 세션의 요청 간격 제한을 공유합니다. 따라서 여러 과목을 한꺼번에 확인해도 일반적인 다중 탭 접근보다 큰 요청 폭주를 만들지 않습니다. 학교 응답 지연·일시 제한·세션 만료가 발생하면 실패로 표시하고 이전 데이터를 최신 상태처럼 보고하지 않습니다.
채팅의 할 일·일일 보고는 과제와 강의만 먼저 확인합니다. 파일은 해당 자료를 요청할 때 받으며, 최신 확인에 실패하면 이전 기록으로 추정하지 않습니다. 전체 과목별 보고 실행:
python3 scripts/academic_watch.py --daily-report
2026-10-12 실제 TLS에서 동기화부터 보고까지 17.4초를 측정했습니다(임시 DB, 파일 다운로드 없음). 학교 응답 속도에 따라 달라질 수 있습니다. 시험 준비는 부분별 후보 과잉 생성과 반복 이력 조회를 줄이고, 파일 읽기·후보 구성안을 Python이 담당합니다. 문제 의미·정답 검토와 채점은 현재 대화의 AI가 맡습니다. 20문항 전체 AI 출제를 1–2분에 끝내는지는 아직 재측정하지 않았습니다.
자동 확인은 현재 컴퓨터의 로컬 DB만 갱신합니다. 컴퓨터가 꺼져 있거나 학교 연결이 만료되면 다음 실행 때 다시 확인하며, 기기 간 동기화는 하지 않습니다. 기존 설치에서 켜거나 끄려면 다음을 사용합니다.
python3 scripts/setup_turtleneck.py --watch-install
python3 scripts/setup_turtleneck.py --watch-uninstall
버전 업데이트와 실행 환경
터틀넥을 사용할 때마다 신뢰한 저장소의 패키지 버전을 확인합니다(실제 네트워크 확인은 하루 한 번). 설치본이 더 오래된 경우 --auto는 새 버전이 있다는 사실만 알려줍니다. 네트워크가 끊기면 현재 버전을 유지하고, Git으로 직접 관리하는 개발 저장소는 자동으로 덮어쓰지 않습니다. 수동 적용은 확인 후 python3 scripts/update_turtleneck.py --apply로 실행합니다.
Python이 없는 일반 사용자는 Python 공식 설치 안내에서 Python 3.10 이상을 설치한 뒤 실행기를 다시 열면 됩니다. 사용자 비밀번호와 학교 DB는 실행 환경 설치 위치와 분리되어 있습니다.
과제 진행 기록 명령
save "연습과제 - 배열, 구조체, 포인터"
save new "직접 받은 과제"
load "연습과제 - 배열, 구조체, 포인터"
list
save는 TLS 과제,save new는 직접 등록한 과제에 연결합니다.- 여러 문제를 한 대화에서 풀어도 선택한 문제의 진행 내용만 저장합니다.
- 후보가 겹치면 과목·마감으로 구분하며, 검색만으로 저장하지 않습니다.
- TLS 과제는 제출 완료가 확인될 때, 일반 과제는 사용자가 제출했다고 확인할 때 진행 기록을 제거합니다.
ChatGPT 웹·모바일 Actions 경로
이 저장소에는 ChatGPT 웹·모바일에서 사용하는 정식 보조 경로인 ChatGPT Actions 게이트웨이도 포함되어 있습니다. 중심 실행은 여전히 로컬 Codex·Claude Code이며, 모바일은 사용자의 한 대의 컴퓨터를 통해 연결됩니다. 이를 사용하려면 컴퓨터에서 게이트웨이·HTTPS 터널·Custom GPT OAuth/Actions를 한 번 설정해야 합니다.
Actions는 과목·과제·강의·공지·할 일 조회, 동기화, 연결 해제, 과제 진행 기록과 학습 팩 기반 웹 시험을 다룹니다. 모바일 학습 팩은 원본 강의 파일·비밀번호·쿠키를 포함하지 않으며, 분석 데이터와 저장된 문제만 가져옵니다. 원본 자료 다운로드·본문 읽기·Everytime·로컬 Codex 학습 세션은 모바일 Actions에 연결하지 않습니다. 실제 ChatGPT 계정의 OAuth 설정과 왕복 확인은 게이트웨이 설치 후 한 번 필요합니다.
자세한 설정은 게이트웨이 안내를 참고하세요.
개발자 정보
개발 구조와 검증 결과 열기
구조
.
├── plugin.json
├── .claude-plugin/ Claude Code 설치 정보·마켓플레이스
├── assets/ 터틀넥 아이콘
├── skills/university-agent/
│ ├── SKILL.md 사용 지침
│ ├── providers/ 공통 Moodle·학교별 연결·계정 보호
│ │ ├── moodle_provider.py 공통 Moodle 활동·자료 처리
│ │ ├── moodle_site.py 학교 모듈 선택 경계
│ │ ├── moodle_kku.py 건국대 TLS 전용 최적화·권한 처리
│ │ ├── canvas_provider.py Canvas 읽기 전용 API
│ │ └── canvas_credentials.py Canvas 토큰 보호 저장
│ ├── storage/ 로컬 학사 DB
│ ├── features/ 학사 조회·자료 분석·시험지
│ ├── assets/ 시험지 HTML·CSS·JavaScript
│ ├── scripts/ 동기화·실행·시험 서버
│ ├── integrations/everytime/ 에브리타임 하위 기능
│ ├── references/ 데이터·기능 계약
│ └── tests/ 테스트
└── server/ 선택적 Actions 게이트웨이
기능 코드는 features/에 두고, TLS 접근은 TLSProvider 계약 뒤에 둡니다. 모든 기능은 공통 로컬 데이터와 로컬 학습 DB를 사용하며 TLS 엔드포인트를 직접 호출하지 않습니다.
다른 학교의 협업을 기다리고 있어요
터틀넥은 한 학교의 화면을 모든 학교에 억지로 적용하지 않습니다. 표준 Moodle 흐름은 공통으로 사용하고, 로그인·동영상·파일 권한·자율강좌처럼 학교마다 다른 부분은 별도 모듈로 관리합니다.
다른 학교에서 사용하려면 첫 연결 때 읽기 전용 마이그레이션 확인을 진행합니다. 에이전트는 관찰된 차이를 바탕으로 학교 모듈 제안과 비밀값 없는 테스트 자료를 만들고, 사용자가 확인한 뒤에만 활성화합니다. 비밀번호·쿠키·세션·개인 자료는 모듈이나 GitHub에 들어가지 않습니다. 학교별 모듈 기여와 검증을 함께해 줄 학생·개발자의 협업을 기다리고 있습니다. 자세한 기준은 학교별 Moodle 모듈 기여 안내에 적었습니다.
기본 Moodle과 Canvas 연결은 바로 사용할 수 있고, 학교별 로그인·동영상·파일 권한 차이는 사용 중 관찰한 마이그레이션 리포트로 제안받습니다. 리포트에는 요청량과 활동 유형만 담기므로 학교 서버 부하를 장기간 측정하고, 일반 사용자의 반복 조회보다 적은 트래픽을 목표로 모듈을 하나씩 최적화할 수 있습니다. 학교 담당자의 비공개 협조가 필요한 경우를 제외하면 공개 이슈가 기본 기여 창구이며, 개인 메일 주소와 계정 정보는 공개 문서에 남기지 않습니다.
개발 흐름과 PR 체크리스트는 CONTRIBUTING.md, 버그·기능·검증 작업은
저장소의 Issue 양식을 사용합니다.
통합 기준은 turtleneck이며, 기능 브랜치는 PR과 CI 통과 후에만 병합합니다.
테스트
python3 -m unittest discover -s skills/university-agent/tests -v
python3 -m unittest server.test_app server.test_local
node skills/university-agent/tests/test_exam_client.js
python3 skills/university-agent/integrations/everytime/scripts/self_check.py
2026-11-15 기준 로컬 회귀 테스트는 455개 실행 통과·2개 건너뜀입니다. 이번 실행은 Canvas 읽기 전용 연결, Moodle 이식성·교수 기능, 비밀값 없는 마이그레이션 리포트와 기존 학습 흐름을 포함했으며, 건너뛴 검사는 선택적 환경 의존 검사입니다. 게이트웨이와 시험 화면 검사는 별도 명령으로 분리해 실행합니다. Claude Code 2.1.218에서 플러그인·마켓플레이스 엄격 검사, 로컬 설치 및 스킬 인식을 확인했습니다. 과제 저장 지침을 조건부 문서로 분리해 호출 시 지침량 추정치를 약 9,900→7,600토큰으로 줄였습니다. 실제 Claude 모델의 출제·채점과 Windows 실기기는 이번에 검사하지 않았습니다.
상세 계약은 스킬 사용 지침, 학습·출제·채점 계약, 공통 데이터 모델, TLS 제공자 계약에서 확인할 수 있습니다.
로컬 저장소를 업데이트한 뒤
codex plugin add university-agent@turtleneck
Claude Code는 claude plugin marketplace update turtleneck 후
claude plugin update university-agent@turtleneck로 갱신합니다.
설치본은 저장소의 사본이므로 업데이트 후 해당 앱에서 새 대화를 시작하세요.