tunaLlama

tunaLlama

      

Claude Code / Codex CLI를 쓰면서 토큰이 빨리 닳는 사용자를 위한 위임(delegation) 도구입니다.

무거운 코드 생성은 로컬 Ollama / LM Studio / Ollama Cloud에 위임하고, 작업 분해와 검증만 Claude(또는 Codex)가 같은 세션 안에서 맡습니다. 레포 하나로 Claude Code와 Codex CLI 둘 다 작동합니다(둘 다 .claude-plugin/marketplace.json을 인식).

---

한 줄 정의

tunaLlama는 프롬프트 시드나 AGENTS.md 템플릿이 아닙니다. MCP 기반 위임 런타임입니다.

상위 모델이 모든 문서와 긴 코드를 직접 떠안는 대신, 긴 코드 생성은 로컬/저비용 LLM에 넘기고 Architect는 작업 분해와 검증에만 집중하게 만드는 것이 핵심입니다.

| 항목 | 내용 | | --- | --- | | 상태 | v0.6.1 usable dogfooding release (2026-07-04) | | 검증됨 | Claude Code + Codex CLI 양쪽에서 MCP tool 호출 (macOS / Linux / Windows) | | 수집 중 | organic dogfooding 측정, 외부 사용자 재현성 | | 라이선스 | MIT | | 영문 문서 | README.en.md |

---

누가 쓰면 도움이 될까

• Claude Code Pro/Max 정액제 사용자 (한도 관리가 필요한 경우)
• Codex CLI 사용자 (OpenAI 정액제 / API quota 관리)
• Ollama 로컬 / Ollama Cloud / LM Studio 환경이 있는 사용자
• 한국어 작업을 다루는 사용자 (Kiwi 형태소 토크나이저 통합)

절약 효과에 대한 솔직한 안내: 실제 한도 절약 효과는 작업 유형, 모델, provider 지연시간, Architect의 검증 방식에 따라 달라집니다. Anthropic / OpenAI의 정액제 한도 계산식은 공개돼 있지 않습니다. 따라서 tunaLlama는 "정량 절감 보장"이 아니라, 긴 생성 작업을 위임해 상위 모델 사용량을 줄일 수 있는 구조를 제공합니다. 실제 가치는 본인 dogfooding으로 확인하시길 권장합니다.

기술 요구사항

• Python 3.11+
• Ollama / LM Studio / Ollama Cloud 중 하나
• Claude Code (MCP 플러그인 지원 버전) 또는 Codex CLI

---

어떻게 작동하는가

역할은 셋으로 나뉩니다.

| 역할 | 모델 | 책임 | | --- | --- | --- | | Architect | Claude / Codex (정액제) | 분해 / 사양 / 검증 / 통합 | | Developer | 로컬 LLM (Ollama / Cloud / LM Studio) | 코드 생성 / 자체 리뷰 / 자체 수정 | | Reviewer | Architect와 같은 세션 | 최종 판정 |

전형적인 호출 흐름:

1. 사용자가 작업을 요청합니다 (한국어 / 영어). 2. Architect가 작업을 분해합니다. 짧으면 tuna_dev_review, 길면 spec 문서를 쓴 뒤 tuna_dev_review_from_spec. 3. 백엔드가 generate → review → fix 루프를 반복합니다. 이 위임에는 종료 조건이 있습니다(review pass 또는 max iter). 모든 호출은 SQLite에 기록되고 한국어 형태소로 색인됩니다. 4. 검색의 진짜 가치는, mid-size 로컬 LLM의 컨텍스트 한계를 Architect가 보완하는 데 있습니다(Opus + Sonnet subagent 패턴과 동일). Phase 7-2의 합성 시드 기반 측정에서 context boost +0.58 ~ +0.64가 관측됐습니다. 다만 이는 실사용 확정 수치가 아니며, organic dogfooding metric은 별도 수집 중입니다. 5. Architect가 결과를 검증한 뒤 사용자에게 반환합니다.

더 자세히: 워크플로우 · 내부 구조

---

5분 설치

> 에이전트에게 한 줄로 위임하기: Claude Code / Codex CLI 세션에서 > https://github.com/hang-in/tunaLlama 의 INSTALL.md 따라 설치해줘 > 라고 입력하면, 에이전트가 INSTALL.md를 읽고 의존성 / .env / 플러그인 등록 / 검증까지 단계별로 실행합니다. 5분 안에 사용 가능합니다.

수동 설치는 아래 순서입니다.

1. Clone + 의존성 설치

git clone https://github.com/hang-in/tunaLlama
cd tunaLlama

# uv 권장 (mise.toml 에 정의됨)
mise install                   # python 3.11 + uv
mise run install               # editable + dev 의존성

# 또는 pip 직접
pip install -e .

2. 환경변수 (Ollama Cloud를 쓸 경우만)

cp .env.example .env
echo "OLLAMA_CLOUD_API_KEY=발급받은_키" >> .env

3. init / doctor

tunallama init                 # 대화식 - provider/모델 자동 발견
tunallama doctor               # Python / config / provider / DB / Kiwi 검사

doctor를 통과하지 못하면 Troubleshooting을 참조하세요.

4-A. Claude Code 사용자

플러그인으로 설치:

claude plugin marketplace add /path/to/tunaLlama
claude plugin install tunaLlama@tunallama-local

> Windows 사용자 — MCP 전송을 HTTP 로 (필수). > mac/Linux 는 위 플러그인 설치(stdio 자동 spawn)로 끝입니다. 하지만 Windows 에서는 > Python + stdio MCP 가 Claude Code 와의 조합에서 in-session tool 호출이 무한 hang > 합니다(서버는 정상 — 같은 머신서 HTTP/비-Python MCP 는 정상 작동. Claude Code 의 > Windows stdio MCP 클라이언트 이슈). tunaLlama 는 HTTP(streamable-http) 데몬으로 > 우회합니다. 셋업 스크립트 한 번이면 됩니다: > > ``powershell > powershell -ExecutionPolicy Bypass -File plugin\bin\tunallama-win-setup.ps1 > ` > > 이 스크립트가 ① HTTP 데몬을 로그온 자동시작 작업으로 등록·실행, ② Claude Code 에 > tunallama HTTP MCP 등록, ③ 플러그인의 stdio MCP 비활성화(중복/hang 제거)까지 합니다. > 이후 Claude Code 재시작 → mcp__tunallama__* 툴 정상. 제거는 -Uninstall` 플래그. > (플러그인의 skill/subagent/hook 은 그대로 동작합니다. 자세한 내용: INSTALL.md.)

또는 ~/.claude/settings.json의 mcpServers에 직접 등록:

{
  "mcpServers": {
    "tunallama": {
      "command": "python",
      "args": ["-m", "plugin.mcp_server"],
      "cwd": "/path/to/tunaLlama"
    }
  }
}

4-B. Codex CLI 사용자

Codex CLI는 .claude-plugin/marketplace.json을 직접 읽습니다(4개 인식 위치 중 하나로 명시 지원).

codex plugin marketplace add /path/to/tunaLlama
codex plugin install tunaLlama@tunallama-local

호환 상세: docs/specs/phase8_codex.md

---

첫 호출 해보기

설치 후 Claude Code / Codex 세션에서 실행합니다. Architect가 자동으로 호출할 수도 있지만, 첫 사용과 재현 가능한 워크플로우에서는 명시 호출을 권장합니다.

코드 생성 위임 (권장 흐름)

사용자: "json 파싱하는 함수 작성해줘.
        먼저 tuna_load_memory 로 프로젝트 컨벤션 확인하고
        tuna_dev_review 로 위임해줘."

Architect:
1. tuna_load_memory()                       ← 프로젝트 컨벤션 fetch
2. tuna_recall(query="json parsing")         ← 과거 비슷 작업 surface (옵션)
3. tuna_dev_review(requirements="...", language="python")
   → 로컬 LLM 이 generate → review → fix 루프 수행
4. Architect 가 결과 검증 후 사용자에게 반환

큰 작업 (spec 기반)

docs/specs/foo.md 에 작업 spec 을 먼저 작성한 뒤:

사용자: "tuna_dev_review_from_spec 으로 docs/specs/foo.md 진행해줘"

→ 백엔드가 bounded generate → review → fix 루프 수행
→ 최종 코드 + iteration 로그 반환

메모리 검색

사용자: "tuna_recall 로 이 프로젝트의 임베딩 모델 설정 검색해줘"

→ 과거 5 개 호출 결과 surface

전체 도구 13개 목록: docs/internals.md

---

한계

v0.6.1 usable dogfooding release입니다. Claude Code + Codex CLI 양쪽에서 MCP tool 호출은 검증했지만(macOS / Linux / Windows), organic dogfooding(실제 일상 사용) 측정 자산은 아직 수집 중입니다. 아래는 카테고리별 정리입니다.

1. 사용 한도 / 비용

• 한도 절약은 아직 체감 데이터 수준입니다. Anthropic / OpenAI 정액제 한도 계산식이 비공개라 정량 측정이 불가능합니다.
• MCP 도구의 system prompt 비용은 의도된 trade-off입니다. 13개 도구의 description + schema가 매 대화의 system prompt에 prepend되며, 추정치는 약 1.6k tokens입니다. 이는 실수로 생긴 context bloat가 아니라, Architect가 적절한 위임 도구를 고르기 위한 affordance 비용입니다. tunaLlama는 이 비용을 없애기보다 도구 수와 description 품질을 관리해 호출 적중률과 검증 품질을 유지하는 쪽을 택합니다. 측정: phase7-mcp-audit.md

2. 측정

• 검색 측정값(R@5, P@1 등)은 합성 시드 기반입니다. 실사용자 워크플로우 검증은 별개 과제입니다. 측정: docs/measurements/
• organic dogfooding metric을 수집 중입니다 (v0.5.7+). 매 위임 후 4종(standalone_toy_rate / convention_adherence_rate / ast_excess_score / syntactically_valid)이 ~/.tunallama/metrics.db에 적재됩니다. tunallama metrics show로 조회하고, TUNA_ORGANIC_METRICS=0으로 비활성화합니다. 누적 baseline과 외부 사용자 재현성은 아직 측정 진행 중입니다.
• 테스트 커버리지 90%. CI가 통과시키는 unit/plugin 507 tests + integration/search_quality 마커 27 tests = 총 534 collected. 미커버 10%의 대부분은 외부 서비스 의존 경로입니다(llm/ollama.py 62% / llm/lmstudio.py 58%, pytest -m integration 실행 시 추가 커버). token_count.py 34%는 Phase 5-4 보류 모듈로, Anthropic API 미보유라 unit test가 없습니다.

3. MCP / 클라이언트 호환성

• Architect 호출에 의존합니다. tuna_* 도구는 Architect가 작업 컨텍스트를 보고 호출하는 구조라, 도구 description 품질이 호출 적중률을 결정합니다. 첫 사용과 재현 가능한 워크플로우에서는 명시 호출을 권장합니다.
• Subagent 자동 인식이 작동하지 않습니다 (Codex 0.128.0 실측). plugin/agents/tuna-developer.toml이 캐시되지만, Codex의 spawn_agent 가능 type에 tuna-developer가 등록되지 않습니다(default / explorer / worker만 지원). Claude Code 측은 미실측입니다. 단, MCP tools 13개는 양쪽 모두 정상 작동하므로 위임 자체는 도구 레벨에서 가능합니다.
• MCP resource auto-attach + SessionStart hook이 작동하지 않습니다 (Codex). tunallama://memory/state resource는 양 클라이언트 모두 세션 시작 시 attach되지 않습니다. v0.5.2의 SessionStart hook(plugin/hooks/session_start.py)은 Claude Code v0.5.5+에서만 작동하고 Codex는 미인식입니다. 권장 운영: Claude Code는 hook으로 state.md를 auto-prepend, Codex는 사용자가 tuna_load_memory를 명시 호출.

4. 로컬 LLM / provider

• 로컬 LLM에 의존합니다. Ollama / LM Studio / Ollama Cloud 중 하나가 없으면 작동하지 않습니다.

5. 검색 / 메모리 품질

• 한국어 형태소 분석은 Kiwi에 의존합니다. Kiwi가 처리하지 못하는 도메인 단어(신조어, 전문용어)는 검색 품질에 영향을 줄 수 있습니다.

6. state.md auto-extract

• false positive 위험이 있습니다. v0.5.1에서 코드 블록 안 텍스트 skip + meaningful 토큰 검증으로 완화했지만, 100% 제거는 어렵습니다. 의심 entry를 발견하면 tunallama state clean(auto entry 삭제) 또는 직접 편집(tunallama state path로 경로 확인)하세요.

양 환경 동작 매트릭스

v0.5.6 실측 기준 (Claude Code 2.1.138 + Codex CLI 0.128.0):

| 항목 | Claude Code | Codex CLI | | --- | :---: | :---: | | MCP tools 13개 (도구 호출) | ✓ | ✓ | | DB 공유 (~/.tunallama/memory.db) | ✓ | ✓ | | state.md 공유 | ✓ | ✓ | | tuna_load_memory / tuna_recall 명시 호출 | ✓ | ✓ | | Agents auto-discovery (tuna-developer) | ✓ | ✗ | | Skills auto-load (delegate-to-ollama) | ✓ | ? | | Hooks 등록 (SessionStart / PreToolUse) | ✓ | ? | | SessionStart hook 실행 + state.md auto-prepend | ✓ | ✗ | | MCP resource auto-attach (tunallama://memory/state) | ✗ | ✗ |

> state.md 경로: ~/.tunallama/projects/<hash>/state.md

권장 운영 모델

Claude Code (v0.5.5+): state.md auto-prepend가 SessionStart hook으로 작동합니다. Architect가 첫 turn부터 conventions / decisions / constraints / anti-patterns를 자동 인지합니다. 별도 명시 호출이 필요 없습니다. 단, state.md를 의도적으로 수정한 뒤 효과를 빨리 보고 싶으면 새 세션을 시작하세요.

Codex CLI (0.128.0): SessionStart hook을 인식하지 못합니다. Architect가 첫 turn에 tuna_load_memory를 명시 호출하거나 docs를 직접 fetch해야 합니다. DB 공유 / state.md 공유 / MCP tools 호출은 모두 작동합니다.

---

왜 프롬프트 시드가 아닌가

tunaLlama는 에이전트에게 더 많은 문서를 읽혀서 컨텍스트 한계를 해결하려 하지 않습니다. 대신 작업 단위를 작게 잘라 MCP 도구로 로컬/저비용 LLM에 넘기고, 상위 Architect 모델은 짧은 spec, review 결과, 최종 diff 판단에만 집중하게 합니다.

문서 기반 운영 규칙은 시간이 지나면 stale state, drift, lost-in-the-middle 문제를 만들 수 있습니다. tunaLlama는 이를 피하기 위해 위임 호출을 SQLite에 기록하고, 필요할 때 검색·리콜하는 실행 계층을 둡니다.

무엇이 아닌가

• tunaFlow의 멀티 에이전트 라운드테이블이 아닙니다.
• OllamaClaude 포크가 아닙니다 (패턴만 참고).
• 단일 모델 데모 / 연구 노트북이 아닙니다.
• 자동 weakness 감지 / 동적 tool 작성이 아닙니다 (Architect 판단으로 tuna_log_limitation 호출).

---

측정 자료

검색 알고리즘 / context boost / MCP audit 측정 결과입니다.

• 전체 인덱스
• methodology.md - 시드 / LOPO / metric 정의 / 한계
• phase4-search.md - 검색 품질
• phase5-hyde-kure.md - HyDE / KURE / Adaptive (524 record)
• phase5e-corpus-scaling.md - rerank pool sweep + 984 record LOPO (rerank P@1 0.77 / R@5 0.59, cloud 0)
• phase7-mcp-audit.md - MCP 도구 system prompt size
• phase7-context-boost.md - mid-size LLM context boost +0.58~+0.64 (3 모델 검증)

모두 합성 시드 기반이므로, 실사용 데이터 검증은 별개 과제입니다.

---

Troubleshooting / FAQ

tunallama doctor 실패

Python 버전: 3.11+ 필요. python --version으로 확인.

provider 미감지: Ollama / LM Studio가 실행 중인지 확인.

curl http://localhost:11434/api/tags  # Ollama
curl http://localhost:1234/v1/models  # LM Studio

Ollama Cloud 키 미감지: .env 파일이 cwd에 있는지, OLLAMA_CLOUD_API_KEY=... 행이 첫 줄에 있는지 확인.

Kiwi 형태소 분석기 실패: pip install kiwipiepy로 재설치. macOS는 Xcode CLI tools 필요(xcode-select --install).

MCP 도구가 안 보이거나 새 세션에서 server fail

증상: /plugin 화면에서 tunaLlama MCP Server Status: ✘ failed. 또는 도구 목록에 tuna_*가 안 보임. Windows 는 tool 호출이 무한 hang 으로 나타남.

원인 0 - Windows (Python+stdio hang): Windows 에서는 Python + stdio MCP 가 Claude Code 와의 조합에서 in-session tool 호출이 무한 hang 한다(서버는 정상 — Claude Code 의 Windows stdio MCP 클라이언트 이슈). HTTP 데몬으로 전환한다:

powershell -ExecutionPolicy Bypass -File plugin\bin\tunallama-win-setup.ps1

이후 Claude Code 재시작 → mcp__tunallama__* 정상. 자세히: INSTALL.md Windows 섹션. (아래 원인 1~3 은 macOS / Linux.)

원인 1 - venv 의존성 미해결 (v0.5.8 이하): plugin의 .mcp.json이 command: "python"으로 system python을 spawn합니다. mise / pyenv / direnv 같은 shell hook은 Claude Code의 child process에서 활성화되지 않아, venv의 fastmcp / anthropic SDK 등 deps를 못 잡고 ImportError가 납니다. v0.5.9+부터 wrapper script(plugin/bin/tunallama-mcp)가 .venv/bin/python으로 자동 fallback하므로 업데이트를 권장합니다.

원인 2 - .mcp.json cwd가 잘못됨: claude plugin install한 위치를 확인. 직접 등록한 경우 cwd가 tunaLlama 레포 절대경로인지 확인.

원인 3 - Python venv 부재: .venv/bin/python 자체가 없으면 wrapper도 system python으로 fallback해서 deps 부재로 실패합니다. mise run install 또는 uv venv && uv pip install -e .로 .venv를 생성하세요.

tuna_* 도구가 호출되지 않음

Architect가 자동 호출하지 않음: SKILL.md 또는 tunallama://memory/state resource가 attach 안 됐을 수 있습니다. tuna_load_memory 명시 호출을 시도하세요.

도구 description 품질: task가 너무 추상적이면 Architect가 도구를 선택하지 못합니다. "tuna_dev_review 사용해서 작성해줘"처럼 명시적으로 지시하세요.

LLM 호출 timeout

기본 timeout은 600초 (tunallama_core/config/models.py). cloud LLM 응답 지연 시 retry 3회. 그래도 실패하면 logger.warning으로 기록되므로 dev 환경에서 stderr를 확인하세요.

자주 timeout이 발생하면: 로컬 LLM으로 swap하거나 모델 크기를 줄이세요(qwen3-coder-next 등 latency 최적화 모델).

검색 품질이 낮게 느껴짐

현재 측정 (cloud 0 path, 984 record LOPO / 792 query): rerank P@1 0.77 / R@5 0.59 / σR@5 0.31. HyDE+KURE path (24 leader sample, cloud 1): P@1 0.92 / σR@5 0.14. 자세히: phase5e-corpus-scaling.md

R@5 < 0.8의 의미: 자동 prepend(auto_recall=always) 시 noise가 섞일 수 있습니다. 단 Phase 4-4 + 5-3 측정에서 cloud LLM이 무관 prefix를 자동 무시하는 것이 확인됐고, 실제 코드 품질 영향은 작습니다.

기본값 on_request 유지를 권장합니다. auto_recall=always는 위 risk를 인지하고 쓰세요.

state.md에 의도치 않은 entry가 생김

원인: LLM 출력의 코드 블록 / 주석 / 일반 단어가 false positive로 auto-extract됩니다(v0.5.1부터 코드 블록 안 텍스트 + meaningful 토큰 검증 필터 추가, 단 100%는 아님).

CLI 명령 (v0.5.1+):

tunallama state show    # 내용 출력
tunallama state path    # 파일 경로 출력
tunallama state clean   # (auto) 태그 entry 삭제, manual/verified 보존

• 파일 위치: ~/.tunallama/projects/<hash>/state.md (직접 편집 가능)
• (manual) / (verified) 태그: 사용자 수정은 다음 update 시 보존됩니다.
• 자동 추출 비활성화: .env 또는 환경변수에 TUNA_AUTO_EXTRACT_STATE=0.

---

기여자

mise install                    # python 3.11 + uv
mise trust                      # mise.toml 신뢰 (보안)
mise run install                # editable + dev 의존성
mise run test                   # pytest (unit + plugin only)

# 측정 통합 테스트 (Ollama qwen3-embedding:0.6b + cloud LLM 호출):
.venv/bin/pytest -m search_quality -s

자세한 기여 가이드: CONTRIBUTING.md

디렉토리 / 문서

• docs/workflow.md - Architect ↔ Developer 워크플로우 가이드
• docs/internals.md - 내부 구조 (메모리, 검색, Provider, Hook)
• docs/measurements/ - 측정 자료
• docs/specs/ - Phase별 spec 문서
• docs/dogfooding-log.md - 라운드별 dogfooding 결과
• docs/release-notes/ - 릴리즈 노트

(v0.6.1 · v0.6.0 · v0.5.9 · v0.5.8 · v0.5.7 · v0.5.6 · v0.5.5 · v0.5.4 · v0.5.3 · v0.5.2 · v0.5.1 · v0.5.0 · v0.4.0 · v0.3.0)

• CHANGELOG.md - 변경 이력
• CONTRIBUTING.md - 기여 가이드
• config.example.toml - config 필드 + 주석
• .env.example - 환경변수 예시

라이선스 / 기여

MIT. 이슈/PR 환영합니다. 한국어/영어 모두 가능합니다. 영문 README는 README.en.md와 함께 동기화 유지해 주세요.