Neural Times: Live RSS Edition

Moonlang Neural Times
Friday, January 9, 2026

Vol. RSS

Intelligence
News Image
LEVEL 1

Obsidian 1.11.3 Mobile (Early access)

Simple News: Obsidian 1.11.3 Mobile (Early access).

No longer broken

News Image
LEVEL 2

Obsidian 1.11.3 Desktop (Early access)

Kids News: Obsidian 1.11.3 Desktop (Early access). Here is what happened:

Improvements

News Image
LEVEL 3

Obsidian 1.11.2 Mobile (Early access)

Analysis: Obsidian 1.11.2 Mobile (Early access). A deeper look reveals:

Improvements

  • When navigation is hidden, swiping down from the top of the view triggers the pull down action. Tapping at the top of the view causes the navigation to reappear.
  • iOS: The View Note widget renders checklists with checkmarks.
  • The sidebar layout has been updated for tablets. The tab menu and view actions now appear at the top to better mirror the desktop experience.

No longer broken

  • Fixed “Default file to open” failing when set to open a Markdown file.
  • Fixed fade at bottom of custom views in the sidebar.
  • Sidebar tab switcher no longer shifts content below it.
  • Sync: Fixed “Prevent sleep” setting not saving after restarting the app.
  • iOS: Fixed issue where scrolling up caused scrolling to abruptly stop.
  • iOS: Fixed widgets and app shortcuts sometimes failing with error “could not find the date formatting script.”.
  • Android: Double-tap to switch to edit mode no longer interferes with double-tap to select text.

. The implications are significant.

Read Original (Obsidian Changelog)

News Image
LEVEL 1

Obsidian 1.11.2 Desktop (Early access)

Simple News: Obsidian 1.11.2 Desktop (Early access).

Improvements

News Image
LEVEL 2

Obsidian 1.11.1 Mobile (Early access)

Kids News: Obsidian 1.11.1 Mobile (Early access). Here is what happened:

Improvements

Daily Intelligence

🧩 Word Match

Today’s keywords:

  • Innovation    A. New idea
  • Update           B. Make current
  • Global           C. World-wide

❓ True or False?

  • [ ] AI is learning fast. (True)
  • [ ] The news never changes. (False)

🚨 2026년, 전 세계가 합의한 AI 에이전트 개발의 6대 원칙

🚨 2026년, 전 세계가 합의한 AI 에이전트 개발의 6대 원칙

🚨 2026년, 전 세계가 합의한 AI 에이전트 개발의 6대 원칙

2026년 초, 컨텍스트 엔지니어링(Context Engineering) 이 단순 유행이 아니라 에이전트 성능을 좌우하는 핵심 공학 영역으로 자리 잡았습니다.

이제 결론은 분명합니다. 👉 이 6가지를 모르면, 2026년에 경쟁력이 없습니다.

Hero Image


1️⃣ 컨텍스트는 “정적”이 아니라 “동적”으로 운영하라

Static Prompting은 끝났습니다.

  • 필요한 순간에만 컨텍스트를 발견·복원·리랭킹
  • 전체를 넣는 것이 아니라 경로·참조·요약만 유지
  • 핵심 지표는 토큰 수가 아니라 KV-cache hit rate / latency / 품질

📌 핵심 인사이트

“컨텍스트는 저장하는 것이 아니라 탐색(discover) 하는 것”


2️⃣ Planning이 곧 결과의 80%다

모호한 지시 → 즉시 실행 = 실패하는 에이전트의 전형

  • 실행 전 요구사항 인터뷰
  • 계획을 명시적 아티팩트(md 파일) 로 분리
  • 실행은 계획의 “컴파일” 단계일 뿐

📌 핵심 인사이트

“에이전트는 코더가 아니라 설계자부터 되어야 한다


3️⃣ Tool 설계의 출발점은 Bash & Codegen

커스텀 Tool부터 만드는 시대는 끝났습니다.

우선순위

  1. Bash
  2. 조합 가능
  3. 컨텍스트 적음
  4. 기존 소프트웨어 즉시 활용
  5. Code Generation
  6. API 호출 자체를 코드로 생성
  7. 도구를 설명하지 않고 작성

Evolution Comparison

트레이드오프

방식 장점 단점
Custom Tool 안정성 컨텍스트 큼
Bash 조합성 발견 비용
Codegen 유연성 실행 시간

📌 핵심 인사이트

“Tool은 등록하는 것이 아니라 조립한다


4️⃣ 루프를 전제로 설계하라 (One-shot 금지)

한 번에 완벽한 출력? → 현실적으로 불가능

  • 자기 수정(Self-correction) 루프
  • 실패 로그·검증 결과를 다음 루프의 입력으로 사용
  • 검증 가능한 태스크일수록 반복이 강력

📌 핵심 인사이트

“에이전트 품질 = 반복 횟수 × 검증 가능성”


5️⃣ 멀티 모델 전략은 선택이 아니라 기본값

단일 모델 만능론은 비용·속도·품질 모두 손해

  • 고난도 플래닝
  • 대규모 문서 처리
  • 디버깅·추론

태스크별 최적 모델 라우팅

📌 핵심 인사이트

“에이전트의 지능은 모델이 아니라 오케스트레이션에서 나온다”


6️⃣ 메모리는 반드시 계층화하라

상태를 못 관리하는 에이전트는 같은 실수를 반복

권장 구조

  • 단기 메모리: 현재 작업 컨텍스트
  • 중기 메모리: 세션 히스토리
  • 장기 메모리: 파일 시스템 / 실패 기록
  • 목표(todo)를 컨텍스트 말미에 반복 삽입
  • 실패 액션 + 스택 트레이스 보존

📌 핵심 인사이트

“기억하지 않는 에이전트는 학습하지 않는다”


🔚 결론

2026년은 답변하는 AI → 실제로 일하는 AI 에이전트로 넘어가는 분기점입니다.

이 6가지 원칙은 이미 실전 시스템에서 검증되었습니다.

❗ 지금 적용하지 않으면 경쟁자는 이미 적용하고 있습니다.


AI_Intelligence #Future_Tech #Agentic_Workflow

Class101_Research_Resources_MOC

🌔 Class 101: Digital Alchemist Research Resource MOC

이 문서는 ‘디지털 연금술사(Digital Alchemist)’ 커리큘럼의 학술적 토대를 뒷받침하기 위해 Moon-Scout & Moon-Scholar에 의해 채굴된 고신호(High-signal) 학술 리소스를 정리한 마스터 카드입니다.


🏛️ 지식 클러스터 1: AI-Augmented Prompt Engineering & Education 4.0

AI 프롬프트 엔지니어링이 어떻게 차세대 교육(4.0/5.0)의 핵심 역량으로 자리 잡는지에 대한 연구들입니다.

  1. Digital transformation in education: Exploring the potential of AI-assisted learning
  2. Authors/Year: Pham et al. (2023)
  3. Cited by: 90 | PDF
  4. Signal: AI 보조 학습의 잠재력을 심층 탐구한 높은 인용수의 핵심 연구.

  5. Prompt engineering as a new 21st century skill

  6. Authors/Year: Federiakin & Molerov (2024)
  7. Cited by: 76 | PDF
  8. Signal: 프롬프트 엔지니어링을 21세기 새로운 필수 기술로 정의.

  9. Does Industry 5.0 need an Education 5.0?potentials & challenges

  10. Authors/Year: Ciolacu et al. (2024)
  11. Cited by: 16
  12. Signal: 생성형 AI 시대의 Education 5.0에 대한 선구적 연구.

  13. Future of Learning with Large Language Models

  14. Authors/Year: Khine et al. (2024)
  15. PDF
  16. Signal: LLM 기반 학습의 미래 담론을 다룬 통합적 서적/연구.

  17. Agentic AI Literacy: An Emerging Educational Skill for Human-AI Collaboration

  18. Authors/Year: S Gattupalli (2025)
  19. Signal: 커리큘럼의 핵심인 ‘에이전틱(Agentic) AI 리터러시’를 학술적으로 정립.

🧠 지식 클러스터 2: PKM & Zettelkasten for Educators

교육자를 위한 개인 지식 관리(PKM) 및 제텔카스텐 방법론의 이론적 기반입니다.

  1. Tips for Creating a Functional Personal Knowledge Management System in Academia
  2. Authors/Year: RM Reck (2023)
  3. PDF
  4. Signal: 학술 현장에서 실제 작동하는 PKM 시스템 구축 팁.

  5. Second Brain and Self-directed Learning in Personal Knowledge Management

  6. Authors/Year: Silva & Ulbricht (2024)
  7. Signal: ‘세컨드 브레인’ 개념과 자기주도적 학습의 연계성 연구.

  8. Creating Automatic Connections for Personal Knowledge Management

  9. Authors/Year: Fraga et al. (2024)
  10. Cited by: 2
  11. Signal: PKM상의 자동 지식 연결망 구축 알고리즘/방법론.

  12. Branching Learning Hypotheses: A Git-Based Workflow for Knowledge Management

  13. Authors/Year: Thantreege & Lakshan (2025)
  14. PDF
  15. Signal: Git 워크플로우를 지식 관리에 도입한 혁신적 접근.

  16. Networked note-taking as feminist research method

  17. Authors/Year: K Chokly (2023)
  18. Signal: 연결망 기반의 노트 작성법이 연구 방법론으로서 가지는 가치.

📂 지식 클러스터 3: Open Source Pedagogy & GitHub in Classroom

깃허브를 교육 플랫폼(LMS)으로 활용하는 ‘거인의 어깨’ 교육 철학의 근거입니다.

  1. Using GitHub classroom to teach statistics
  2. Authors/Year: Fiksel et al. (2019)
  3. Cited by: 62 | PDF
  4. Signal: 깃허브 클래스룸의 교육적 효과를 입증한 대표적 연구.

  5. Experiences and insights from using Github Classroom to support Project-Based Courses

  6. Authors/Year: Nelson & Ponciano (2021)
  7. Cited by: 20 | PDF
  8. Signal: 프로젝트 기반 학습(PBL)에서 깃허브 클래스룸 운영 통찰.

  9. Github in the classroom: Lessons learnt

  10. Authors/Year: Tu et al. (2022)
  11. Cited by: 22 | PDF
  12. Signal: 실제 교육 현장에서의 깃허브 적용 교훈 정리.

  13. Using GitHub classroom in teaching programming

  14. Authors/Year: Bennedsen & Bojttjer (2022)
  15. PDF
  16. Signal: 프로그래밍 교육에서의 깃허브 활용 표준 가이드.

  17. The Role of GitHub in Research and as a tool in enhancing education

  18. Authors/Year: BM TV (2024)
  19. Signal: 교육 고도화 도구로서의 최신 깃허브 역할 분석.

🎨 지식 클러스터 4: AI Multimedia & Language Learning (CLIL)

언어 학습 분야에서 AI 멀티미디어 도구의 활용과 고도화 전략입니다.

  1. Analysing students’ content-learning in science in CLIL vs. non-CLIL programmes
  2. Authors/Year: Fernandez-Sanjurjo et al. (2019)
  3. Cited by: 279 | Signal: CLIL(내용 언어 통합 학습)의 학습 효과 분석의 고전.

  4. AI-Enhanced CLIL for Embodied Learning: Applying the CLPS Framework

  5. Authors/Year: Ramirez-Aroca et al. (2026)
  6. PDF
  7. Signal: 2026년 최신 논문으로 AI 강화 CLIL 및 CLPS 프레임워크 제시.

  8. Critical digital literacies, agentic practices, and AI-mediated English learning

  9. Authors/Year: Liu et al. (2025)
  10. Cited by: 17
  11. Signal: AI 매개 영어 학습에서의 비판적 리터러시와 에이전틱 실천 연구.

  12. Exploring multimodality in technology-mediated collaborative writing

  13. Authors/Year: A Stell (2025)
  14. PDF
  15. Signal: 멀티모달 특성을 활용한 협력적 글쓰기 활동 연구.

  16. Reconfiguring Learner Agency in AI-Mediated Virtual Language Learning

  17. Authors/Year: Jun & Jinyang (2025)
  18. Signal: 가상 언어 학습 환경에서의 학습자 에이전시 재구성.

🚀 Future Alchemy Path (다음 단계)

  • [ ] 위 논문들을 NotebookLM에 업로드하여 세부 커리큘럼별 핵심 문구 추출.
  • [ ] 3D 지식 맵(sync_knowledge_graph.py)에 이 MOC 노드를 추가하여 시각화.
  • [ ] 주요 논문 10개를 선정하여 워드프레스에 ‘학술적 근거’ 포스팅으로 발행.

🔍 연계 지식 탐색 (Connected Intelligence)

이 포스트와 연결된 다른 지식들을 3D 지식 맵에서 확인해보세요.

3D 지식 Galaxy 열기 →

유튜브 오토 프로세서: 분산 처리 기반 영상 데이터 지식화 시스템

🎬 YouTube Auto Processor MOC

1. 프로젝트 목적

YouTube 영상을 시청하지 않고도 핵심 내용을 자막과 요약문으로 확보하기 위한 백그라운드 자동화 시스템. 특히 고사양 게임 중에도 원활한 처리를 위해 전용 서버(창고 컴퓨터)를 활용하는 분산 구조를 채택.

2. 분산 처리 시스템 아키텍처

Worker Server (창고 컴퓨터)

  • Download: yt-dlp를 통한 영상/음원 추출.
  • Transcription: OpenAI Whisper 모델을 활용한 음성-텍스트 변환 (Multilingual SRT 생성).
  • Summarization: 추출된 텍스트를 LLM(OpenAI/Claude)에 전달하여 구조적 요약본 생성.

Main Client (게임용 PC)

  • Monitoring: WebSocket을 통한 실시간 진행률 확인.
  • Delivery: 완성된 마크다운 요약본 및 자막 파일을 로컬 지식베이스로 자동 동기화.

3. 핵심 기능 명세

  • [x] 자동 다운로드 및 음원 추출 파이프라인.
  • [x] Whisper 모델 최적화 (가상환경 배포).
  • [x] WebSocket 기반 실시간 작업 대시보드.
  • [x] 요약 결과의 마크다운 자동 변환 및 태깅.

4. 리소스 링크


Status Note: 창고 컴퓨터-메인 PC 간의 파일 전송 시스템 및 자동화 루프 구축 완료. 실시간 지식 큐(Queue)로 운용 가능.

TTS Open: 다국어 고품질 음성 합성(TTS) 통합 엔진

🔊 TTS Open MOC

1. 프로젝트 목적 (Purpose)

  • Universal Voice Engine: 영어 학습자에게 자연스러운 원어민 음성을 제공하기 위해 다양한 TTS(Text-to-Speech) API와 로컬 모델을 통합한 범용 음성 합성 시스템.
  • Shadowing & Listening Support: [[05 Projects/02 F-Drive-Index/English_Worksheet_Agent|English Worksheet Agent]]에서 생성된 텍스트를 즉시 고품질 오디오 파일로 변환하여 학생들의 소리훈련 교재 제작.

2. 주요 기능 및 파이프라인

  • Multi-Engine Support: Google Cloud TTS, OpenAI Voice, ElevenLabs 등 클라우드 서비스와 VITS, Tortoise 등 로컬 오픈소스 엔진 병행 운용.
  • Tone & Speed Control: 학습자의 수준에 맞춰 원어민의 발화 속도(Speed)와 톤(Pitch)을 정밀하게 조정하여 최적의 학습 환경 제공.
  • Automated Audio Tagging: 생성된 오디오 파일에 메타데이터(문장 텍스트, 의미 단위 등)를 삽입하여 [[05 Projects/Homework_2025_MOC|Homework System]]의 소리훈련 모듈과 연계.

3. 기술 스택

  • Engine: Python / FastAPI (Audio streaming API).
  • Libraries: Librosa (음성 분석), PyDub (오디오 편집), ElevenLabs SDK.
  • Integration: [[05 Projects/Starcloud_Studio_MOC|Starcloud Studio]]의 오디오 모듈로 통합 활용.

4. 리소스 및 경로

  • Source Code Path: F:/dev/tts-open
  • Voice Presets: [[07 Resources/AI Prompts/5_Audio/Voice_Style_DNA|Standard Voice Configuration]]

Status Note: 다국어 음성 합성 엔진 및 속도 가변 처리 시스템 구축 완료. 매주 발행되는 영어 지문과 연계하여 실시간 오디오 콘텐츠를 공급하는 ‘지능형 발화 엔진’으로 운용 중.

Training & Practice: 지속적인 기술적 진화를 위한 훈련장

🏋️ Training & Practice MOC

1. 프로젝트 목적 (Purpose)

  • Continuous Skill Sharpness: 새로운 AI 모델(Gemini 2.0+), 프레임워크(Next.js 15+), 또는 언어적 특성을 익히고 실험하는 개인적인 기술 연마 공간.
  • Fail-Fast Sandbox: 정규 프로젝트에 도입하기 전, 코드의 성능과 효율성을 검정하는 샌드박스 테스팅 환경.

2. 주요 훈련 영역

  • Algorithmic Thinking: 대규모 데이터 처리 및 논리적 추론 능력을 기르기 위한 알고리즘 문제 풀이 및 최적화 연습.
  • AI Prompt Engineering Lab: [[00 Brain Kernel/00_Metacognition|Metacognitive Principles]]를 반영한 고난도 프롬프트 기법실험 및 결과 대조.
  • New Stack Exploration: 최신 기술 스택(예: Bun, Hono, Vector Databases)을 기존 프로젝트에 어떻게 이식할지 프로토타이핑.

3. 기록 및 마일스톤

  • Learning Logs: 학습한 기술의 핵심 요약 및 시행착오 기록.
  • PoC(Proof of Concept): 새 아이디어의 기술적 실현 가능성을 증명한 코드 조각들.

4. 리소스 및 경로

  • Source Code Path: F:/dev/training
  • Philosophy Reference: [[00 Brain Kernel/01_Master_Routing|Moonlight Academy Intelligent Evolution Roadmap]]

Status Note: 개인 기술 연마 및 최신 AI 트렌드 실험 파이프라인 정립 완료. 모든 정규 프로젝트의 ‘기초 체력’을 담당하는 상시 훈련 체계로 운용 중.

Tools & Utilities: 생산성을 극대화하는 범용 도구 모음

🛠️ Tools & Utilities MOC

1. 프로젝트 목적 (Purpose)

  • Universal Productivity Boost: 반복적인 파일 작업, 데이터 형식 변환, 단순 API 호출 등의 공수를 줄이기 위해 상시 사용되는 소형 유틸리티 및 스크립트의 통합 관리.
  • Micro-Automation Hub: 거창한 시스템이 필요하지 않은 자잘한 작업들을 일관되게 처리하는 ‘맥가이버 칼’ 역할.

2. 주요 도구 카테고리 (Toolbox)

  • File Converters: JSON-to-CSV, MD-to-HTML, ZIP 파싱 등 다양한 포맷 간의 즉석 변환 스크립트.
  • API Helpers: OpenAI/Gemini/Claude API의 정상 작동 여부를 테스트하거나 간단한 토큰 사용량을 계산하는 유틸리티.
  • OS Automation: 파일 대량 이름 변경(Bulk Rename), 디렉토리 구조 덤프, 시스템 로그 수집 등 윈도우/리눅스 환경 도구.
  • Data Scrapers: 특정 웹페이지의 정보를 마크다운으로 클린하게 추출하는 소형 스크래핑 엔진.

3. 핵심 기술

  • Scripting: Python, Node.js (CLI focus), PowerShell (Windows optimization).
  • Format Handling: Pandoc, BeautifulSoup, jq 등 범용 처리 도구 연동.

4. 리소스 및 경로

  • Source Code Path: F:/dev/tools
  • Related Project: [[05 Projects/GitHub_Infra_MOC|Infrastructure Automation Hub]]

Status Note: 범용 유틸리티 및 자동화 스크립트 뱅크 구축 완료. 모든 프로젝트의 개발 및 운영 마찰을 최소화하는 ‘생산성 윤활유’로 활용 중.

TOAST UI: 인터랙티브 마크다운 편집 및 시각화 라이브러리

🍞 TOAST UI Integration MOC

1. 프로젝트 목적 (Purpose)

  • Rich Markdown Editing: [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]이나 [[05 Projects/02 F-Drive-Index/blogging|Blog Pipeline]]에서 사용자가 텍스트를 마크다운과 위지윅(WYSIWYG) 모드를 오가며 직관적으로 편집할 수 있는 인터페이스 제공.
  • Data Visualization: 학습 성취도 데이터를 테이블이나 차트로 시각화하여 대시보드에서 활용.

2. 주요 통합 기능

  • GFM (GitHub Flavored Markdown) 지원: 테이블, 체크리스트, 코드 하이라이팅 등 수험 자료 제작에 필수적인 마크다운 규격 완전 지원.
  • Plugin System: 이미지 드래그 앤 드롭 업로드, 수식(Chart/KaTeX) 입력을 위한 플러그인 연동.
  • Custom UI Components: Moonlight Academy 고유의 디자인 시스템([[05 Projects/LECTURA_Universal_Design_System|LECTURA Premium UI]])에 맞춘 에디터 테마 커스터마이징.

3. 기술 스택

  • Engine: @toast-ui/editor, @toast-ui/chart.
  • Framework: React / Vanilla JS 통합.
  • Runtime: Node.js 기반 빌드 및 서빙.

4. 리소스 및 경로


Status Note: 에디터 핵심 모듈 및 차트 시각화 라이브러리 통합 완료. 사용자의 텍스트 입력을 구조화된 지식 데이터로 전환하는 ‘인터랙티브 입력 게이트웨이’로 운용 중.

TILNote Data: 과거의 학습 기록 및 개인 지식 마이그레이션

📚 TILNote Data Management MOC

1. 프로젝트 목적 (Purpose)

  • Legacy Knowledge Integration: 과거 Tilnote 플랫폼에 기록해온 수년간의 ‘Today I Learned(TIL)’ 데이터(moonpages.json)를 현재의 [[00 Brain Kernel/00_Metacognition|Moonlight AI Second Brain]] 체계로 통합 및 마이그레이션.
  • Knowledge Continuity: 파편화된 과거의 통찰을 현재의 [[05 Projects/Meta_Intelligence_Architecture_MOC|Meta-Intelligence Architecture]] 내로 흡수하여 검색 및 활용 가능한 상태로 전환.

2. 데이터 분석 및 가공 전략

  • Extraction: 66MB 규모의 거대 JSON 파일에서 노회의 제목, 내용, 태그, 생성 시간 데이터를 정밀하게 추출.
  • Deduplication: 현재 옵시디언 금고(Vault) 내의 기존 노트와 중복되는 내용을 필터링하여 지식의 순도 유지.
  • AI-Refining: 과거의 거친 메모들을 [[05 Projects/LECTURA_AI_MOC|LECTURA AI]] 또는 별도의 정제 에이전트를 통해 현재의 ‘Permanent Note’ 규격에 맞춰 재작성 및 요약.

3. 기술 사양

4. 리소스 및 경로

  • Context: [[05 Projects/Fullstack_Mastery_MOC|Full-stack Mastery Persistence]].

Status Note: 거대 지식 데이터셋의 분석 및 기초 파싱 로직 수립 완료. 과거의 지산을 현재의 지능형 에코시스템으로 이식하는 ‘지식 마이그레이션 브리지’로 활용 중.

Streamlit Level Test: 웹 기반 영어 레벨 인터랙티브 진단 도구

📊 Streamlit Level Test MOC

1. 프로젝트 목적 (Purpose)

  • Interactive Diagnosis: [[05 Projects/Darlbit_Level_Test_MOC|Darlbit Level Test Engine]]을 웹 환경에서 즉시 실행하고 결과를 시각화하기 위한 경량 웹 애플리케이션.
  • Accessibility: 별도의 설치 없이 브라우저상에서 학생이 응시하고, 교사가 실시간으로 성취도를 파악할 수 있는 환경 제공.

2. 주요 기능 및 구성

  • Real-time Assessment: 문항 응시와 동시에 서버(Streamlit)에서 채점 및 단계별 분석 수행.
  • Dynamic Visualization: 학생의 역량(어휘, 문법, 추론, 유창성 등)을 레이더 차트나 바 형식으로 실시간 대시보드 출력.
  • Instant Report Generation: 테스트 종료와 동시에 개별 피드백 리포트를 웹 화면에 렌더링하고 PDF 다운로드 지원.

3. 기술 스택

  • Engine: Python
  • Frontend/Backend Framework: Streamlit (반응형 웹 UI)
  • Data Integration: SQLite 또는 로컬 JSON 파일을 활용한 임시 응시 기록 저장.

4. 리소스 및 경로

  • Source Code Path: F:/dev/streamlit-lv-test
  • Core Engine: [[05 Projects/Darlbit_Level_Test_MOC|Darlbit Level Test System Core]]

Status Note: 웹 UI 프레임워크 및 실시간 대시보드 연동 완료. 상담 시 신규 학생의 기본 역량을 즉석에서 진단하는 도구로 활용 중.