Download docs/prd.md from YGCXLab/ux-research-agent-slackbot: direct link, hf CLI and curl.
- Browser
- Download file 6.61 kB
-
https://huggingface.co/spaces/YGCXLab/ux-research-agent-slackbot/resolve/main/docs/prd.md
- Command line
-
hf download hf://spaces/YGCXLab/ux-research-agent-slackbot/docs/prd.md
-
curl -L -o prd.md https://huggingface.co/spaces/YGCXLab/ux-research-agent-slackbot/resolve/main/docs/prd.md
PRD: μ¬κΈ°μ΄λ UX/Research Agent (Slackbot)
1. λ°°κ²½ λ° λͺ©μ (Background & Objectives)
'μ¬κΈ°μ΄λ' μλΉμ€μ μ§μμ μΈ μ±μ₯μ λ°λΌ λ°©λν λ΄λΆ 리μμΉ μλ£μ μΈλΆ UX κ°μ΄λλΌμΈ(Baymard λ±)μ΄ μΆμ λκ³ μμ΅λλ€. κ·Έλ¬λ μ€λ¬΄μ(PO, νλ‘λνΈ λμμ΄λ, 리μμ²)λ€μ΄ μ 무 κ³Όμ μμ νμν μλ£λ₯Ό μ¦μ μ°Ύκ±°λ, κΈ°ν/λμμΈ μ΄μμ΄ κΈ°μ‘΄ λ°μ΄ν° λ° κ°μ΄λλΌμΈμ λΆν©νλμ§ νμΈνλ λ°μλ λ§μ 리μμ€κ° μμλ©λλ€.
μ΄μ, μ¬λ(Slack) λ΄μμ μμ°μ΄ λνλ₯Ό ν΅ν΄ 1) νμν 리μμΉ/UX μλ£λ₯Ό μ¦μ κ²μνκ³ , 2) μμΈ λ°μ΄ν°λ₯Ό μ§μμλ΅(RAG) ννλ‘ νμΈνλ©°, 3) λμμΈ μ΄μ(μ΄λ―Έμ§/μμ)μ λν λ°μ΄ν° κΈ°λ°μ νΌλλ°±μ μ 곡νλ AI μμ΄μ νΈλ₯Ό ꡬμΆνκ³ μ ν©λλ€.
ν΅μ¬ λͺ©ν
- μ κ·Όμ± ν₯μ: μ¬λλ΄μ ν΅ν΄ λꡬλ μ½κ³ λΉ λ₯΄κ² 리μμΉ μμ°μ μ κ·Ό.
- λ°μ΄ν° κΈ°λ° μμ¬κ²°μ κ°ν: κΈ°ν/λμμΈ λ¨κ³μμ μ§κ΄μ΄ μλ λ°μ΄ν°(λ΄λΆ 리μμΉ, μΈλΆ μ λ¬Έκ° κ°μ΄λ)μ κ·Όκ±°ν μμ¬κ²°μ μ§μ.
- μ 무 ν¨μ¨ν: μλ£ κ²μ λ° λ¨μ κ°μ΄λ νμΈ μκ° λ¨μΆ.
2. νκ² μ μ (Target Audience)
- PO/κΈ°νμ: μ κ· κΈ°λ₯ κΈ°ν μ κ΄λ ¨ 리μμΉ κ²°κ³Ό λ° νμ¬/μΌλ°μ μΈ UX κ°μ΄λλΌμΈ νμ.
- νλ‘λνΈ λμμ΄λ: λμμΈ μμμ΄ UX μμΉμ μλ°°λμ§ μλμ§ κ²ν , λ νΌλ°μ€ νμ.
- 리μμ²: κ³Όκ±° μνλ 리μμΉ λ΄μ νμΈ λ° μ€λ³΅ μ‘°μ¬ λ°©μ§.
3. λ°μ΄ν° μμ€ (Data Source)
3.1. λ΄λΆ 리μμΉ λ°μ΄ν° (research_repository)
- νμ: JSON (
research_report.json) - μ£Όμ ν¬ν¨ λ΄μ©:
- λ©νλ°μ΄ν°: μ λͺ©, λ μ§, λλ©μΈ(κ΅μ°¨κ΅¬λ§€, μ§λ λ±), λ°©λ²λ‘ , λ΄λΉμ, νκ·Έ, κ²°κ³Ό λ§ν¬(Confluence/Wiki)
- νμΌ κ²½λ‘ (
file_path): μλ³Έ λ§ν¬λ€μ΄ νμΌμ μλ κ²½λ‘ (μ:/research_pages/filename.md) λλ "νμΌ μμ". - μμΈ μ 보: μ°κ΅¬ λͺ©μ , μ£Όμ λ΄μ© μμ½(Summary), μμΈ κ²°κ³Ό λ±
- μΈμ΄: νκ΅μ΄
3.2. μΈλΆ UX κ°μ΄λλΌμΈ (Baymard)
- νμ: JSON (
baymard_unified_database_v2.json) - μ£Όμ ν¬ν¨ λ΄μ©:
- Guideline ID, Title, Description
- Category/Theme (Homepage, Navigation, Checkout λ±)
- Issue (λ¬Έμ μ ) & Advice (μ‘°μΈ/ν΄κ²°μ± )
- Importance, Platform (Desktop/Mobile)
- μΈμ΄: μμ΄ (νκ΅μ΄ μ§μ μ λ²μ/λ§€ν μ²λ¦¬ νμ)
4. ν΅μ¬ κΈ°λ₯ μꡬμ¬ν (Key Features)
4.1. ν΅ν© μλ£ κ²μ (Unified Search)
μ μ κ° μμ°μ΄λ‘ μ§λ¬Ένλ©΄ κ΄λ ¨μ± λμ λ΄λΆ 리μμΉμ μΈλΆ κ°μ΄λλ₯Ό μ°Ύμ μμ½κ³Ό λ§ν¬λ₯Ό μ 곡ν©λλ€.
- User Story: "μ΅κ·Ό λͺ¨ν μ μ 리μμΉ κ²°κ³Ό μ’ μλ €μ€" λλ "μΊλ¬μ UI λμμΈν λ μ£Όμν μ μ°Ύμμ€"λΌκ³ λ¬ΌμΌλ©΄ κ΄λ ¨ 리ν¬νΈλ κ°μ΄λλ₯Ό 보μ¬μ€λ€.
- κΈ°λ₯ μμΈ:
- Keyword & Semantic Search: λ²‘ν° κ²μ(Vector Search)κ³Ό ν€μλ κ²μμ νΌν©νμ¬ μ νλ ν₯μ.
- μΆμ² ꡬλΆ: λ΅λ³ μ [Internal Research] μ [Baymard Guideline]μ ꡬλΆνμ¬ μ μ.
- Link Landing: μμΈ λ΄μ©μ λ³Ό μ μλ μλ¬Έ λ§ν¬(Atlassian, Google Drive, Baymard URL λ±) μ 곡.
4.2. μμΈ λ°μ΄ν° μ§μμλ΅ (Deep Q&A / RAG)
λ¨μ κ²μμ λμ΄, λ¬Έμ λ΄μ©μ λ°νμΌλ‘ ꡬ체μ μΈ μ§λ¬Έμ λ΅λ³ν©λλ€.
- User Story: "μ§λλ¬ νμΌν ν¨ν€μ§ μ‘°μ¬μμ 4050 μΈλ λΆλ§μ¬νμ΄ λμμ΄?"λΌκ³ λ¬ΌμΌλ©΄ μμ½λ λ΄μ©μ λ°νμΌλ‘ ꡬ체μ μΈ λ΅λ³μ μμ±νλ€.
- κΈ°λ₯ μμΈ:
- Context-Aware: μ¬λ¬ λ¬Έμλ₯Ό μ’ ν©νμ¬ λ΅λ³ (μ: "λ΄λΆ 리μμΉμ Baymard μμͺ½ κ΄μ μμ 'κ²°μ νλ‘μΈμ€' μ΄νμ¨ μ€μ΄λ ν μλ €μ€").
- λ€κ΅μ΄ μ§μ: Baymard(μμ΄) λ΄μ©μ νκ΅μ΄λ‘ μμ½/μ€λͺ νμ¬ μ λ¬.
4.3. κΈ°ν/λμμΈ μ΄μ λΆμ λ° μ‘°μΈ (Design Review Agent)
μ΄λ―Έμ§λ μμμ μ λ‘λνλ©΄, μΆμ λ λ°μ΄ν°λ₯Ό κΈ°μ€μΌλ‘ λΆμνκ³ κ°μ μ μ μ μν©λλ€.
- User Story: λμμ΄λκ° μμ μ€μΈ 'μμ μμΈ νμ΄μ§(PDP)' μμ μ΄λ―Έμ§λ₯Ό μ¬λ¦¬κ³ "μ΄κ±° UX κ°μ΄λ μλ°νλ κ±° μμκΉ?"λΌκ³ 묻λλ€.
- κΈ°λ₯ μμΈ:
- Multimodal Input: μ΄λ―Έμ§(PNG, JPG) λ° μμ(MP4, GIF) νμΌ μΈμ.
- Visual Analysis: μ΄λ―Έμ§λ₯Ό λΆμνμ¬ UI μμ(λ²νΌ, λ μ΄μμ, ν μ€νΈ κ°λ μ±) μλ³.
- Rule-based Matching: μλ³λ μμμ κ΄λ ¨λ Baymard κ°μ΄λλΌμΈ(μ: "λͺ¨λ°μΌμμ μΊλ¬μ μλμ€ν μ§μ") λ° λ΄λΆ 리μμΉ κ²°κ³Ό(μ: "λͺ¨ν μ μ λ κ°κ²© μ 보λ₯Ό μ΅μλ¨μμ 보길 μν¨")λ₯Ό λ§€μΉ.
- Actionable Advice: "νμ¬ μμμ μΊλ¬μ μ μλ λ‘€λ§λκ³ μλλ°, Baymard κ°μ΄λ #957μ λ°λ₯΄λ©΄ λͺ¨λ°μΌμμλ μλ λ‘€λ§μ νΌνλ κ²μ΄ μ’μ΅λλ€." ννμ ꡬ체μ μ‘°μΈ μ 곡.
5. κΈ°μ μν€ν μ² (Technical Architecture Draft)
- Platform: Slack App (Bolt for Python)
- LLM Engine: Google Gemini Pro 1.5 (Multimodal capability νμ© - ν μ€νΈ, μ½λ, μ΄λ―Έμ§, λΉλμ€ μ²λ¦¬ μ°μ)
- RAG System:
- RAG: Agentic Retriever (LangGraph ReAct μμ΄μ νΈ κΈ°λ° κ²μβμ½κΈ°βνλ¨ λ£¨ν)
- Embedding: Multilingual Embedding Model (νκ΅μ΄/μμ΄ λͺ¨λ μ§μ) λλ Hybrid Search
- Pipeline:
- Data Ingestion: JSON νμΌ νμ± -> μ²ν¬(Chunking) -> μλ² λ© -> Vector DB μ μ₯.
- Query Processing: μ¬μ©μ μ§λ¬Έ -> Query Rewriting (if needed) -> Retrieval -> Generation.
- Image Processing: μ΄λ―Έμ§ -> VLM(Vision-Language Model) λΆμ -> ν€μλ μΆμΆ -> Retrieval -> Review Generation.
6. ν₯ν νμ₯ κ³ν (Future Scope)
- λ°μ΄ν° μμ€ νμ₯: κ²½μμ¬ λΆμ 리ν¬νΈ, VOC λ°μ΄ν°, GA λ‘κ·Έ λ°μ΄ν° μ°λ.
- λ§μΆ€ν μλ¦Ό: νΉμ λλ©μΈ(μ: 'κ²°μ ') λ΄λΉμμκ² κ΄λ ¨ μ κ· λ¦¬μμΉ μ λ°μ΄νΈ μ μ¬λ μλ¦Ό λ°μ‘.
- μ΄μ μμ± λ³΄μ‘°: "λͺ¨ν 리μ€νΈ UI μμ΄μ΄νλ μ κ·Έλ €μ€" (Generative UI - μ₯κΈ° κ³Όμ ).
7. μ±κ³΅ μ§ν (Metrics)
- DAU/MAU: μ¬λλ΄ νμ± μ¬μ©μ μ.
- Query Count: μΌκ°/μ£Όκ° μ§μ μ.
- User Feedback: λ΅λ³ λ§μ‘±λ(μ’μμ/μ«μ΄μ) λ° "λμμ΄ λμμ΅λλ€" νΌλλ°± λΉμ¨.