# 오토리서치 실행: ad-creative 스킬

## 목표
autoresearch 시스템을 사용하여 `ad-creative` 스킬 프롬프트를 자동 최적화 실행.

## 배경
- autoresearch 시스템: Karpathy 스타일 프롬프트 자동 최적화
- 사이클: mutator(Sonnet) → skill_executor(Sonnet) → judge(Haiku) → KEEP/REVERT
- OAuth 인증 수정 완료 (task-1104.1): `~/.claude/.credentials.json` 기반 OAuth 토큰 사용
- 시스템 학습 완료 (task-1101.1): 150개 테스트 통과 확인
- 비용 모델도 수정됨: Sonnet/Haiku 분리 계산

## 실행 절차

### 1. 사전 확인
- OAuth 토큰 유효성 확인: `python3 -c "from autoresearch.skill_executor import load_auth; print(load_auth())"`
- 토큰 만료 시 → 보고서에 기록하고 작업 중단 (강제 실행 금지)

### 2. 실행
```bash
cd /home/jay/workspace
python3 -m autoresearch.runner \
  --skill skills/ad-creative/SKILL.md \
  --rounds 5 \
  --output memory/reports/autoresearch-adcreative.md
```

- **최초 5라운드 실행** (안정성 확인용)
- 각 라운드에서:
  - mutation 내용 확인
  - 실행 결과 확인
  - judge 점수 확인
  - KEEP/REVERT 판정 확인

### 3. 실행 중 문제 발생 시
- OAuth 토큰 만료 → 즉시 중단, 보고
- Rate limit → 대기 후 재시도 (최대 3회)
- 스킬 실행 에러 → 에러 로그 보존, 보고
- **절대 스킬 파일을 수동 수정하지 말 것** — autoresearch가 자동으로 변형/복원

### 4. 결과 분석
- 5라운드 후 결과 분석:
  - 몇 개 mutation이 KEEP 되었는지
  - 점수 변화 추이
  - 어떤 종류의 mutation이 효과적이었는지
  - 총 비용 (Sonnet + Haiku 분리)
- 분석 결과를 보고서에 포함

## 산출물
1. `memory/reports/autoresearch-adcreative.md` — 자동 생성 리포트
2. `memory/reports/task-1107.1.md` — 완료 보고서 (실행 결과 + 분석)
3. 변경된 스킬 파일: `skills/ad-creative/SKILL.md` (autoresearch가 자동 수정)
4. changelog: `scripts/autoresearch/changelog/` 디렉토리

## 주의사항
- autoresearch 시스템 코드 자체를 수정하지 말 것 — 있는 그대로 실행만
- 스킬 원본 백업: 실행 전 `skills/ad-creative/SKILL.md`를 `skills/ad-creative/SKILL.md.bak`으로 복사
- 비용 모니터링: 5라운드 후 총 비용 확인, 비정상적 비용 발생 시 즉시 중단