PullNexus

로컬 AI 리소스를 위한 GitHub 기반 레지스트리 및 CLI. 재사용 가능한 스킬, 도구, 템플릿, 데이터셋 및 워크플로우 아티팩트를 검색, 가져오기(pull) 및 제출하세요.

퀵스타트

pip install pullnexus

레지스트리 검색:

pullnexus search "fine-tune 35B on consumer GPU"
pullnexus search "local agent loop" --type skill

사용 가능한 리소스 탐색:

pullnexus list-skills --type dataset
pullnexus pull local-rag-starter-pack

제출 시작:

pullnexus submit --interactive --type skill
# or open an issue: github.com/MRWillisT/PullNexus/issues/new/choose

현재 레지스트리: 10개 리소스 유형(스킬, 도구, 템플릿, 플레이북, 정책, 프롬프트, 데이터셋, 환경, 평가 및 저장소)에 걸쳐 156개의 리소스가 있습니다.

1. 비전

로컬 모델은 빠르게 개선되고 있지만, 주변 워크플로우는 여전히 파편화되어 있습니다. 유용한 프롬프트, JSONL 예제, 도구 정의, 템플릿, 하드웨어 노트 및 평가 세트가 저장소, Gist, 채팅 로그 등에 흩어져 있습니다.

PullNexus는 이러한 아티팩트를 일관된 레지스트리 형식으로 패키징하여 CLI에서 즉시 검색할 수 있게 하고, 시간이 지남에 따라 다른 클라이언트에서도 확장할 수 있도록 합니다. 실질적인 목표는 간단합니다. 관련 리소스를 찾고, 메타데이터를 검사하고, 설치 가능한 경우 가져오거나, 자신의 로컬 설정을 위한 참조 자료로 사용하는 것입니다.

이것은 모델 호스트, 호스팅된 에이전트 플랫폼 또는 프롬프트 갤러리가 아니라 로컬 AI 워크플로우를 위한 작고 개방적인 배포 계층입니다.

2. 왜 지금인가

여러 요소가 동시에 성숙해졌습니다:

• Ollama, llama.cpp, LM Studio, vLLM과 같은 로컬 추론 도구는 이제 개발자 워크플로우의 일반적인 부분이 되었습니다.

• 가격, 개인 정보 보호 및 지연 시간이 일상적인 사용에서 중요하기 때문에 더 많은 사람들이 추론을 로컬에서 유지하고 있습니다.

• 이러한 워크플로우를 둘러싼 재사용 가능한 자료는 여전히 표준화된 저장소가 부족합니다. 모델과 데이터셋에는 허브가 있지만, 운영 아티팩트는 보통 그렇지 않습니다.

• 대부분의 인접 도구는 런타임 오케스트레이션이나 모델 호스팅을 해결하지만, 스킬, 플레이북, 템플릿 또는 평가와 같은 작은 빌딩 블록의 발견 및 재사용은 해결하지 못합니다.

이것이 바로 유형화된, 가져오기 중심의 레지스트리가 소규모라도 유용한 이유입니다.

3. 작동 방식

1. 리소스는 유형화된 메타데이터와 함께 skills/index.json에 인덱싱됩니다.

2. CLI는 레지스트리를 검색하고, 유형/카테고리/태그별로 필터링하며, 설치 가능한 리소스를 가져올 수 있습니다.

3. 기여자는 GitHub를 통해 제출하거나 대화형 마법사로 초안 폴더를 생성할 수 있습니다.

4. 리소스는 저장소에서 버전 관리, 태그 지정 및 검토가 가능합니다.

5. 동일한 스키마가 나중에 더 풍부한 클라이언트와 통합을 지원할 수 있습니다.

기여 워크플로우

리소스가 처음부터 "스킬"일 필요는 없습니다. 유용한 JSONL 대화 세트, 배포 플레이북, 모델 템플릿, 정책 문서, 도구 참조 또는 환경 프로필 모두 동일한 레지스트리 형식을 거칠 수 있습니다.

실제로 많은 항목이 실제 프로젝트 작업에서 나옵니다. 무언가가 재사용 가능해지면 문서화되고, 메타데이터 및 선택적 지원 파일과 함께 레지스트리에 추가됩니다.

CLI 인터페이스

현재 공개 명령어:

pullnexus search rust debugger --type skill
pullnexus list-skills --category automation
pullnexus pull local-rag-starter-pack
pullnexus submit --interactive --type playbook

일부 리소스 유형은 설치 가능한 파일 패키지이며, 다른 유형은 외부 저장소, 데이터셋 또는 문서를 가리키는 참조 항목입니다.

4. 스킬의 실제 모습

스킬의 폴더 구조는 다음과 같습니다. 이것이 사람들이 제출하는 내용입니다:

skills/python-advanced-debugging/
├── skill.json          → Metadata (name, description, tags, version, license)
├── examples.jsonl      → JSONL conversation pairs or training examples
├── README.md           → Human-readable explanation and usage notes
├── eval.jsonl          → Test cases to verify the skill behaves as expected
└── tools/              → Optional MCP tool definitions

skill.json 예시:

{
  "name": "python-advanced-debugging",
  "version": "1.2.0",
  "description": "Expert techniques for memory leaks, pdb, and tracing in Python",
  "tags": ["python", "debugging", "development"],
  "license": "CC0-1.0",
  "evaluation_cases": 12,
  "mcp_compatible": true
}

구조는 의도적으로 단순하게 유지되어 검토, 재사용 및 유효성 검사가 간단합니다.

5. 현재 기능

오늘 바로 사용 가능

• 10개 리소스 유형에 걸쳐 156개의 인덱싱된 리소스를 포함하는 GitHub 기반 레지스트리

• 검색, 가져오기/설치, 목록 보기 및 제출 스캐폴딩을 위한 공개 CLI 명령어

• 리소스 폴더를 생성하고 메타데이터를 검증하는 대화형 제출 마법사

• 스킬, 도구, 템플릿, 정책, 플레이북, 프롬프트, 데이터셋, 환경, 평가 및 저장소에 대한 스키마 지원

• GitHub를 사용할 수 없을 때 CLI가 정상적으로 작동하도록 하는 로컬/원격 레지스트리 가져오기

• 일반 파일(메타데이터, JSONL 예제, README 및 선택적 평가/도구 정의)을 중심으로 구축된 스킬 폴더

MCP 어시스턴트 모드

PullNexus MCP 서버에 연결된 모든 AI 어시스턴트는 일반적인 배경 지식에만 의존하는 대신 대화 중에 실시간 레지스트리를 사용할 수 있습니다.

• 대화가 진행되는 동안 레지스트리 검색

• 사용자의 스택, 문제 또는 목표에 따라 특정 리소스 추천

• 채팅을 떠나지 않고 로컬로 설치 가능한 리소스 가져오기

• 워크플로우 성공 또는 실패 후 호환성 피드백 제출

강력한 전/후 데모를 위한 예시 프롬프트:

I’m building a fully local RAG pipeline for PDFs with Ollama. Retrieval quality is bad, chunking feels wrong, and I want something concrete I can inspect or install. What should I use?

PullNexus가 없으면 대부분의 어시스턴트는 RAG 프레임워크와 청크 크기에 대한 광범위한 조언만 제공합니다. PullNexus MCP가 연결되면 어시스턴트는 실시간 레지스트리를 검색하여 local-rag-starter-pack 및 rag-eval-baseline과 같은 구체적인 리소스를 추천하고 즉시 로컬 폴더로 가져오도록 제안할 수 있습니다.

다른 좋은 데모 프롬프트로는 실제 스택과 실패 모드가 포함된 것들이 있습니다. 로컬 RAG 디버깅, 에이전트 오케스트레이션, MCP 통합 또는 Python 디버깅 등이 모두 잘 작동합니다.

단기 작업

• 메인 CLI에서 추가 패키지 명령어 인터페이스를 더 깔끔하게 노출

• MCP/클라이언트 통합 문서 개선

• 제출된 리소스에 대한 유효성 검사, 검토 및 호환성 보고 강화

• 레지스트리 탐색 및 필터링 UX 개선

• 게시 및 품질 검사 자동화 추가

6. 포지셔닝

PullNexus는 원시 저장소와 전체 플랫폼 제품 사이에 위치합니다. 모델을 호스팅하거나 에이전트 런타임을 대체하려는 것이 아닙니다. 그 역할은 더 좁습니다. 재사용 가능한 로컬 AI 리소스를 발견하고 재사용하기 쉽게 만드는 충분한 메타데이터와 함께 하나의 검색 가능한 형식으로 유지하는 것입니다.

7. 도전 과제 및 완화 방안

8. 거버넌스

PullNexus는 현재 한 명의 개발자가 유지 관리하고 있습니다. 레지스트리 형식, 기여 규칙 및 조정에 대한 결정은 이슈와 풀 리퀘스트를 통해 저장소에서 공개적으로 이루어집니다. 이는 프로젝트를 간단하게 유지합니다. 빠른 결정, 공개적인 근거 및 명확한 기록을 남깁니다.

프로젝트가 진정한 다중 관리자 노력으로 성장하면, 거버넌스는 문서화된 역할과 결정 규칙을 갖춘 가벼운 관리자 모델로 확장될 수 있습니다. 현재 우선순위는 간단합니다. 표준을 명확하게 유지하고, 프로세스를 공개하며, 프로젝트를 유용하게 유지하는 것입니다.

9. 레지스트리 하이라이트

알아두면 좋은 몇 가지 진입점:

• autonomous-agent-training-pack — 160개 이상의 합성 JSONL 예제, 16개 테마, 즉시 사용 가능한 학습/검증/테스트 분할

• synthetic-general-training-pack — 코딩, 추론, 문서 및 웹을 위한 110개 이상의 범용 학습 예제

• agent-role-orchestrator / agent-role-coder / agent-role-reviewer — 전체 다중 에이전트 로컬 설정을 위한 시스템 프롬프트

• local-agent-system-blueprint — 로컬 자율 에이전트 시스템 구축을 위한 초보자 가이드

• multi-agent-roles-template — 5개 에이전트 로컬 시스템을 위한 JSON 역할 구성

• vibe-coder-workflow — 모호한 아이디어에서 작동하는 코드까지의 전체 독학 빌더 루프

• qwen3-35b-12gb-llama-server — 12GB VRAM에서 Qwen3를 위한 커뮤니티 기여 llama-server 구성

• kv-cache-vram-best-practices — KV 캐시 튜닝을 위한 VRAM 최적화 정책

• n8n-mcp-workflows / autonomous-agent-payments — MCP 생태계 항목

모든 155개 항목을 탐색하려면 레지스트리를 검색하세요: pullnexus list-skills

10. 단기 로드맵

11. 유지 관리자 정보

PullNexus는 약 1년 반 동안 실제 AI 지원 프로젝트를 수행해 온 개발자가 유지 관리합니다. 이 프로젝트는 반복되는 재사용 문제에서 비롯되었습니다. 유용한 프롬프트, JSONL 예제, 배포 노트 및 도구 참조가 표준화할 명확한 장소 없이 임시 형식으로 계속 나타났기 때문입니다.

이것이 바로 저장소가 실용적인 아티팩트와 일반 파일에 치중하는 이유입니다. 목표는 거창한 플랫폼 비전을 먼저 제시하는 것이 아니라, 재사용 가능한 로컬 AI 자료를 더 쉽게 패키징하고, 검토하고, 찾고, 사용할 수 있도록 하는 것입니다.

레지스트리를 검색하세요. 맞는 것을 가져오세요. 도움이 된 것을 제출하세요.