Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →Higgsfield MCP 이미지·영상 생성의 공유 코어. media-higgsfield-image / media-higgsfield-video가 로드하는 SSOT(single source of truth)로, 호출 스키마·라이브 카탈로그 조회 프로토콜·공통 크래프트 규칙(R1–R5)·인터뷰 슬롯·잡 수명주기를 정의합니다. 다음과 같은 상황에서 로드됩니다: - media-higgsfield-image 또는 media-higgsfield-video가 호출 계약을 참조할 때 - Higgsfield 모델의 파라미터를 하드코딩하지 않고 런타임 조회해야 할 때 - namespace(mcp__higgsfield__ vs mcp__claude_ai_higgsfield__)를 런타임 해석해야 할 때 이 스킬은 단독 실행 스킬이 아니라 두 소비 스킬이 참조하는 공유 코어입니다.
.claude/skills/modu-ai-media-higgsfield-core/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-03 | ✗→✓ | ▲ Improved | 36% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 27% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 23% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 70% | 0% |
| case-07 | ✗→✓ | ▲ Improved | 57% | 0% |
> moai-media | 이미지·영상 스킬의 공유 SSOT (참조 전용 코어)
이 스킬은 media-higgsfield-image와 media-higgsfield-video가 공통으로 참조하는 코어다. 두 소비 스킬은 호출 계약·조회 순서·공통 규칙을 여기서 가져온다. 핵심 설계 원칙: 파라미터(모델 id·enum·aspect·duration·media role·비용)는 절대 하드코딩하지 않고 런타임에 models_explore로 조회한다. 프롬프트 크래프트만 정적으로 큐레이션하고 출처를 단다.
이 설계가 필요한 이유는 두 축이 서로 다른 진실원을 갖기 때문이다:
| 축 | 진실원 | 스킬이 얻는 방법 | |---|---|---| | 파라미터 | 라이브 MCP | models_explore / show_marketing_studio / presets_show / get_cost (호출 시점) | | 프롬프트 크래프트 | 모델 벤더 공식 문서 | 계열별 prompt-craft/*.md (저술 시점 고정, 출처·Evidence tier 표기) |
| 파일 | 역할 | |---|---| | references/call-schema.md | 중첩 params{} 형태 계약, medias[].role/.value 규칙, namespace 런타임 해석, 존재하지 않는 파라미터 안티패턴 | | references/catalog-protocol.md | models_explore 등 라이브 조회 도구와 표준 순서(REQ-010), 범위 밖 모델 폴백 | | references/universal-rules.md | R1–R5 벤더 교차 공통 규칙 | | references/interview-schema.md | 크래프트 파일이 소비하는 수집 슬롯 | | references/job-lifecycle.md | get_cost 프리플라이트, credits 규칙, adjustments 리드백, 폴링·오류 분류, 잔액 정지 |
소비 스킬은 다음 순서를 따른다:
models_explore(action:'get')로 실제 제약을 가져온다. Marketing Studio 계열이면 show_marketing_studio.get_cost: true로 credits 확인(크레딧 0). adjustments 확보.job_status로 completed까지, adjustments를 사용자에게 보고.Higgsfield 도구의 namespace 접두사는 등록 방식에 따라 mcp__higgsfield__ 또는 mcp__claude_ai_higgsfield__다. 스킬은 호출 직전 실제 노출된 namespace를 런타임에 확인하고 그 접두사를 쓴다. 어느 하나를 유일 정답으로 하드코딩하지 않는다. 상세는 references/call-schema.md §3.
이 스킬(및 서브에이전트)은 사용자에게 직접 질문하지 않는다. 수집할 슬롯을 문서화할 뿐이며, 실제 질문은 오케스트레이터가 진행한다. 슬롯이 비면 구조화된 blocker 보고를 반환한다. 상세는 references/interview-schema.md.
| 스킬 | 관계 | |---|---| | moai-media:media-higgsfield-image | 소비: 이미지 생성 | | moai-media:media-higgsfield-video | 소비: 영상 생성 | | moai-media:media-higgsfield-identity | 소비: Soul·Element 일관성 참조 | | moai-media:media-higgsfield-assets | 소비: 3D·오디오·영상 분석·후처리 | | moai-media:media-higgsfield-explainer | 소비: 블록 조립형 설명 영상 | | moai-media:media-higgsfield-product | 소비: 제품 촬영 10모드 | | moai-designer:design-brand-visual | 소비(교차 플러그인): 브랜드 정합 비주얼 | | moai-story:story-* | 소비(교차 플러그인): 작화·콘티·표지·캐릭터 |
.moai/specs/SPEC-MOC-HIGGSFIELD-PROMPT-001/mcp-catalog-snapshot.md (plan 단계 증거 기준선, 런타임 계약 아님)| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→fail | 20,134 | 27,457 | +36% | 1 | 1 | 0% | 3,682 | 1,596 | -57% | 0 | 0 | — |
case-02 | fail→fail | 14,980 | 17,964 | +20% | 1 | 1 | 0% | 1,754 | 3,621 | +106% | 0 | 0 | — |
case-03 | fail→pass | 14,767 | 19,613 | +33% | 1 | 1 | 0% | 2,879 | 3,912 | +36% | 0 | 0 | — |
case-04 | fail→pass | 21,048 | 17,153 | -19% | 1 | 1 | 0% | 2,768 | 3,523 | +27% | 0 | 0 | — |
case-05 | fail→pass | 20,892 | 19,159 | -8% | 1 | 1 | 0% | 3,030 | 3,742 | +23% | 0 | 0 | — |
case-06 | fail→pass | 17,504 | 20,595 | +18% | 1 | 1 | 0% | 2,538 | 4,322 | +70% | 0 | 0 | — |
case-07 | fail→pass | 17,691 | 13,633 | -23% | 1 | 1 | 0% | 2,492 | 3,922 | +57% | 0 | 0 | — |
case-08 | pass→pass | 13,491 | 17,551 | +30% | 1 | 1 | 0% | 2,332 | 3,339 | +43% | 0 | 0 | — |
case-09 | fail→pass | 15,764 | 19,524 | +24% | 1 | 1 | 0% | 2,770 | 4,520 | +63% | 0 | 0 | — |
case-10 | pass→pass | 18,167 | 19,100 | +5% | 1 | 1 | 0% | 2,207 | 3,758 | +70% | 0 | 0 | — |
case-11 | fail→pass | 21,062 | 17,867 | -15% | 1 | 1 | 0% | 2,748 | 4,303 | +57% | 0 | 0 | — |
case-12 | fail→pass | 21,429 | 25,006 | +17% | 1 | 1 | 0% | 2,973 | 4,157 | +40% | 0 | 0 | — |
case-13 | fail→pass | 22,593 | 10,852 | -52% | 1 | 1 | 0% | 2,888 | 3,307 | +15% | 0 | 0 | — |
case-14 | fail→pass | 25,136 | 20,123 | -20% | 1 | 1 | 0% | 3,013 | 3,737 | +24% | 0 | 0 | — |
case-15 | fail→pass | 17,590 | 12,587 | -28% | 1 | 1 | 0% | 3,118 | 3,421 | +10% | 0 | 0 | — |
case-16 | pass→pass | 15,073 | 16,650 | +10% | 1 | 1 | 0% | 2,527 | 4,096 | +62% | 0 | 0 | — |
case-17 | fail→pass | 14,466 | 14,618 | +1% | 1 | 1 | 0% | 2,269 | 3,781 | +67% | 0 | 0 | — |
case-18 | fail→pass | 22,407 | 21,329 | -5% | 1 | 1 | 0% | 2,694 | 3,883 | +44% | 0 | 0 | — |
case-19 | pass→pass | 17,759 | 22,837 | +29% | 1 | 1 | 0% | 2,778 | 4,285 | +54% | 0 | 0 | — |
case-20 | pass→fail | 31,262 | 23,864 | -24% | 1 | 1 | 0% | 4,419 | 5,289 | +20% | 0 | 0 | — |
case-21 | pass→pass | 21,484 | 25,425 | +18% | 1 | 1 | 0% | 3,551 | 5,621 | +58% | 0 | 0 | — |
case-22 | pass→pass | 24,174 | 32,429 | +34% | 1 | 1 | 0% | 4,424 | 7,390 | +67% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted, and 21 counted toward the lift figure. The other 1 produced results that are not comparable between the two arms, so they are excluded from the headline rather than averaged into it. The headline lift of +55 percentage points is the difference between those two pass rates over the 21 comparable cases. 2 cases got worse with the skill loaded, and they are included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.