dantelabs-agentic-school 1.3.1 → 1.4.0

package/.claude-plugin/marketplace.json

@@ -16,64 +16,133 @@
       "name": "common",
       "description": "공통 유틸리티 스킬 모음. 인증 관리, 문서 제작 도구(PPTX, PDF, DOCX), 이미지/비디오 생성(Kie.ai) 등 여러 플러그인에서 공통으로 사용하는 기능을 제공합니다.",
       "version": "1.0.0",
-      "source": "./plugins/common"
+      "source": "./plugins/common",
+      "category": "common"
     },
     {
       "name": "brand-analytics",
       "description": "브랜드 소개서를 분석하여 포지셔닝, SWOT, 경쟁사 분석을 수행합니다.",
       "version": "1.0.0",
-      "source": "./plugins/brand-analytics"
+      "source": "./plugins/marketing/brand-analytics",
+      "category": "marketing"
     },
     {
       "name": "customer-segmentation",
       "description": "데이터 기반 고객 세그먼트를 설계하고 정의합니다.",
       "version": "1.0.0",
-      "source": "./plugins/customer-segmentation"
+      "source": "./plugins/marketing/customer-segmentation",
+      "category": "marketing"
     },
     {
       "name": "persona-builder",
       "description": "타겟 세그먼트의 상세 페르소나 카드를 생성합니다.",
       "version": "1.0.0",
-      "source": "./plugins/persona-builder"
+      "source": "./plugins/marketing/persona-builder",
+      "category": "marketing"
     },
     {
       "name": "social-strategy",
       "description": "페르소나 기반 채널 선정 및 콘텐츠 전략을 수립합니다.",
       "version": "1.0.0",
-      "source": "./plugins/social-strategy"
+      "source": "./plugins/marketing/social-strategy",
+      "category": "marketing"
     },
     {
       "name": "content-creation",
       "description": "채널별 홍보 카피 및 스크립트를 생성합니다.",
       "version": "1.0.0",
-      "source": "./plugins/content-creation"
+      "source": "./plugins/marketing/content-creation",
+      "category": "marketing"
     },
     {
       "name": "creative-production",
       "description": "실제 이미지와 비디오를 생성합니다. common 플러그인의 kie-image-generator, kie-video-generator 스킬을 활용합니다.",
       "version": "1.0.0",
-      "source": "./plugins/creative-production"
+      "source": "./plugins/marketing/creative-production",
+      "category": "marketing"
     },
     {
       "name": "campaign-orchestration",
       "description": "전체 마케팅 워크플로우를 통합하고 순차 실행합니다.",
       "version": "1.0.0",
-      "source": "./plugins/campaign-orchestration"
+      "source": "./plugins/marketing/campaign-orchestration",
+      "category": "marketing"
     },
     {
       "name": "market-research",
       "description": "시장 규모/성장률 분석, Porter's 5 Forces, 경쟁 환경 분석 등 종합적인 시장 조사를 수행합니다. TAM/SAM/SOM 모델링, PESTLE 분석, 경쟁사 포지셔닝 맵 등을 포함합니다.",
       "version": "1.0.0",
-      "source": "./plugins/market-research"
+      "source": "./plugins/marketing/market-research",
+      "category": "marketing"
+    },
+    {
+      "name": "data-profiling",
+      "description": "데이터 프로파일링 및 탐색적 데이터 분석(EDA)을 수행합니다. ydata-profiling 기반 자동 리포트 생성 및 인터랙티브 분석을 제공합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/data-profiling",
+      "category": "data-science"
+    },
+    {
+      "name": "feature-engineering",
+      "description": "Feature Engineering 및 데이터 전처리 파이프라인을 구축합니다. 스케일링, 인코딩, Feature 생성 등을 자동화합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/feature-engineering",
+      "category": "data-science"
+    },
+    {
+      "name": "imbalance-handling",
+      "description": "클래스 불균형 문제를 해결합니다. SMOTE, ADASYN 등 다양한 리샘플링 기법을 제공합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/imbalance-handling",
+      "category": "data-science"
+    },
+    {
+      "name": "model-selection",
+      "description": "머신러닝 모델 학습 및 선택을 수행합니다. XGBoost, LightGBM, Random Forest 등 주요 알고리즘을 지원합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/model-selection",
+      "category": "data-science"
+    },
+    {
+      "name": "hyperparameter-tuning",
+      "description": "Optuna 기반 하이퍼파라미터 최적화를 수행합니다. TPE Sampler, Median Pruner를 활용한 효율적인 튜닝을 제공합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/hyperparameter-tuning",
+      "category": "data-science"
+    },
+    {
+      "name": "model-evaluation",
+      "description": "모델 성능 평가 및 시각화를 수행합니다. Feature Importance, Learning Curves, Cross-Validation 등을 제공합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/model-evaluation",
+      "category": "data-science"
+    },
+    {
+      "name": "shap-analysis",
+      "description": "SHAP 기반 모델 해석성 분석을 수행합니다. Summary Plot, Waterfall Plot, Force Plot 등을 생성합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/shap-analysis",
+      "category": "data-science"
+    },
+    {
+      "name": "model-monitoring",
+      "description": "모델 성능 모니터링 및 데이터 드리프트 감지를 수행합니다. PSI, KS Test 기반 알림 시스템을 제공합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/model-monitoring",
+      "category": "data-science"
+    },
+    {
+      "name": "model-deployment",
+      "description": "FastAPI 기반 REST API 모델 배포를 자동화합니다. Docker 컨테이너화 및 Swagger UI 문서를 제공합니다.",
+      "version": "1.0.0",
+      "source": "./plugins/data-science/model-deployment",
+      "category": "data-science"
     }
   ],
   "categories": [
-    "agentic-business",
+    "common",
     "marketing",
-    "data-analytics",
-    "ai-ml",
-    "business-ops",
-    "automation"
+    "data-science"
   ],
   "tags": [
     "agentic-business",
@@ -85,7 +154,17 @@
     "content-generation",
     "image-generation",
     "video-generation",
-    "data-analysis",
+    "data-science",
+    "machine-learning",
+    "data-profiling",
+    "feature-engineering",
+    "model-training",
+    "hyperparameter-tuning",
+    "model-evaluation",
+    "shap-analysis",
+    "model-monitoring",
+    "model-deployment",
+    "imbalance-handling",
     "workflow-automation"
   ]
 }

package/README.md

@@ -6,16 +6,15 @@
 
 이 프로젝트는 **GTM Agents 스타일의 전략 에이전트**와 **실제 생성/분석 도구**를 통합하여, **엔드투엔드 비즈니스 자동화**를 제공합니다.
 
-현재 **마케팅 자동화** 플러그인이 구현되어 있으며, 향후 **데이터 분석**, **AI/ML**, **일반 비즈니스** 등으로 확장될 예정입니다.
+현재 **마케팅 자동화**(8개)와 **데이터 사이언스**(9개) 플러그인이 구현되어 있으며, 향후 **일반 비즈니스** 등으로 확장될 예정입니다.
 
 ## 지원 영역
 
-| 영역 | 상태 | 설명 |
-| --- | --- | --- |
-| 🎯 Marketing | ✅ 구현완료 | 브랜드 분석 → 크리에이티브 제작 |
-| 📊 Data Analytics | 🔜 예정 | 데이터 수집 → 시각화 → 인사이트 |
-| 🤖 AI/ML | 🔜 예정 | 모델 선택 → 학습 → 배포 |
-| 💼 Business Ops | 🔜 예정 | 워크플로우 → 자동화 → 리포팅 |
+| 영역 | 상태 | 설명 | 플러그인 수 |
+| --- | --- | --- | --- |
+| 🎯 Marketing | ✅ 구현완료 | 브랜드 분석 → 크리에이티브 제작 | 8개 |
+| 📊 Data Science | ✅ 구현완료 | 데이터 분석 → 모델 학습 → 배포 | 9개 |
+| 💼 Business Ops | 🔜 예정 | 워크플로우 → 자동화 → 리포팅 | - |
 
 ## 특징
 
@@ -24,6 +23,7 @@
 - **실행 커맨드**: 직접 실행 가능한 작업 커맨드
 - **전문 스킬**: 도메인 지식 및 프레임워크
 - **AI 생성 도구 내장**: kie-image-generator, kie-video-generator (common 플러그인)
+- **완전 자동화 파이프라인**: 엔드투엔드 자동화 (마케팅 6단계, 데이터 사이언스 10단계)
 
 ## 설치
 
@@ -86,9 +86,11 @@ npx dantelabs-agentic-school sample marketing --force
 
 ```text
 samples/
-└── marketing/
-    ├── dante-coffee-agentic-marketing-scenario.md  # 마케팅 시나리오 가이드
-    └── dante-coffee-brand-brief.md                 # 브랜드 브리프 예시
+├── marketing/
+│   ├── dante-coffee-agentic-marketing-scenario.md  # 마케팅 시나리오 가이드
+│   └── dante-coffee-brand-brief.md                 # 브랜드 브리프 예시
+└── datascience/
+    └── creditcard.csv                              # 신용카드 사기 탐지 데이터셋
 ```
 
 > **Tip**: 다운로드한 브랜드 브리프를 사용하여 `/analyze-brand --brand-doc ./samples/marketing/dante-coffee-brand-brief.md` 명령어로 전체 파이프라인을 실행해볼 수 있습니다.
@@ -187,10 +189,15 @@ Claude Code 실행 후 `/help` 명령어로 설치된 커맨드를 확인할 수
 # Claude Code 내에서
 /help
 
-# 설치된 커맨드 예시
+# 설치된 커맨드 예시 (마케팅)
 /analyze-brand --brand-doc ./brand-brief.md
 /create-segments
 /build-persona --segment "워라밸 직장인"
+
+# 설치된 커맨드 예시 (데이터 사이언스)
+/profile-data --data-path "./data/creditcard.csv"
+/train-model --algorithm xgboost
+/deploy-model --model-path "./models/model.pkl"
 ```
 
 ---
@@ -302,10 +309,10 @@ python ~/.claude/skills/kie-video-generator/scripts/generate_video.py --credits
 
 | 항목 | 개수 |
 | --- | --- |
-| 플러그인 | 9개 (common 1 + marketing 8) |
+| 플러그인 | 18개 (common 1 + marketing 8 + data-science 9) |
 | 에이전트 | 15개 |
-| 커맨드 | 10개 |
-| 스킬 | 19개 (common 6 + marketing 13) |
+| 커맨드 | 19개 |
+| 스킬 | 28개 (common 6 + marketing 13 + data-science 9) |
 
 ## 플러그인 목록
 
@@ -474,40 +481,181 @@ Brand Document
 Complete Campaign Assets
 ```
 
-## 에이전트 트리거 예시
+---
 
-| 요청 | 활성화 에이전트 |
-| --- | --- |
-| "브랜드 분석해줘" | brand-strategist |
-| "고객 세그먼트 나눠줘" | segmentation-architect |
-| "페르소나 만들어줘" | persona-architect |
-| "SNS 전략 수립해줘" | social-strategy-director |
-| "인스타그램 카피 써줘" | conversion-copywriter |
-| "영상 스크립트 작성해줘" | script-writer |
-| "제품 이미지 만들어줘" | creative-director |
+## 📊 Data Science Plugins ⭐ NEW
 
----
+데이터 분석부터 모델 학습, 배포까지 10단계 자동화 파이프라인을 제공합니다.
 
-## 🔜 Coming Soon
+### 기본 파이프라인 (4개)
+
+| # | 플러그인 | 설명 | 주요 기능 |
+| --- | --- | --- | --- |
+| 1 | **data-profiling** | 데이터 품질 검증 및 EDA | ydata-profiling, A4 전략 레포트 |
+| 2 | **feature-engineering** | 특성 변환 및 전처리 | RobustScaler, 시간 특성, 파이프라인 저장 |
+| 3 | **imbalance-handling** | 클래스 불균형 처리 | SMOTE, ADASYN, BorderlineSMOTE |
+| 4 | **model-selection** | 모델 학습 및 평가 | XGBoost, LightGBM, Random Forest |
+
+### 고급 파이프라인 (5개) ⭐
+
+| # | 플러그인 | 설명 | 주요 기능 |
+| --- | --- | --- | --- |
+| 5 | **hyperparameter-tuning** | 자동 하이퍼파라미터 최적화 | Optuna TPE, Median Pruner, +2-4% 성능 향상 |
+| 6 | **model-evaluation** | 모델 성능 심층 분석 | Feature Importance, Learning Curves, CV |
+| 7 | **shap-analysis** | 예측 설명 및 해석 | SHAP Values, Waterfall Plot, Force Plot |
+| 8 | **model-monitoring** | 프로덕션 모델 추적 | Data Drift (PSI, KS), Alert System |
+| 9 | **model-deployment** | API 배포 | FastAPI, Swagger UI, Docker |
+
+### 파이프라인 구조
 
-## 📊 Data Analytics Plugins (예정)
+```text
+Raw Data
+    ↓
+1️⃣  Data Profiling (HTML Report)
+    ↓
+2️⃣  EDA Analysis (A4 Strategy Report)
+    ↓
+3️⃣  Feature Engineering (Scaling, Time Features)
+    ↓
+4️⃣  Imbalance Handling (SMOTE)
+    ↓
+5️⃣  Model Training (XGBoost, LightGBM, RF)
+    ↓
+6️⃣  Hyperparameter Tuning (Optuna, 50-100 trials) ⭐
+    ↓
+7️⃣  Model Evaluation (Feature Importance, Curves) ⭐
+    ↓
+8️⃣  SHAP Analysis (Prediction Explanation) ⭐
+    ↓
+9️⃣  Model Monitoring (Drift Detection, Alerts) ⭐
+    ↓
+🔟 Model Deployment (FastAPI, Docker) ⭐
+    ↓
+Production API Server
+```
+
+### 사용 예시
+
+#### 프로젝트 초기화
+
+```bash
+# 새 데이터 사이언스 프로젝트 생성
+python scripts/init_project.py --name my-ml-project
 
-데이터 수집부터 시각화, 인사이트 도출까지의 파이프라인
+# 데이터 복사
+cp /path/to/data.csv projects/my-ml-project/data/raw/
+```
 
-- data-collection: 데이터 수집 및 전처리
-- exploratory-analysis: 탐색적 데이터 분석
-- visualization: 대시보드 및 시각화
-- insight-generation: 인사이트 도출
+#### 기본 파이프라인 (1-4단계)
 
-## 🤖 AI/ML Plugins (예정)
+```bash
+# 1. 데이터 프로파일링
+/profile-data --data-path "projects/my-ml-project/data/raw/data.csv" --target-column "target"
 
-AI 모델 선택부터 학습, 배포까지의 파이프라인
+# 2. EDA 분석
+/analyze-profile --data-path "projects/my-ml-project/data/raw/data.csv" --target-column "target"
 
-- model-selection: 모델 선택 및 평가
-- training-pipeline: 학습 파이프라인
-- deployment: 모델 배포
+# 3. 특성 엔지니어링
+/engineer-features --data-path "projects/my-ml-project/data/raw/data.csv" --target-column "target"
+
+# 4. 불균형 처리
+/balance-data \
+  --X-path "projects/my-ml-project/data/processed/data_processed_X.csv" \
+  --y-path "projects/my-ml-project/data/processed/data_processed_y.csv" \
+  --method smote
+```
+
+#### 고급 파이프라인 (5-10단계) ⭐
+
+```bash
+# 5. 모델 학습 (베이스라인)
+/train-model \
+  --X-train-path "projects/my-ml-project/data/processed/X_train_balanced.csv" \
+  --y-train-path "projects/my-ml-project/data/processed/y_train_balanced.csv" \
+  --X-test-path "projects/my-ml-project/data/processed/X_test.csv" \
+  --y-test-path "projects/my-ml-project/data/processed/y_test.csv" \
+  --algorithm xgboost
+
+# 6. 하이퍼파라미터 튜닝
+/tune-hyperparameters \
+  --X-train-path "projects/my-ml-project/data/processed/X_train_balanced.csv" \
+  --y-train-path "projects/my-ml-project/data/processed/y_train_balanced.csv" \
+  --n-trials 50
+
+# 7. 모델 평가
+/evaluate-model \
+  --model-path "projects/my-ml-project/outputs/models/xgboost_tuned_model.pkl" \
+  --X-test-path "projects/my-ml-project/data/processed/X_test.csv" \
+  --y-test-path "projects/my-ml-project/data/processed/y_test.csv"
+
+# 8. SHAP 분석
+/analyze-shap \
+  --model-path "projects/my-ml-project/outputs/models/xgboost_tuned_model.pkl" \
+  --X-test-path "projects/my-ml-project/data/processed/X_test.csv"
+
+# 9. 모델 모니터링
+/monitor-model \
+  --model-path "projects/my-ml-project/outputs/models/xgboost_tuned_model.pkl" \
+  --reference-data "projects/my-ml-project/data/processed/X_train_balanced.csv" \
+  --current-data "projects/my-ml-project/data/production/prod_data.csv"
+
+# 10. API 배포
+/deploy-model \
+  --model-path "projects/my-ml-project/outputs/models/xgboost_tuned_model.pkl" \
+  --X-sample-path "projects/my-ml-project/data/processed/X_train_balanced.csv"
+```
+
+### 성능 개선 과정
+
+**신용카드 사기 탐지 예시** (284,807건, 1:578 불균형)
+
+| 단계 | F1-Score | PR-AUC | 개선 |
+| --- | --- | --- | --- |
+| 베이스라인 (XGBoost) | 0.83 | 0.87 | - |
+| + 하이퍼파라미터 튜닝 | 0.86 | 0.89 | +3.6% |
+| + Feature Selection | 0.87 | 0.90 | +4.8% |
+| + Threshold 최적화 | 0.88 | 0.91 | +6.0% |
+
+### 프로젝트 구조
+
+```text
+projects/{project-name}/
+├── data/
+│   ├── raw/              # 원본 데이터
+│   ├── processed/        # 전처리 데이터
+│   └── production/       # 프로덕션 데이터 (모니터링용)
+├── outputs/
+│   ├── models/           # 학습/튜닝 모델
+│   ├── reports/          # HTML/Markdown 리포트
+│   ├── evaluations/      # 평가 시각화
+│   ├── shap/            # SHAP 분석
+│   └── monitoring/       # Drift 리포트
+├── deployment/          # FastAPI 서버
+│   ├── app.py
+│   ├── Dockerfile
+│   └── docker-compose.yml
+└── notebooks/           # Jupyter 노트북
+```
+
+### 활용 시나리오
+
+| 시나리오 | 소요 시간 | 예상 성능 | 산출물 |
+| --- | --- | --- | --- |
+| **신속 프로토타입** | 3시간 | F1 0.80-0.85 | 베이스라인 모델 |
+| **프로덕션 모델** | 3일 | F1 0.85-0.90 | 튜닝 모델 + 평가 |
+| **엔터프라이즈** | 1주 | F1 0.90+ | API + 모니터링 + 문서 |
+
+### 상세 가이드
+
+- [기본 파이프라인 가이드](./DATA_SCIENCE_PIPELINE.md)
+- [고급 파이프라인 가이드](./ADVANCED_DATA_SCIENCE_PIPELINE.md)
+- [프로젝트 구조 가이드](./PROJECTS.md)
+
+---
+
+## 🔜 Coming Soon
 
-## 💼 Business Ops Plugins (예정)
+### 💼 Business Ops Plugins (예정)
 
 비즈니스 워크플로우 자동화
 
@@ -521,6 +669,7 @@ AI 모델 선택부터 학습, 배포까지의 파이프라인
 
 - Claude Code CLI
 - Node.js 18.0.0 이상 (NPX CLI용)
+- Python 3.8+ (데이터 사이언스 플러그인)
 
 > 이미지/비디오 생성 스킬(`kie-image-generator`, `kie-video-generator`)은 common 플러그인에 포함되어 있습니다.
 > API 키 설정은 [auth-manager 스킬](#auth-manager-스킬) 참조
@@ -533,7 +682,7 @@ MIT License
 
 Dante Labs
 
-- Website: [dante-datalab.com](https://dante-datalab.com)
+- Website: [dante-labs.com](https://dante-labs.com)
 - YouTube: [@dante-labs](https://youtube.com/@dante-labs)
 - Email: <datapod.k@gmail.com>
 - Discord: [Dante Labs Community](https://discord.com/invite/rXyy5e9ujs)

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "dantelabs-agentic-school",
-  "version": "1.3.1",
+  "version": "1.4.0",
   "description": "CLI tool for installing Dante Labs agentic plugins for Claude Code",
   "main": "cli/src/index.js",
   "type": "module",
@@ -18,9 +18,12 @@
     "plugins",
     "agentic",
     "marketing",
+    "data-science",
+    "machine-learning",
     "automation",
     "dante-labs",
-    "ai-agents"
+    "ai-agents",
+    "mlops"
   ],
   "author": {
     "name": "Dante Labs",

package/plugins/common/skills/kie-image-generator/scripts/utils.py

@@ -132,7 +132,12 @@ MODELS = {
 
 def load_api_key(skill_dir: Optional[Path] = None) -> str:
     """
-    Load Kie.ai API key from .env file.
+    Load Kie.ai API key from environment variable or .env file.
+
+    Priority order:
+    1. Environment variable KIEAI_API_KEY (set via auth-loader or shell)
+    2. ~/.claude/auth/kiei-api.env (centralized auth management)
+    3. Skill directory .env file (local fallback)
 
     Args:
         skill_dir: Path to skill directory (default: script's parent directory)
@@ -143,19 +148,30 @@ def load_api_key(skill_dir: Optional[Path] = None) -> str:
     Raises:
         ValueError: If API key is not found or invalid
     """
+    # 1. Check if KIEAI_API_KEY is already set in environment
+    api_key = os.getenv('KIEAI_API_KEY', '').strip()
+    if api_key and api_key != 'your_api_key_here':
+        return api_key
+
+    # 2. Try loading from centralized auth directory (~/.claude/auth/)
+    auth_env = Path.home() / '.claude' / 'auth' / 'kiei-api.env'
+    if auth_env.exists():
+        load_dotenv(auth_env)
+        api_key = os.getenv('KIEAI_API_KEY', '').strip()
+        if api_key and api_key != 'your_api_key_here':
+            return api_key
+
+    # 3. Fallback to skill directory .env
     if skill_dir is None:
         skill_dir = Path(__file__).parent.parent
 
     env_file = skill_dir / '.env'
     env_example = skill_dir / '.env.example'
 
-    # Load .env if exists
     if env_file.exists():
         load_dotenv(env_file)
     elif env_example.exists():
-        # Copy example to .env and prompt user
         print(f"⚠️  .env file not found. Creating from .env.example...")
-        env_example.read_text()
         with open(env_file, 'w') as f:
             f.write(env_example.read_text())
         print(f"📝 Please edit {env_file} and add your Kie.ai API key")
@@ -165,8 +181,11 @@ def load_api_key(skill_dir: Optional[Path] = None) -> str:
 
     if not api_key or api_key == 'your_api_key_here':
         raise ValueError(
-            f"Invalid API key in {env_file}. "
-            "Please get your API key from https://kie.ai/dashboard/api-keys"
+            "KIEAI_API_KEY not found. Set it via:\n"
+            "  1. Environment variable: export KIEAI_API_KEY=your_key\n"
+            "  2. Auth loader: ~/.claude/auth/kiei-api.env\n"
+            "  3. Skill .env file: " + str(env_file) + "\n"
+            "Get your API key from https://kie.ai/dashboard/api-keys"
         )
 
     return api_key

package/plugins/common/skills/kie-video-generator/scripts/utils.py

@@ -230,29 +230,45 @@ CREDIT_TO_USD = 0.005
 
 
 def load_api_key(skill_dir: Optional[Path] = None) -> str:
-    """Load Kie.ai API key from environment or .env file."""
+    """
+    Load Kie.ai API key from environment variable or .env file.
+
+    Priority order:
+    1. Environment variable KIEAI_API_KEY (set via auth-loader or shell)
+    2. ~/.claude/auth/kiei-api.env (centralized auth management)
+    3. Skill directory .env file (local fallback)
+    """
+    # 1. Check if KIEAI_API_KEY is already set in environment
+    api_key = os.getenv('KIEAI_API_KEY', '').strip()
+    if api_key and api_key != 'your_api_key_here':
+        return api_key
+
+    # 2. Try loading from centralized auth directory (~/.claude/auth/)
+    auth_env = Path.home() / '.claude' / 'auth' / 'kiei-api.env'
+    if auth_env.exists():
+        load_dotenv(auth_env)
+        api_key = os.getenv('KIEAI_API_KEY', '').strip()
+        if api_key and api_key != 'your_api_key_here':
+            return api_key
+
+    # 3. Fallback to skill directory .env
     if skill_dir is None:
         skill_dir = Path(__file__).parent.parent
 
     env_file = skill_dir / '.env'
-    auth_file = Path.home() / '.claude' / 'auth' / 'kie-ai.env'
 
-    # Try skill .env first
     if env_file.exists():
         load_dotenv(env_file)
 
-    # Try centralized auth
-    if auth_file.exists():
-        load_dotenv(auth_file)
-
-    api_key = os.getenv('KIE_AI_API_KEY', '').strip()
+    api_key = os.getenv('KIEAI_API_KEY', '').strip()
 
-    if not api_key:
+    if not api_key or api_key == 'your_api_key_here':
         raise ValueError(
-            "API key not found. Set KIE_AI_API_KEY in:\n"
-            f"  - {env_file}\n"
-            f"  - {auth_file}\n"
-            "  - Environment variable"
+            "KIEAI_API_KEY not found. Set it via:\n"
+            "  1. Environment variable: export KIEAI_API_KEY=your_key\n"
+            "  2. Auth loader: ~/.claude/auth/kiei-api.env\n"
+            "  3. Skill .env file: " + str(env_file) + "\n"
+            "Get your API key from https://kie.ai/dashboard/api-keys"
         )
 
     return api_key