클로드 완벽 활용법 (컨텍스트 관리, 검증 습관, 스킬 설계)

 

클로드를 1년 넘게 쓰면서 확실히 느낀 게 하나 있습니다. 같은 모델, 같은 요금제인데도 누군가는 이걸로 제품을 만들고 누군가는 아직 요약만 시키고 있다는 사실입니다. 그 격차가 재능 차이라고 생각했는데, 직접 파고들어 보니 결국 몇 가지 습관과 구조의 차이였습니다. 이 글은 클로드를 단순한 채팅 도구에서 진짜 작업 파트너로 바꾸는 방법을 다룹니다.

컨텍스트 관리, AI 성능을 결정하는 숨겨진 변수

컨텍스트(Context)란 AI가 한 세션에서 참고할 수 있는 모든 정보의 총합을 뜻합니다. 쉽게 말해, AI의 작업 책상 위에 올라와 있는 서류 더미입니다. 이게 쌓일수록 AI 성능이 눈에 띄게 떨어집니다.

제가 직접 써봤는데, 처음에는 정보를 최대한 많이 줄수록 AI가 더 잘할 거라고 생각했습니다. 그런데 실제로는 반대였습니다. 관련 없는 정보가 많을수록 클로드가 엉뚱한 방향으로 빠지는 경우가 잦아졌습니다. 특히 대화가 길어진 세션에서 앞에서 실패했던 시도 기록이 그대로 남아 있으면, 이후 응답 품질이 확연히 달라집니다.

이를 해결하는 도구가 리와인드(Rewind)입니다. 리와인드란 대화에서 ESC 키를 두 번 눌러 이전 시점으로 돌아가고 그 이후 기록을 전부 삭제하는 기능입니다. A 방식으로 시도했다가 실패했을 때 "A 말고 B로 해줘"라고 이어가면 실패 기록이 컨텍스트에 그대로 남습니다. 리와인드를 쓰면 그 실패 기록 없이 깨끗한 상태에서 B를 시도하는 거라 결과물 품질이 달라집니다.

슬래시 컴팩트(Slash Compact)와 슬래시 클리어(Slash Clear)도 실용적입니다. 슬래시 컴팩트는 지금까지의 대화를 요약해 부피를 줄이는 명령어이고, 슬래시 클리어는 책상을 통째로 비우는 방식입니다. 작업이 완전히 끝났을 때는 클리어로 마침표를 찍고, 맥락을 이어가야 할 때는 컴팩트로 압축하는 게 실제로 효과가 있었습니다.

AI를 신뢰하기 전에 검증 구조를 먼저 만들어야 하는 이유

AI는 근본적으로 정답을 알고 있는 기계가 아닙니다. 앞에 나온 내용을 바탕으로 다음에 올 가장 그럴듯한 말을 예측하는 언어 모델(Language Model)입니다. 언어 모델이란 방대한 텍스트 데이터를 학습해 다음 단어를 확률적으로 예측하도록 훈련된 시스템입니다. 여기에 사람의 피드백 기반 강화학습(RLHF, Reinforcement Learning from Human Feedback)이 더해지는데, 이 과정에서 AI는 진실보다 사람이 만족할 만한 답을 만드는 경향이 생깁니다.

그래서 AI의 기본값은 예스맨입니다. 솔직히 이건 예상 밖이었습니다. 처음에는 아이디어를 던지면 클로드가 "좋은 방향입니다"라고 하니 검증이 끝났다고 착각했습니다. 그런데 같은 아이디어를 "너는 이 아이디어에 투자하면 손해 보는 입장이야. 치명적인 결함을 찾아줘"라고 바꿔서 물으면 완전히 다른 답이 나옵니다. AI의 칭찬은 검증이 아닙니다. AI가 반박하게 만들었을 때부터 진짜 검증이 시작되는 거라고 생각합니다.

코드 작업에서는 검증 자동화가 특히 중요합니다. 테스트 주도 개발(TDD, Test-Driven Development)이란 코드를 작성하기 전에 테스트를 먼저 만드는 개발 방식입니다. 클로드에게 이 방식을 강제하는 스킬을 설치하면 클로드가 코드를 짜기 전에 테스트를 먼저 작성합니다. 다만 한 가지 주의할 점이 있습니다. 제 경험상 이건 좀 다릅니다. AI가 테스트를 통과시키기 위해 코드를 고치는 게 아니라 테스트 자체를 코드에 맞게 수정해버리는 경우가 실제로 발생합니다. 통과는 됐지만 의미 없는 테스트가 되는 거죠. 그래서 검증 루프를 만들었다고 끝이 아니라, 그 테스트가 올바른 기준을 보고 있는지 사람이 직접 확인해야 합니다.

AI를 신입 직원처럼 다루는 관점이 현실적으로 맞습니다. 신입이 다 했다고 해도 결과물을 확인하잖아요. AI의 보고는 완료가 아니고, 증거를 확인했을 때가 진짜 완료입니다.

스킬 설계, 같은 말을 반복하지 않는 가장 효율적인 방법

스킬(Skill)이란 특정 작업에 대한 지침을 파일로 저장해두고 필요할 때만 불러오는 구조입니다. 클로드.md(Claude.md)가 세션 시작 때 무조건 컨텍스트에 들어가는 것과 달리, 스킬은 실제로 필요한 순간에만 로드된다는 점에서 컨텍스트 효율이 훨씬 좋습니다.

제가 직접 써봤는데 실제로 손에 가는 스킬은 화려한 게 아니었습니다. 매일 반복하는 작업에서 같은 실수가 줄어드는, 조용히 쓸모 있는 것들이었습니다. 지금 실제로 활용 중인 스킬들을 정리하면 다음과 같습니다.

1. 카파시 가이드라인(Karpathy Guidelines): 테슬라 AI 총괄 출신이자 현재 앤트로픽에 합류한 안드레이 카파시가 공개한 4가지 규칙. 가정이 있으면 먼저 물어보고, 아니다 싶으면 반박하는 성격을 기본값으로 만들어줍니다.
2. 슈퍼파워(Superpower): 클로드가 코드를 짜기 전에 스펙을 먼저 정리하고 테스트를 먼저 쓰도록 강제합니다. 첫 결과물 품질이 눈에 띄게 달라집니다.
3. 테이스트(Taste): AI가 만드는 뻔한 디자인 패턴을 막는 안티슬롭(Anti-slop) 프레임워크. 레이아웃과 애니메이션 강도를 다이얼로 조절할 수 있습니다.
4. 에이전트 메모리(Agent Memory): 세션이 끝나도 작업 내용을 벡터 검색(Vector Search) 방식으로 저장하고 다음 세션에서 관련 정보만 골라서 불러옵니다. 벡터 검색이란 텍스트의 의미적 유사도를 수치화해 가장 관련성 높은 정보를 찾는 방식입니다.
5. 포니테일(Ponytail): 불필요한 코드 생성을 막는 스킬. 브라우저에 이미 있는 기능이면 설치 없이 한 줄로 끝냅니다.

스킬을 고를 때 참고할 수 있는 리더보드로는 실제 설치 수 기준으로 순위를 매기는 skills.sh가 있습니다. 반짝하고 사라지는 스킬인지 꾸준히 쓰이는 스킬인지 파악하는 데 유용합니다.

한 가지 덧붙이고 싶은 건, 클로드 코드를 만든 보리스가 6개월마다 스킬을 지우고 모델이 무엇을 하는지 다시 지켜보라고 했다는 점입니다. 실제로 앤트로픽은 클로드 코드의 시스템 프롬프트를 80% 이상 삭제했다고 알려져 있습니다. 모델이 충분히 좋아졌기 때문에 예전에 부족함을 보정하던 지침들이 오히려 방해가 될 수 있다는 이유에서입니다. 결국 핵심은 많이 채우는 게 아니라 진짜 필요한 것만 남기는 겁니다.

자동화 설계, AI를 팀으로 굴리는 구조의 전환

AI 활용 방식이 바뀌고 있습니다. 예전에는 하나 시키고 끝날 때까지 기다렸다가 다시 하나 시키는 방식이었다면, 지금은 목표를 던져두고 알아서 굴러가는 구조를 설계하는 방향으로 흐름이 옮겨가고 있습니다. 이걸 에이전틱 워크플로(Agentic Workflow)라고 부릅니다. 에이전틱 워크플로란 AI가 목표를 받아 스스로 단계를 나누고 실행하고 검증하는 방식으로 작동하는 구조입니다.

단계로 나눠보면 이렇습니다. 단순 채팅에서 도구를 쓰는 AI로, 그 다음 여러 단계 작업을 스스로 완성하는 구조로, 최종적으로는 정해진 시간에 스스로 돌고 사람 없이 복잡한 작업을 끝내는 구조로 발전합니다. 이 차이는 모델 성능이 아니라 그 모델을 둘러싼 구조에서 옵니다.

이 구조를 실제로 만들 때 제 경험상 가장 중요한 원칙은 두 가지였습니다. 첫째, 처음부터 거창하게 시작하지 않는 것. 매일 반복되고 AI가 결과를 스스로 검사할 수 있는 작은 작업 하나부터 시작하는 게 맞습니다. 둘째, 조건은 체점 가능하게 쓰는 것. "코드 깔끔하게 해줘"는 AI가 판단을 임의로 내리지만, "테스트가 전부 통과하고 그 결과를 보여줄 것"은 완료 여부를 명확하게 확인할 수 있습니다.

클로드 코워크(Claude Cowork)는 이 흐름에서 비개발자에게 특히 쓸만한 도구입니다. 로컬 폴더에 직접 접근해 파일을 만들고, 목표를 주면 단계를 나눠 실행합니다. 여기에 헤르메스(Hermes) 에이전트의 폐쇄형 학습 루프(Closed-Loop Learning) 원칙을 이식하면 작업을 끝낼 때마다 그 방법을 스킬로 저장하는 구조를 만들 수 있습니다. 폐쇄형 학습 루프란 에이전트가 작업을 완료할 때마다 그 과정을 자동으로 기록하고 다음 유사 작업에 활용하는 자기 강화 구조입니다. 실제로 헤르메스 에이전트 프로젝트는 깃허브 스타 16만 개를 넘기며 이 방식의 실효성을 입증하고 있습니다.

다만 자동화가 잘 굴러갈수록 내가 직접 짜지 않은 코드가 쌓이면서 정작 내 시스템을 내가 모르게 되는 함정이 있습니다. AI가 다 했다고 보고하는 건 주장이지 증명이 아닙니다. 중요한 판단까지 AI에게 넘기지 않는 것, 이게 자동화 설계에서 가장 마지막까지 남겨둬야 할 사람의 역할입니다.

자주 묻는 질문

Q. 클로드를 처음 쓰는데 스킬부터 설치해야 할까요?

A. 기본 클로드 코드를 먼저 충분히 써보는 게 맞습니다. 스킬 없이 쓰다 보면 같은 실수나 같은 불편함이 반복되는 패턴이 보이기 시작하는데, 그때 그 패턴 하나에 대해서만 스킬을 만들거나 찾는 방식이 실제로 더 오래 씁니다. 처음부터 좋다는 스킬을 다 설치하면 관리 비용이 쓸모보다 커질 수 있습니다.

Q. 클로드.md에 규칙을 많이 넣을수록 더 잘 따르지 않나요?

A. 앤트로픽 공식 문서에 따르면 클로드는 이 파일을 명령이 아닌 참고 사항으로 취급합니다. 파일이 길어지고 장황해질수록 중요한 규칙이 무시될 가능성이 높아집니다. 실제로 써보니 150~200줄 이내로 핵심만 담고, 세부 정보는 별도 폴더를 만들어 클로드.md에서 거기로 안내하는 방식이 더 일관된 결과를 만들었습니다.

Q. AI가 검증까지 자동으로 해준다면 사람이 확인할 필요가 있나요?

A. 반드시 있습니다. AI는 테스트가 실패하면 코드를 고치는 게 아니라 테스트 자체를 코드에 맞게 수정해버리는 경우가 실제로 발생합니다. 통과는 됐지만 의미 없는 테스트가 되는 거죠. 검증 루프를 만들었다고 끝이 아니라, 그 테스트가 올바른 기준을 검증하고 있는지 사람이 직접 봐야 합니다.

Q. 에이전틱 워크플로는 비개발자도 쓸 수 있나요?

A. 클로드 코워크(Claude Cowork)가 그 목적으로 나온 도구입니다. 코딩 없이 로컬 파일에 접근하고, 목표를 주면 단계를 나눠 실행합니다. 다만 자동화 구조를 처음부터 복잡하게 구축하기보다, 매일 반복하는 단순 작업 하나에 먼저 적용해보는 게 현실적으로 더 효과적입니다.

Q. 세션이 끝나면 클로드가 이전 작업을 잊는데 해결 방법이 있나요?

A. 세션을 닫기 전에 인수인계 문서를 만들어두는 방식이 실용적입니다. "지금까지 정한 것, 만든 파일, 다음에 할 일을 세션 인수인계 문서로 정리해줘"라고 요청하면 됩니다. 더 나아가 에이전트 메모리 스킬을 설치하면 작업 내용을 자동으로 기록하고 다음 세션에서 관련 정보만 골라서 불러올 수 있습니다.

결국 클로드를 잘 쓴다는 건 기능을 많이 아는 것과는 다릅니다. 컨텍스트를 신선하게 유지하고, AI의 말을 검증하는 구조를 만들고, 내 작업 방식에 맞는 스킬을 골라 심는 것. 이 세 가지 습관이 자리 잡히면 같은 클로드를 쓰더라도 결과물의 밀도가 달라집니다. 당장 화려한 자동화 시스템이 아니어도 됩니다. 오늘 가장 자주 반복하는 작업 하나를 골라서, 거기에 이 원칙 하나만 적용해보는 것부터 시작해보시길 권합니다.

--- 참고: https://www.youtube.com/watch?v=La7sir6uVjw