#agent
노트 24개
AI & Data
Claude Code터미널에서 도는 에이전틱 코딩 도구 Claude Code를 묶은 주제다. 처음 쓰는 법과 명령어 레퍼런스, 설정·권한·메모리·훅·스킬·서브에이전트 같은 확장 장치, RPI 같은 개발 워크플로와 실전 팁, 도구를 만든 사람들의 설계 원칙을 하위 노트로 나눴다.
AI & Data › Claude Code
커맨드·스킬·서브에이전트 고르기Claude Code를 확장하는 세 단위(커맨드, 스킬, 서브에이전트)를 실행 맥락·호출 방식·지원 필드로 비교하고, 어느 것을 언제 쓰는지와 같은 일을 셋 다 할 때 무엇이 먼저 뜨는지, 서브에이전트 프론트매터 16개 필드와 내장 에이전트 5개, 서브에이전트를 쓸지 판단하는 기준(도구 출력이 다시 필요한가), 상관없는 맥락 창이라는 진짜 가치, 커맨드 → 에이전트 → 스킬로 엮는 오케스트레이션 패턴과 프리로드 스킬 대 직접 호출 스킬의 차이를 정리했다.
AI & Data › Claude Code
Claude 스킬 만들기 가이드Anthropic의 스킬 제작 가이드 요점: 3단계 프로그레시브 디스클로저, 트리거를 담은 description과 when_to_use, 폴더·이름 규칙, Claude Code 프론트매터 필드 전체, 모노레포에서 스킬을 찾는 규칙, 스킬의 아홉 가지 유형과 gotchas 중심 작성법, 테스트와 증상별 대응, 배포 방식과 팀 공용 스킬 패키지화·사내 마켓플레이스, 실전 패턴 5가지.
AI & Data › Claude Code
Claude Code 개발 워크플로: RPI에서 CRISPY·교차 모델·에이전트 팀까지코딩 에이전트로 기능을 만드는 워크플로를 비교한다. 단계마다 게이트를 둔 RPI(Research → Plan → Implement), 지시 예산(약 150~200개)과 dumb zone(맥락 약 40%) 때문에 RPI를 일곱 단계로 쪼갠 CRISPY와 「계획 말고 코드를 읽어라」, grill-me → PRD(목적지) → 수직 슬라이스 칸반(여정) → AFK Ralph 루프 → clear 후 리뷰 → 사람 QA로 이어지는 흐름, Claude와 Codex로 계획·검토·구현·검증을 나누는 교차 모델 워크플로, 공유 작업 목록으로 협업하는 에이전트 팀, /goal·/loop·/schedule, 그리고 공개 워크플로 12종의 공통 골격을 정리했다.
AI & Data › Claude Code
Claude Code의 설계 원칙: 모델을 상자에 가두지 않는다Claude Code를 만든 팀이 밝힌 제품 설계 원칙을 정리했다. 6개월 뒤 모델을 위해 만들기, bitter lesson과 버릴 각오로 만드는 스캐폴딩, 최소 도구와 사람·모델이 함께 쓰는 도구, RAG를 버리고 glob·grep 에이전틱 검색을 고른 이유, 스위스 치즈식 안전, 잠재 수요와 걷어 내기, 온보딩 없는 제품, 문서보다 프로토타입, 그리고 팀 운영과 엔지니어 역할의 변화(생산성 수치, 제너럴리스트, 인쇄기 비유)까지 다룬다.
AI & Data
내 일을 줄이는 하네스 만들기에이전트 코딩의 단위는 결과물이 아니라 결과물을 만드는 장치(하네스)다. 대화로 맥락을 쌓고, CLAUDE.md·PLAN/PROGRESS 파일·명령·서브에이전트·참고 자료 캐시로 장치를 만들고, 결과가 아니라 장치를 고치며, cron과 claude -p로 이슈 → 구현 → 보고까지 돌리는 방법을 정리했다. 병목의 이동(토큰·머지·thinking·추론 속도), 사람의 인지 부하, 코드와 소프트웨어의 가치 변화도 다룬다.
AI & Data
디자인 시스템을 아는 화면 생성 에이전트 설계하기프롬프트→코드 한 번의 점프 대신 구체화·기억·참고·생성·검증·축적 루프를 하네스로 묶고, 중간 표현(스펙)·온디맨드 스킬·자동 채점기·세션 간 메모리로 결과를 일관되게 만드는 에이전틱 코딩 기법.
AI & Data
루프 엔지니어링에이전트에게 한 턴씩 프롬프트하는 대신, 일을 찾고·맡기고·검증하고·기록하고·다음 단계를 고르는 루프를 설계한다. 자동화·워크트리·스킬·커넥터·서브에이전트·상태 파일로 구성하고, 검증과 이해는 사람이 끝까지 쥔다.
AI & Data
멀티 에이전트여러 AI 에이전트가 조사·작성·검토·실행 역할을 나눠 일하는 방식. 목표 설정 → 분업 → 병렬 수행 → 통합 → 검토로 돌아가며, 에이전트 수보다 역할 설계와 연결(공유 컨텍스트·가드레일)이 품질을 좌우한다.
AI & Data
바이브 코딩에서 에이전틱 엔지니어링으로프롬프트가 곧 프로그램인 Software 3.0, LLM은 명세할 수 있는 것보다 검증할 수 있는 것을 자동화한다는 원리와 들쭉날쭉한 지능, 바닥을 올리는 바이브 코딩과 품질 기준을 지키며 빨라지는 에이전틱 엔지니어링의 차이, 사람이 맡을 설계 판단·취향·근본 이해, LLM을 동물이 아닌 유령으로 보는 관점, 에이전트 네이티브 인프라, 그리고 「사고는 맡겨도 이해는 못 맡긴다」는 원칙을 정리했다.
AI & Data
비헤이비어 트리게임 AI·로봇·대화 시스템에서 행동을 고르는 트리 구조. 매 틱마다 루트부터 깊이 우선으로 평가하고, 노드는 Success·Failure·Running 중 하나를 돌려준다. Sequence·Selector·Parallel 복합 노드, 데코레이터, 액션·조건 리프로 행동을 조립하며, 상태 전이가 폭증하는 FSM보다 모듈화와 재사용이 쉽다.
AI & Data
스케일과 지능 유틸리티합의가 예상한 한계를 넘어 규모를 키울 때 창발 속성이 나온다는 경험칙과, 규모를 키우면 터지는 기술·자본·사업·문화 문제를 하나씩 쪼개 푸는 시스템 관점. 킬러 앱을 사용자 행동에서 찾는 원칙, 지능을 전기 같은 새 유틸리티로 보는 비유와 '밤의 빛' 같은 구체적 효용의 필요, 토큰 단위로 추상화되는 소비와 추론 스택의 과소 투자, 무한한 수요가 만드는 컴퓨트 부족, 민주화와 집중의 갈림길, 교육의 재설계를 정리한다.
AI & Data
에이전트를 믿을 수 있는 환경 만들기에이전트를 한두 개 붙잡고 돌보는 단계에서 수십·수백 개를 병렬로 돌리는 단계로 가는 열쇠는 신뢰이고, 신뢰는 환경에서 나온다. 앱을 직접 실행해 증거를 모으는 검증 스킬(CLI + 기능 지도)과 검증용 테스트(E2E·속성 기반·차등 테스트), 엔지니어의 작업 방식을 담은 스킬, 그리고 에이전트를 교정할 때마다 고르는 다섯 층(코드베이스 → 정적 분석 → 규칙·리뷰 봇·스킬 → 스타일 가이드)을 정리했다. 나쁜 패턴이 바이러스처럼 번지는 이유, 지름길이 곧 옳은 길이 되는 에이전트 친화 프레임워크, 정원사 역할도 다룬다.
AI & Data
조직 AX: 개발 자동화에서 전사 AI 전환까지AI 전환(AX)을 개발팀 도구에서 조직의 일하는 방식으로 넓히는 과정. 과거 PR 재현·레거시 마이그레이션·신규 서비스 실험으로 자동화 가능성을 재면 실패 원인이 AI가 아니라 요구사항과 맥락 부족임이 드러난다. 맥락을 핵심 자산으로 삼는 원칙, 한 달짜리 Quick Win, 비개발자 온보딩 허들과 GUI 우회, 설치·인증·배포를 감춘 사내 AI 플랫폼, 검토 없는 바이브 코딩이 남기는 부채(비밀 노출, 시트 대시보드의 한계, BaaS 종속), 보안 스캔·승인·인증 프록시를 갖춘 바이브 코딩 앱 배포 파이프라인을 정리한다.
AI & Data
프롬프트에서 하네스로: 에이전틱 패턴의 진화AI 개발의 중심은 프롬프트 엔지니어링(무엇을 말할까) → 컨텍스트 엔지니어링(무엇을 보여 줄까) → 하네스 엔지니어링(어떤 시스템을 만들까)으로 옮겨 왔다. 엔지니어링의 엄밀함은 사라지지 않고 위치만 옮긴다. 각 단계의 핵심 기법(CoT·ReAct·플로우 엔지니어링, Write/Select/Compress/Isolate, KV 캐시, 하네스 2×2), 실전 사례, 프롬프트로 흉내 낼 수 없는 하네스의 능력, 치명적 삼요소와 2의 규칙을 정리한다.
AI & Data
AI 네이티브 프론트엔드 개발코드를 AI만으로 쓰는 팀에서 프론트엔드가 일하는 방식. 금지 규칙 대신 대화로 뽑은 스킬, 구조를 직접 바꾸며 이해하기, 의도 정렬 순서, 이슈·PR로 맥락 관리, 병렬 작업과 이탈 감지, 디자인 픽셀 비교와 상태 재현 환경, BE·디자인을 정본으로 삼아 FE를 얇게 만들기, AI에게 관측 통로 달아 주기, 통합과 완성도로 옮겨 가는 역할을 정리한다.
AI & Data
AI 시대 개발자의 역할LLM이 코드 작성을 맡게 되면서 개발자의 일은 모호한 요구를 명확한 문제로 재정의하고, 비결정적 AI를 결정적 검증 장치(하네스·오라클)로 묶고, 결과를 판단·책임지고, 코딩하며 저절로 쌓이던 맥락을 따로 보존하는 쪽으로 옮겨 갔다. 구조적 한계, 시장의 변화, 지시에서 위임으로의 전환, 길러야 할 역량을 정리했다. AI가 주니어의 일을 가져간 뒤 의도적 연습을 일부러 설계하고 시니어가 가르치는 법을 배워야 하는 이유도 정리했다.
AI & Data
AI 플랫폼 전환과 일의 재편AI를 클라이언트·서버, 웹, 모바일·클라우드에 이은 플랫폼 전환으로 보는 관점. 이전 플랫폼 위에 쌓여 확산이 빠르고, 모델은 SQL 같은 안정된 층이 되며, 제품의 핵심은 메모리·도구 사용·권한(entitlements)을 갖춘 스캐폴딩과 데이터 피드백 루프다. 성과의 기준은 벤치마크가 아니라 실물 경제의 잉여이고, 가장 큰 병목은 기술이 아니라 일의 방식과 직무를 바꾸는 변화 관리다. 소프트웨어 엔지니어는 아키텍트가 되고, 리더십은 명확성·에너지·과잉 제약 문제 풀기로 정리된다.
AI & Data
AI에게 일 맡기기: 권한·정보·도구코딩 에이전트를 사람에게 일을 맡기듯 다루는 틀. 일을 잘할수록 권한을 넓히고 못하면 좁히는 위임 단계, 기대 출력·관찰 창·되돌릴 지점으로 하는 모니터링, What·Why를 전하는 STICC와 How가 필요할 때의 인지 작업 분석(CTA), 되묻게 하기·불확실성 지도·메타 프롬프트, 템플릿과 문서 같은 컨텍스트, 꼭 필요한 MCP만 붙이기와 검증 도구, 모델을 역할로 나누고 다른 계열 모델로 교차 검증하기, 토큰 급증 점검, 그리고 이를 묶은 하루 작업 흐름을 정리한다.
AI & Data
Claude API 고급 도구 사용: 코드로 호출하기·도구 검색·예시도구가 많아질수록 맥락이 도구 정의와 중간 결과로 차는 문제를 푸는 Claude API의 네 기능을 정리했다. 모델이 쓴 코드가 도구를 호출하고 최종 출력만 맥락에 넣는 Programmatic Tool Calling(약 37% 토큰 감소), 웹 결과를 코드로 걸러 넣는 Dynamic Filtering(입력 토큰 약 24% 감소), 드물게 쓰는 도구를 미뤄 두고 검색하는 Tool Search(도구 정의 토큰 약 85% 감소), 스키마로 못 전하는 사용 패턴을 보여 주는 Tool Use Examples(정확도 72% → 90%), 그리고 Claude Code의 MCP 도구 검색 대응을 다룬다.
AI & Data
LLM 동작은 왜 날마다 다른가「오늘 모델이 멍청해졌다」의 원인을 층별로 정리했다. 가중치는 고정이어도 세션 맥락, 시스템 프롬프트, 후속 학습, 샘플링, 추측 디코딩, MoE 라우팅과 배치 구성(일별 ±8~14%), 하드웨어, 양자화, 컴파일러가 동작을 바꾼다. Anthropic이 인정한 2025년 8~9월 인프라 버그 세 건, seed 파라미터가 없고 temperature 0도 같은 출력을 보장하지 않는 이유, 같은 모델이라도 CLI와 Agent SDK의 시스템 프롬프트가 달라 결과가 달라지는 이유, 그리고 스냅샷 고정·일일 카나리·구조화 출력 같은 대응을 다룬다.
AI & Data
LLM 보안 공격: 탈옥, 프롬프트 인젝션, 데이터 중독LLM이 새 컴퓨팅 스택이 되면서 운영체제처럼 고유한 보안 문제가 생겼다. 안전 학습을 우회하는 탈옥(역할극, Base64, 최적화된 접미사, 노이즈 이미지), 외부 데이터에 숨긴 지시로 모델을 가로채는 프롬프트 인젝션(숨은 글씨, 검색 결과, 공유 문서로 데이터 빼내기), 학습 데이터에 심는 데이터 중독·백도어를 수법별로 정리했다. 공격마다 방어가 나오고 다시 우회되는 고양이와 쥐 게임이다.
AI & Data
LLM 위키: LLM이 쓰고 관리하는 지식 창고질문할 때마다 원문 조각을 다시 찾는 RAG 대신, LLM이 원문을 읽어 서로 링크된 마크다운 위키를 쌓고 고쳐 나가는 지식 관리 패턴이다. 원문·위키·스키마의 세 층, 입수·질의·점검 세 작업, index와 log 파일, 유사도 검색이 관계형 질문에 약한 이유와 대안을 정리한다.
Tools › Chrome DevTools
DevTools의 AI 지원과 에이전트용 DevTools(MCP)DevTools 안에서 Gemini와 채팅하며 스타일·네트워크·소스·성능을 묻는 AI 지원 패널과 코드 생성, 그때 Google로 가는 데이터와 끄는 정책, 그리고 코딩 에이전트가 MCP로 실제 Chrome을 조작하게 하는 Chrome DevTools MCP 서버(설정 플래그, 자동 연결, 에뮬레이션·Lighthouse·메모리·확장 프로그램·서드파티 도구)와 WebMCP 디버깅을 정리한다.