개발자들은 보통 AI에게 코드를 짜달라고 요청하고, 결과물을 복사해 붙여넣는 방식으로 작업한다. Anthropic가 공개한 '클로드 코드(Claude Code)'는 터미널 환경에서 직접 실행되며 프로젝트 전체의 맥락을 스스로 학습하는 자율 에이전트 방식으로 작동한다.

이 도구의 핵심은 사용자가 프롬프트를 입력하고 기다리는 챗봇 형태에서 벗어나, 스스로 작업을 검증하고 반복하는 자율 루프를 구축하는 데 있다. 앤스로픽 팀은 AI가 자신의 작업물을 스스로 검증하는 체계를 갖췄을 때 결과물의 품질이 2~3배 향상된다고 밝혔다. 이는 단순한 코드 생성을 넘어 프로젝트의 규칙을 정의하고, 이를 기반으로 계획을 세운 뒤 실행하는 '에이전트 워크플로우'를 구현한 것이다.

CLAUDE.md와 스킬을 활용한 지식 계층 구조 구축

클로드 코드는 프로젝트 단위의 규칙 파일과 재사용 가능한 스킬을 통해 AI를 자율 에이전트로 운용한다. AI가 명확한 제약 조건 내에서 스스로 결과물을 검증하며 작업을 수행하도록 설계했으며, 설정의 계층화는 이러한 자율 운용을 가능하게 한다.

설정 시스템은 프로젝트 범위와 글로벌 범위로 이원화되어 작동한다. 프로젝트 내부의 .claude/ 디렉토리에 위치한 파일들은 깃(Git)을 통해 팀 전체가 공유하며, 사용자 개인의 환경 설정은 ~/.claude/ 경로의 글로벌 범위에서 관리한다. 특히 .claude/rules/ 디렉토리 내의 .md 파일들은 경로 기반 가이드라인을 제공하여, 특정 폴더나 마이그레이션 작업에만 적용되는 세밀한 규칙을 설정할 수 있게 한다. 이를 통해 모든 세션에 동일한 규칙을 강제하던 방식에서 벗어나, 코드베이스의 구조에 맞춰 AI의 판단 기준을 폴더별로 다르게 적용한다.

지식의 재사용성을 높이기 위해 스킬(Skills) 개념이 도입되었다. .claude/skills/<name>/SKILL.md 구조로 정의되는 스킬은 슬래시(/) 명령어를 생성하여 AI에게 특정 도구 제어권을 부여한다. 여기에는 disable-model-invocation: true 설정이 포함되어 모델의 임의 호출을 차단하고, 개발자가 명시적으로 허용한 도구만 사용하도록 통제한다. 이러한 설계는 AI가 의도치 않은 작업을 수행하는 것을 방지하며, 복잡한 워크플로우를 정형화된 명령어로 압축한다.

외부 리소스를 활용한 확장성 또한 확보되었다. 개발자는 bash npx skills@latest add mattpocock/skills 명령어를 통해 검증된 스킬 셋을 즉시 도입할 수 있다. 현재 Jeffallan/claude-skills 저장소는 go-pro, python-pro를 포함한 66종의 언어별 전문 프로필을 제공하며, 각 프로필은 해당 언어의 관례와 오류 대응 방식을 내장하고 있다. 개발자는 이를 통해 개별 프로젝트마다 환경을 구축하는 수고 없이 검증된 엔지니어링 관행을 즉시 적용한다.

서브에이전트와 MCP를 통한 시스템 제어 범위 확장

AI 에이전트 운용 비용의 핵심은 토큰 소모량과 컨텍스트 오염 제어에 있다. 모든 정보를 하나의 창에 넣는 방식은 비용 효율이 낮고 정확도가 떨어진다. 앤스로픽은 `.claude/agents/` 폴더 내에 마크다운 파일로 서브에이전트를 정의하는 방식을 도입했다. 각 파일의 프론트매터에는 에이전트의 이름, 설명, 사용 가능한 도구, 모델 설정이 명시된다. 서브에이전트는 독립된 컨텍스트 윈도우와 전용 도구 권한을 가지며, 메인 세션의 간섭 없이 수십 개의 파일을 읽고 결과만 요약해 보고한다. 프론트매터에 `worktree` 설정을 추가하면 별도의 깃 워크트리 환경에서 에이전트를 구동하여, 수십 개의 병렬 마이그레이션 작업 시 에이전트 간 환경 격리를 통해 코드 충돌을 방지한다.

2026년 중반 기준 75개 이상의 마켓플레이스에서 1,000개 이상의 플러그인이 공급되고 있다. 플러그인은 스킬, 훅, 서브에이전트, MCP 서버를 하나로 묶은 설치 단위다. MCP(Model Context Protocol, 모델 컨텍스트 프로토콜)는 외부 데이터 연결 방식을 표준화하는 서버 역할을 한다. MCP 서버는 외부 도구를 표준화된 방식으로 노출하여 모델이 직접 호출하게 만든다. 이를 통해 클로드 코드는 Postgres DB에 직접 쿼리를 날리거나 Figma 디자인 컴포넌트를 읽고 Linear 티켓 내용을 실시간으로 가져온다. MCP 서버로 외부 데이터베이스와 협업 툴을 연결해 AI가 시스템 운영 전반을 제어하게 함으로써, 개발자가 외부 툴의 정보를 복사해 프롬프트에 붙여넣는 수동 작업을 제거했다.

작업 완료의 판단 기준은 사람이 아닌 결정론적 조건으로 옮겨갔다. `/goal` 명령어를 사용하면 테스트 성공 여부나 CLI 종료 코드 같은 구체적인 완료 조건을 설정한다. 에이전트는 조건이 충족될 때까지 작업을 반복하며, 매 종료 시도마다 트랜스크립트를 대조해 스스로 검증한다. `/goal`과 오토 모드, `/focus` 명령어를 결합하면 브리프 작성 후 최종 PR 완료까지의 전 과정을 자동화한다. 컨텍스트 최적화를 위해 `CLAUDE_CODE_AUTO_COMPACT_WINDOW=400000` 설정을 적용한다. 100만 토큰 모델에서도 30~40만 토큰 지점에서 컨텍스트 부패가 발생한다는 점을 고려해 강제 압축 시점을 앞당겨 응답의 정밀도를 유지한다. 이러한 정밀한 제어권과 컨텍스트 관리 전략은 에이전트의 자율성을 실질적인 비즈니스 생산성으로 높였다.

실무 적용을 위한 최적화 전략과 도입 가이드

프로젝트 규모가 10개 이상의 모듈로 구성되거나 팀 단위 협업이 시작될 때는 .claude/rules/를 통해 규칙을 분산 배치해야 한다. 모든 세션에 동일한 지침을 반복 입력하는 대신, 특정 폴더나 마이그레이션 작업에만 적용되는 마크다운 파일을 배치하여 AI의 판단 기준을 명확히 한다. 자주 반복되는 오류 패턴이나 특정 언어의 코딩 컨벤션은 스킬로 정의해 깃 저장소에 포함시킨다. 개별 개발자의 기억력에 의존하던 관례를 코드베이스 내부의 설정 파일로 옮기면 신규 인원 온보딩 비용을 즉각적으로 줄일 수 있다.

복잡한 기능을 구현할 때 메인 세션에 모든 파일을 로드하는 것은 연산 비용과 정확도 측면에서 비효율적이다. 수십 개의 파일을 다루는 리팩토링이나 대규모 마이그레이션 작업은 반드시 .claude/agents/ 하위의 서브에이전트로 분리해 처리한다. 이때 워크트리 기능을 활용해 에이전트 간 작업 환경을 물리적으로 격리하면 코드 충돌을 방지할 수 있다. 또한 40만 토큰 내외에서 강제 압축 설정을 적용해 핵심 맥락의 밀도를 유지함으로써 모델의 환각을 줄이고 처리 정확도를 높인다.

AI의 작업 종료 시점은 코드 품질과 같은 모호한 기준이 아닌, 테스트 성공 여부나 CLI 종료 코드와 같은 상태값으로 정의해야 한다. /goal 명령어를 통해 명확한 검증 조건을 설정하면 에이전트는 스스로 결과물을 대조하고 반복 수정하며 작업의 완결성을 보장한다. 외부 데이터베이스나 협업 툴과의 연동은 MCP 서버를 통해 표준화된 인터페이스로만 연결하여 데이터 오염을 방지한다. 제어 가능한 상태값과 검증된 데이터 연결 체계를 구축할 때 에이전트의 자율성은 비로소 실질적인 생산성 향상으로 이어진다.