발표에서 확인된 핵심 사실

AI에게 코드를 요청하고 결과를 일일이 확인하는 수작업을 줄이기 위해, Claude Code 팀은 정지 조건이 충족될 때까지 작업 사이클을 스스로 반복하는 '에이전트 루프'를 정의했다.

루프는 트리거 방식, 정지 조건, 사용하는 기본 구성 요소(primitive), 적합한 작업 유형이라는 네 가지 기준에 따라 Turn-based, Goal-based, Time-based, Proactive로 구분된다. 이는 AI가 작업의 실행 주기와 종료 시점을 스스로 관리하도록 설계한 것이다.

특히 Goal-based 루프는 `/goal` 명령어로 완료 상태를 정의하며, 목표 달성 또는 최대 턴 수 도달 시 정지한다. 에이전트가 작업을 임의로 종료하지 않도록 평가자(evaluator) 모델이 조건을 지속적으로 확인한다. 통과한 테스트 수나 특정 점수 임계치 같은 결정론적 기준을 적용해, 단일 응답으로 해결하기 어려운 복잡한 작업의 성능을 반복 수정을 통해 향상시킨다.

시간과 이벤트 기반의 자동화 루프

`/loop`와 `/schedule` 명령어를 사용하는 Time-based 루프는 지정된 시간 간격으로 트리거되어 반복 작업을 수행한다. 사용자가 작업을 취소하거나 PR(Pull Request) 병합, 큐 비움 등 명확한 완료 조건이 충족될 때까지 작동하며, 주로 외부 시스템 인터페이스 연결에 활용된다. 실시간 개입 없이 이벤트나 스케줄에 의해 작동하는 Proactive 루프는 버그 리포트 처리, 이슈 분류, 마이그레이션, 의존성 업그레이드 등 정의된 반복 흐름을 처리하는 데 최적화되어 있다.

출력물 품질은 모델 성능보다 주변 시스템 설계에 따라 결정된다. Claude는 기존 코드베이스의 패턴과 컨벤션을 따르므로 코드베이스의 청결 상태가 중요하다. 여기에 에이전트의 작업 수행 능력과 기준을 정의한 `skills` 설정을 통해 팀의 합의된 기준을 인코딩하고, 최신 베스트 프랙티스 문서에 접근하게 하여 AI의 자체 검증 수단을 제공한다. 또한, 메인 에이전트의 추론 편향을 막기 위해 독립적인 보조 에이전트(second agent)를 코드 리뷰 단계에 투입해 검증 체계를 확보한다.

효율적인 루프 운영과 비용 관리

Turn-based 루프는 정지 조건이 충족될 때까지 AI가 맥락 수집, 액션 수행, 작업 확인 과정을 직접 순환한다. Claude가 작업 완료를 판단하거나 추가 맥락이 필요할 때 정지하며, 정기 프로세스에 속하지 않는 짧은 작업에 적합하다. 특히 수동 검증 절차를 SKILL.md 파일에 인코딩하면 AI의 자체 확인 범위가 넓어져 불필요한 턴 수를 줄일 수 있다.

추론 모델의 비용을 낮추기 위해 결과가 정해진 결정론적 작업에는 추론 대신 스크립트를 실행하는 방식이 효율적이다. 작업 성격에 맞는 프리미티브와 모델을 선택해 토큰 낭비를 막아야 한다. `/usage` 명령어는 기술, 서브 에이전트, MCP(Model Context Protocol)별 사용량을 분석해 보여준다. 인자 없이 입력하는 `/goal`은 현재 턴 수와 토큰 사용량을, `/workflows`는 각 에이전트의 개별 사용량을 표시한다. 대규모 실행 전 파일럿 테스트로 사용량을 측정하고 명확한 정지 기준을 정의해 불필요한 실행을 방지할 수 있다.

매번 프롬프트를 입력하고 결과를 확인하던 챗봇 방식의 수작업은 이제 효율의 한계에 부딪혔다. Claude Code 팀이 정의한 4가지 루프 패턴은 /goal 명령어를 통한 목표 설정과 SKILL.md 기반의 자체 검증을 통해 정지 조건이 충족될 때까지 작업을 스스로 반복한다.

이제는 단순한 질의응답을 넘어 AI에게 작업 전체를 위임할 수 있는 체계가 마련됐다. 결국 AI 활용의 성패는 프롬프트의 정교함이 아니라 명확한 성공 및 정지 기준을 정의하는 설계 능력에서 결정된다.