시스템 프롬프트 80% 삭제와 제약의 제거

80% 이상의 시스템 프롬프트가 사라졌다. 앤스로픽은 클로드 오푸스 5(Claude Opus 5)와 클로드 페이블 5(Claude Fable 5) 같은 최신 세대 모델을 적용하면서, 클로드 코드(Claude Code)의 시스템 프롬프트 분량을 대폭 줄였다. 놀라운 점은 이렇게 지침을 덜어냈음에도 코딩 평가 지표에서 측정 가능한 성능 저하가 없었다는 사실이다.

과거의 모델들은 최악의 시나리오를 방지하기 위해 매우 강력하고 구체적인 가이드라인이 필요했다. 예를 들어 "주석을 절대 달지 마라"거나 "다중 문단 독스트링을 작성하지 마라"는 식의 엄격한 금지 명령이 시스템 프롬프트에 포함되어 있었다. 하지만 모델의 판단력이 정교해진 최신 세대에서는 이러한 제약이 오히려 독이 됐다. 사용자의 의도와 시스템 프롬프트의 제약이 충돌할 때, 모델이 정답을 내놓기 전 상충하는 메시지를 처리하는 데 불필요한 자원을 소모했기 때문이다.

이에 앤스로픽은 구체적인 규칙 대신 "주변 코드의 주석 밀도, 명명 규칙, 관용구를 따르라"는 식의 유연한 지침으로 방향을 틀었다. 도구 사용법 역시 마찬가지다. 이전에는 도구 사용 예시를 상세히 제공하는 것이 정석이었으나, 최신 모델에서는 예시가 오히려 모델의 탐색 범위를 제한하는 제약으로 작용한다는 점을 발견했다. 이제는 예시를 나열하는 대신, 도구의 파라미터 설계를 더 표현력 있게 만들어 모델이 스스로 최적의 경로를 찾게 유도한다.

프롬프팅에서 '컨텍스트 엔지니어링'으로의 전환

단일 프롬프트를 잘 쓰는 단계를 넘어, 모델이 참조하는 전체 환경을 설계하는 '컨텍스트 엔지니어링(Context Engineering)'이 핵심으로 부상했다. 앤스로픽은 모든 정보를 한꺼번에 밀어 넣는 방식에서 벗어나, 필요한 시점에 필요한 정보만 로드하는 '점진적 공개(Progressive Disclosure)' 전략을 채택했다.

가장 눈에 띄는 변화는 도구와 스킬의 로딩 방식이다. 모든 도구 정의를 컨텍스트에 유지하는 대신, 에이전트가 'ToolSearch'를 통해 도구의 전체 정의를 검색한 뒤에야 사용할 수 있는 '지연 로딩(Deferred Loading)' 방식을 도입했다. 이를 통해 컨텍스트 윈도우의 낭비를 줄이면서도 더 많은 도구를 운용할 수 있게 됐다. 코드 리뷰나 검증 같은 특정 작업 역시 상시 가이드라인으로 두지 않고, 필요할 때만 호출하는 개별 '스킬'로 분리했다.

참조 자료의 형태도 진화했다. 단순한 마크다운(Markdown) 파일 중심의 계획서나 명세서에서 벗어나, HTML 아티팩트(Artifacts)나 실제 코드 형태의 참조를 활용한다. 앤스로픽은 HTML 목업(Mockup)이 디자인에 대한 텍스트 설명이나 스크린샷보다 더 나은 결과를 생성한다는 점을 확인했다. 이는 모델이 이해하기 가장 좋은 고충실도(High-fidelity) 언어인 '코드' 자체를 컨텍스트로 활용하는 것이 효율적이라는 판단에 근거한다.

AI 에이전트 설계자를 위한 최적화 기준

한국의 AI 실무자와 개발자가 자신의 에이전트나 워크플로우를 설계할 때 주목해야 할 지점은 '제약의 최소화'와 '구조적 분리'다. 앤스로픽이 제시한 가이드에 따르면, 시스템 프롬프트는 모델이 어떤 제품 환경에서 무엇을 하는지 정의하는 최소한의 역할에 집중해야 한다.

구체적인 저장소 가이드라인을 담는 CLAUDE.md 파일의 경우, 모델이 파일 시스템을 통해 충분히 알 수 있는 당연한 사실은 제외하고, 코드베이스 내의 특이사항(Gotchas) 위주로 가볍게 유지하는 것이 권장된다. 복잡한 검증 절차나 팀 고유의 베스트 프랙티스는 개별 스킬 파일로 분리하여 모델이 필요할 때만 참조하게 만드는 '트리 구조'의 컨텍스트 설계가 필요하다.

특히 주목할 도구는 이번에 공개된 `/doctor` 명령어다. 이 기능은 사용자가 설정한 스킬이나 CLAUDE.md 파일의 크기가 적절한지 진단하고 최적화하도록 돕는다. 개발자는 이제 "어떻게 명령해야 모델이 말을 잘 들을까"라는 고민보다, "어떤 정보를 어떤 시점에 노출해야 모델이 최선의 판단을 내릴까"라는 컨텍스트 구조 설계에 더 많은 시간을 할애해야 한다. 모델의 지능이 높아질수록 정교한 통제보다는 적절한 환경 제공이 성능의 결정적인 변수가 되기 때문이다.