본문 바로가기

전체 글36

Claude Code가 멍청해진 줄 알았는데, 설정은 똑같았다 — 하네스 엔지니어링 입문기 회사 계정으로 Claude Code를 새로 쓰기 시작했는데, 코드 품질이 눈에 띄게 떨어졌어요. 논리에 빈틈이 있고, 확인 안 한 추측이 섞여 있고, 그걸 리뷰에서 걸러내지도 못했고요. 개인 프로젝트에서는 꽤 잘 돌아갔거든요. 처음 든 생각은 "회사 계정은 싼 모델 쓰나?"였어요. 그래서 하나씩 확인해봤습니다. 모델, 지침 파일, 설정, 스킬, 조직 정책까지. 결론부터 말하면 전부 똑같았어요. 같은 Opus 모델, 같은 CLAUDE.md, 같은 settings.json. 그러면 뭐가 달랐을까요. 답은 설정 파일이 아니라 에이전트를 둘러싼 작업 구조에 있었어요. 이 글은 그 원인을 찾아간 과정과, 그걸 고치려고 설치한 "하네스"에 대한 기록이에요.하네스 엔지니어링이란한 줄로 요약하면 이래요. 에이전트 = .. 2026. 11. 3.
학습 노트 #4 - "당신은 전문가입니다"가 진짜로 하는 일 — 프롬프트 역할 부여의 원리 AI에게 뭔가를 시킬 때 이런 문장으로 시작해본 적 있으신가요?"당신은 10년 차 마케팅 전문가입니다."신기하게도 이 한 줄을 붙이면 답변이 달라집니다.더 전문적이고, 더 그럴듯해지죠. 그래서 인터넷에는 "AI에게 역할을 부여하세요!"라는 팁이 넘쳐납니다.그런데 저는 이게 계속 찜찜했어요. 왜 통하는 걸까요? AI가 그 역할에 몰입하기라도 하는 걸까요? 결론부터 말하면, 아닙니다. 그리고 이 원리를 알고 나면 두 가지가 따라옵니다.첫째, 더 이상 프롬프트 팁을 외울 필요가 없어집니다.둘째, 역할 부여가 언제 안 통하는지도 예측할 수 있게 됩니다. 두 번째가 훨씬 중요합니다. 1. AI는 매 순간 '확률표'를 만든다먼저 알아야 할 게 하나 있습니다. AI 언어 모델이 하는 일은 생각보다 단순합니다.지금까지.. 2026. 8. 31.
학습 노트 #3 - MCP는 API를 감싼 게 아닙니다 — 3일 만에 뒤집은 나의 오해 "MCP요? API를 AI가 쓰기 편하게 감싼 거잖아요."며칠 전까지 제 대답이 이랬습니다. 반은 맞았고, 반은 틀렸습니다. 그리고 그 틀린 절반이, MCP 서버를 직접 만들 때 성패를 가르는 부분이었습니다.이 글은 제가 Claude Code에 MCP 서버를 붙이면서 뒤집힌 이해를 정리해봤습니다.MCP(Model Context Protocol): AI가 외부 도구·데이터에 연결할 수 있도록 Anthropic이 만든 개방형 표준.1. 쉬워진 건 개발자가 아니라 AI"API를 쉽게 쓰게 감쌌다"는 말에는 숨은 주어가 있습니다. 누구에게 쉬워졌을까요?저는 개발자라고 생각했습니다. 아니었습니다.일반 API 문서를 떠올려봅시다. 사람이 읽으라고 쓰여 있습니다. 개발자가 읽고 → 이해하고 → 코드를 짜면, 그 문서.. 2026. 8. 28.
학습 노트 #2 — 확률적 생성과 환각(Hallucination) 1단계: LLM 작동 원리 핵심 | 학습일: 2026-08-24한 줄 요약LLM은 "다음 토큰의 확률 분포"를 계산해 하나씩 뽑아 이어붙이는 기계이며, 목표가 진실이 아니라 "그럴듯함"이기 때문에 환각은 버그가 아니라 구조의 필연적 부산물이다.핵심 개념다음 토큰 예측 (Next Token Prediction)LLM이 하는 일의 본질: 지금까지의 토큰 시퀀스 → 다음 토큰의 확률 분포 출력긴 답변 = 이 과정을 반복하는 루프. 문단을 미리 계획하는 게 아니라 토큰 하나 뽑고, 그걸 포함해 다시 예측하는 연속// LLM의 본질fun predictNext(tokens: List): Map // {토큰ID -> 확률}// 생성 = 반복 호출 루프fun generate(prompt: List): List { .. 2026. 8. 24.