클로드 코드 스킬 만들기·운용법: 4가지 제작 패턴과 6가지 원칙

핵심 메시지

• 스킬은 AI 에이전트에게 업무 절차와 참고 자료를 알려 주는 마크다운 온보딩 가이드이며, 도구가 바뀌어도 남는 재사용 자산이다.
• 좋은 스킬은 짧은 지시·분리된 컨텍스트·통제 가능한 트리거·검증 루프를 갖추고, skill.md에 예시·데이터·프롬프트를 몰아넣지 않는다.
• 한 줄짜리 원샷 프롬프트로 스킬을 만들면 겉보기엔 그럴듯해도 실행마다 품질 편차가 커진다. 플랜 모드·인터뷰로 모호성을 줄여야 한다.
• 컨텍스트 윈도우는 20~25% 안에서 쓰고, 리서치는 서브에이전트로 분리해 메인 대화에는 최종 요약만 올린다.
• AI에게 겹치지 않는 후보를 여러 개 뽑게 해 사람이 고르고, 좋은 출력과 교정을 축적하는 자기개선 루프로 스킬을 계속 육성한다.

쉽게 이해하기

발표자는 클로드 코드로 카드뉴스나 영상을 만들면 결과물이 'AI 티'가 나고 내 이야기 같지 않은데, 이는 AI가 아니라 스킬의 문제라고 말한다. 스킬을 잘 다듬으면 같은 소재라도 원하는 디자인·기획으로 뽑을 수 있다는 것이다. 그는 스킬을 'AI 에이전트에게 업무 절차와 참고 자료를 알려 주는 마크다운 온보딩 가이드'로 정의하고, 절차와 자료를 폴더로 묶으면 코덱스·클로드 등 도구가 바뀌어도 남는 실행 자산이 된다고 설명한다.

스킬을 만드는 방법은 네 가지 패턴으로 정리된다. 첫째는 스킬 크리에이터 플러그인을 쓰되 '쓰레드 써 주는 스킬 만들어 줘' 같은 한 줄 원샷은 피하는 것이다. 둘째는 머릿속이 모호하고 큰 시스템을 설계할 때 플랜 모드·인터뷰 방식으로 20~30번 이상 문답하며 모호성을 0에 수렴시키는 것이다. 셋째는 클로드 코드나 코덱스로 고품질 결과를 얻은 직후, 정제된 맥락을 문서로 남기고 새 세션에서 재사용 가능한 스킬로 뽑아내는 것이다. 넷째는 이미 반응이 좋은 공개 스킬을 내 톤·도구·워크플로 맥락에 맞게 각색하는 것이다.

운용의 6원칙 중 첫째와 둘째는 'skill.md 다이어트'다. 예시·코드·데이터·프롬프트를 skill.md에 몰아넣는 것은 최악이며, 분류·실행·검증 세 요소만 짧은 평문으로 남기고 나머지는 레퍼런스 폴더로 분리해 상호 참조하게 한다. 그는 썸네일 공식 19가지를 상위 개념 파일과 하위 유형 파일로 계층화해, 언어 모델이 점진적 공개(progressive disclosure)로 필요한 것만 컨텍스트에 올리도록 하는 예를 든다. 셋째 원칙은 리서치를 메인 세션이 아니라 서브에이전트로 분리해 병렬 조사하고, 깨끗한 메인 컨텍스트에는 결정에 필요한 요약만 올리는 것이다.

넷째 원칙은 설명(description·YAML 프론트매터)을 정확히 써서 잘못된 스킬이 호출되지 않게 하는 것이다. 스킬이 많아질수록 오호출 위험이 커지므로, 자동 추론 범위를 좁히고 부를 때는 슬래시 커맨드나 스킬 이름을 명시적으로 지정하라고 권한다. 다섯째는 사람이 개입하는 단계마다 정답 하나가 아니라 서로 겹치지 않는 후보를 5~10개(MECE 방식)로 제시하게 해, 주관식이 아닌 객관식으로 빠르게 고르고 필요하면 후보를 섞으라는 것이다. 여섯째는 좋은 출력과 사용자의 교정을 학습 신호로 축적해 재사용하는 자기개선 방식이다.

그는 평가(evaluation)를 가장 소홀히 하기 쉬운 영역으로 꼽는다. 스킬 크리에이터의 평가 창으로 이전 버전과 새 버전을 비교하되, 정성적 감각(카피 톤 등)은 사람이 직접 검수하고 결정론적·정량적 부분은 별도 함수를 서브에이전트로 돌려 편향 없이 새 세션에서 평가하라고 한다. 실패는 두 유형으로 나눈다. 스킬을 빠뜨리거나 맥락이 유실되는 '프로세스 이탈'은 원인을 분석해 고치고, 절차는 맞지만 품질이 아쉬운 경우는 고장이 아니라 좋은 예시를 주입해 육성할 문제로 본다. 결론적으로 '한 번에 완성되는 공짜 스킬은 없으며', 80% 수준이라도 실사용하며 선호·실패 교정을 축적하는 것이 장기적으로 매일 시간을 돌려받는 투자라고 강조한다.

주요 인사이트

• 스킬을 '도구에 종속되지 않는 재사용 온보딩 패키지'로 보면, 코덱스·클로드 등 실행 환경이 바뀌어도 업무 자산이 남는다.
• skill.md는 분류·실행·검증만 짧게 담고 예시·데이터·프롬프트는 레퍼런스로 분리하는 계층화가, 언어 모델의 점진적 공개와 맞물려 품질을 끌어올린다.
• 컨텍스트 윈도우를 20~25%로 유지하고 리서치를 서브에이전트로 분리하는 것은, '맑은 머리로 일하는 상태'를 유지하는 것과 같다.
• 정답 하나 대신 겹치지 않는 후보를 여러 개 뽑게 하면, 사람은 주관식이 아닌 객관식을 풀게 되어 의사결정 속도와 만족도가 오른다.
• 평가·교정을 축적하는 자기개선 루프가 없으면 스킬은 평균값에 수렴하며, 개인의 톤과 맥락이 반영된 결과를 만들지 못한다.

자주 묻는 질문

관련 AI 소식