Claude Code 활용법: /goal·워크플로우·서브에이전트로 에이전트를 오래 자동화하기

핵심 메시지

• 모델이 똑똑해질수록 상세한 지시·제약·예시는 오히려 방해가 되며, Anthropic은 이 흐름에 맞춰 Claude Code 시스템 프롬프트를 80% 줄였다고 소개한다.
• 에이전트를 오래 일시키는 장치로 종료 조건을 상기시키는 /goal과, 서브에이전트로 작업을 나누고 검증까지 하는 워크플로우가 제시된다.
• 계획은 한 번에 쓰고 끝내는 문서가 아니라 '내가 무엇을 모르는지'를 찾아 없애 가는 반복적 탐색 과정이다.
• 모델은 자기 출력을 관대하게 평가하는 자기참조 편향이 있으므로, 작업하는 에이전트와 검증하는 에이전트를 분리하는 것이 낫다.
• 여러 작업을 동시에 돌릴 때는 하나의 주 작업에 집중하고 나머지는 Slack에서 Claude를 호출해 병렬로 맡기는 방식이 공유된다.

쉽게 이해하기

이 영상은 Peter Yang이 Anthropic Claude Code 팀의 Thariq를 초대해, 사람이 매번 프롬프트를 넣는 방식에서 에이전트가 스스로 오래 일하도록 설계하는 방식으로 넘어가는 법을 이야기하는 대화다. 진행자는 실제 영상 편집 작업을 예로 들어 이 방법론을 구체적으로 확인한다.

핵심 도구는 '루프'다. 루프란 에이전트가 피드백을 받으며 오랫동안 조율된 방식으로 일하게 하는 여러 방법을 뜻한다. /goal은 에이전트에게 종료 조건을 상기시켜 복잡한 작업을 도중에 멈추지 않고 끝까지 밀고 가게 한다. 워크플로우는 서브에이전트를 띄워 작업을 병렬화하고 검증까지 수행하는, 가장 강력한 형태로 소개된다. 특히 비결정적인 작업을 대략 결정적인 단위로 쪼개는 데 유용하다.

데모에서 Thariq는 음성으로 지시한 짧은 영상을 whisper로 전사하고, Remotion으로 단어마다 강조되는 자막과 오버레이 UI를 만든 뒤 '렌더가 끝날 때까지 멈추지 말라'는 목표를 준 과정을 한 번의 프롬프트로 보여준다. 그는 이런 작업 전에 whisper의 한계—무음이 엉뚱한 문구로 전사되거나, 단어가 쪼개지거나, 화자 구분이 없다는 점—를 먼저 이해해 '미지의 미지'를 줄였다고 설명한다.

계획에 대한 관점이 인상적이다. Thariq는 계획을 '미지를 없애는 것'이라 부른다. 스펙을 처음에 한 번 쓰고 구현으로 넘기는 일회성 핸드오프가 아니라, 사람의 요청에서 시작해 에이전트가 기술적 탐색을 하고, 목업과 설명을 오가며 이해를 다듬고, 구현하며 예상 못 한 점을 발견하면 다시 스펙을 고치는 왕복 과정이라는 것이다. 이를 위해 참조 자료를 주고, 구현 노트를 남기게 한다.

검증에서는 '자기참조 편향'을 경계한다. 모델이 자기 출력을 선호해 관대하게 판정하기 때문에, 작업하는 에이전트와 검증하는 에이전트를 분리하면 서로 다른 맥락에서 더 많은 연산을 들여 판단한다. 대화 후반에는 여러 작업을 동시에 돌리는 방식도 나온다. 주 작업 하나에 집중하고, PR 관리나 테스트 수정처럼 배경 작업은 Slack에서 Claude를 태그해 원격·병렬로 맡기는 식이다.

주요 인사이트

• 'never' 같은 강한 제약보다 '왜 그렇게 하면 안 되는지' 이유를 알려주는 편이 더 효과적이다. 예시도 많으면 오히려 모델의 자유도를 제약할 수 있어, 똑똑해진 모델에는 여백을 더 주는 방향이 권장된다.
• 계획을 문서 산출물이 아니라 '모르는 것을 찾아내는 활동'으로 재정의하면, 학습·기술 스펙·목업·탐색 등 다양한 형태가 모두 계획에 포함된다. 프롬프트 박스를 '게으름 버튼'처럼 쓰면 당장은 편해도 결국 더 많은 시간과 비용을 치른다.
• 워크플로우가 단순 skill보다 나은 이유는 컨텍스트를 깨끗하게 유지하고, 명시적 루브릭으로 검증을 강제하며, 각 서브에이전트가 조기 종료하지 않고 더 많은 연산을 들이도록 만들기 때문이다.
• 여러 Claude를 동시에 돌리는 작업은 backto-back 회의보다 피곤할 수 있다. 그래서 최적의 동시 실행 수는 사람마다 다르며, 하나의 주 작업에 집중하는 편이 오히려 시간을 아낀다는 조언이 나온다.
• 더 기술적이 되는 목적은 문법 암기가 아니라 '내가 무엇을 모르는지'를 아는 데 있다. 시스템의 제약과 트레이드오프를 이해하면 더 나은 결과를 끌어낼 수 있으며, 배움은 재미보다 노동처럼 느껴져야 한다는 점이 강조된다.

자주 묻는 질문

관련 AI 소식