최근 LLM 모델들의 기본 성능이 비약적으로 발전함에 따라, 개발자들과 사용자들 사이에서는 에이전트의 작동 성능을 높이기 위해 전역 설정 파일(예: agent.md 혹은 claw.md)에 집착하는 경향이 강해졌습니다. 그러나 Ross Mike는 이 영상에서 “대부분의 사용자는 전역 설정 파일이 전혀 필요하지 않으며, 오히려 무분별한 전역 컨텍스트 주입이 토큰을 낭비하고 모델의 인지적 능력을 떨어뜨린다”고 강력하게 지적합니다.
영상은 에이전트 성능을 최적으로 관리하기 위한 대안으로 점진적 노출(Progressive Disclosure) 방식의 스킬(Skills) 아키텍처와 인간의 업무 멘토링 방식을 차용한 재귀적 스킬 구축(Recursive Skill Building) 프로토콜을 명쾌하게 제시합니다.
1. 컨텍스트의 이해와 전역 설정의 오해
“But, context still matters, and you have the power to steer the models in a direction where you can get quality or you can get slop… 95% of people don’t need this [agent.md]. The reason being is, again, you have to assume that the models are already good.”
현대 프론티어 LLM 모델들은 코드베이스의 정황(React 사용 여부 등)을 스스로 스캔하여 이해할 수 있을 만큼 충분히 강력합니다. 이 단계에서 에이전트가 당연히 알아야 하는 일반 지식을 전역 프로필 파일에 수천 줄씩 기록해 두는 행위는 매 턴마다 불필요한 토큰 비용(예: 7,000~10,000 토큰)을 지출하게 만들 뿐만 아니라, 에이전트의 컨텍스트 윈도우를 불필요하게 가득 채워 최종 판단 품질을 흐리게(slop) 만듭니다.
2. Claude Skills와 점진적 노출(Progressive Disclosure) 메커니즘
“The cool thing about skills, and I’m going to talk about skills in a second, the way skills are designed, the skills are used in a way that’s called progressive disclosure, meaning, when you have a skill file, the entire thing isn’t added to context. It’s just the title and the description.”
대규모 가이드라인을 매 대화에 쑤셔 넣는 비효율성을 극복하기 위해 제시된 솔루션이 바로 점진적 노출(Progressive Disclosure)을 기반으로 작동하는 스킬 파일(skill.md)입니다. 스킬 파일은 평상시에는 오직 이름(Name)과 설명(Description)이라는 극소량의 토큰(예: 50~100 토큰)만 컨텍스트에 올려 둡니다. 에이전트가 대화 중에 해당 스킬이 필요하다는 사실을 인지했을 때 비로소 그 세부 매뉴얼을 로드하도록 유도함으로써, 컨텍스트를 극도로 가볍고 쾌적하게 보존해 줍니다.
3. 재귀적 스킬 구축(Recursive Skill Building) 프로토콜
“identify the workflow, go back and forth and teach it… Review what you did and then create the skill. So, now it has actual context with how it worked and it’s going to create the skill beautifully. I don’t handwrite skills.”
스킬을 올바르게 만드는 핵심 비결은 처음부터 책상 앞에서 문서를 수동으로 작성하지 않는 데 있습니다. Ross Mike는 “재귀적 스킬 구축(Recursive Skill Building)”이라는 구체적인 3단계 프로토콜을 제안합니다:
- 인터랙티브 워크플로우 실습: 사용자가 에이전트와 직접 실시간 피드백을 주고받으며 수작업(Step-by-step)으로 특정 태스크를 성공적으로 완수해 봅니다.
- 성공 컨텍스트 기반 스킬 생성: 성공적인 궤적(Successful Run)을 확보한 뒤, 에이전트에게 “우리가 방금 수행한 성공적인 과정과 수칙을 정리해
.md스킬 파일로 추출해라”라고 지시합니다. - 실패 루프와 점진적 갱신(Iterative Update): 이후 에이전트가 해당 스킬을 쓰다 실수나 Hiccup을 일으킬 때 불평하기보다, 오류 정보(API 에러 코드 등)를 에이전트에게 환류하여 스스로 해결책을 찾게 한 뒤, 그 해결 수칙을 기존 스킬 파일에 덧붙여(Recursively update) 점진적으로 다듬어 나갑니다.
4. 에이전트 스케일업과 멘토링의 비유
“cuz if you hired an employee, you would do the same thing. You wouldn’t just be like, ‘Okay, go do this thing. Good luck.’… if you want to scale for productivity, it starts with one agent and you building up the skills.”
많은 개발자들이 에이전트 시스템을 처음 가동할 때부터 15개의 서브 에이전트와 30개의 도구들을 거창하게 설계하여 배포합니다. 그러나 현실의 관리 경험이 없는 신입 사장에게 갑자기 10명의 직원을 지휘하라고 맡기면 회사가 마비되는 것과 마찬가지로, 에이전트 시스템 역시 무분별한 스케일업은 심각한 조율 실패와 토큰 누수를 야기합니다. 생산성을 높이기 위해선 오직 1명의 주력 에이전트부터 시작하여 명확한 스킬을 쌓고, 그 에이전트가 통제할 수 있는 범위를 넘어서는 구체적인 태스크가 식별되었을 때 비로소 하위 에이전트(Sub-agent)를 하나씩 점진적으로 추가해 지휘 권한을 나누는 방식을 취해야 합니다.
5. 바이브 코딩(Vibe Coding)과 AGI 시대의 생존력
“knowledge that took 20 people 20 years to acquire is now like 20 bucks a month, right? So, there is like a huge shift, right?… hit like a hundred million dollars… and he vibe coded the whole app… 1.8 billion.”
과거 수십 명의 엔지니어가 오랜 세월에 걸쳐 획득했던 기술과 지식이 이제는 월 20달러 수준의 AI 서비스 구독만으로 접근 가능한 시대가 되었습니다. 기술 장벽이 허물어지면서 단 두 명이 에이전트 기반의 바이브 코딩(Vibe Coding)만으로 수십억 달러 가치의 정식 서비스를 구축하여 상용화하는 파격적인 전환(Shift)이 눈앞에 나타나고 있습니다. 단순히 남들이 만들어 놓은 기성품 스킬이나 프레임워크를 수동적으로 복제·다운로드해서 사용하는 사용자는 도태되겠지만, 에이전트의 구동 원리를 꿰뚫어 보고 자신의 워크플로우에 맞는 전용 스킬을 창의적이고 유기적으로 조립·제어할 줄 아는 개인은 폭발적인 생동력과 고성장의 기회를 선점하게 될 것입니다.
6. 에이전트 하네스(Harness)와 도구 제어의 본질
“The context matters plus the harness… the harness and the tools that you surround it, the context that you give it is going to matter even more. And just like in everything in life, less is more, right? Like building up step by step…”
결국 에이전트 생태계에서 최종 승패를 결정하는 요소는 모델을 감싸고 제어하는 하네스(Harness)와 도구들의 정밀성, 그리고 컨텍스트를 얼마나 군더더기 없이 조율하느냐에 달려 있습니다. 컨텍스트 윈도우가 가득 차오르면 인간이 시험 전날 밤샘 벼락치기를 할 때 뇌가 멍해지는 것처럼 모델 또한 추론 능력이 급격히 저하됩니다. “Less is More”의 원칙을 새기며, 에이전트에게 꼭 필요한 사용자 특유의 전략적 수칙과 워크플로우만 스킬로 정제하여 가볍게 제어할 수 있어야 비로소 실전형 에이전트 생산성의 고지를 정복할 수 있습니다.
내 생각
이 영상이 제시하는 “컨텍스트 미니멀리즘(Context Minimalism)”과 “재귀적 스킬 구축(Recursive Skill Building)”은 Antigravity 에이전트를 조율하는 파트너 개발자들에게도 대단히 강렬한 힌트를 남깁니다.
우리는 에이전트를 더 똑똑하게 통제하려는 욕심으로 인해 AGENTS.md나 프로젝트 루트 폴더에 수많은 예외 규칙과 복잡한 환경 제어 수칙들을 과도하게 채워 넣곤 합니다. 그러나 이는 매 대화 호출 시마다 막대한 전역 토큰을 갉아먹을 뿐만 아니라, 에이전트의 내부 Working Memory를 고갈시켜 오히려 멍청한 판단을 유도하는 병목 현상을 유발합니다.
영상의 조언처럼, “React를 사용하라”는 등의 일반적인 상식은 코드베이스 자체가 훌륭한 정적 컨텍스트 역할을 하므로 굳이 자연어 프롬프트 규칙으로 재차 강조할 필요가 없습니다. 에이전트에게 얹어주어야 할 가치 있는 규칙은 오직 “해당 도메인 특유의 고유 워크플로우”와 “사용자의 취향 및 안전 배포 규격(예: deploy:safe)” 같은 proprietary 가이드라인뿐입니다.
더불어, 에이전트가 어떤 작업을 성공적으로 완료했을 때 그 성공 과정을 추적하여 “스킬 파일(skill.md / SKILL.md)로 환류하는 방식”은 에이전트 개발 수명 주기(SDLC)에서 가장 높은 무결성을 보장하는 방법입니다. AI가 직접 설계한 샌드박스에서 한 차례 성공을 검증한 뒤, 그 발자취를 자연어로 기술하여 스킬로 박제해 놓는 것은, 수동으로 빈 문서에 이상적인 규칙을 하드코딩해 두는 것보다 작동 신뢰도가 훨씬 높습니다.
에이전트를 길들이는 것은 기계를 프로그래밍하는 행위라기보다 신입 사원을 멘토링하여 성장의 궤적(Loop)을 조율해 나가는 인간-루프 정렬(Human-in-the-loop alignment)의 과정에 더 가깝습니다. 시스템을 과도하게 복잡하게 구성하기 전에, 에이전트 1명과 재귀적 루프를 성실하게 수없이 이터레이션하며 ‘우리만의 작지만 강력한 스킬셋’을 점진적으로 다져나가는 태도가 진정으로 필요합니다.
댓글
GitHub 계정으로 의견을 남길 수 있습니다. 댓글은 GitHub Discussions에 저장됩니다.