AI와 함께 일하며 복리처럼 쌓아 성장하는 법

AI와의 협업에서 컨텍스트 제공, 취향 설정, 검증 자동화, 위임 확대, 피드백 루프 라는 다섯 가지 원칙을 체계적으로 정리한 실무 가이드
모든 작업 산출물(코드, 문서, 분석, 결정)이 다음 세션의 컨텍스트로 누적 되고, 교정 사항이 설정에 반영되어 미래 오류를 줄이는 복리 구조
CLAUDE.md

, 스킬 파일, 가이드 등을 활용해 모델의 행동과 워크플로를 코드처럼 관리 하는 구체적 방법 제시
병렬 세션 운영, 모델 간 상호 검증, 원격 제어 등으로 작업 처리량을 확장하는 위임 전략 포함
이 원칙들은 AI뿐 아니라 인간 팀 협업에도 동일하게 적용 가능한 범용적 프레임워크
컨텍스트를 인프라로 구축
모든 코드를 ~/src

에, 지식 작업을 ~/vault

(projects/

, notes/

, kb/

등)에 정리하면, 모델이 grep

이나 glob

으로 컨텍스트를 검색 하기 쉬워짐
조직의 컨텍스트(Slack, Drive, Mail 등)를 MCP(Model Context Protocol) 로 모델에 연결 가능
프로젝트별 INDEX.md

를 유지하며, 각 항목에 URL, 담당자, 내용 설명을 주석으로 기록
단순 URL 목록은 모델이 모든 링크를 열어봐야 하므로, 주석을 달아두면 컨텍스트 낭비를 방지
새 세션마다 모델은 백지 상태에서 시작하므로, 프로젝트별 CLAUDE.md

를 신입 온보딩 문서처럼 작성해야 함
약어 용어집, 프로젝트 코드네임, 동명이인 구분 등을 포함
INDEX.md

→ TODOS.md

→ 특정 주제 노트 순으로 읽기 순서를 지정
메모리 레이어를 두 가지로 분리 운영
~/vault

: 프로젝트 상태, 산출물, 도메인 지식 등 사실 정보(facts) 저장
~/.claude

(CLAUDE.md

, skills/

, guides/

): 선호도, 워크플로, 개인 취향 등 설정(configuration) 저장
취향을 설정으로 인코딩
~/.claude/CLAUDE.md

활용
모든 세션 시작 시 Claude가 읽는 행동 계약서 역할
직접적으로 말하기, 동의하지 않을 때 반박하기, 불확실할 때 솔직히 말하기, 실패 시 근본 원인 조사 후 재시도, 작업 범위 밖 리포맷 금지 등 행동 규칙 포함
새로운 시스템이나 도메인의 핵심 용어가 나오면 1~2문장으로 설명하는 teaching 섹션 도 설정 가능
디렉터리별 스코프 구분
글로벌 (~/.claude/CLAUDE.md

): 행동, 장기 목표, 학습 선호 등 모든 곳에 적용되는 설정
레포 루트 : 린팅, 네이밍, PR 컨벤션 등 레포별 규칙
프로젝트 디렉터리 : 디렉터리 구조, 도메인 지식 등 프로젝트 특화 컨텍스트
Claude Code는 하위 디렉터리에서 시작하면 트리를 올라가며 각 CLAUDE.md

를 로딩
CLAUDE.md가 길어질 때의 분리 전략
긴 CLAUDE.md

는 매 세션마다 전체를 로딩하는 컨텍스트 세금 이 됨
@import

대신, CLAUDE.md

에 "관련 시 읽기" 형태로 가이드 파일 경로만 명시 하여 지연 로딩(lazy loading) 구현
예: 문서 작성 시 ~/.claude/guides/writing.md

, 평가 작업 시 ~/.claude/guides/evals.md

등
주 1회 이상 반복 작업은 스킬로 전환
스킬은 이름, 트리거, 절차를 담은 마크다운 워크플로 파일
/polish

: 아티팩트 diff를 보고, 메트릭이 있으면 eval 실행, 브라우저 렌더링이면 Chrome으로 확인, 아니면 코드 실행 후 출력/에러 확인 → 반복 후 PR 초안 작성
/write

: 아웃라인 인터뷰 → 리서치 서브에이전트 생성 → 초안 작성 → 적대적 비평가로 피드백 → 반복
/daily

: 캘린더, Slack, PR, 전일 로그를 읽고 오늘의 우선순위 작성
SKILL.md

는 워크플로와 라우팅에 집중하고, 템플릿·스크립트 등 지식은 별도 파일로 분리하여 필요 시에만 로딩
스킬 부트스트래핑 방법
작업을 한 번 대화형으로 수행한 뒤, 모델에게 스킬로 만들어 달라고 요청
동일하거나 유사한 작업에 스킬을 실행하고, 출력 교정은 같은 세션 내에서 수행
모델에게 교정과 피드백을 바탕으로 스킬을 업데이트하도록 요청
원하는 출력의 예시를 제공 하여 패턴(코드 구조, 문서 구조와 톤)을 추출하도록 할 수도 있음
트랜스크립트를 통한 스킬 개선
첫 버전은 원본 세션에 과적합(overfit) 되는 것이 정상
SKILL.md

를 직접 편집하지 말고, 세션 내에서 교정하여 before-and-after 쌍이 트랜스크립트에 축적 되도록 함
출력이 만족스러우면 모델에게 피드백을 스킬에 병합하도록 요청 → 수 라운드 후 스킬이 수렴
모든 작업에 이 컨텍스트가 필요한 것은 아님
브레인스토밍, 탐색, 초안 작업에는 심플 모드 (CLAUDE_CODE_SIMPLE=1 claude

) 사용
CLAUDE.md

는 로딩되지만 에이전트 하네스(훅, 스킬, 도구 루프)는 비활성화 → 모델과 더 가깝게 사고 가능
자율성을 위한 검증
검증을 왼쪽으로 이동(shift left)
검증을 사다리 구조 로 구성: 아래쪽은 저렴하고 결정적, 위쪽은 비용이 높고 판단이 필요
가장 아래 단계: 모델이 수정한 파일에 ruff format

, ruff check --fix

를 실행하는 post-edit 훅 → 결정적이며 토큰 비용 없음
상위 단계: 테스트, eval, LLM 리뷰 등
모델이 스스로 작업을 검증할 수 있도록 구성
시스템이 메트릭을 생산하면 모델이 eval을 직접 실행 하여 최적화
브라우저 렌더링 출력이면 Claude in Chrome 으로 검사
Docker 이미지 빌드 시 에러를 읽고 Dockerfile을 수정 후 재빌드
대시보드 구축 시 툴팁 렌더링, 라벨 겹침, 수치와 내러티브 일치 여부를 Chrome에서 확인
장시간 작업에는 모델이 모델을 감시
긴 세션은 오류가 누적되며 드리프트 발생 가능
해결책: 두 번째 세션을 프레시 컨텍스트로 실행하여 원본 스펙과 1차 세션의 최근 턴을 비교
tmux 두 패널 구성: 하나는 1차 개발, 하나는 페어 프로그래머
공유 파일에 초기 지시와 후속 프롬프트를 추가하며, 페어 프로그래머가 주기적으로 확인
실행 드리프트(execution drift) : 모델이 작업을 올바르게 수행하는지 — 에러 무시, 잘못된 메트릭 보고, 스펙 이탈 등 전술적 점검 → 자주 확인
방향 드리프트(direction drift) : 모델이 올바른 작업을 하고 있는지 — 원래 의도를 오해하고 잘못된 것을 만드는 전략적 문제 → 가끔 확인
위임을 통한 확장
점점 더 큰 작업 단위를 위임
짧은 작업과 빠른 피드백의 페어 프로그래밍 방식은 빠른 반복, 탐색적 분석, 프로토타이핑에 적합
더 강력한 모델에게는 의도, 제약 조건, 성공 기준 을 사전에 설명하고 모델이 end-to-end로 실행하도록 위임해야 함
검증할 수 없는 것은 위임할 수 없으므로, 성공 기준과 메트릭 정의가 선행 필요
예시: "eval 스위트별 격리 컨테이너를 빌드하고 스모크 테스트 → 전체 실행 → 메트릭과 트랜스크립트 로깅 → 서브에이전트로 정확성 확인 → n회 반복으로 신뢰 구간 산출 → 리포트 생성 후 Slack으로 결과 전송"
병렬 세션 운영과 병목 파악
큰 작업 위임으로 동시에 3~6개 세션 병렬 실행 가능
병목이 "작업 수행"에서 "명확한 스펙 작성과 빠른 출력 리뷰" 로 이동 — 중간 단계가 비어가는 구조
병렬 세션이 같은 레포를 공유할 경우, git worktrees 를 사용하여 각 세션이 독립적 체크아웃 확보
세션 관찰 용이성 확보
stop hook : 세션 완료 시 사운드 재생 (macOS에서 afplay

로 Glass.aiff 재생)
tmux 윈도우 타이틀 : 상태 이모지(⏳ 작업 중, 🟢 완료)와 Haiku가 생성한 짧은 레이블로 각 패널 식별
Claude Code 상태 줄 : 컨텍스트 사용량과 현재 모드 표시
AFK 중에도 체크인 가능
Claude Code의 /remote-control

기능으로, 이동 중 Claude 앱의 코드 탭에서 실행 상태를 확인하고 막힌 세션에 추가 컨텍스트나 새 지시를 제공 가능
세션이 몇 시간 동안 유휴 상태로 방치되는 것을 방지하되, 긴급한 경우에만 사용
피드백 루프 닫기
공개적으로 작업하여 컨텍스트를 풍부하게 유지
공유 문서, 레포, 채널에서 작업하면 모델을 포함한 모든 팀원이 컨텍스트를 활용 가능
간단한 테스트: "새 팀원이 공유된 컨텍스트만으로 지난주 내 작업을 재현할 수 있는가? " — 그렇지 않다면 중요한 컨텍스트가 머릿속에만 있는 것
CLAUDE.md

에 실질적 작업 완료 시 워크로그 채널에 짧은 업데이트와 아티팩트 링크를 자동 게시 하도록 지시
트랜스크립트를 마이닝하여 설정 업데이트
과거 세션 트랜스크립트를 모델에게 읽히면 갭을 발견 가능
약 2,500개의 과거 사용자 턴을 스캔한 결과, 상당 비율이 "can you also…" , "did you check…" , "still wrong" 등의 표현을 포함
이는 모델이 자발적으로 했어야 할 작업 이거나, 검증 단계가 누락/오작동한 것을 시사
교정은 세션 내에서 수행하여 트랜스크립트를 다음 CLAUDE.md

나 스킬 업데이트의 입력 데이터로 활용
주기적으로 리팩터링과 정리
설정이 늘어나면 서로 겹치거나 충돌 가능
모델이 규칙을 무시하면 다른 규칙과 모순 때문일 수 있으므로, 각 규칙이나 선호도는 정확히 한 곳에만 존재하도록 리팩터링(중요 지시는 메인 CLAUDE.md

에 반복 가능)
흩어진 디렉터리별 settings.json

을 ~/.claude

로 통합 정리
결론
구체적인 설정은 모델이 발전하면서 바뀔 수 있지만, 좋은 컨텍스트 제공, 취향 인코딩, 저비용 검증, 더 많은 위임, 피드백 루프 닫기 라는 원칙은 유효
이 과정은 결국 협업자를 피드백 한 번에 하나씩 훈련시키는 것 이며, 인간 팀과의 협업에도 동일하게 적용 가능
개인 도구에 국한되지 않고, 에이전트 하네스 설계, 팀 규범 설정, 조직 인프라 구축 에도 같은 원칙 적용 가능
댓글과 토론