원문은 NextFuture에서 처음 게시되었습니다.

당신은 에이전틱 코딩 (agentic coding)을 위해 Claude Code 사용법을 배우고 있지만, 프롬프트를 잘못 입력하거나, 중간에 세션을 종료하거나, 혹은 단순히 "빠르게 테스트"해 볼 때마다 Anthropic API 계정에서 비용이 빠져나갑니다. 새로운 도구를 배울 때 비용 계산기를 계속 확인해야 한다면, 실제로 배워야 할 내용인 에이전트 루프 (agent loop), 도구 호출 (tool calling), 긴 컨텍스트 관리 (long context management)에 집중하기 매우 어렵습니다. 한 개발자는 Anthropic API를 직접 호출하는 대신 Claude Code CLI가 AWS Bedrock 위에서 실행되도록 프록시 (proxy)를 직접 구축함으로써 주말 동안 이 문제를 해결했습니다.

문제점: "저렴한" 선택지들은 모두 실제적인 한계가 있음

프록시를 구축하기 전, 저자는 API 비용을 들지 않고 에이전틱 코딩을 연습하기 위해 일반적인 방법들을 시도해 보았으나 모두 구체적인 한계에 부딪혔습니다:

• 로컬에서 Ollama 실행 — 충분히 강력한 RAM과 GPU 여유 공간을 갖춘 컴퓨터가 필요합니다. 모든 사람이 그런 컴퓨터를 가지고 있는 것은 아니며, 연습만을 위해 구매하는 것은 가치가 없습니다.

• OpenRouter와 같은 프리 티어 (Free-tier) — 기본적인 프롬프트 몇 개만 입력해도 토큰 제한에 도달하며, 모델이 도구를 지속적으로 호출하는 긴 에이전틱 워크플로 (agentic workflow)를 수행하기에는 충분한 "주행 거리"를 제공하지 못합니다.

두 방법 모두 에이전트가 계획을 세우고, 도구를 호출하며, 오류 후 스스로 복구하는 과정을 관찰하기 위해 긴 세션을 실행해야 하는, 즉 연습에 꼭 필요한 부분을 가로막습니다.

해결책: CLI와 Bedrock 사이의 LiteLLM 프록시

실제 설정은 Claude Code의 CLI와 AWS Bedrock 사이에 위치하는 자체 호스팅 LiteLLM 프록시를 구축하는 것입니다. 프록시는 Claude Code CLI가 여전히 Anthropic API와 통신하고 있다고 생각하도록 요청을 변환하지만, 실제 트래픽은 Bedrock의 Amazon Nova로 라우팅됩니다. 동일한 에이전트 루프 (agent loop), 동일한 도구 호출 방식, 익숙한 워크플로를 유지하면서 백엔드와 과금 방식만 API 빌링 (API billing)에서 AWS 크레딧 (AWS credit)으로 변경됩니다.

저자가 구축 시 중점적으로 고려한 세 가지 포인트는 다음과 같습니다:

• 인공 세션 제한 없음 — 프록시(proxy)를 직접 호스팅하므로, 벤더(vendor)가 부과하는 세션 실행 횟수나 지속 시간에 대한 제한이 없습니다.

• 단 하나의 모델로 제한된 IAM — 역할(role)을 엄격히 고정하여, 설정 오류로 인해 프록시가 실수로 더 비싼 모델을 호출하는 것을 방지합니다.

• AWS Budget 알림 사전 설정 — 비용 초과가 발생한 후에야 청구서를 보고 알게 되는 상황을 방지합니다.

저자는 현재 Bedrock 가격을 기준으로 할 때, 토큰당 비용이 Claude Haiku 가격보다 약 20~35% 더 저렴할 것으로 추정합니다. 이는 저자가 직접 계산한 수치이며 공식 발표된 가격이 아니므로, 고정된 수치라기보다는 참고용 추정치로 간주해야 합니다. Docker 이미지와 설정 파일(config file)은 직접 구축하고자 하는 누구나 GitHub(Priyanshu Valiya의 Claude-Code 리포지토리)에서 직접 참고할 수 있도록 공개되어 있습니다.

중요한 제한 사항: 이것은 Claude "무료"가 아닙니다

저자가 매우 명확하게 강조하는 점은 다음과 같습니다: 이것은 Claude 모델을 그대로 사용하는 의미에서의 Claude Code 무료 실행 방식이 아닙니다. 프록시는 단지 Claude Code 클라이언트가 완전히 다른 모델과 통신할 수 있도록 해주는 번역 계층(translation layer)일 뿐입니다. Amazon Nova는 Claude가 아니며, 출력(output), 추론(reasoning) 품질, 도구 호출(tool calling) 동작은 Anthropic의 실제 모델과 다를 것입니다. 만약 목적이 Claude Code 자체를 평가하거나 실제로 배포할 무언가를 구축하는 것이라면, 이 설정은 왜곡된 결과를 보여줄 수 있습니다. 이 방식이 진정으로 적합한 용도는 에이전트 루프(agent loop), 도구 호출 방식, 컨텍스트 관리(context management) 등의 메커니즘을 학습하는 것이며, 세션이 길어질 때마다 카드를 긁어야 하는 걱정 없이 학습할 수 있다는 점입니다.

AWS Bedrock의 또 다른 주의 사항: 과금 모델이 변경되고 있습니다

만약 여러분이 더 멀리 나아가 실제 업무를 위해 Bedrock 상의 에이전트 프레임워크 (agent framework)를 직접 사용하려 한다면, 마이그레이션 (migrate) 전에 반드시 알아야 할 변화가 있습니다. AWS는 신규 고객에 대해 Bedrock Agents Classic 서비스를 종료했습니다. 기존 에이전트는 계속 작동하며 아직 공식적인 서비스 종료 (end-of-life) 시점은 발표되지 않았지만, 새로운 방향은 AgentCore입니다. Bedrock Agents Classic의 경우, 대부분의 팀은 모델 추론 (inference model) 비용, Lambda, 지식 베이스 (Knowledge Base) 쿼리 및 기타 AWS 리소스 비용만 모니터링하면 되었습니다. 오케스트레이션 (orchestration) 레이어는 별도의 과금 서비스가 아니었기 때문입니다. 하지만 AgentCore는 이를 변화시킵니다. 추론 비용 외에도 에이전트 호출 (agent invocation) 및 게이트웨이 요청 (gateway request)과 같은 플랫폼 계층 비용이 추가됩니다. 즉, 총비용이 더 이상 토큰 수에만 의존하지 않는다는 의미입니다. 만약 여러분의 팀이 입력/출력 토큰을 통해서만 비용을 추적하고 있다면, AgentCore로 전환할 때 실제 비용의 일부를 놓치게 될 것입니다.

여러분의 학습에 적용하기

GPU 리그 (GPU rig)를 구매하지 않고, 몇 번의 프롬프트 (prompt) 후에 차단되지 않으면서 Claude Code를 배우고 싶은 현재의 상황에 있다면, Bedrock 프록시 (proxy)는 연습 단계에서 합리적인 중간 선택지입니다. 하지만 두 가지를 명확히 구분해야 한다는 점을 기억하세요. 에이전트 메커니즘 (agentic mechanism)을 연습하는 것(이 프록시가 잘 수행하는 역할)과 Claude Code의 실제 품질을 평가하는 것(Anthropic API에서 직접 테스트해야만 의미 있는 비교가 가능함)입니다. 이후 Bedrock 상의 실제 에이전트 프레임워크로 확장할 계획이라면, AgentCore를 선택하기 전에 비용 모델 (cost model)을 다시 검토하십시오. 과금 구조가 Bedrock Agents Classic과는 다르기 때문입니다.

이 기사는 원래 NextFuture에 게시되었습니다. 더 많은 풀스택(fullstack) 및 AI 엔지니어링 콘텐츠를 보려면 저희를 팔로우하세요.