Claude Code와 OpenRouter의 무료 모델 활용법: 비용 0원으로 AI 코딩 실현하는 5가지 설정

• OpenRouter의
  :free
  모델을 사용하면 Claude Code의 백엔드를 비용 0원으로 운영할 수 있습니다. 모델 선정, 레이트 제한 회피, 프롬프트 캐시 전략 세 가지 포인트를 잡으면 실용적인 수준에 도달합니다.
• 2026년 기준으로 무료 할당량이 풍부한 모델들을 엄선하여 소개합니다.

Claude Code는 강력하지만, Anthropic API를 직접 사용하면 claude-3-5-sonnet-20241022로 입력 $3/MTok, 출력 $15/MTok이 발생합니다. 하루 200 커밋과 같은 헤비한 사용의 경우 월 수만 원 규모가 될 수 있습니다.

OpenRouter는 다양한 프로바이더의 모델들을 하나의 API 엔드포인트에 모아놓은 서비스로, 많은 모델에 :free 접미사가 붙은 무료 티어가 준비되어 있습니다. Claude Code는
ANTHROPIC_BASE_URL
과 ANTHROPIC_API_KEY
을 교체하는 것만으로 임의의 백엔드로 전환할 수 있기 때문에, 이 조합이 비용 절감책으로 주목받고 있습니다. OpenRouter에서는 각 모델에 대해 레이트 제한이 있는 무료 티어를 제공합니다. 2026년 5월 기준으로 대표적인 모델들은 다음과 같습니다 (모두 공식 문서에 기재된 공개 정보입니다):

⚠️ 무료 티어는 프로바이더 측 상황에 따라 예고 없이 변경될 수 있습니다. 본번 중요 용도로는 유료 티어를 사용하십시오.

Claude Code는 환경 변수 ANTHROPIC_BASE_URL로 엔드포인트를 교체할 수 있습니다.

export ANTHROPIC_BASE_URL="https://openrouter.ai/api/v1"
export ANTHROPIC_API_KEY="sk-or-v1-xxxxxxxxxxxxxxxxxxxxxxxx" # OpenRouter의 API 키

다만, Claude Code는 기본적으로 claude-3-5-sonnet-*나 claude-3-haiku-*와 같은 Anthropic 모델명을 요청합니다. OpenRouter 측에 이러한 별칭(alias)이 존재하지 않으면 404가 반환되므로, 모델명 매핑이 필요합니다.

{
"model": "google/gemini-2.0-flash-exp:free",
"fallbackModel": "deepseek/deepseek-chat-v3-0324:free"
...
}

fallbackModel을 설정해 두면, 주 모델이 레이트 제한에 도달했을 때 자동으로 폴백(fallback)합니다.

모노레포에서 서비스별로 비용 정책이 다른 경우에는 디렉토리마다 .claude/settings.local.json를 두는 방법이 효과적입니다.

my-monorepo/
├── packages/
│ ├── api/
...

:free 모델은 429 Too Many Requests가 빈번하게 발생합니다. 이를 극복하기 위한 패턴을 소개합니다.

Claude Code의 커스텀 스크립트 호출에 래퍼(wrapper)를 삽입합니다.

import time
import anthropic
def request_with_backoff(client, max_retries=5, **kwargs):
...

여러 :free 모델을 라운드 로빈 방식으로 사용하면 실효 레이트 제한을 분산시킬 수 있습니다.

모델의 레이트 제한은 요청 수(request count)가 아니라 토큰 수(token count)로 관리되는 경우도 있다. 요청의 컨텍스트를 짧게 여러 번으로 분할하는 것보다, 한번에 묶어서 한 번의 요청으로 처리시키는 것이 더 효율적인 경우가 많다.

프롬프트 설계 지침:

❌ 나쁜 예: 파일1 → 응답 대기 → 파일2 → 응답 대기 → 총 2회 요청
✅ 좋은 예: 파일1, 2의 내용을 모아서 한 번의 요청에 담기 → 총 1회 요청

아래는 공개된 벤치마크(HumanEval / SWE-Bench 등)와 실제 코딩 평가를 통해 정리한 모델별 특성입니다.

강점: 1M 토큰이라는 압도적인 컨텍스트 길이. 대규모 코드베이스 일괄 분석에 적합 -
약점: 지시의 미묘한 뉘앙스를 놓칠 때가 있다. 일본어 프롬프트의 정확도는 다소 떨어진다 -
적합한 작업: 레포지토리 전체 의존 그래프 생성, 대량 파일 리팩토링 제안

강점: 235B 파라미터의 추론 능력. 코드와 자연어 혼재 작업에 강하다 -
약점: 32K 컨텍스트이므로 대규모 파일 로딩에는 주의가 필요 -
적합한 작업: TypeScript/Rust/Python 등 다국어 구현 생성

강점: 낮은 레이턴시(latency)와 높은 처리량(throughput). 구현 속도 중시 작업에 최적 -
약점: 복잡한 추론 체인(inference chain)이 필요한 상황에서는 품질이 다소 떨어질 수 있다 -
적합한 작업: 정형적인 보일러플레이트 생성, 테스트 케이스 작성

OpenRouter를 경유해도 일부 모델은 프롬프트 캐시(prompt cache)에 대응하고 있습니다. 캐시를 효과적으로 활용하기 위한 설계 지침:

변하지 않는 부분(코딩 규약・타입 정의・프로젝트 고유의 제약사항)을 시스템 프롬프트의 맨 앞에 고정시키고, 사용자 프롬프트에서는 작업 고유의 내용만 전달합니다.

SYSTEM_PROMPT_STATIC = """
당신은 TypeScript 전문가입니다.
다음 규약을 따라 코드를 생성해 주세요:
...

시스템 프롬프트의 맨 끝에 동적 정보를 넣지 않기(날짜・사용자 이름 등) 컨텍스트의 공통 부분을 대화 초반으로 배치하기-
동일 세션 내에서 동일한 시스템 프롬프트를 반복 사용하기(TTL(Time To Live) 내라면 캐시가 작동함)

모델은 '실제 상업 용도로 사용하지 않는다'가 아니라, 작업의 중요도에 따라 모델을 적절히 분배하여 사용하는 것이 올바른 접근 방식입니다. 문서 생성・테스트 생성・코드 리뷰 보조와 같은 비(非)핵심적인 용도에는 충분히 실용적인 품질을 낼 수 있습니다.

• OpenRouter 모델 목록 (공식)
• OpenRouter API 문서 (공식)
• Claude Code 설정 레퍼런스 (Anthropic 공식)
• Anthropic Python SDK (GitHub)
• HumanEval 벤치마크 (OpenAI Research) — MIT License
• SWE-bench (Princeton NLP) — MIT License

✍️ 본 기고지 저자: 合同会社ジモラボ

지모라보는 하오지(八王子)를 거점으로 AI를 활용한 SaaS를 다수 개발하고 있습니다. 본 기고지의 기술 검증 역시 그러한 개발 과정의 부산물입니다.

• 🌐 공식 사이트: https://locallab.jp
• 🔍 AI SEO 최적화 SaaS: lookupai.jp
• 📺 YouTube: @locallab_llc
• ✉️ 문의: [email protected]

관심 가져주셨다면, 각 SNS 팔로우도 부탁드립니다!