Claude Code를 위한 자율 AI 에이전트 기술 구축 방법: 실전 가이드

2000 단어 · 읽기 시간 8분

지난주 저는 한 가지 실험을 진행했습니다. Claude Code 기술(skills) 세트로 자율적으로 실행되는 AI 에이전트가 실제로 인터넷에서 돈을 벌 수 있을까요? 지금까지의 답변은 미묘한 차이가 있으며, 이 과정은 그 어떤 문서보다 기술 설계(skill design)에 대해 더 많은 것을 가르쳐 주었습니다.

실제로 결과물을 만들어내는 효과적인 자율 Claude Code 기술을 구축하는 것에 대해 제가 배운 점은 다음과 같습니다.

Claude Code 기술이란 실제로 무엇인가

마케팅 용어는 잊으세요. Claude Code에서의 "기술 (skill)"은 단순히 AI가 따르는 지침이 담긴 마크다운 (markdown) 파일일 뿐입니다. 이는 ~/.claude/skills/에 저장되며 세션 시작 시 로드됩니다. 그게 전부입니다.

---
name: my-skill
description: 이 기술이 하는 일
...

마법은 형식에 있는 것이 아닙니다. 지침을 어떻게 구조화하느냐에 달려 있습니다. 잘 작성된 기술은 에이전트를 10배 더 효과적으로 만듭니다. 잘못 작성된 기술은 끝없는 혼란의 루프를 생성합니다.

효과적인 기술의 3가지 계층

실제로 결과물을 만들어내는 여러 기술(그리고 그렇지 못한 여러 기술)을 구축한 후, 저는 효과적인 기술에는 세 가지 계층이 필요하다는 것을 발견했습니다.

계층 1: 가드레일 (The Guardrails)

모든 자율 기술에서 가장 중요한 부분은 무엇을 하지 말아야 하는가입니다. 명시적인 가드레일이 없으면 에이전트는 표류합니다. 잘못된 것을 위해 최적화합니다. 막다른 길에서 토큰 (tokens)을 낭비합니다.

저의 수익 창출 실험은 이를 고통스럽게 가르쳐 주었습니다. 번역 기술 (L1)은 다음과 같은 엄격한 제약 조건이 있었기에 작동했습니다: 2일 마감 기한, 500K 토큰 예산, 1.5일 동안 PR이 병합되지 않으면 중단. 바운티 헌팅 (bounty-hunting) 기술 (L2)은 검색 공간을 충분히 타이트하게 제한하지 않았기 때문에 토큰을 더 빨리 소모했습니다.

제가 구축한 모든 효과적인 기술은 다음 사항부터 시작합니다:

• 마감 기한 (Deadline): 시도를 중단해야 할 시점
• 토큰 예산 (Token budget): 회로 차단기 (circuit-breaker) 작동 전 최대 소모량
• 성공 기준 (Success criteria): "완료"가 무엇을 의미하는지 (구체적으로 작성)
• 실패 모드 (Failure modes): 상황이 잘못되었을 때 해야 할 일

손절매 (Stop-Loss)

• 최대 토큰 예산 (Max token budget): 500,000
• 회로 차단기 (Circuit breaker): 1.5일 동안 병합된 PR이 0개라면 중단
  ...

레이어 2: 워크플로우 (The Workflow)

자율 에이전트 (Autonomous agents)에게는 명시적인 결정 트리 (Decision trees)가 필요합니다. "최선을 다해봐" 식의 지시는 안 됩니다. 바로 그 지점에서 에이전트들은 실패합니다. 대신 "X라면 Y를 하라. X가 아니라면 Z를 하라"와 같은 지시가 필요합니다.

제 번역 기술(skill)에 효과적이었던 워크플로우는 다음과 같습니다:

### 1단계: 기회 포착 (1일차 오전)
1. GitHub에서 "help wanted" + "translation" 라벨이 붙은 저장소(repos) 검색
2. 필터링: 최근 커밋 1주일 미만, 번역할 코드 500라인 미만
...

핵심 통찰: 각 단계는 명확한 결과물 (Deliverable)과 타임박스 (Time box)를 가집니다. 에이전트는 각 단계에서 무엇이 "완료" 상태인지 정확히 알 수 있습니다.

레이어 3: 성찰 루프 (The Reflection Loop)

이 부분이 대부분의 기술이 한계를 드러내는 지점입니다. 자율 에이전트는 자신의 출력물로부터 학습해야 합니다. 매 실행이 끝난 후, 제 기술들은 다음과 같은 성찰 (Reflection)을 추가합니다:

## 성찰 (Reflection)
1. 수익: 실제 수익 vs 예상 수익, 격차 원인
2. 비용: 토큰 소비량, 가장 비용이 많이 든 단계
...

이 성찰은 다음 단계의 기술로 직접 전달됩니다. 저의 L2 (바운티 헌팅)가 L1보다 나았던 이유는 L1의 GitHub 워크플로우와 가드레일 (Guardrail) 패턴을 상속받았기 때문입니다. 각 기술은 이전 기술 위에서 복리로 쌓입니다.

점진적 난이도: 단계를 건너뛸 수 없는 이유

제 실험에서 가장 중요한 설계 결정은 점진적 난이도 (Progressive difficulty)였습니다. 가장 어려운 문제부터 시작하지 마세요. 성공 가능성이 가장 높은 가장 쉬운 문제부터 시작한 다음, 그 학습 내용을 바탕으로 더 어려운 문제에 도전하세요.

저의 사다리는 다음과 같습니다:

1. GitHub 번역 → 95% 병합률, 토큰 비용 거의 제로
2. 버그 바운티 (Bug bounties) → 70% 병합률, 중간 비용
3. 콘텐츠 작성 → 가변적인 성공률, 중간 비용
4. 디지털 제품 → 높은 초기 비용, 반복적인 수익 잠재력

이것은 단순한 리스크 관리 (Risk management)가 아닙니다. 기술의 복리 효과 (Skill compounding)입니다. 각 레벨은 다음 레벨이 상속받을 패턴, 워크플로우, 그리고 가드레일을 만들어냅니다.

실제로 효과가 있었던 것 (그리고 효과가 없었던 것)

실험 3일 차에 도달한 솔직한 성적표는 다음과 같습니다:

성공 사례: GitHub 번역. 활발하게 운영되는 저장소(repo)에서 중국어 README 번역을 요청하는 오픈 이슈를 발견했습니다. 2시간 이내에 334줄 중 17KB를 번역했습니다. Fork → branch → PR → 제출 과정을 거쳤습니다. 총 토큰 비용은 약 92K 토큰(약 $0.13)이었습니다. 해당 PR은 현재 라이브 상태이며 메인테이너(maintainer)의 검토를 기다리고 있습니다.

실패 사례: 버그 바운티 (Bug bounties). 바운티 시장을 스캔하는 데 81K 토큰을 사용했지만, 실행 가능한 기회를 전혀 찾지 못했습니다. GitHub의 "bounty" 라벨은 80%가 사기입니다. Algora나 ProjectDiscovery와 같은 합법적인 플랫폼에는 열려 있는 바운티가 전혀 없습니다. AI 에이전트들이 몇 시간 내에 모두 채가기 때문입니다. Expensify에는 176개의 $250 규모 오픈 바운티가 있지만, 단 하나도 빠짐없이 이미 할당된 상태였습니다. 2026년 6월 기준으로, 바운티 시장은 자율 에이전트들에게 구조적으로 망가져 있습니다.

이 실패는 사실 가장 가치 있는 결과였습니다. 이는 기술 최적화만으로는 극복할 수 없는 시장의 진실을 드러냈습니다. 8~158개의 AI 에이전트가 모든 바운티를 두고 경쟁할 때, 단순히 잘하는 것만으로는 부족합니다. 가장 빨라야 합니다.

아무도 말하지 않는 토큰 경제학 (Token Economics)

자율 기술(autonomous skill) 설계의 모든 결정은 토큰 경제학으로 귀결됩니다. 상업용 API 가격을 기준으로 할 때, 매 100K 토큰은 실제 비용을 발생시킵니다. 50달러를 벌기 위해 500K 토큰을 태우는 기술은 손해 보는 사업입니다.

제 기술 설계의 지침이 되는 계산식은 다음과 같습니다:

• 입력 토큰 (Input tokens) (~$0.50/MTok): 코드 읽기, 검색, 분석
• 출력 토큰 (Output tokens) (~$2.00/MTok): 코드 생성, 콘텐츠 작성

번역은 이미 알고 있는 입력값에 대해 출력 비중이 높기 때문에(영어 README 하나 = 중국어 README 하나) 수익성이 있습니다. 버그 수정은 3줄을 바꾸기 위해 50개의 파일을 읽어야 할 수도 있기 때문에 위험합니다.

제가 발견한 가장 토큰 효율적인 패턴은 **'한 번 읽고, 한 번 생성하기 (read once, produce once)'**입니다. 소스를 가져와서, 번역/작성/수정하고, 바로 발송(ship)하세요. 추가적인 왕복 과정(더 많은 파일 읽기, 다시 검색하기, 명확한 질문 던지기 등)이 발생할 때마다 마진(margin)은 깎여 나갑니다.

첫 번째 기술 구축하기: 템플릿

제가 새로운 기술을 만들 때마다 사용하는 템플릿입니다. 대괄호 안의 부분을 수정하여 사용하세요:

---
name: [skill-name]
description: [one-line purpose]
...

진짜 교훈

자율 AI 에이전트 (Autonomous AI agents)를 구축하는 것은 프롬프트 엔지니어링 (Prompt engineering)에 관한 것이 아닙니다. 그것은 시스템 설계 (Systems design)에 관한 것입니다. 효과적인 기술은 가장 영리한 기술이 아니라, 가장 명확한 가드레일 (Guardrails), 가장 긴밀한 피드백 루프 (Feedback loops), 그리고 가장 정직한 성찰 사이클 (Reflection cycles)을 갖춘 기술입니다.

저의 실험이 아직 돈을 벌어다 주지는 못했습니다. 하지만 이 실험이 만들어내고 있는 기술들 — 전략, 실행 로그, 그리고 성찰이 내장된 각각의 독립적인 모듈들 — 은 복리로 쌓이는 자산입니다. 설령 이번 수익 창출 시도가 순이익을 내지 못하더라도, 이 과정에서 생성되는 기술 라이브러리 (Skill library)는 반드시 가치를 발휘할 것입니다.

그리고 그것이 "AI 에이전트가 자율적으로 돈을 벌 수 있는가"라는 질문에 대한 가장 정직한 답변일지도 모릅니다. 아직은 아니지만, 그들은 학습하는 법을 배우고 있습니다.

이 기사는 자율 AI 에이전트 경제학 (Autonomous AI agent economics)에 관한 진행 중인 실험의 일환으로 작성되었습니다. [GitHub link]에서 실험을 팔로우하세요.