서론

2026년 7월, AI 빅3(Anthropic / OpenAI / Google)가 연이어 주력 모델을 개편했습니다.

• Claude Sonnet 5 (6/30): Opus급 코드 품질, 100만 토큰 컨텍스트 window -
• GPT-5.6 (Sol / Luna / Terra의 3개 계통) -
• Gemini 3.5 Pro (7/17 재설계판 투입) -

본 기사에서는 실무 영향력이 큰 'Claude Sonnet 5의 100만 토큰 컨텍스트'를 소재로, 대규모 코드베이스를 단일 요청으로 요약 및 리뷰시키는 구현 패턴을 코드를 포함하여 설명합니다.

왜 100만 토큰이 효과적인가

기존에는 컨텍스트 길이 제약 때문에 리포지토리 전체를 한 번에 읽히게 하는 것이 어려웠습니다. 파일을 잘라서 요약 → 재요약하는 다단계 파이프라인이 필요했고, 이 과정에서 파일 간의 의존 관계가 손실되기 쉬웠습니다. 100만 토큰(=대략 수십만 줄 규모의 코드에 해당)을 한 번에 처리할 수 있게 되면, 파일을 넘나드는 참조 해결이나 아키텍처 전체의 일관된 리뷰를 단일 패스로 수행하는 것이 가능해집니다.

구현: 리포지토리를 1개 요청으로 통합하기

대상 리포지토리의 소스를 수집하고, 토큰 수를 예상하면서 하나의 프롬프트에 담습니다.

from pathlib import Path
EXTS = {".py", ".js", ".ts", ".go", ".rs", ".java"}
IGNORE = {"node_modules", ".git", "dist", "build", "__pycache__"}
...

수집한 파일을 경로 제목과 함께 결합합니다.

def build_context(files, budget=900_000):
blocks, used = [], 0
for rel_path, source in files:
...

프롬프트 구성: 역할・작업・출력 형식을 분리하기

장문 컨텍스트에서는 지시사항이 묻히기 쉬우므로, 시스템 측에서 역할을 고정하고 출력 형식도 고정하며, 사용자 측에 코드를 배치합니다.

import anthropic
client = anthropic.Anthropic()
SYSTEM = """당신은 시니어 소프트웨어 아키텍트입니다.
..."""

import anthropic
client = anthropic.Anthropic()
SYSTEM = "시니어 아키텍트로서, 리포지토리 전체를 읽고 아키텍처 개요・의존성・위험 상위 5가지를 일본어 Markdown으로 출력합니다"
...

정확도와 비용을 모두 잡는 세 가지 방법

예산을 90%로 줄이기: 최대치까지 채우면 출력용 토큰이 고갈됩니다. 입력은 최대치의 80~90%로 합니다.

• 중요 파일을 앞에 배치하기: 모델은 문맥의 전후단에 주의가 치우치는 경향이 있습니다. 진입점(entry point)이나 설정 파일(config file)을 맨 앞으로 배치하세요.
• 출력을 구조화시키기: 자유 기술 형식보다 '파일:행' 형식을 강제하는 것이 후속 자동 처리(downstream processing)에 더 용이합니다.

다른 모델과의 활용 분배

용도	추천 모델
대규모 코드 일괄 리뷰	Claude Sonnet 5
...

요약

Claude Sonnet 5의 100만 토큰 컨텍스트는 '리포지토리 전체를 한 번에 리뷰하는' 워크플로우를 현실적으로 만듭니다. 예산을 90%로 줄이기, 중요 파일을 앞에 배치하기, 출력을 구조화시키기, 이 세 가지 포인트를 지켜서 시도해 보세요.

※본 기사는 2026년 7월 17일 기준의 정보에 근거합니다.

Discussion