Learning Opportunities: 의도적 기술 개발을 위한 Claude Code 및 Codex 기술

단순히 프로젝트를 만드는 것을 넘어, 전문성을 구축하세요.

이 기술은 에이전트 기반 코딩 (agentic coding)을 수행하는 동안 과학에 기반한 전문성 구축 연습을 통합할 수 있도록 적응형 "동적 교과서 (dynamic textbook)" 접근 방식을 사용합니다.

아키텍처 작업(새 파일, 스키마 변경, 리팩터링)을 완료하면, Claude는 증거 기반 학습 과학 (learning science)에 근거한 선택적인 10~15분 학습 연습을 제공합니다. 이 연습은 예측 (prediction), 생성 (generation), 인출 연습 (retrieval practice), 간격 반복 (spaced repetition)과 같은 기법을 사용하여 사용자의 프로젝트 작업 전반에서 추출한 반-완성형 예시 (semi-worked examples)를 제공합니다.

이 기술은 Learning-Goal과 함께 사용하기 좋습니다. Learning-Goal은 증거 기반 연습인 실행 의도를 포함한 정신적 대조 (Mental Contrasting with Implementation Intentions, MCII) 기법을 사용하여 반-구조화된 대화형 학습 목표 설정을 안내하는 기술입니다.

설치 (Installation)

Codex

이 저장소는 Codex 플러그인 마켓플레이스 (plugin marketplace)이기도 합니다. GitHub에서 추가하려면 다음과 같이 입력하세요:

codex plugin marketplace add https://github.com/DrCatHicks/learning-opportunities.git

체크아웃된 로컬 개발 환경에서 추가하려면:

codex plugin marketplace add /path/to/learning-opportunities

Codex 마켓플레이스 포함 항목:

• learning-opportunities — 핵심 학습 연습 기술
• learning-opportunities-auto — 선택 사항인 커밋 후 프롬프팅 훅 (post-commit prompting hook)
• orient — 저장소 오리엔테이션 생성기

Claude Code

이 저장소는 Claude Code 플러그인 마켓플레이스입니다. 설치 방법은 다음과 같습니다:

1. 마켓플레이스 추가:

   /plugin marketplace add https://github.com/DrCatHicks/learning-opportunities.git
   

2. 플러그인 설치:

   /plugin install learning-opportunities@learning-opportunities
   

3. 활성화를 위해 Claude Code 재시작

Claude Code 플러그인에 대한 자세한 내용은 플러그인 문서를 참조하세요.

자동 프롬프팅 (Automatic Prompting) (선택 사항)

Linux 및 macOS 사용자는 learning-opportunities와 함께 learning-opportunities-auto를 설치하여, 각 git commit 이후 Claude가 자동으로 연습 문제 제공을 고려하도록 할 수 있습니다. Windows 사용자도 사용할 수 있습니다 — 약간의 설정이 필요합니다.

리포지토리 방향성 학습 (Get Repo Orientation Lessons) (선택 사항)

새로운 리포지토리 (repo)를 배우고 있다면, orient 스킬을 사용하여 제안된 레슨이 포함된 orientation.md 파일을 생성할 수 있습니다. 이 방향성 (orientation) 접근 방식은 프로그램 이해 (program comprehension) 및 코드베이스 탐색 (codebase navigation)에 관한 실증적 연구의 전략들을 적용합니다. 여기에는 숙련된 개발자들이 코드를 철저하게 읽는 대신 전략적으로 코드베이스를 샘플링하는 방법 등이 포함됩니다. 전체 출처 목록은 orient 참고 문헌을 참조하세요.

orient 플러그인을 설치하세요:

/plugin install orient@learning-opportunities

방향성을 파악하고자 하는 리포지토리로 이동한 다음, orient 스킬을 기본 방식으로 호출하거나

/orient

또는 Simon Willison의 showboat 도구를 사용하여 호출하세요.

/orient showboat

그 다음 orient 인자와 함께 learning-opportunities를 호출하면, 리포지토리의 핵심 기능에 대한 방향을 잡아줄 두 가지 레슨을 제공받을 수 있습니다.

/learning-opportunities orient

이 스킬을 실험해보고 싶은 이유

AI 코딩 도구는 비효율적인 학습 습관을 유발함으로써 사용자의 학습 참여도를 낮추는 특정한 위험을 초래할 수 있습니다. 이러한 효과는 과학적 근거를 가진 몇 가지 기초적인 학습 원리에 기반하여 예측될 수 있습니다:

1. 생성 효과 (Generation effect): 생성된 코드를 수용하고 스스로 코드를 생성하는 빈도를 줄이는 것은 이해를 구축하는 능동적인 처리 과정을 건너뛸 수 있습니다.
2. 유창성 환상 (Fluency illusion): 깔끔하게 생성된 코드는 실제보다 더 잘 이해하고 있는 것으로 인식될 수 있습니다. 마찬가지로, 검색을 통해 쉽게 접근 가능한 지식은 지식의 환상과 더 완전한 정신 모델 (mental models)을 가지고 있다는 환상을 조장할 수 있습니다.
3. 간격 효과 (Spacing effect): 기계의 속도는 사용자가 학습의 리듬, 성찰, 그리고 장기 기억 유지로 이어지는 간격 학습 (spacing) 없이 지속적인 주입식 학습 (cramming)과 긴 작업 세션으로 치닫게 만들 수 있습니다.
4. 메타인지 (Metacognition): 빠른 워크플로우는 새로운 기술을 다룰 때 학습을 모니터링하고 스키마 표현 (schema representation)을 개발하며, 사용자의 상대적 전문성 및 지식 수준을 파악할 여유를 주지 않는 경우가 많습니다.
5. 테스트 및 인출 (Testing and retrieval): 에이전트 모델 (Agentic models)은 완전한 답변을 제공하는 방향으로 작동하며, 이는 사용자가 기억력을 강화하는 새로운 지식의 특정 구성 요소를 스스로 테스트하고 인출 (retrieving)함으로써 얻을 수 있는 기회를 줄이는 결과를 초래할 수 있습니다.

SKILL.md의 기술들은 다음 요소들을 다시 도입함으로써 이러한 위험에 대응하도록 설계되었습니다:

• 능동적 생성 (예측, 설명, 스케치)
• 인출 연습 (체크인, 되가르쳐주기, 자가 테스트)
• 의도적 일시 정지 (간격, 성찰)
• 명시적 메타인지 (자기 평가, 격차 식별)

이 기술은 성찰과 학습에 투자할 것을 상기시킴으로써 그러한 패턴을 차단합니다. 이는 Claude와 상호작용하는 다른 "모드 (mode)"를 도입하며, 생성된 작업물을 성찰하고 탐구할 수 있도록 돕기 위해 매우 유창하고 빠른 에이전트 방식의 코딩과는 의도적으로 다르게 느껴질 것입니다. 이 기술은 에이전트 코딩을 사용하여 익숙하지 않은 여러 언어, 기술 또는 아키텍처 패턴이 포함된 개별 프로젝트 개발을 실험하는 사용자들에게 특히 유용할 수 있습니다.

작동 방식

상당한 양의 작업(스스로 정의할 수 있지만, 제가 제안하는 기준은 다음과 같습니다: 새로운 파일 또는 모듈 생성, 데이터베이스 스키마 변경, 아키텍처 결정 또는 리팩터링 (refactor), 생소한 패턴 구현, 개발 과정에서 사용자가 "왜"라는 질문을 던졌던 모든 작업. 핵심 아이디어는 개인적인 작업 흐름 (flow) 중에서 학습 기회가 가장 유익할 수 있는 순간을 찾는 것입니다)을 완료하면, Claude는 다음과 같이 물을 것입니다:

"[주제]에 대해 10~15분 정도 짧은 학습 연습을 해보시겠습니까?"

수락하면, Claude는 대화형 연습을 진행합니다. 핵심 설계 원칙은 다음과 같습니다: Claude는 스스로 질문에 답하는 대신, 잠시 멈추고 사용자의 입력을 기다립니다. 이 방식이 답답하게 느껴질 수도 있지만, 이는 항상 전체 정답을 제공하려는 Claude의 기본 설정 (default)에 저항하며, 사용자의 정신적 노력과 학습을 독려하기 위함입니다. Claude가 완전한 정답을 제공하려는 기본 설정에 부딪히거나 이를 방지하기 위한 설계를 해야 할 수도 있습니다. 만약 본인의 워크플로 (workflow)에서 다른 사람들에게도 일반화될 수 있는 문제점이나 충돌 사항(예: 프롬프트 제안을 억제해야 한다는 점을 배웠습니다)을 발견한다면, 이 기술 (Skill)을 개선하여 반영할 수 있도록 언제든 알려주세요.

연습 유형 (Exercise Types)

• 예측(Prediction) → 관찰(Observation) → 성찰(Reflection): 어떤 일이 일어날 것이라고 예상하나요? 이제 실제로 확인해 봅시다. 무엇이 놀라웠나요?
• 생성(Generation) → 비교(Comparison): 구현 내용을 보기 전에 이를 어떻게 접근할지 스케치해 보세요.
• 경로 추적 (Trace the path): 각 전환 (transition)을 예측하며 실행 과정을 단계별로 따라가 보세요.
• 디버깅 (Debug this): 여기서 무엇이 잘못될 수 있으며, 그 이유는 무엇인가요?
• 역설명 (Teach it back): 새로운 개발자를 온보딩 (onboarding)한다고 가정하고 이 컴포넌트 (component)를 설명해 보세요.
• 회상 확인 (Retrieval check-in): 세션 시작 시, 지난번에 무엇을 기억하고 있나요?

학습 기회를 제안하지 않는 경우...

현재 워크플로 요구 사항에 맞춰 조정할 수 있는 두 가지 억제 조건 (suppression conditions)이 제안되어 있습니다.
Claude는 다음과 같은 경우 학습 기회를 제안하지 않습니다:

• 이번 세션에서 이미 연습을 거절한 경우
• 이번 세션에서 이미 2개의 연습을 완료한 경우

그 이면의 과학 및 리소스

이 연습 문제들은 학습 과학 (learning science)의 확립된 연구 결과와 일반적인 학습자의 오개념 (misconceptions)에 관한 실질적인 연구를 바탕으로 합니다. 또한, 설계 방식은 개발자들이 자신의 학습과 개발에 있어 에이전트 기반 코딩 (agentic coding)의 어떤 측면을 가장 좌절스럽거나, 걱정되거나, 혹은 어렵게 느끼는지에 대해 진행한 다수의 질적 인터뷰 (qualitative interviews)를 반영하였습니다.

새로운 연습 유형을 개발하거나 자신의 학습을 돕는 전략에 대해 더 자세히 배우고 싶다면 PRINCIPLES.md를 참조하십시오.

Measure This, 팀 실험을 가시화하기 위한 경량 플레이북

팀과 함께 이 기술을 시도하고 있다면, 조직 내에서 실험을 더 가시화하고 가치 있게 만들기 위해 가벼운 사전/사후 측정 (pre/post measurement)을 추가할 수 있습니다.

MEASURE-THIS.md는 다음과 같은 내용을 포함하는 동반 플레이북입니다:

• 검증된 설문 항목 세트: 개발자의 번영 (developer thriving) 및 AI 기술 위협 (AI skill threat)에 관한 동료 검토 (peer-reviewed) 연구에서 추출하여, Google Form이나 팀 채널에 바로 복사하여 사용할 수 있도록 큐레이션되었습니다.
• 결과 활용에 대한 가이드 (해야 할 것과 하지 말아야 할 것): 평균만큼이나 분산 (variance)이 중요한 이유와, 이러한 유형의 측정치를 바라보는 저의 관점에 대한 몇 가지 가드레일 (guardrails)을 포함합니다.
• "팀 자랑 (team boast)" 템플릿: 실제 연구에 기반하여, 실험 내용을 경영진에게 보내는 이메일로 구성할 수 있도록 만든 빈칸 채우기 형식의 문단입니다.
• 통계적 엄밀함을 위한 Claude.md 넛지 (nudges): Claude를 사용하여 더 복잡한 분석을 수행하고자 하는 경우, 이러한 넛지는 AI 보조 통계 분석에서 흔히 발생하는 실수들을 방지하는 데 도움을 줍니다.

이 측정 도구들은 CC-BY-SA 4.0 라이선스에 따라 무료로 공개되어 있습니다. 전체 측정 세트와 설계 노트는 AI Skill Threat 오픈 액세스 측정 보충 자료 및 Developer Thriving 오픈 액세스 측정 보충 자료를 참조하십시오.

커스터마이징 (Customization)

이 기술은 상당히 정교하게 다듬고 조정할 수 있습니다. 다음과 같은 작업을 수행할 수 있습니다:

• 적절한 수준에서 연습을 시작할 수 있도록 본인의 기술적 전문 지식 및 기존 지식에 관한 정보 포함 (예: 알고 있는 언어, 학습 목표)
• Claude에게 학습 기회(learning opportunities)에서 얻은 통찰을 프로젝트의 Claude.md에 포함하도록 프롬프트 작성
• 워크플로우(workflow)를 위한 트리거 조건(trigger conditions) 조정
• 연습 문제에 프로젝트별 예시 추가
• 세션당 연습 문제의 소프트 캡(soft cap) 변경
• 도메인 특화된 검색 확인 질문(retrieval check-in questions) 추가
• 이 기술이 지침을 얼마나 성공적으로 수행하고 있는지 평가하기 위한 평가 체크(evaluation checks) 추가 탐색

배경 (Background)

이 기술은 학습 과학(learning science)을 기반으로 개발되었으며, AI 지원 워크플로우에서 개발자의 번영과 기술 개발에 관한 나의 오픈 사이언스(open science) 실증적 증거의 일환으로, 에이전트 기반 코딩(agentic coding)에 대한 우려 사항을 다룬 소프트웨어 개발 전문가들과의 다수 질적 인터뷰(qualitative interviews)를 통해 정보를 얻었습니다. 수천 명의 개발자를 대상으로 한 나의 연구에서, 나는 학습에 대한 강력한 가치 부여와 전념이 에이전트 기반 코딩에 적응해야 하는 상황을 상상할 때 개발자들이 느끼는 위협, 걱정 및 불안을 줄여준다는 것을 발견했습니다. 또한 학습 문화(learning culture)는 개인의 생산성뿐만 아니라 팀의 전반적인 효과성 증대와도 연관됩니다.

저자 (Authors)

Learning-Opportunities:

Dr. Cat Hicks

나는 소프트웨어 팀과 기술 업무를 연구하는 심리학자이자 저자, 대중 연설가, 연구 설계자(research architect), 그리고 모두가 질문하지만 실제 증거를 수집하는 사람은 거의 없는 질문들에 대한 해답을 찾아내는 급진적 연구 팀을 구축하는 실증적 개입가(empirical interventionist)입니다.

• 웹사이트: drcathicks.com
• 소프트웨어 팀 및 엔지니어링 리더십 컨설팅: catharsisinsight.com
• 출간 예정 도서: The Psychology of Software Teams (2026)

Orient:

Dr. Michael Mullarkey

저는 이전에 상담사 및 사회과학 연구원으로 활동했던 머신러닝 (ML) 엔지니어입니다. 저는 에이전트형 AI (Agentic AI)를 활용하여 사람들이 기술을 배우도록 돕는 방법에 대해 많은 고민을 하고 있으며, 또 다른 사례로 blendtutor를 참고해 주시기 바랍니다.

• Website

Sources