Claude Code CLI 완벽 가이드 — 터미널 명령어, 플래그, 슬래시 커맨드 총정리

-
Claude Code CLI 완벽 가이드 — 터미널 명령어, 플래그, 슬래시 커맨드 총정리

파이프라이닝부터 토큰 관리까지, 개발자를 위한 터미널 AI 실전 레퍼런스

핵심 요약

  • CLI 명령어(터미널 호출), 실행 플래그(권한/환경 제어), 슬래시 커맨드(세션 내 관리) 세 계층으로 구성된다
  • 파이프(|)와 단발성 모드(-p)의 조합이 CI/CD 연동의 핵심이다
  • /compact와 /cost로 토큰 비용을 실시간 관리할 수 있다

배경

AI의 역할이 웹 챗봇을 넘어 터미널 내부로 들어오고 있다. Claude Code는 터미널을 벗어나지 않고 코드 작성, 디버깅, 시스템 제어를 수행할 수 있는 CLI 도구다. 시스템 설계자 관점에서 가장 큰 장점은 UNIX 명령어 체계와 자연스럽게 결합되는 파이프라이닝과 컨텍스트의 연속성이다.

1. 터미널 명령어 (CLI Commands)

본문

2. 실행 플래그 (CLI Flags)

1. 터미널 명령어 (CLI Commands)

명령어 설명
claude 대화형 세션 진입
claude "작업" 초기 프롬프트 전달 후 세션 시작
claude -p "작업" 단발성 실행 후 즉시 종료
cat 파일 \| claude -p 파이프라인 — 파일 내용을 AI에 전달
claude -c 가장 최근 대화 이어서 시작
claude -r "세션" "작업" 특정 세션 복구 후 후속 작업
claude update 최신 버전 업데이트
claude agents 하위 에이전트 목록 출력
claude mcp MCP(Model Context Protocol) 서버 관리

로그 분석 시 파이프 체인으로 엮어 쓰는 방식이 CI/CD 파이프라인 연동에 유용하다.

2. 실행 플래그 (CLI Flags)

권한/보안 제어 - --allowedTools "패턴": 특정 도구의 Y/N 확인 생략, 즉시 실행 허용 - --dangerously-skip-permissions: 모든 권한 확인 생략. 자동화에선 유용하나 검증 안 된 코드에선 위험

환경/컨텍스트 제어 - --add-dir <경로>: 추가 디렉토리 접근 경로 지정 - --agent <이름>: 특정 에이전트 강제 할당 - --append-system-prompt "내용": 시스템 프롬프트에 규칙 추가

확장 기능 - --chrome: 웹 자동화/E2E 테스트용 Chrome 통합 활성화 - --debug "<카테고리>": api, mcp 등 디버그 로그 출력

3. 슬래시 커맨드 (대화형 모드)

세션/토큰 관리 - /clear (/new, /reset): 대화 기록 초기화 — 비용 절감의 핵심 - /compact: 핵심만 남기고 기록 압축, 이후 토큰 소모 최소화 - /context: 현재 토큰 사용 상태 시각화 - /fork [이름]: 현재 문맥을 복제해 독립 세션 분기 (A/B 테스트에 유용) - /cost: 누적 토큰 사용량과 예상 비용 확인

워크스페이스 설정 - /add-dir <경로>: 실시간으로 참조 디렉토리 추가 - /init: CLAUDE.md 가이드 파일 생성

진단/유틸리티 - /doctor: 설치 상태, 권한, 환경 변수 자가 진단 - /diff: 커밋되지 않은 코드 수정 사항 확인 - /insights: 최근 세션 분석 및 병목 리포트

시행착오 / 주의사항

--dangerously-skip-permissions는 자동화 스크립트에서 편리하지만, 검증되지 않은 코드를 다룰 때는 시스템 훼손 위험이 있다. 프로덕션 환경에서는 --allowedTools로 세밀하게 제어하는 것을 권장한다.

마무리

Claude Code CLI의 핵심은 세 가지다. /init을 통한 CLAUDE.md 프로젝트 설정, 파이프(|) + -p를 활용한 단발성 자동화, /compact와 /cost를 통한 토큰 비용 관리. 이 세 가지만 익혀도 터미널 기반 AI 활용의 실무 생산성이 즉각 올라간다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »