Claude Code를 프로젝트 관리자로 만들기 — 워크플로우 하네스 설계기

-
Claude Code를 프로젝트 관리자로 만들기 — 워크플로우 하네스 설계기

Workflow, Memory, Context 3축으로 AI 코딩 에이전트의 구조적 한계를 해결하는 방법

핵심 요약

  • Claude Code의 문제는 도구가 아니라 구조의 부재였다
  • Workflow(일하는 순서), Memory(기억 계층), Context(로딩 범위) 3축으로 하네스를 설계했다
  • "무엇을 하라"보다 "언제 멈추라", "전부 기억"이 아니라 "언제 꺼낼지"가 핵심이다
배경

배경

Claude Code는 강력하지만 복잡한 프로젝트에서 반복되는 문제가 있었다.

  • "어디부터 시작할까?" — 요구사항이 애매한데 바로 코딩으로 돌진
  • "이전에 뭘 했더라?" — 세션이 바뀌면 맥락을 잊음
  • "이거 검증했나?" — 구현 후 바로 완료 선언
  • "3번 시도했는데 또 같은 방법으로 시도한다" — 실패 패턴 미인식

"Claude Code가 문제인 게 아니라 구조가 없는 게 문제"라고 진단했다.

Axis 1: Workflow — 일하는 순서를 강제

본문

Axis 1: Workflow — 일하는 순서를 강제

Ambiguity Gate — 모든 요청의 구체성을 먼저 확인한다. 파일 경로, 함수명, 에러 메시지, 번호 매겨진 단계 중 하나도 없으면 deep-interview가 발동된다.

Simple vs Complex 분류: - Simple (1-2 스텝): 바로 실행 - Complex (3+ 스텝): brainstorming → writing-plans → execution → verification

작업 유형별 파이프라인도 프리셋으로 정의했다. feature, bugfix, refactor, security 각각 최적화된 단계를 밟는다. 실패가 2회 반복되면 같은 전략 3번째는 금지하고, 다른 접근법 2개를 제시받는다.

Axis 2: Memory — 기억하는 방법을 계층화

Layer 1: docs/ (장기 기억) — 아키텍처 결정, API 패턴, 운영 규칙. 파일당 50줄 제한.

Layer 2: lessons.md (행동 규칙) — 실패 패턴에서 추출한 규칙. 세션 시작 시 자동 주입.

Layer 3: sessions/ (임시 스냅샷) — 현재 작업 상태 저장. 컴팩션 전 핸드오프 문서 작성 필수.

Axis 3: Context — 로딩하는 범위를 최소화

Lazy Loading — CLAUDE.md에 트리거 테이블만 두고, 필요할 때만 스킬 파일을 로딩한다.

Model Routing — 복잡도에 따라 모델 변경: - haiku: 파일 검색, 로그 확인 - sonnet: 코드 작성, 버그 수정 - opus: 아키텍처 설계, 보안 리뷰

Sub-agent 격리 — 세션 히스토리 대신 핸드오프 문서만 전달.

에이전트 3인 체제와 자동화 훅

  • main-orchestrator (opus) — 판단과 분류
  • executor-agent (sonnet) — 복잡한 코드 작성 전담. 3번 실패 시 STOP
  • quality-agent (sonnet) — 읽기 전용 코드 리뷰

훅은 SessionStart(plan.md, lessons.md 자동 주입), PreCompact(핸드오프 문서 작성 리마인드), PostToolUse(파일 수정 후 validation/linting 검사) 세 가지가 동작한다.

시행착오 / 주의사항

가장 큰 교훈 세 가지: 1. "무엇을 하라"보다 "언제 멈추라" — 명확한 중단 조건이 더 중요하다 2. 메모리는 "전부 기억"이 아니라 "언제 꺼낼지" — 필요한 것만 로딩해야 한다 3. 컨텍스트 효율은 "넣지 않는 것"에서 온다 — Lazy Loading이 핵심이다

마무리

하네스는 Claude Code 자체를 바꾸는 것이 아니라, Claude Code가 일하는 틀을 제공하는 것이다. 구조가 있으면 AI는 훨씬 일관되게 동작한다.

GitHub: https://github.com/youngjin39/Claude-Code-Prompt-Harness

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 »