AI 코딩 에이전트 실전 (2/5) — Cursor 3 vs Claude Code vs GitHub Copilot 2026-05 비교

-
AI 코딩 에이전트 실전 (2/5) — Cursor 3 vs Claude Code vs GitHub Copilot 2026-05 비교

"어느 게 더 좋은가"가 아니라 "어느 게 나의 워크플로우에 맞는가"가 진짜 질문이다.

핵심 요약

  • 비교 대상: Cursor 3 (IDE 기반) / Claude Code (CLI 기반) / GitHub Copilot (편집기 통합)
  • 가격·구독 모델·핵심 기능 4가지를 정렬. 모든 가격은 2026-05-05 기준 공식 페이지 인용
  • 결론: 셋 다 같은 카테고리(코딩 에이전트)지만 디자인 철학이 달라 일대일 대체가 아니다
  • 구독 의사결정은 "내가 IDE에 살 것인가, 터미널/워크플로우에 살 것인가, 자동완성에 살 것인가"로 환원된다

1. 세 도구의 디자인 철학

도구 핵심 위치 주된 사용 모드 모델
Cursor 3 별도 IDE (VS Code 포크) 채팅 + Composer + 클라우드 Background Agent OpenAI / Anthropic / 자체 모델 선택
Claude Code 터미널 / IDE 확장 CLI 워크플로우 + 스킬 + 훅 Anthropic Opus / Sonnet / Haiku
GitHub Copilot VS Code · JetBrains 등 편집기 확장 코드 자동완성 + Chat + Agent Mode OpenAI GPT 계열 + 옵션 모델

같은 "AI 코딩"이라도 어디서 일하느냐가 다르다. Cursor는 IDE가 곧 작업 공간, Claude Code는 워크플로우 자체가 작업 공간, Copilot은 편집 중인 파일이 작업 공간이다.

2. 가격 비교 (2026-05-05 기준)

가격은 자주 바뀐다. 의사결정 시점에는 반드시 공식 페이지를 다시 확인한다.

플랜 Cursor 3 Claude Code GitHub Copilot
무료 / 트라이얼 2주 Pro 트라이얼 + 제한된 무료 모드 제한된 무료 사용 (Anthropic 계정) 학생·OSS 메인테이너 무료
개인 Pro $20/월 API 사용량 기반 (월 $20+) $10/월 (Individual)
팀/비즈니스 $40/월/사용자 (Business) API 사용량 기반 $19/월/사용자 (Business)
상위 플랜 $200/월 (Ultra) 사용량 기반 $39/월/사용자 (Enterprise)

가격 모델 차이: - 고정 구독 (Cursor / Copilot): 매월 일정. 헤비 사용 시 단가 절감. - 사용량 기반 (Claude Code): 토큰 단가 × 사용량. 가벼운 사용자는 더 싸고, 헤비 사용자는 더 비싸질 수 있다. 예측 가능성은 떨어지지만 실제 사용량에 일치한다.

의사결정 룰: 매일 1시간 이상 코딩 에이전트를 돌리면 고정 구독, 가끔 쓰면 사용량 기반이 유리하다.

3. 핵심 기능 4가지 비교

3.1 컨텍스트 관리

기능 Cursor 3 Claude Code Copilot
자동 코드베이스 인덱싱 ✅ (전체 프로젝트) 부분적 (요청 시 read) ✅ (현재 워크스페이스)
명시적 컨텍스트 관리 (CLAUDE.md 류) .cursorrules CLAUDE.md .github/copilot-instructions.md
메모리 / 세션 지속성 부분 (대화 단위) 강함 (3계층 메모리 + 세션 복원) 약함 (세션 단위)

Claude Code의 메모리·세션 복원은 다른 두 도구 대비 성숙이다 (이전 편 1/5 참고).

3.2 자동화 / 멀티 에이전트

기능 Cursor 3 Claude Code Copilot
Background / Async 에이전트 ✅ Background Agent (클라우드 VM) ✅ Subagents + 백그라운드 Bash 🔶 Agent Mode (베타)
훅 (이벤트 기반 자동 실행) ❌ ✅ (PreToolUse, PostToolUse, SessionStart 등) ❌
MCP 통합 ✅ ✅ 🔶 부분

Claude Code는 훅 시스템 덕에 자동화 깊이가 가장 큰 도구다. Cursor 3은 클라우드 격리 VM에서 비동기 작업을 돌릴 수 있어 무거운 빌드/리팩터링에 유리.

3.3 모델 선택 자유도

기능 Cursor 3 Claude Code Copilot
모델 변경 ✅ (OpenAI / Anthropic / Cursor 자체) Anthropic 한정 (Opus / Sonnet / Haiku) ✅ (GPT 계열 + 옵션 추가)
로컬 모델 사용 부분적 ❌ ❌

다른 모델 라우팅이 핵심이라면 Cursor 3이 강하다. Anthropic 모델 단일 생태계 안에서 가장 깊이 가는 것은 Claude Code.

3.4 IDE / 편집기 통합

기능 Cursor 3 Claude Code Copilot
인라인 코드 자동완성 ✅ ❌ (CLI 우선) ⭐ (가장 강함)
파일 다중 편집 (Composer) ✅ ✅ 부분적
에디터 통합 깊이 자체 IDE VS Code 확장 / 터미널 VS Code · JetBrains 등

코드 편집 중에 떠오르는 자동완성을 가장 자연스럽게 받는 것은 Copilot.

4. 어느 도구를 언제 쓰나 (의사결정 룰)

사용자 프로필 추천
IDE에서 대부분의 시간을 보낸다, 자동완성·인라인 채팅이 핵심 Cursor 3 또는 Copilot
터미널 / 워크플로우 / 자동화가 핵심, CLAUDE.md/스킬/훅을 쓰고 싶다 Claude Code
매일 1시간 이하 가벼운 도움만 필요 Copilot Individual ($10/월)
무거운 백그라운드 작업 (빌드·리팩터링·테스트 자동화) Cursor 3 Ultra ($200/월) 또는 Claude Code + 훅
다양한 모델 (OpenAI + Anthropic + 자체) 라우팅이 핵심 Cursor 3
Anthropic 생태계 깊이 (메모리·세션·MCP) Claude Code

셋을 동시에 쓰는 패턴도 흔하다: Copilot으로 인라인 자동완성, Cursor 3으로 IDE 채팅·Composer, Claude Code로 워크플로우·자동화. 단 비용이 누적되므로 주된 작업 공간을 정해 한두 개만 유료로 두는 게 일반적이다.

5. 한눈에 정리

축 Cursor 3 Claude Code Copilot
작업 공간 IDE 터미널 / 워크플로우 편집기 인라인
자동화 깊이 中~高 (Background Agent) 高 (훅 + 스킬) 中 (Agent Mode 베타)
가격 $20~$200/월 사용량 기반 $10~$39/월
모델 자유도 高 (멀티 프로바이더) Anthropic 전용 OpenAI + 옵션
메모리 / 세션 복원 中 高 低

"어느 게 더 좋은가"의 답은 항상 "워크플로우에 따라 다르다"이다. 위 표의 축을 보고 가장 손해 적은 한 칸을 고르면 된다.

다음 편

다음 편(3/5)은 MCP 서버 만들기 — 스펙·예제·디버깅이다. 세 도구 모두 표준화된 툴 통합 프로토콜 MCP를 지원하는데, MCP 서버를 직접 작성하는 입문 가이드를 다룬다.

참고 자료

  • Anthropic, Claude Code Pricing — claude.com/pricing (2026-05-05 확인).
  • Cursor, Pricing — cursor.com/pricing (2026-05-05 확인).
  • GitHub, Copilot Plans — github.com/features/copilot/plans (2026-05-05 확인).
  • 이전 편(1/5) Claude Code 워크플로우.

이 글은 AI 코딩 에이전트 실전 시리즈의 2/5 편입니다.

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 »