Claude Code Harness 아키텍처 해부 — AI 코딩 에이전트 제어를 위한 3-8-3 설계

-

3개 에이전트, 8개 스킬, 3개 훅으로 구성된 AI 코딩 에이전트 통제 구조

핵심 요약

  • Main Orchestrator(판단) + Executor(실행) + Quality Agent(검증)의 3인 체제로 역할 분리
  • 8개 스킬이 각각 "하지 마라" 제약 조건으로 AI의 확증 편향을 방지
  • 3개 훅(Session-start, Pre-compact, Post-edit-check)이 Non-blocking으로 자동 검증 수행

배경

"제약이 없으면 AI는 확증 편향에 빠진다"는 관찰에서 출발했다. AI 코딩 에이전트가 자유롭게 동작하면 같은 실패를 반복하고, 검증 없이 완료를 선언한다. "하지 마라"가 "해라"보다 중요하다는 원칙으로, 검증을 매 단계마다 분산 배치하고 불필요한 컨텍스트를 제거해 환각을 줄이는 구조를 설계했다.

본문

3개 에이전트 체제

Main Orchestrator (Opus) — 요청의 모호성을 판단하고 라우팅한다. 단순 작업(1-2단계)과 복잡 작업(3단계 이상)을 분류한다.

Executor Agent (Sonnet) — 압축된 핸드오프 문서만 제공받아 실행한다. "동일 전략 3회 실패 시 강제 정지" 규칙이 적용된다.

Quality Agent (Sonnet) — 읽기 전용 권한으로 객관적 검증을 수행한다. 에러 4개 이상 발생 시 자동 호출된다.

8개 스킬 — 제약 조건으로서의 스킬

각 스킬은 "무엇을 해라"보다 "무엇을 하지 마라"에 초점을 맞춘다.

  1. Brainstorming — 단일 옵션 금지, 2-3개 대안 필수 제시
  2. Deep-Interview — 모호성 점수를 20% 이하로 떨어뜨릴 때까지 질문
  3. Writing-Plans — 2-5분 단위로 세분화된 실행 계획
  4. Verification — Build → Type Check → Lint → Test → Security → Diff 6단계 순차 검증
  5. Code-Review — CRITICAL/WARNING/INFO로 엄격히 분류
  6. Testing — should_return_X_when_Y 형식 강제, 4대 엣지 케이스 필수
  7. Git-Commit — 결정 맥락을 트레일러로 영구 기록
  8. Project-Doctor — 21개 항목 진단, 하드코딩된 API 키 검사

3개 훅 (Non-blocking)

  • Session-start — 계획(plan.md)과 누적 교훈(lessons.md) 자동 주입
  • Pre-compact — 컴팩션 전 핸드오프 스켈레톤 자동 생성
  • Post-edit-check — 디버그 잔재와 API 키 검사

시행착오 / 주의사항

핵심은 검증을 한 곳에 몰아넣지 않는 것이다. 스킬 단위, 훅 단위, 에이전트 단위로 검증을 분산 배치해야 각 단계에서 문제를 조기에 잡을 수 있다. Executor에게 세션 히스토리 전체를 넘기지 않고 압축된 핸드오프 문서만 전달하는 것도, 불필요한 컨텍스트가 환각을 유발하는 문제를 해결하기 위한 판단이었다.

마무리

3-8-3 구조의 핵심은 "AI에게 자유를 주되, 어디에서 멈춰야 하는지를 명확히 정의하는 것"이다. 제약 조건이 곧 품질 보장 장치가 된다.

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 »