Anthropic Engineers Just 10x''d Everyone''s Claude Code

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Anthropic이 Claude Code의 시스템 프롬프트를 대폭 줄였다는 사례의 핵심은, 제목의 ‘10배 향상’보다 불필요한 지침을 걷어내고 작업에 필요한 맥락만 제공하는 데 있다.

📌 핵심 요점

1. 영상은 Anthropic 엔지니어들이 시스템 프롬프트의 80% 이상을 제거하고도 자체 평가에서 측정 가능한 성능 저하를 발견하지 않았다고 소개한다. 이는 제목의 ‘10배 향상’을 직접 입증하는 수치와는 구분해야 한다.
2. 모델이 발전해도 과거의 실수를 막으려고 추가한 규칙은 남는다. 주석 분량을 일률적으로 제한하기보다 주변 코드의 스타일을 따르게 하는 사례처럼, 오래된 절차를 현재 모델에 맞게 재검토해야 한다.
3. 최소 맥락은 무조건 짧은 입력을 뜻하지 않는다. 원하는 결과, 목적, 제약, 사용자 고유의 정보는 유지하고, 모델이 직접 찾아볼 수 있는 정보와 특정 작업에만 필요한 절차는 필요할 때 제공하는 방식이다.
4. 영상은 MCP 도구 정의를 필요할 때 불러오는 사례에서 토큰 사용량이 85% 감소하고 평가 점수도 개선됐다고 소개한다. 도구 접근권을 없애는 대신 모든 정의를 처음부터 적재하지 않는 방식이다.
5. 실제 워크플로 감사에서는 지침 중복뿐 아니라 단계 사이의 증거 전달 문제가 드러났다. 개요 단계에서 확인한 자료를 대본 단계가 재사용하도록 연결하고, 설정이 바뀌거나 모델을 교체할 때 감사를 반복하는 것이 제안된다.

🧩 배경과 문제 정의

영상은 Claude Code를 잘 쓰려면 가능한 한 많은 정보와 규칙을 제공해야 한다는 관행에 의문을 제기한다. 발표자는 Anthropic의 시스템 프롬프트 축소 사례를 출발점으로, 모델이 발전하는 동안 개인 프로젝트의 지침과 스킬은 계속 누적될 수 있다고 설명한다.

문제는 필요한 맥락과 불필요한 절차가 같은 입력에 섞인다는 것이다. 목표, 독자, 브랜드, 제약처럼 모델이 스스로 알 수 없는 정보는 필요하지만, 중복 규칙과 상세 작업 절차를 항상 불러오는 방식은 비용을 늘리고 모델의 판단을 제한할 수 있다는 주장이다.

이를 해결하는 접근은 필요한 정보를 남기고 나머지를 분리하는 설정 감사와, 기존 시스템 안에서 작은 개선을 찾는 워크플로 감사다. 영상은 개인 문서 생성 비교, 로컬 설정 진단, 유튜브 조사 자료의 전달 문제를 통해 이 접근을 설명한다. 수치와 사례는 영상에서 소개된 내용이며, 별도의 원문 검증 결과는 제공되지 않는다.

🕒 시간순 섹션별 상세정리

1. 시스템 프롬프트 축소와 오래된 규칙의 문제

• 발표자는 Anthropic 엔지니어들이 시스템 프롬프트의 80% 이상을 제거하고도 자체 평가에서 측정 가능한 성능 손실이 없었다고 보여준다. 시스템 프롬프트와 사용자 지침, 작업 맥락이 함께 입력된다는 설명을 덧붙인다. [00:53]
• 자신도 이 지침을 참고해 누적된 명령과 스킬의 관계를 정리했다고 말하며, Claude Code 제작자가 주기적으로 스킬을 삭제하라고 했다는 발언을 보여준다. 이를 모델 발전에 맞춰 규칙을 재평가해야 한다는 논점으로 연결한다. [01:14]
• 코드 주석의 양을 제한하던 규칙을 주변 코드 스타일을 따르도록 바꾸는 사례가 나온다. 실수할 때마다 추가한 규칙이 여러 파일에 중복되고, 모델을 업그레이드한 뒤에도 그대로 남는 문제가 지적된다. [01:41]

2. 필요한 최소 맥락과 선택적 도구 적재

• 좋은 요청은 원하는 결과, 목적, 제약을 알려주고 모델이 작업할 여지를 남기는 방식이라고 보여준다. 발표자는 유튜브 아이디어를 촬영 가능한 대본으로 만드는 과정에서 작은 개선을 찾고, 검토할 파일을 제시하도록 요청했다고 예고한다. [02:08]
• 최소 맥락은 짧은 입력과 같지 않으며 필요한 세부사항은 유지해야 한다고 강조한다. 입력이 길어질수록 성능이 하락했다는 별도 연구를 소개하지만, 그 하락률을 개인 지침 파일의 정리 효과에 그대로 적용할 수 없다고 선을 긋는다. [02:55]
• MCP 도구 정의를 필요할 때만 불러온 사례에서 토큰 사용량 85% 감소, Opus 4 평가 점수 49%에서 74%로 상승, Opus 4.5 점수 79.5%에서 88.1%로 상승했다고 보여준다. 도구 접근은 유지하면서 초기 적재를 줄인 방식이며, 이어 로컬 진단 보고서를 예고한다. [03:30]

3. 개인 실험에서 구분한 브랜드 정보와 구성 절차

• 후원 구간에서는 Hyper Agent가 고객별 작업공간과 권한을 제공해 데이터와 설정을 분리한다고 보여준다. 이는 본론의 성능 실험과 구분되는 제품 홍보 구간이다. [04:11]
• 발표자는 인터뷰를 학생용 자료로 바꾸는 작업에서 기존 설정과 지침·스킬을 제거한 설정을 비교한다. 기존 결과는 브랜딩과 외형이 좋았고, 간소화한 결과는 아이디어별 구성, 세부 내용과 타임스탬프가 더 좋았다고 평가한다. [04:57]
• 헤더·폰트·푸터·로고 같은 요구사항은 남기되 내용 구조는 모델에 맡기는 스킬을 제안한다. 사용자 목소리, 목표, 독자, 사업 방식과 자료를 만드는 이유는 모델이 스스로 알 수 없으므로 유지할 맥락이라고 보여준다. [06:27]

4. 지침 분리와 로컬 설정 감사

• 긴 폴더 목록과 중복 지침은 정리하고, 영상 편집처럼 특정 작업의 절차는 해당 작업 때 불러오자고 제안한다. 기본 프로젝트 지침에는 목적, 주의사항, 허용 범위와 심화 지침의 위치를 담는 방식이다. [07:03]
• 영상에서 /docctor로 표기된 진단을 실행하자 스킬, 메모리, 플러그인, 설정과 설치 상태를 점검했다고 보여준다. 스킬 목록의 설명에 드는 토큰과 실행 시 전체 지침을 읽는 것은 다르며, 오래된 미사용 스킬 18개가 표시됐지만 최근 생성한 스킬은 별도로 고려됐다고 드러낸다. [07:52]
• 최근 세션과 누적 기록을 활용한 감사라도 다른 도구에서의 사용 여부를 검토한 뒤 정리해야 한다고 강조한다. 중복된 프로젝트 지도와 라우팅 지도, 템플릿·참조·보관 지침에서 약 2,250자, 추정 563토큰의 삭제 후보가 나왔다. [08:28]

5. 숨겨진 입력과 스킬 발견 오류

• 보고서는 프로젝트 지침, 사용자 공통 지침, 자동 메모리와 로컬 파일 등 입력의 출처를 나눠 보여준다. 다른 영상 프로젝트의 지침에서도 추정 약 2,000토큰이 추가로 들어온다는 사례를 통해 현재 프로젝트 밖의 입력도 점검해야 한다고 보여준다. [09:04]
• 파일명 오류와 설명 블록의 형식 오류 때문에 제대로 발견되지 않던 스킬 두 개를 찾아 수정했다고 드러낸다. 설치, 자동 업데이트, 자동 모드, 권한과 훅 설정도 진단 대상이었다. [09:26]
• AI 시스템과 에이전트 학습용 무료 커뮤니티를 안내한 뒤, 설정 진단에서 실제 유튜브 제작 워크플로 감사로 본론을 전환한다. [09:41]

6. 증거 전달 개선과 정기 감사의 확장

• 저장소를 감사해 아이디어에서 촬영용 대본까지의 경로를 빠르게 만드는 최소 변경을 찾되, 기존 시스템을 활용하고 정확한 파일을 제시하며 아직 수정하지 말라고 요청한다. 감사는 조사·개요·대본·텔레프롬프터의 연결을 살펴보고, 개요 단계의 근거가 대본 단계에 전달되지 않아 사실 확인을 반복하는 문제를 찾는다. [10:31]
• 대본이 있는 영상 폴더 25개 중 sources.md가 있는 폴더는 3개였지만, 나머지에 조사가 없었다는 뜻은 아니라고 보여준다. 두 스킬에 걸친 세 가지 수정안을 승인한 뒤, 변경이 잦으면 월간, 안정적이면 분기별로 감사하고 모델 교체 때도 다시 점검하자고 권한다. [11:13]
• 감사에 대한 신뢰가 쌓이면 로컬 예약 작업으로 점검을 실행하고 사람이 권고안을 승인하거나 거절하는 방식을 제안한다. 누락·중복·오래된 정보를 정리하는 개인 AI 운영체계를 팀의 동기화와 중복 작업 감소로 확장할 수 있다고 말하며 영상을 마친다. [12:20]

🧾 결론

• 지침의 가치는 분량보다 현재 작업에 얼마나 필요한지로 판단해야 한다. 오래된 규칙과 중복된 설명은 제거 후보이며, 목적과 제약은 유지 대상이다.
• 발표자의 문서 생성 비교에서는 기존 설정이 브랜딩에 강했고, 간소화한 설정이 내용 구조에 강했다. 브랜드 요구사항을 남기면서 내용 구성의 재량을 넓히는 절충이 제시된다.
• 감사의 목표는 단순한 토큰 절감에 그치지 않는다. 스킬 발견 오류를 고치고, 숨겨진 지침을 찾고, 검증된 자료를 다음 단계에 전달하는 것도 포함한다.
• 개인 설정의 정리가 자리 잡으면 팀의 중복 작업과 정보 불일치를 줄이는 방향으로 확장할 수 있다는 것이 영상의 마지막 제안이다.

📈 투자·시사 포인트

• AI 운영 비용을 볼 때 모델 가격뿐 아니라 매번 불러오는 지침과 도구 정의의 양도 살펴볼 필요가 있다. 영상의 MCP 사례는 입력 구성 자체가 비용과 품질에 영향을 줄 수 있음을 보여준다.
• 모델을 업그레이드하는 조직은 기존 스킬과 절차도 함께 재평가해야 한다. 과거 모델을 보완하던 규칙이 새 모델에서는 불필요한 제약으로 남을 수 있다는 문제 제기다.
• 업무 생산성 개선의 후보는 단계 사이의 자료 전달에도 있다. 이미 확인한 출처를 다음 단계가 활용하도록 만들면 반복 조사와 검증을 줄일 여지가 있다.
• 영상에는 기업 실적이나 가치평가 자료가 제시되지 않는다. 투자 관점에서 가져갈 수 있는 내용은 특정 종목 판단보다 AI 운영 효율을 평가하는 기준이다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목의 ‘10배’는 본문에서 동일한 조건의 속도·품질 비교로 입증되지 않는다. 시스템 프롬프트 축소 후 성능 유지, 토큰 절감, 평가 점수 개선은 각각 다른 주장과 사례다.
• 기사 제목, 인물명, 모델명, 파일명과 명령어에 전사 오류로 보이는 표현이 섞여 있다. 특히 영상에 /docctor로 기록된 진단 명령의 실제 이름과 지원 범위는 확인이 필요하다.
• 입력 길이에 따른 성능 하락 13.9~85%는 영상이 소개한 별도 연구의 결과다. 발표자도 모델·과제·실험 조건이 다르므로 개인 프로젝트의 지침 축소 효과로 그대로 환산할 수 없다고 설명한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 프로젝트 지침, 사용자 공통 지침, 메모리, 스킬 목록을 함께 점검하고 같은 규칙이 반복되거나 다른 위치에서 추가로 불러오는 지침이 있는지 확인한다.
• 원하는 결과, 작업 목적, 제약, 독자와 브랜드 정보는 남기고, 오래된 절차나 모델이 직접 조회할 수 있는 정보는 분리 후보로 정리한다.
• 설정 사본에서 같은 작업을 기존 지침과 간소화한 지침으로 실행해 내용 품질, 형식 준수, 처리 시간과 토큰 사용량을 비교한다.
• 조사 단계에서 확인한 출처와 근거를 다음 단계가 읽을 수 있는 파일로 저장하고, 대본 작성 단계가 그 자료를 재사용하도록 연결한다.

❓ 열린 질문

• 현재 지침 중 실제 오류를 막는 규칙과, 과거 모델의 한계를 보완하던 규칙을 어떤 결과 기준으로 구분할 것인가?
• 브랜드와 형식의 일관성을 유지하면서 모델에 내용 구성의 재량을 얼마나 줄 수 있는가?
• 다음 단계가 기존 근거를 재사용해도 되는 조건과 다시 검증해야 하는 조건은 무엇인가?