[한글자막] 클로드 코드 토큰을 아끼는 MS 도구, 실제로 얼마나 줄었을까?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

MS의 Token Economizer는 클로드 코드의 반복 작업을 학습해 토큰 낭비를 줄이며, 영상의 비교 실험에서는 비용이 약 21% 감소했지만 초기 학습 기간에는 오히려 비용이 늘었다.

📌 핵심 요점

1. Token Economizer는 프로젝트 파일 지도를 미리 만드는 방식과 달리, 세션과 명령 실행 기록에서 낭비를 찾아 이후 작업에 반영한다.
2. 절감 장치는 반복 실수를 기록하는 마이크로 스킬, 미사용 도구 제거, 작업이 막혔을 때의 방향 전환 권고다. 영상은 Microsoft의 측정에서 미사용 도구 제거가 가장 많은 토큰을 절약했다고 설명한다.
3. Microsoft가 GitHub 프로젝트 6개의 실제 버그 277개를 대상으로 진행했다는 시험에서는 5개 구성 모두 비용이 줄었다. 영상에 제시된 Claude Code 구성별 감소율은 Sonnet 5에서 23.6%, Opus 4.8에서 30.9%다.
4. 제작진의 데모에서는 도구 제거 전후 메시지당 토큰이 약 34,300개에서 24,400개로 약 29% 줄었다. 별도 앱의 작업 3개 비교에서는 실행 단계가 99회에서 79회로 줄고 비용도 약 21% 감소했으며, 양쪽 모두 같은 검사를 통과했다.
5. 효과는 프로젝트별 학습이 쌓인 뒤 나타난다. 마이크로 스킬은 추가 모델 사용과 프롬프트 인젝션 위험 때문에 기본적으로 꺼져 있으며, 과거 세션을 읽어 초기화하는 기능은 제작진이 별도로 수정한 버전의 동작이다.

🧩 배경과 문제 정의

AI 코딩 에이전트의 요청에는 사용자 질문뿐 아니라 상시 지침, 사용 가능한 도구, MCP 도구와 스킬, 이전 대화가 함께 실린다. 같은 프로젝트를 계속 다루더라도 불필요한 문맥이 남고, 이전 세션에서 실패한 명령을 다시 시도하면서 토큰을 소비할 수 있다.

영상은 파일 구조를 미리 지도화하는 Graft와 비교해, Microsoft의 Token Economizer를 작업 기록에서 낭비를 학습하는 플러그인으로 소개한다. 핵심 질문은 실제 비용이 얼마나 줄어드는지, 그 효과를 얻기 위해 어떤 학습 기간과 관리가 필요한지다.

🕒 시간순 섹션별 상세정리

1. 파일 지도 대신 작업 기록에서 낭비를 찾는 도구

• Graft 같은 도구는 프로젝트 파일 지도를 미리 만들어 탐색 비용을 줄인다. Token Economizer는 세션과 에이전트의 명령 실행을 관찰해 낭비를 찾아내고 이후 세션에 반영한다. [00:55]
• Microsoft가 공개했다는 시험은 GitHub 프로젝트 6개의 버그 277개를 순차적으로 해결하는 방식이다. Claude Code·Codex·GitHub Copilot에 걸친 5개 구성 모두 비용이 감소했으며, 영상은 Claude Code의 Sonnet 5에서 23.6%, Opus 4.8에서 30.9% 감소했다고 전해진다. [01:26]
• 요청에는 지침·도구 목록·MCP·스킬·대화 이력이 함께 포함된다. 불필요한 문맥과 쓰지 않는 도구, 세션을 넘어 반복되는 실패가 토큰 낭비의 원인으로 드러난다. [02:24]

2. 반복 실수·미사용 도구·막힌 작업을 다루는 세 장치

• 반복 실패에서 얻은 프로젝트 사실을 마이크로 스킬로 기록하고, 추가 세션에서 확인한 뒤 다음 세션 시작 시 전달한다. 에이전트가 이미 실패한 명령을 다시 시도하는 비용을 줄이려는 방식이다. [03:15]
• 최소 두 세션에 걸친 사용자 메시지 10개 동안 사용되지 않은 도구는 해당 프로젝트에서 비활성화한다. 영상은 이것이 Microsoft 측정에서 가장 많은 토큰을 줄였다고 설명하며, 사용자에게 별도로 묻지 않고 처리된다는 점도 지적한다. [03:46]
• 작업이 평소보다 오래 지속되면 모델로 실제 정체 여부를 확인하고 한 번 다른 접근을 권한다. 계속 막히면 사용자에게 Escape로 중단하라고 안내하며, 플러그인이 직접 작업을 멈추지는 않는다. [04:16]

3. 설치와 자동 실행, 마이크로 스킬의 기본 비활성화 이유

• 저장소의 에이전트별 설치 안내를 따른 뒤 플러그인을 확인한다. 훅은 세션 시작 때 사실을 전달하고, 도구 사용 뒤 정체 여부를 살피며, 세션 종료 뒤 새 사실과 미사용 도구 기록을 정리한다. [05:18]
• 대부분 기능과 달리 마이크로 스킬은 처음에 꺼져 있다. 활성화하면 세 세션마다 모델이 최근 기록을 읽고 사실을 추출하므로 사용자의 모델 사용 한도를 추가로 소비한다. [05:40]
• 명령 출력에 숨은 지시가 사실로 저장되어 이후 세션에서 신뢰받는 프롬프트 인젝션 위험도 보여준다. 영상은 자기 프로젝트에서는 활성화를 권하며, 설정 기능에서 켤 수 있다고 안내한다. [06:23]

4. 초기 학습 비용과 과거 세션을 활용한 수정 사례

• 설치 직후에는 학습 기록이 없어 절감 효과가 없거나 비용이 더 들 수 있다. Microsoft 시험에서는 거의 모든 프로젝트가 처음에는 더 비쌌고 여섯 번째 작업 무렵 저렴해졌다고 보여준다. 학습 결과는 프로젝트 사이에 공유되지 않는다. [07:06]
• 영상은 Claude Code가 과거 세션을 30일간 보관한다고 설명하고, 같은 폴더의 기존 기록을 백그라운드에서 읽어 초기 학습 자료로 쓰도록 도구를 수정한 사례를 보여준다. 이 방식도 기록이 없는 새 프로젝트에는 도움이 되지 않는다. [08:18]
• 수정 버전의 데모에서 status로 학습 세션 수와 기능별 동작을 확인하고, micro skills로 저장된 사실을 살핀다. tool prune은 도구별 미사용 세션·메시지 수를 보여주며, 데모에서는 네 세션 내내 사용되지 않은 도구가 276개였다. [09:33]

5. 토큰 측정과 실제 작업 비용 비교

• tool prune measure로 전체 도구를 포함할 때와 사용 도구만 포함할 때를 비교한다. 데모의 메시지당 토큰은 약 34,300개에서 24,400개로 약 29% 줄었다. [09:57]
• 제외된 도구가 필요하면 tool prune restore로 복원할 수 있고, 복원한 도구는 다시 자동 제외되지 않는다. 별도 앱에서는 다섯 세션 동안 학습한 뒤 도구 303개를 제외하고, 새 작업 3개를 같은 시작 코드에서 플러그인 사용 여부별로 비교했다. [10:29]
• 플러그인 없이 99단계, 사용 시 79단계가 필요했고 비용은 약 21% 줄었다. 양쪽 모두 같은 검사를 통과했으며, 영상은 초기 추가 비용 이후 학습이 쌓인 세션에서 절감 효과가 나타났다는 설명으로 마무리한다. [10:52]

🧾 결론

• 영상은 반복해서 작업하는 프로젝트에서 세션 학습과 도구 정리가 비용 절감으로 이어질 수 있음을 보여준다.
• 메시지당 토큰 약 29% 감소, 작업 비용 약 21% 감소, Microsoft 시험의 구성별 비용 감소율은 각각 측정 대상과 조건이 다르다.
• 설치 직후의 효과보다 학습 비용을 포함한 누적 비용과 작업 품질을 함께 비교해야 도입 효과를 판단할 수 있다.

📈 투자·시사 포인트

• AI 코딩 도구의 운영비를 평가할 때는 모델 가격뿐 아니라 매 요청에 실리는 도구와 문맥의 양도 확인필요가 있다.
• 같은 프로젝트에서 작업을 반복하는 팀은 학습 결과를 재사용할 여지가 있다. 프로젝트를 자주 바꾸는 환경에서는 프로젝트별 초기 학습 부담을 따져봐야 한다.
• 자동으로 도구를 제외하거나 과거 실행 결과를 지식으로 저장하는 기능은 비용 절감과 함께 기능 복원·기록 검토 절차를 요구한다.
• 제시된 수치는 도구 도입을 시험할 근거다. 특정 기업의 매출·이익이나 투자 수익률을 추정할 자료는 영상에 없다.

⚠️ 불확실하거나 확인이 필요한 부분

• Microsoft 시험의 원자료, 비용 산식, 모델 설정과 반복 측정 결과는 제공된 자막에 없다. Sonnet 5·Opus 4.8이라는 모델명과 감소율도 영상 표기를 기준으로 정리했으며 원자료 대조가 필요하다.
• 제작진의 비용 비교는 별도 앱의 작업 3개를 대상으로 한다. 같은 검사를 통과했지만, 다른 프로젝트나 장기 사용에서도 동일한 품질과 절감률이 유지되는지는 확인되지 않는다.
• 초기에는 거의 모든 시험 프로젝트에서 비용이 늘고 여섯 번째 작업 무렵 저렴해졌다는 설명이 나온다. 이를 모든 프로젝트의 손익분기점으로 일반화할 수는 없다.
• 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

• 사용할 에이전트에 맞는 설치 방법과 실제 명령 구문을 영상에서 언급한 저장소의 설치 안내에서 확인한다.
• 같은 프로젝트에서 동일한 시작 코드와 검사를 사용하는 비교 작업을 정하고, 초기 학습분까지 포함해 토큰·비용·실행 단계·검사 결과를 기록한다.
• status와 tool prune 기능으로 학습 세션 수와 제외된 도구를 확인하고, 기능이 갑자기 제한되면 해당 도구의 제외 여부부터 점검한다.
• tool prune measure로 도구 정리 전후 메시지당 토큰을 비교하고, 이 수치를 전체 작업 비용 절감률과 구분해 기록한다.

❓ 열린 질문

• 도구 수가 적거나 작업 종류가 자주 바뀌는 프로젝트에서도 학습 비용을 상쇄할 만큼 절감 효과가 생길까?
• 도구 제거, 마이크로 스킬, 막힘 감지 각각이 전체 비용 감소에 기여한 비중은 얼마일까?
• 과거 세션을 읽는 수정 버전은 기본 버전보다 누적 비용을 얼마나 줄이며, 과거의 잘못된 사실을 가져올 위험은 어떻게 관리할까?