# 이길 수 없다면 합류하라

에이전틱 코딩의 흐름과 무분별한 비용 낭비를 줄이는 실무 중심의 접근법을 소개합니다.

원본 URL: https://abc.noco.kr/intro/

> 삽화: 자동차와 경주하려면 자전거라도 타야 한다

[에이전틱 코딩](https://ko.wikipedia.org/wiki/인공지능_에이전트)은 이제 거부할 수 없는 흐름이다. [Cursor](https://cursor.com/), [Claude Code](https://claude.com/claude-code), [OpenClaw](https://openclaw.ai/) 같은 도구가 빠르게 퍼지면서 에이전트에게 작업을 맡기고 결과를 검토하는 방식이 기본이 되었다. 자동차와 경주하려면 자전거라도 타야 하듯, 에이전틱 코딩이라는 흐름을 이길 수 없다면 올라타야 한다.

기준일: 2026-09-30. 이 자료집의 도구·모델 관련 서술은 이 날짜를 기준으로 한다.

## 비싼 모델과 요금제의 한계

- 무턱대고 가장 유명한 모델, 가장 비싼 [요금제](/concepts/pricing)를 고르는 것은 낭비이자 과잉이다.
- 무엇을 얼마나 맡길지 정하기 전에 요금제부터 올리는 순서는 바뀌어야 한다. 모델 선택과 사용량 분배는 작업 성격을 보고 정한다.

## 프롬프트 엔지니어링의 변화

- 예전처럼 [프롬프트 엔지니어링](https://ko.wikipedia.org/wiki/프롬프트_엔지니어링)을 촘촘하게 다듬는 일은 의미가 줄었다.
- 모델 자체가 이미 그런 방식을 내장하고 있고, 과하게 세밀한 지시는 오히려 결과를 방해한다.
- 그래서 지금 중요한 것은 무엇을 맡길지 정하고, 작업에 필요한 환경을 만들어 주는 일이다. 그 환경, 즉 [하네스](https://ko.wikipedia.org/wiki/에이전트_하네스)를 다루는 것이 이 자료집의 목적이다.

## LLM을 지성으로 보지 않기

먼저 전제를 하나 둔다. 이 자료집은 LLM을 사람과 같은 지성으로 설명하지 않는다.

- [LLM](https://ko.wikipedia.org/wiki/대규모_언어_모델)은 딥러닝 신경망과 [트랜스포머](https://ko.wikipedia.org/wiki/트랜스포머_(기계_학습)) 계열 구조를 바탕으로, 주어진 컨텍스트에서 다음 토큰을 확률적으로 생성하는 모델이다.
- 트랜스포머 원 논문은 encoder-decoder 구조였지만, 오늘날 주요 생성형 모델은 decoder-only 구조가 주류다.
- 복잡한 추론, 코딩, 계획, 도구 사용을 수행한다고 해서 이를 지성, 의식, 의도, 이해, 욕구 같은 개념으로 설명하지 않는다.
- “AI가 생각한다”, “AI가 이해한다” 같은 표현은 편의를 위한 것이고, 기술적인 설명에서는 학습된 파라미터와 현재 컨텍스트에 따라 다음 출력이나 행동을 계산하는 시스템으로 본다.
- LLM이 정말 이해하는지, 지능이 있는지는 이 자료집의 범위 밖이다. 철학적 논쟁보다 다음이 중요하다.

  - 어떻게 작업시키는가
  - 어떤 컨텍스트를 제공하는가
  - 어떤 도구를 주는가
  - 어떻게 결과를 검증하는가
  - 작업 결과를 다음 작업에 어떻게 남기는가

## Agent의 구성 요소

- Coding Agent를 별개의 지능체로 설명하지 않는다. LLM에 컨텍스트, 프롬프트와 룰, 도구, 파일시스템, 셸, 스킬, 권한, 메모리와 세션, 검증이 붙은 시스템으로 본다.
- 모델과 에이전트는 다르다. 같은 모델이어도 어떤 런타임과 하네스를 붙이는지에 따라 실제 결과가 상당히 달라진다.


> 삽화: 모델에 컨텍스트·도구·권한·검증이 붙어 하나의 에이전트가 되는 구조

## 일반적인 방법론

1. 요구사항 정의: 원하는 것이 무엇인지 구체화한다.
2. 하네스 엔지니어링: 구체화한 내용을 AI가 작업 중에도 계속 참고할 수 있는 형태로 정리한다. 룰, 스킬, 문서, 테스트가 여기에 해당한다.
3. 작업 분할과 검토: 사람의 집중 시간인 25~50분 정도로 나눠 맡기고, 결과가 나올 때마다 사람이 검토하고 리뷰한다. 타입 오류처럼 테스트로 잡을 수 있는 것은 단위·슬라이스·통합 테스트로 자동화한다.

이 세 단계는 한 번 하고 끝나는 절차가 아니라, 결과를 반영해 다시 정리하는 루프로 돌아간다.

## 이 자료집이 다루는 범위

```mermaid
flowchart LR
  A[요구사항 정의] --> B[하네스 구성]
  B --> C[작업 분할]
  C --> D[자동 검증]
  D --> E[인간 검토]
  E --> F[Rule·Skill·Docs·Test 개선]
  F --> B
```

최신 모델 자체보다 그 주변을 중심으로 정리한다.

- [모델](/concepts/model)
- [Context와 Prompt](/concepts/context-prompt)
- [런타임](/concepts/runtime)
- [요금제](/concepts/pricing)
- [API provider](/concepts/api-provider)
- [Rule](/harness-basics/rules), [Skill](/harness-basics/skills), [Memory](/harness-basics/memory)
- [보안](/harness-basics/security), [문서](/harness-basics/docs), [하네스 개선](/harness-basics/self-improve)
- [Effort](/harness-advanced/effort), [Hook](/harness-advanced/hooks), [MCP](/harness-advanced/mcp), [Subagent](/harness-advanced/subagents), [검증](/harness-advanced/verification)
- [토큰 절약](/practice/token-saving), [활용 사례](/cases/slides)

## 이 자료집의 바탕

- 여기 담긴 내용은 여러 시행착오와 선제적 도입의 결과다.
- 그래서 모델과 도구의 최신 정보를 나열하기보다, 지금도 유효한 판단 기준과 작업 방식을 남기는 데 목적이 있다.
- 모델과 런타임은 계속 바뀐다. 각 장의 기준일과 출처를 함께 확인한다.
- 자동차의 속도를 따라잡으려면 완벽한 준비를 기다리기보다 지금 탈 수 있는 자전거에 먼저 올라타야 한다.