바이브 코딩의 시대, Karpathy가 제시한 에이전틱 엔지니어링 5가지 핵심

 썸네일

처음 AI 코딩 도구를 접했을 때만 해도 모든 게 마법 같았습니다. 단순히 자연어로 질문을 던지면 코드가 완성되는 이른바 바이브 코딩의 시대를 경험하며, 개발의 난이도가 획기적으로 낮아졌다고 믿었죠. 하지만 3개월 정도 복잡한 프로젝트에 이 도구들을 투입해보니 현실은 달랐습니다. 엉뚱한 라이브러리를 가져오거나, 맥락을 놓치고 엉뚱한 함수를 짜내는 상황이 빈번해지더군요. 그때 문득 Andrej Karpathy의 강연을 보게 되었고, 단순히 도구에 의존하는 단계를 넘어 에이전틱 엔지니어링이라는 구조적 접근이 필요하다는 걸 뼈저리게 깨달았습니다.


계층적 AI 구조 도식

Agent와 Sub-Agent의 계층적 위임

단순 챗봇을 넘어 에이전트의 위계 구조를 설계하는 것이 핵심입니다. 하나의 거대한 프롬프트에 모든 걸 맡기는 대신, 작업을 세분화하여 각 에이전트에게 권한을 나누어주는 방식이죠.


실무에서 경험한 가장 큰 실패는 하나의 에이전트에게 전체 로직을 다 맡기는 것이었습니다. 초반 2주 동안은 잘 돌아가는 듯했지만, 에이전트가 처리해야 할 컨텍스트가 늘어날수록 결정의 질이 급격히 떨어지더군요. 결국 저는 작업을 에이전트와 서브 에이전트로 쪼개기 시작했습니다. 예를 들어 코드 생성 에이전트와 코드 검증 에이전트를 분리하고, 상위 에이전트가 전체 계획을 잡고 서브 에이전트에게 실행을 병렬로 요청하는 방식(Fan-out/Fan-in)을 적용했죠. 이렇게 구조를 나누고 나니, 에이전트가 겪던 소위 '중간 정보 유실(Lost-in-the-Middle)' 문제가 눈에 띄게 줄어들었습니다.


복잡한 로직이 담긴 프롬프트 설계

프롬프트를 넘어서는 컨텍스트 엔지니어링

컨텍스트는 단순히 글자 수를 채우는 것이 아닙니다. 시스템, 대화, 툴이라는 3단계 레이어를 설계하고 이를 CLAUDE.md 같은 문서로 문서화하여 에이전트가 항상 최상의 상태를 유지하게 만드는 전략이 필수입니다.


많은 분이 프롬프트만 잘 짜면 된다고 생각합니다. 하지만 실제로는 비용과 신호 강도, 캐시 효율이라는 3중 압박을 관리하는 것이 진짜 엔지니어링입니다. 컨텍스트가 너무 길어지면 에이전트는 오히려 중요한 신호를 놓치기 시작하거든요.

개발자가 AI 툴을 사용하는 모습

Tool과 MCP, 에이전트의 손과 발

MCP(Model Context Protocol)는 에이전트 생태계의 USB-C 포트와 같습니다. 이제 에이전트는 자신만의 고립된 환경에서 벗어나 외부 데이터와 시스템을 표준화된 방식으로 자유롭게 호출할 수 있습니다.


처음 툴을 설계할 때 저는 모든 권한을 에이전트에게 주었습니다. 결과는 끔찍했죠. 파일 삭제 권한을 가진 에이전트가 실수로 로그 파일을 통째로 날려버린 적이 있었습니다. 이후에는 '최소 권한의 원칙'을 철저히 지키기로 했습니다. 툴을 만들 때는 검증 단계와 에러 핸들링 로직을 반드시 포함했고, 에이전트가 툴을 사용하기 전 단계에서 휴먼 피드백을 한 번 더 거치도록 안전장치를 설계했습니다. MCP라는 표준화된 인터페이스를 활용하니, 이제는 확장성 고민 없이도 필요한 기능을 언제든 덧붙일 수 있게 되더군요.


표준화된 기술 규격 아이콘

자주 묻는 질문(FAQ) ❓

바이브 코딩과 에이전틱 엔지니어링의 결정적 차이는 무엇인가요?

구조화된 예측 가능성입니다. 바이브 코딩은 운에 맡기는 느낌이라면, 에이전틱 엔지니어링은 계획과 검증 루프를 통해 에이전트의 행동을 시스템적으로 통제하고 개선하는 과정입니다.

MCP가 실제로 그렇게 중요한가요?

표준화가 주는 생산성 차이가 큽니다. 예전에는 각 서비스마다 툴을 따로 만들어야 했지만, 이제는 MCP 규격만 맞추면 어떤 서비스든 에이전트가 즉시 도구로 활용할 수 있어 연결 비용이 획기적으로 줄어듭니다.


AI와 협업하는 현대적 작업환경

엔지니어링의 본질로 돌아가며

결국 에이전틱 엔지니어링은 AI에게 모든 것을 떠넘기는 게 아니라, AI를 어떻게 하면 더 똑똑한 조력자로 세울지 고민하는 과정입니다. 오늘 소개한 5가지 개념을 하나씩 실제 워크플로우에 적용해보세요. 처음엔 위임의 스펙트럼이 낯설게 느껴질 수 있지만, 이 과정을 반복하다 보면 AI와 함께 일하는 직감이 자연스럽게 길러질 것입니다. 이제 막연한 기대를 멈추고, 더 정교한 시스템을 설계하는 에이전틱 엔지니어링으로 나아갈 때입니다.


본 글은 Andrej Karpathy의 강연 및 에이전틱 엔지니어링 관련 이론을 실무적 관점에서 해석한 콘텐츠입니다. AI 기술은 빠르게 변화하므로, 실제 프로젝트 적용 시 최신 공식 문서와 기술 사양을 반드시 확인하시기 바랍니다. 시스템 설계에 어려움이 있다면 관련 전문가나 커뮤니티와 상담하시길 권장합니다.


댓글

댓글 쓰기

이 블로그의 인기 게시물

엑셀 함수 없이 챗GPT로 보고서 끝내는 법

이미지
  오후 4시, 팀장님이 갑자기 지난달 매출 데이터를 기반으로 품목별 성장률 분석 보고서를 가져오라고 했을 때의 그 아찔함, 다들 한 번쯤 겪어보셨을 겁니다. 익숙하지 않은 VLOOKUP 수식이 오류를 뱉어낼 때마다 식은땀이 흐르던 기억이 생생합니다. 저 역시 몇 년 전까지만 해도 엑셀 시트 안에서 며칠을 씨름하며 꼬인 수식을 푸느라 야근을 밥 먹듯 했습니다. 하지만 최근 데이터를 다루는 방식 자체가 바뀌면서 그 고생스러운 작업들이 프롬프트 한 줄로 해결되는 시대를 살게 되었습니다. 수식 지옥에서 탈출하는 바이브 엑셀 복잡한 함수를 외우는 대신, 챗GPT에게 명확한 '목적'을 말하는 것만으로도 데이터의 구조를 완전히 재편할 수 있습니다. 엑셀을 켤 때마다 우리가 느끼는 피로감은 대부분 수식 자체보다 '어떻게 계산할지'를 고민하는 과정에서 옵니다. 사실 컴퓨터는 계산을 잘하지만, 사람은 '의도'를 정의하는 데 능숙하죠. 저는 작년 하반기에 고객 구매 데이터를 분석하며 엑셀 함수를 완전히 배제하는 실험을 했습니다. raw 데이터를 챗GPT에 던져주고 "최근 3개월간 재구매율이 높은 상위 10개 품목을 뽑아줘"라고 말했더니, 엑셀에서 피벗 테이블을 세 번 이상 돌려야 나올 결과가 5초 만에 정리되더군요. 처음에는 반신반의했습니다. 데이터가 꼬이면 어쩌나 하는 불안감에 수식으로 검증을 병행했죠. 그런데 의외로 결과값의 정확도가 매우 높았습니다. 오히려 사람이 직접 수식을 입력할 때 발생하는 오타나 범위 지정 실수가 더 잦다는 점을 깨달았습니다. 이제는 데이터의 의미를 파악하는 데 에너지를 쓰지, 수식 괄호가 맞는지 확인하는 데 시간을 쓰지 않습니다. 실무에서 바로 쓰는 프롬프트 활용법 데이터의 성격을 정의하고 단계별 분석을 요청하면, 단순히 수치를 나열하는 것을 넘어 통찰력 있는 요약 보고서가 탄생합니다. 데이터를 분석할 때 흔히 저지르는 실수는 챗GPT에게 너무 광범위한 요청을 하는 것입니다. ...
자세한 내용 보기

생성형 AI로 경제 뉴스 요약 뉴스레터 직접 만들어본 후기

이미지
  처음 생성형 AI를 활용해 나만의 뉴스레터를 만들겠다고 다짐했을 때, 제 머릿속엔 거창한 자동화 시스템부터 떠올랐습니다. 하지만 실제 시작은 아주 사소한 불편함 때문이었죠. 매일 쏟아지는 경제 기사 헤드라인만 훑다가 하루가 다 가버리는 느낌, 다들 한 번쯤 겪어보셨을 겁니다. 2년 전쯤, 1시간짜리 경제 영상을 요약하지 못해 출근길에 쩔쩔매던 제 모습이 생각나서 이번엔 제대로 정리를 해보기로 마음먹었습니다. 내가 직접 겪은 AI 뉴스 요약의 함정 단순히 요약만 시키면 AI는 겉핥기식 답변만 내놓습니다. 기사의 맥락을 살리고 사실 관계를 따지기 위해서는 질문의 가이드라인, 즉 프롬프트가 필수적입니다. 처음에는 단순히 "오늘 경제 뉴스 요약해줘"라고만 입력했습니다. 그랬더니 매일 비슷비슷한 헤드라인만 읊어주더군요. 3개월 정도 지나서야 제가 뭘 잘못하고 있는지 깨달았습니다. AI는 제가 입력한 조건만큼만 일한다는 사실을요. 실패 사례를 하나 말씀드리자면, 특정 기사의 핵심을 파악하려다 AI가 만든 '가짜 사실'을 그대로 믿고 투자 결정을 내릴 뻔한 적이 있습니다. 기사 본문을 수정하지 말고 핵심만 추출하라고 지시했어야 했는데, 포괄적으로 질문하니 AI가 내용을 지어내서 '환각(Hallucination)'을 만든 것이죠. 그 뒤로 저는 기사 링크를 넣을 때 항상 '본문 내용을 변경하지 말고 사실 위주로 정리할 것'이라는 제약 조건을 추가했습니다. 나만의 뉴스레터, 프롬프트로 가이드라인 만들기 프롬프트는 AI라는 비서에게 내리는 업무 매뉴얼입니다. 검증되지 않은 정보는 '확인 필요'라고 표시하게 만드는 것만으로도 뉴스레터의 신뢰도가 크게 올라갑니다. 아침에 눈뜨자마자 "오늘 뉴스"라고 한마디 던지면 제 입맛에 맞는 결과가 나오도록 환경을 설정했습니다. 핵심은 '검증'입니다. 저는 모든 답변에 기사 발생 날짜와 출처 링크를 명시하도록 고정 설정을 해두었습니다....
자세한 내용 보기

한국인은 왜 AI 구독에 지갑을 열까? 2026년 실질 결제 데이터와 체감 비용

이미지
  지난달 카드 명세서를 보다가 깜짝 놀랐습니다. 습관적으로 자동 결제되던 OTT 구독료보다 훨씬 큰 금액이 AI 도구들에 찍혀 있었거든요. 처음에는 호기심에 한 달만 써보자 했던 서비스가 어느덧 업무의 핵심 도구가 되어버린 겁니다. 저만 그런 줄 알았는데, 최근 데이터들을 보니 대한민국 전체가 AI 서비스에 엄청난 비용을 쏟아붓고 있다는 사실이 꽤 흥미로웠습니다. 데이터로 보는 AI 구독 열풍: 넷플릭스를 추월한 한국의 지출 한국은 세계적으로도 AI 결제 비중이 매우 높은 국가이며, 주요 생성형 AI 서비스 매출 비중이 이미 글로벌 OTT의 규모를 넘어섰습니다. 한경 아이셀의 자료를 살펴보면, 2025년 말 기준으로 한국 내 주요 AI 서비스 결제액이 8,000억 원을 돌파했습니다. 사실 이게 대단한 지표인 이유는 우리가 단순히 콘텐츠를 '소비'하는 단계를 지나, 생산성을 위한 '도구'에 본격적으로 투자하기 시작했다는 방증이기 때문입니다. 실제로 제 주변 동료들을 보면 ChatGPT 유료 플랜은 기본으로 깔고, 글쓰기 정교함을 위해 클로드(Claude)를 추가로 구독하는 경우가 흔합니다. 예전엔 넷플릭스 4인 파티원을 구하느라 바빴는데, 요즘은 더 똑똑한 답변을 얻기 위해 프롬프트 엔지니어링 스터디를 하거나 유료 플랜의 가성비를 따지는 시대가 된 것이죠. 플랫폼별 점유율과 사용자의 진짜 속마음 현재 시장은 ChatGPT가 70%가 넘는 점유율로 굳건한 1위를 차지하고 있지만, 제 경험상 2위와 3위의 성장세가 예사롭지 않습니다. 구글의 Gemini는 생태계 연동성 덕분에 직장인들이 많이 찾고, Anthropic의 Claude는 문맥 파악이 워낙 뛰어나서 기획자나 작가분들의 지지가 압도적입니다. 서비스명 한국 점유율 강점 ChatGPT 71.5% 압도적인 성능과 범용성 Gemini 11.0% 구글 워크스페이스 연동 Claude 10.7% 정교한 문장력과 맥락 이해 처음 Claude를 접했을 때, 글의 뉘앙스를 너무 잘 살려줘서 깜짝...
자세한 내용 보기