YC(Y Combinator) 의 CEO 가자니 Tan(가니 탄) 이 최근 X 에서 발표한 "Thin Harness, Fat Skills"라는 주제의 글이 약 100 만 회 조회수를 기록하며 AI 에이전트 개발자들 사이에서 큰 화제가 되고 있습니다. Steve Yegge 가 언급했듯이, AI 코딩 에이전트를 사용하는 개발자는 Cursor 의 챗 기능을 사용하는 개발자보다 10 배에서 100 배까지 생산성이 높다고 합니다. 이 차이의 핵심은 아키텍처에 있으며, 특히 5 가지 개념의 조합에서 비롯됩니다.
Skillify: 실패를 영구적 학습으로 바꾸는 방법론
가자니 탄이 제안한 "Skillify" 패턴은 AI 에이전트의 실패를 단순히 수정하는 것을 넘어, 그 실패를 테스트 가능한 "스킬"로 변환하여 시스템에 영구적으로 남기는 접근법입니다. 이는 프로프프트 엔지니어링이 아닌 소프트웨어 설계이며, 마크다운을 프로그래밍 언어로 사용하는 혁신적인 발상입니다.
예를 들어, 동일한 /investigate 스킬도 안전 과학자와 250 만 개의 이메일을 입력받으면 의료 조사가 되고, 정치 기부금 데이터를 입력받으면 정치 기부금 추적기가 됩니다. 같은 프로세스에 다른 인자를 전달하면 완전히 다른 기능이 구현되는 것입니다.
5 가지 핵심 개념
1. 스킬 파일 (Skill Files)
스킬 파일은 고정된 답변이 아닌, 판단의 과정을 기술하는 재사용 가능한 마크다운 프로그램입니다. 가자니 탄은 "쓰는 모든 스킬은 시스템의 영구적 업그레이드"라고 강조합니다. 실제로 각 스킬은 모델이 개선될수록 자동으로 혜택을 받고, 결정론적 단계는 안정적으로 유지됩니다.
2. 얇은 하네스 (Thin Harness)
하네스 (모델을 실행하는 프로그램) 는 다음 4 가지 일만 수행해야 합니다:
- 모델을 루프 실행
- 파일 읽기/쓰기
- 컨텍스트 관리
- 안전성 강제
가자니 탄은 40 개 이상의 도구 정의가 컨텍스트 창 절반을 차지하는 "비대한 하네스"를 반대합니다. Playwright CLI 가 브라우저 작업을 100ms 에 수행하는 반면, Chrome MCP 는 스크린샷-찾기-클릭-대기-읽기 작업에 15 초가 걸린다는 75 배 성능 차이를 제시합니다.
디자인 원칙은 명확합니다: 지능은 스킬로 올리고, 실행은 결정론적 도구로 내리고, 중간은 최대한 얇게 유지하세요.
3. 리졸버 (Resolvers)
리졸버는 컨텍스트를 위한 라우팅 테이블입니다. 작업 유형 X 가 나타나면 문서 Y 를 먼저 로드하는 방식입니다. 가자니 탄은 자신의 CLAUDE.md가 20,000 줄로 불어났다가 모델의 주석이 노이즈로 인해 저하된 경험을 바탕으로 200 줄의 포인터만으로 줄였다고 밝혔습니다.
4. 잠재적 vs 결정론적 (Latent vs. Deterministic)
시스템의 모든 단계는 잠재적 공간 (모델이 판단) 또는 결정론적 공간 (프로그램이 안정적으로 실행) 중 하나입니다. 모델은 8 명의 사회적 역학을 고려해 저녁 자리 배치를 invent 할 수 있지만, 800 명을 배치하면 그럴듯하지만 완전히 잘못된 결과를 생산합니다.
YC 시스템의 올바른 접근법:
- 잠재적: 모델이 테마를 고안
- 결정론적: 알고리즘이 자리를 배정
5. 다이어리제이션 (Diarization)
다이어리제이션은 모델이 모든 자료를 읽고 1 페이지의 구조화된 프로필을 출력하는 과정입니다. 예를 들어, 창업자가 "AI 에이전트를 위한 Datadog"을 구축한다고 주장하지만, 커밋의 80% 가 청구 모듈에 있는 경우를 발견하는 것입니다.
가자니 탄은 "SQL 쿼리나 RAG 파이프라인으로는 이것이 불가능하다"고 명시합니다. 이는 모델이 자료를 읽고 판단을 형성해야만 해결할 수 있는 문제입니다.
실무 적용 팁
이 방법론을 실제로 적용하기 위해 다음 단계를 따르세요:
- 스킬 파일 작성: 반복되는 작업 프로세스를 마크다운으로 문서화하고 파라미터를 추가하세요.
- 하네스 단순화: 40 개 이상의 도구를 사용하기보다 핵심 기능에 집중하세요.
- 리졸버 구현: 작업 유형에 따라 관련 문서를 자동으로 로드하는 라우팅 시스템을 구축하세요.
- 경계 설정: 어떤 작업은 모델이 판단하고, 어떤 작업은 결정론적 코드가 실행할지 명확히 구분하세요.
- 다이어리제이션: 중요한 주제의 모든 자료를 모델이 읽고 구조화된 인사이트를 도출하게 하세요.
기술자에서 관리자로의 마인드셋 전환
가자니 탄의 프레임워크는 모델이 효율적으로 실행하도록 하지만, 한 가지 중요한 단계는 생략했습니다: 기술 전문가가 실행자에서 관리자로 전환하는 방법입니다.
기술 능력이 뛰어난 사람일수록 모델이 실수하는 것을 보면 3 초 만에 고칠 수 있어 직접 손을 대는 유혹에 빠집니다. 표면적으로는 더 빠르지만, 여러 병렬 AI 세션을 관리하면서 매번 실수를 고치면 효율성이 급격히 무너집니다.
관리자의 5 가지 기능을 AI 협업 상황에 매핑하면:
- 채용: 모델 선택
- 위임: 작업 분해 + 컨텍스트 준비
- 교육: 지속적 지식 베이스 (스킬 파일)
- 코칭: 답변이 아닌 방법론 가르치기
- 수용: 관찰 가능한 기준 (결과 확실성)
합의의 천장 (Consensus Ceiling) 을 넘어서
가자니 탄의 프레임워크는 모델을 효율적으로 실행하게 하지만, 모델 출력의 인지적 깊이에 한계가 있는지는 다루지 않습니다.
LLM 의 학습 메커니즘은 기본적으로 합의를 출력하도록 설계되어 있습니다. 다음 토큰 예측은 가장 높은 확률의 토큰을 출력하며, RLHF 는 논쟁적인 출력을 더 페널티합니다. 이 모든 것이 쌓이면 기본 동작은 평균으로 회귀합니다.
이 천장을 돌파하려면 더 나은 스킬 이상 필요합니다. 학습 중 내장된 합의 이전을 무효화할 만큼 충분한 개인 인지 컨텍스트가 필요합니다. 이것이 리졸버에 추가적인 공리 (axiom) 라우팅 레이어가 필요한 이유입니다.
요약
가자니 탄의 Skillify 방법론은 AI 에이전트의 실패를 영구적 구조 수정으로 바꾸는 강력한 프레임워크를 제공합니다:
- 스킬 파일: 마크다운으로 작성된 재사용 가능한 판단 프로세스
- 얇은 하네스: 최소한의 실행 로직, 최대의 효율성
- 리졸버: 컨텍스트 자동 라우팅
- 잠재적/결정론적 경계: 각자의 강점을 활용한 작업 분배
- 다이어리제이션: 다중 소스 교차 참조를 통한 심층 인사이트
이 아키텍처를 적용하면 효율적이고 정확하며 확장 가능한 AI 시스템을 얻을 수 있습니다. 여기에 공리 레이어를 추가하면 합의 beyond 를 넘어선 판단도 가능해집니다.
모든 스킬은 시스템의 영구적 업그레이드입니다. 오늘 실패한 trip 이 다시는 일어나지 않으며, timezone 오류도 다시는 발생하지 않습니다. 그리고 다음 실패가 찾아오면 (그리고 그것은 반드시 옵니다—엔트로피와 맛에 대한 적대적 게임이니까) 그것도 skillify 될 것입니다.
'AI 뉴스' 카테고리의 다른 글
| LLM 으로 할 수 있는 비전형적인 일 7 가지 — 개발자가 알아야 할 핵심 정리 (1) | 2026.04.25 |
|---|---|
| Claude 를 해지한 이유: 토큰 문제, 품질 저하, 부실한 지원 — 개발자가 알아야 할 핵심 정리 (0) | 2026.04.25 |
| OpenAI GPT-5.5 완벽 가이드: 실제 업무를 위한 새로운 차원의 지능 (0) | 2026.04.25 |
| Gemini Deep Research Agent API 공개 (1) | 2026.04.24 |
| Claude Code 품질 리포트 업데이트 — 개발자가 알아야 할 핵심 정리 (1) | 2026.04.24 |