용어집
《컨텍스트 엔지니어링: 유한한 주의를 값어치 있는 곳에 쓰기》의 용어 69개. 레슨 본문에서 처음 등장하는 용어에 마우스를 올리면 정의를 볼 수 있습니다.
| 용어 | 정의 | 출처 |
|---|---|---|
| 프롬프트 엔지니어링 | 최적의 결과를 얻기 위해 LLM 지시문을 작성하고 조직하는 방법들. 지시문 자체를 어떻게 쓰고 어떻게 배치하는가에 초점이 있다. | Effective context engineering for AI agents — Anthropic Engineering |
| 컨텍스트 엔지니어링 | LLM 추론 중에 윈도 안에 어떤 최적의 토큰 집합을 유지할지 선별하고 관리하는 전략들의 집합. 루프가 한 바퀴 돌 때마다 다시 답해야 하는 절충이다. | Effective context engineering for AI agents — Anthropic Engineering |
| 주의 예산 | LLM이 대량의 컨텍스트를 파싱할 때 끌어다 쓰는 유한한 예산. 새로 들어오는 토큰은 하나하나 이 예산을 얼마간 고갈시킨다. | Effective context engineering for AI agents — Anthropic Engineering |
| 컨텍스트 로트 | 컨텍스트 윈도 안의 토큰 수가 늘어날수록, 그 컨텍스트에서 정보를 정확히 회상하는 모델의 능력이 떨어지는 현상. | Effective context engineering for AI agents — Anthropic Engineering |
| 성능의 경사 | 컨텍스트 로트가 어떤 토큰 수를 넘어서면 갑자기 무너지는 절벽이 아니라, 토큰이 늘수록 완만하게 내려가는 비탈로 나타난다는 것. | Effective context engineering for AI agents — Anthropic Engineering |
| 한계 수익 체감 | 컨텍스트를 유한한 자원으로 보는 관점. 윈도에 밀어 넣는 천 번째 토큰과 십만 번째 토큰은 차지하는 자리는 같지만 보태는 가치는 하늘과 땅 차이다. | Effective context engineering for AI agents — Anthropic Engineering |
| 하네스 | 에이전트 루프를 싣고 도는 엔지니어링 껍데기 전체. 같은 모델이라도 하네스가 다르면 완전히 다른 결과가 나온다. | The 2026 Agent Engineering Roadmap — GitHub (codejunkie99/agent-roadmap-2026) |
| 자연스러운 진전 | Anthropic이 컨텍스트 엔지니어링을 프롬프트 엔지니어링의 대체가 아니라 진화로 자리매김한 것. 시스템 프롬프트는 여전히 잘 써야 하며, 다만 관리해야 할 여러 컨텍스트 재료 중 하나가 된다. | Effective context engineering for AI agents — Anthropic Engineering |
| 긴 시간 지평의 작업 | 여러 번의 추론 턴과 긴 시간에 걸치는 에이전트 작업. 컴팩션, 구조화된 노트, 멀티 에이전트 아키텍처가 함께 겨누는 상황이다. | Effective context engineering for AI agents — Anthropic Engineering |
| 고도 | 시스템 프롬프트가 놓인 추상화 수준. 한쪽 끝에는 부서지기 쉬운 하드코딩 로직이, 다른 쪽 끝에는 거동의 신호가 없는 두루뭉술한 지침이 있다. | Effective context engineering for AI agents — Anthropic Engineering |
| 너무 낮게 나는 경우 | 시스템 프롬프트의 실패 양상 하나. '사용자가 X라고 하면 Y를 한다' 모양의 규칙을 잔뜩 늘어놓아 로직을 하드코딩하며, 적어 두지 않은 경우는 전부 포괄 분기로 떨어진다. | Effective context engineering for AI agents — Anthropic Engineering |
| 너무 높이 떠 있는 경우 | 시스템 프롬프트의 또 다른 실패 양상. 구체적인 지침 없이 두루뭉술한 구호만 주어, 모델이 실행 가능한 신호를 하나도 받지 못하고 거동이 예측 불가능하게 표류한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 알맞은 고도 | 권장되는 시스템 프롬프트의 모양. 거동을 효과적으로 이끌 만큼 구체적이면서, 모델에 강력한 휴리스틱을 남길 만큼 유연하다. | Effective context engineering for AI agents — Anthropic Engineering |
| 원칙 더하기 절대 한계 | 알맞은 고도의 시스템 프롬프트가 착지하는 실용적 구조. 일반적인 상황을 덮는 몇 개의 판단 원칙과, 타협할 수 없는 준수 경계를 못 박는 소수의 절대 한계로 이루어진다. | Effective context engineering for AI agents — Anthropic Engineering |
| CLAUDE.md | Claude Code에서 모든 대화의 시작에 컨텍스트로 읽히는 프로젝트 수준의 설정 파일. 넓게 적용되어 매 세션에 쓰이는 내용만 담아야 한다. | Best practices for Claude Code — Claude Code Docs |
| 삭제 테스트 | 상주 파일의 내용을 한 줄씩 감사하는 방법. '이것을 지우면 실수가 생기는가?'를 묻고, 답이 아니라면 잘라낸다. | Best practices for Claude Code — Claude Code Docs |
| 스킬 | Claude Code에서 포장된 전문 역량. CLAUDE.md처럼 모든 대화에 상주하는 것이 아니라 필요할 때 로드되어, 모든 세션이 비대해지는 것을 막는다. | Best practices for Claude Code — Claude Code Docs |
| 기능의 겹침이 최소 | 도구 설계의 요구사항. 여러 도구는 기능의 경계가 또렷해야 하며, 둘 다 같은 일을 할 수 있는 구간을 남기지 않아야 한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 토큰 효율적 | 도구 반환값의 설계 기준. 기본으로는 핵심 필드만 돌려주어, 가치가 낮은 정보를 대량으로 메시지 히스토리에 들이부어 주의 예산을 되풀이해 소모하는 일을 피한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 대표적인 예시 | 예시를 선별하는 기준. 예시 하나가 특정한 상황 하나가 아니라 기대되는 거동의 부류를 대표해야 한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 빨랫줄처럼 늘어놓기 | 운영에서 나온 특수 사례마다 예시나 규칙 목록에 한 줄씩 더해, 끝내 길고 지루한 엣지 케이스 카탈로그를 소유하게 되는 안티패턴. | Effective context engineering for AI agents — Anthropic Engineering |
| 사전 로드 | 추론이 시작되기 전에 필요할 수 있는 모든 자료를 초기 컨텍스트에 넣는 전략. 모델은 첫 턴에 그 전부를 보며 무엇도 검색할 필요가 없다. | Effective context engineering for AI agents — Anthropic Engineering |
| 적시 검색 | 초기 컨텍스트에는 가벼운 식별자만 두고, 에이전트가 실행 시점에 필요한 만큼 도구를 통해 내용을 로드하게 하는 전략. | Effective context engineering for AI agents — Anthropic Engineering |
| 가벼운 식별자 | 내용 자체가 아니라 내용을 가리키는 포인터. 파일 경로, 저장된 쿼리, 웹 링크 등이며, 에이전트가 실행 시점에 필요할 때 온전한 내용으로 펼친다. | Effective context engineering for AI agents — Anthropic Engineering |
| 메타데이터 | 파일 이름, 디렉터리 구조, 시각처럼 식별자에 딸려 오는 정보. 내용을 열어 보지 않고도 그것이 무엇을 위한 것이고 관련성이 얼마나 될지를 알린다. | Effective context engineering for AI agents — Anthropic Engineering |
| 점진적 발견 | 에이전트가 식별자와 검색 도구에 기대어 탐색을 거치며 정말로 관련 있는 내용을 한 걸음씩 찾아내는 방식. 모든 것이 한꺼번에 눈앞에 놓이지 않는다. | Effective context engineering for AI agents — Anthropic Engineering |
| 하이브리드 전략 | 속도를 위해 일부 데이터는 미리 가져오고, 나머지는 식별자로 남겨 모델이 실행 시점에 재량껏 탐색하게 하는 조합. 실제 시스템에서 흔한 모양이다. | Effective context engineering for AI agents — Anthropic Engineering |
| 절충 프레임 | 후보 자료마다 사전 로드할지 적시에 검색할지를 판단하는 실무적 방법. '안정적인가'와 '매 턴 쓰이는가'를 차례로 묻는다. | Effective context engineering for AI agents — Anthropic Engineering |
| list_files | 코스 예시의 검색 도구. 저장소의 한 디렉터리 아래 파일과 하위 디렉터리를 나열하며, 적시 검색의 첫걸음으로 에이전트가 범위를 좁히도록 돕는다. | Effective context engineering for AI agents — Anthropic Engineering |
| grep | 코스 예시의 검색 도구. 한 디렉터리 아래의 텍스트를 재귀적으로 검색해 일치한 줄을 돌려주며, 토큰 소모를 다스리려고 줄 수에 상한을 둔다. | Effective context engineering for AI agents — Anthropic Engineering |
| read_file | 코스 예시의 검색 도구. 단일 파일의 내용을 읽으며, list_files나 grep으로 그 파일이 관련 있음을 확인한 뒤에만 쓰도록 규정되어 있다. | Effective context engineering for AI agents — Anthropic Engineering |
| 검색의 본질은 압축이다 | Anthropic이 검색 과정을 요약한 문장. 한 번의 검색마다 방대한 말뭉치를 좁히며 정말로 쓸모 있는 통찰을 증류해 낸다. 적시 검색의 모든 단계가 이 압축을 수행한다. | How we built our multi-agent research system — Anthropic Engineering |
| REPO_ROOT | 코스 예시 코드의 상수. 저장소 루트 디렉터리 경로를 지정하며, 세 검색 도구의 파일 조작이 모두 이것을 기준으로 실제 경로를 잡는다. | Effective context engineering for AI agents — Anthropic Engineering |
| 컴팩션 | 대화가 컨텍스트 윈도의 한계에 가까워졌을 때 메시지 히스토리를 모델에 넘겨 요약하게 하고, 그 요약본에서 새 컨텍스트 윈도를 다시 시작하는 것. | Effective context engineering for AI agents — Anthropic Engineering |
| 다시 시작 | 컴팩션의 핵심 동작. 요약본으로 완전히 새로운 컨텍스트 윈도를 열고, 원래 대화 위에 계속 쌓는 대신 옛 메시지 히스토리를 통째로 버린다. | Effective context engineering for AI agents — Anthropic Engineering |
| 인수인계 요약본 | 컴팩션 때 만들어져 새 윈도가 출발하며 읽는 요약 텍스트. 에이전트가 작업을 이어 가도록 아키텍처 결정, 아직 풀리지 않은 문제, 핵심 구현 세부를 남겨야 한다. | Effective context engineering for AI agents — Anthropic Engineering |
| COMPACT_INSTRUCTION | 코스 예시 코드의 상수. 컴팩션의 요약 지시문을 정의하며, 아키텍처 결정과 아직 풀리지 않은 문제와 핵심 구현 세부는 남기고 중복된 도구 출력은 버리라고 명시적으로 요구한다. | Effective context engineering for AI agents — Anthropic Engineering |
| compact() | 코스 예시에서 컴팩션을 구현한 함수. 메시지 히스토리와 요약 지시문을 모델에 보내고, 돌아온 요약본으로 messages 배열 전체를 갈아 끼워 새 윈도를 다시 시작한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 구조화된 노트 | 에이전트가 결정을 내리거나 문제를 발견하는 그 순간에 핵심 상태를 컨텍스트 윈도 바깥의 영속적인 자리에 직접 써 두는 것. 수동적이고 사후적인 컴팩션을 보완한다. | Effective context engineering for AI agents — Anthropic Engineering |
| NOTES.md | 코스 예시에서 에이전트가 유지하는 구조화된 노트 파일. 확정된 결정, 미해결 문제, 다음 단계 계획을 적으며, 대화 히스토리와 무관하게 파일 시스템에 존재한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 할 일 목록 | Claude Code가 작업 목록을 유지하는 장치. 커스텀 에이전트가 NOTES.md를 유지하는 것과 마찬가지로, 핵심 상태를 윈도 바깥으로 외부화하는 구조화된 노트의 실천에 속한다. | Effective context engineering for AI agents — Anthropic Engineering |
| /clear | 무관한 새 작업으로 옮겨 갈 때 컨텍스트를 전면 초기화하는 Claude Code 명령. 요약도 없고 옛 내용을 보존하지도 않는다. | Best practices for Claude Code — Claude Code Docs |
| 자동 컴팩션 | Claude Code가 제품화한 컴팩션 장치. 대화가 컨텍스트 한계에 가까워지면 자동으로 발동해, 사람이 손대지 않아도 중요한 코드와 결정을 보존한다. | Best practices for Claude Code — Claude Code Docs |
| Claude playing Pokémon | Anthropic이 언급한 사례. 기억 장치가 코딩이 아닌 영역에서도 에이전트의 능력을 어떻게 바꿔 놓는지 보이며, 노트라는 요령이 코딩 작업에만 국한되지 않음을 말한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 세 가지 수 | 긴 시간 지평의 작업을 다루는 세 부류의 컨텍스트 관리 기법 — 컴팩션, 구조화된 노트, 멀티 에이전트 아키텍처. 에이전트가 일련의 행동에 걸쳐 일관성과 컨텍스트와 목표 지향적 행동을 유지하게 하는 것을 함께 겨눈다. | Effective context engineering for AI agents — Anthropic Engineering |
| 서브에이전트 | 깨끗한 컨텍스트 윈도에서 초점이 좁은 작업을 처리하고, 메인 에이전트에는 압축된 요약본만 돌려주는 장치. 멀티 에이전트 협업만이 아니라 컨텍스트 격리 자체로서 값어치가 있다. | Effective context engineering for AI agents — Anthropic Engineering |
| 깨끗한 윈도 | 서브에이전트가 출발하며 쓰는 완전히 새로운 컨텍스트 윈도. 메인 에이전트의 메시지 히스토리를 하나도 지니지 않아, 주의 예산이 온전히 그 초점 좁은 작업에 쓰인다. | Effective context engineering for AI agents — Anthropic Engineering |
| 지능형 필터 | Anthropic이 서브에이전트의 역할에 붙인 비유. 메인 에이전트를 대신해 탐색 과정에서 가장 중요한 토큰을 응축하며, 들어가는 것은 코퍼스이고 나오는 것은 요체다. | How we built our multi-agent research system — Anthropic Engineering |
| 과정과 결론의 비율 | 어떤 작업을 서브에이전트에 맡길 만한지 판단하는 잣대 하나. 중간 탐색 내용과 최종 결론의 부피 비율이며, 기울수록 격리의 보상이 커진다. | Effective context engineering for AI agents — Anthropic Engineering |
| runSubagent | 코스 예시 코드에서 서브에이전트 루프를 띄우는 함수. 격리된 작업 설명 하나를 완전히 새로운 메시지 배열로 삼아 출발하고, 모델의 최종 텍스트 결론만 돌려준다. | Effective context engineering for AI agents — Anthropic Engineering |
| dispatch_research | 코스 예시에서 메인 에이전트 쪽의 도구. 리서치 작업을 서브에이전트에 넘기고, stop_reason 루프에 꽂혀 서브에이전트의 요약본 결론을 돌려받는다. | Effective context engineering for AI agents — Anthropic Engineering |
| SUBAGENT_SYSTEM | 코스 예시 코드의 상수. 서브에이전트 전용 시스템 프롬프트이며, 최대 1500 토큰의 결론을 내놓고 읽은 원문을 그대로 되풀이하지 말라고 요구한다. | Effective context engineering for AI agents — Anthropic Engineering |
| 핸드오프 | 긴 작업에서 앞선 서브에이전트의 일을 이어 가도록 깨끗한 윈도의 새 서브에이전트를 띄울 때, 요체를 넘겨 작업의 연속성을 유지하는 동작. | How we built our multi-agent research system — Anthropic Engineering |
| 멀티 에이전트 아키텍처 | 탐색 작업을 독립된 서브에이전트에 맡기고 압축된 요약본만 되받는 아키텍처 패턴. 긴 시간 지평의 작업을 다루는 세 가지 수 가운데 하나다. | Effective context engineering for AI agents — Anthropic Engineering |
| 4×(에이전트와 채팅의 토큰 사용량) | Anthropic이 자사 멀티 에이전트 리서치 시스템에서 실측한 값. 에이전트 하나의 토큰 사용량은 평범한 채팅 상호작용의 대략 4배다. 그 시스템의 실측이지 보편 법칙이 아니다. | How we built our multi-agent research system — Anthropic Engineering |
| 15×(멀티 에이전트와 채팅의 토큰 사용량) | 같은 시스템에서 나온 실측. 멀티 에이전트 시스템 전체의 토큰 사용량은 평범한 채팅 상호작용의 대략 15배다. 이 또한 그 시스템의 실측이지 보편 법칙이 아니다. | How we built our multi-agent research system — Anthropic Engineering |
| 80%(토큰 사용량이 설명하는 성능 분산) | 같은 시스템에서 나온 실측. 토큰 사용량 그 자체가 그 시스템의 성능 분산의 80%를 설명했다. 격리가 값어치를 하는지 판단할 때 참고할 만한 데이터다. | How we built our multi-agent research system — Anthropic Engineering |
| CONTEXT_WINDOW | 코스 예시 코드의 상수. 컨텍스트 윈도의 용량 한계를 나타내며, 실제로 쓰는 모델에 맞춰 엔지니어링 판단으로 정한다. | Effective context engineering for AI agents — Anthropic Engineering |
| COMPACT_RATIO | 코스 예시 코드의 상수. 컴팩션 발동 임계값의 비율을 정하며, 사용량이 윈도 용량에 이 비율을 곱한 값을 넘으면 컴팩션이 발동한다. | Effective context engineering for AI agents — Anthropic Engineering |
| shouldCompact | 코스 예시 코드의 판정 함수. 현재 누적 토큰 사용량이 컴팩션 임계값에 닿거나 넘었는지 점검해 컴팩션을 발동할지 정한다. | Effective context engineering for AI agents — Anthropic Engineering |
| tokensUsed | 코스 예시 코드의 카운터 변수. 현재 윈도의 누적 토큰 사용량을 추적하며, 컴팩션이 발동해 완료된 뒤에는 반드시 0으로 리셋해야 한다. 역사적 총량이 아니라 '이 윈도가 얼마나 썼는가'를 나타낸다. | Effective context engineering for AI agents — Anthropic Engineering |
| trackUsage | 코스 예시 코드의 유틸리티 함수. 모델 응답마다 input_tokens와 output_tokens를 tokensUsed 누적기에 더한다. | Effective context engineering for AI agents — Anthropic Engineering |
| update_notes | 코스 예시 코드에서 에이전트가 NOTES.md에 쓰는 도구. 매번의 쓰기가 온전한 내용의 통째 덮어쓰기라는 의미론이며, 증분 병합은 다루지 않는다. | Effective context engineering for AI agents — Anthropic Engineering |
| runAgent | 코스 예시 코드의 메인 함수. 사용량 추적, 임계값 발동 컴팩션, 노트 읽고 쓰기를 같은 루프에 배선해 단일 윈도 용량을 넘어서는 작업을 끝까지 돌린다. | Effective context engineering for AI agents — Anthropic Engineering |
| 컴팩션 폭풍 | 컴팩션 뒤 tokensUsed를 리셋하지 않아 이후 거의 매 턴 컴팩션이 잘못 발동하고, 작업이 요약과 재시작을 되풀이하며 제자리에서 도는 버그 현상. | Effective context engineering for AI agents — Anthropic Engineering |
| 임계값 발동 컴팩션 | 컴팩션을 루프에 배선하는 장치. 사용량 누적이 정해 둔 임계 비율에 닿으면, 윈도가 실제로 터지기를 기다리지 않고 스스로 컴팩션을 발동하고 작업을 계속한다. | Effective context engineering for AI agents — Anthropic Engineering |
| readNotes | 코스 예시 코드의 함수. NOTES.md에서 현재 노트 내용을 읽으며, 읽기에 실패하면(파일이 아직 없으면) 자리표시 문구를 돌려준다. | Effective context engineering for AI agents — Anthropic Engineering |
| writeNotes | 코스 예시 코드의 함수. 건네받은 온전한 노트 내용을 NOTES.md 파일에 쓰며, update_notes 도구가 호출될 때 쓰인다. | Effective context engineering for AI agents — Anthropic Engineering |
| 컴팩션 호출 | 컴팩션 때 인수인계 요약본을 만들려고 쏘는 여분의 모델 호출. 이 호출의 출력은 메시지 배열을 다시 시작하는 데 곧바로 쓰이며, 메인 루프에 들어가 추론을 이어 가지 않는다. | Effective context engineering for AI agents — Anthropic Engineering |