Anthropic이 공식 블로그에 Claude Code의 루프 활용 가이드를 냈습니다. 에이전트에게 일을 시키는 단위가 프롬프트 한 번에서 종료 조건이 있는 반복 사이클로 넘어가고 있다는 이야기입니다. 네 가지 루프 유형과 토큰 관리 요령을 정리했습니다.
Anthropic이 2026년 6월 30일 공식 블로그에 루프 시작하기라는 글을 올렸습니다(Delba de Oliveira, Michael Segner). 요지는 에이전트 활용의 단위가 바뀌고 있다는 것입니다. 프롬프트 문구를 다듬는 대신 에이전트가 종료 조건을 만날 때까지 작업 사이클을 반복하게 만드는 루프를 설계하라는 제안입니다. 다만 글 스스로도 모든 작업에 복잡한 루프가 필요한 것은 아니라고 못박고 있어서, 유형별로 어디에 맞는지 가려 읽을 필요가 있습니다.
루프란 무엇인가
가이드가 말하는 루프는 에이전트가 정지 조건을 만족할 때까지 작업 사이클을 반복하는 것입니다. 사람이 매 단계 지시하고 결과를 확인하는 대신, 무엇이 끝난 상태인지와 언제 멈출지를 미리 정의해 넘기는 방식입니다. 글은 이를 네 유형으로 나눕니다.

| 유형 | 트리거 | 정지 조건 | 적합한 일 |
|---|---|---|---|
| 턴 기반 | 사용자 프롬프트 | 모델이 완료 판단 | 짧고 일회성인 작업 |
| 목표 기반 (/goal) | 사용자 프롬프트 | 목표 달성 또는 턴 상한 | 검증 가능한 완료 조건이 있는 작업 |
| 시간 기반 (/loop, /schedule) | 지정한 주기 | 사용자 취소 | 반복 작업과 외부 시스템 감시 |
| 프로액티브 | 이벤트나 일정 | 건별 목표 달성, 루틴은 지속 | 버그 접수, 이슈 분류, 마이그레이션 |
어떻게 시작하는가
목표 기반 루프는 /goal 명령으로 겁니다. 홈페이지 Lighthouse 점수를 90 이상으로 올리고 5회 시도 후 멈추라는 식입니다. 평가 모델이 조건 충족 여부를 확인해 미달이면 작업으로 돌려보냅니다. 시간 기반은 /loop 5m으로 PR 리뷰 코멘트 반영과 CI 수리를 5분마다 돌리는 예시가 나옵니다. /loop는 로컬에서 돌고 /schedule은 클라우드에서 돕니다. 프로액티브 루프는 이 원시 명령들을 조합합니다. 매시간 피드백 채널을 확인해 발견된 리포트가 전부 분류되고 처리될 때까지 멈추지 않는 루틴이 예시로 제시됩니다.

핵심은 검증입니다. 사람이 손으로 하던 확인 절차를 SKILL.md로 인코딩하면 Claude가 자기 작업을 끝까지 스스로 점검합니다. 체크가 정량적일수록 자기 검증이 쉬워진다는 것이 가이드의 표현입니다. 코드를 쓰는 루프에는 코드를 검사하는 루프가 필요하다며 /code-review 스킬이나 GitHub 코드 리뷰 연동을 함께 걸라고 권합니다.

어디에 부적합한가
루프는 토큰을 계속 태우는 구조라서 비용 관리가 따라붙습니다. 가이드가 권하는 것은 명시적인 성공 기준과 턴 상한을 정할 것, 결정적인 작업은 모델 추론 대신 스크립트로 처리할 것, 루틴 주기를 실제 변경 빈도에 맞출 것, 대규모 적용 전에 작은 데이터셋으로 시범 운영할 것입니다. 사용량은 /usage로 스킬·서브에이전트·MCP별 내역을 확인할 수 있습니다. 성공 조건을 검증 가능하게 쓸 수 없는 탐색성 작업이라면 턴 기반 대화로 충분하고, 그 이상은 낭비에 가깝습니다.
기업교육 관점에서 보면
이 가이드에서 조직이 가져갈 것은 명령어 목록이 아니라 일을 넘기는 방식입니다. 루프를 걸려면 완료 조건을 검증 가능한 문장으로 쓸 수 있어야 하고, 그것은 도구 기능이 아니라 업무를 정의하는 역량입니다. 코텍시스가 업무 자동화 교육에서 자동화 대상 선정과 종료 조건 설계에 시간을 쓰는 이유입니다. 검증 없는 루프는 실패를 반복 생산하는 자동화가 되므로, 검증 절차를 먼저 문서화한 팀만이 루프의 이득을 봅니다.
업무 자동화 교육 과정의 구성은 AX 업무 자동화 안내에서 확인할 수 있습니다.
출처
- Anthropic, Getting started with loops (2026-06-30, Delba de Oliveira · Michael Segner)
코텍시스 AI 인사이트 최신 논문 리뷰
활성값을 보고 가중치를 지키는 AWQ 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.ai에서 맞춤 AI 개발 서비스를 확인하세요.



