Claude 사용법 on 매일 한 가지

Day 01 — Claude란 무엇인가?

Sun, 21 Jun 2026 00:00:00 +0000

Phase 1: 기초 | 예상 학습 시간: 30분

🎯 학습 목표

Claude의 설계 철학과 다른 LLM과의 차별점을 설명할 수 있다
Claude 모델 계열 (Haiku / Sonnet / Opus)의 특징과 사용 목적을 구분할 수 있다
Constitutional AI가 무엇인지 개념적으로 이해한다

1. Claude는 어떤 모델인가?

Claude는 Anthropic이 만든 대형 언어 모델(LLM)입니다. GPT 계열(OpenAI)과 Gemini(Google)와 함께 현재 상용 LLM의 3대 축 중 하나입니다.

Day 02 — 기본 프롬프트 작성법

Mon, 22 Jun 2026 00:00:00 +0000

Phase 1: 기초 | 예상 학습 시간: 30분

🎯 학습 목표

명확한 프롬프트와 모호한 프롬프트의 차이를 실제 예시로 구분할 수 있다
컨텍스트, 지시, 출력 형식이라는 3요소를 갖춘 프롬프트를 작성할 수 있다
긍정적 지시와 부정적 지시를 언제 어떻게 조합하는지 이해한다

1. 프롬프트 품질이 결과를 결정한다

LLM은 입력을 통계적으로 완성하는 모델입니다. 모호한 입력은 모호한 출력을 낳습니다. “요약해줘"라고 하면 모델은 길이, 대상 독자, 언어, 형식 등 모든 것을 스스로 추측합니다.

Day 03 — 컨텍스트와 대화 흐름

Tue, 23 Jun 2026 00:00:00 +0000

Phase 1: 기초 | 예상 학습 시간: 30분

🎯 학습 목표

컨텍스트 윈도우의 개념과 작동 방식을 설명할 수 있다
멀티턴 대화에서 messages 배열을 올바르게 구성할 수 있다
대화 흐름 설계 시 컨텍스트 관리 전략을 적용할 수 있다

1. 컨텍스트 윈도우란?

Claude는 대화를 처음부터 끝까지 전부 읽고 응답합니다. 이전 대화를 “기억"하는 것이 아니라, API 호출 시마다 전체 대화 이력을 입력으로 받습니다.

Day 04 — 출력 형식 제어

Wed, 24 Jun 2026 00:00:00 +0000

Phase 1: 기초 | 예상 학습 시간: 30분

🎯 학습 목표

프롬프트만으로 JSON, 마크다운, 일반 텍스트 등 원하는 형식의 출력을 유도할 수 있다
구조화된 응답이 필요한 상황과 그렇지 않은 상황을 구분할 수 있다
형식 지시가 실패할 때 원인을 진단하고 수정할 수 있다

1. 왜 출력 형식이 중요한가?

LLM은 기본적으로 자연어를 생성합니다. 하지만 프로덕션 환경에서는 응답을 파싱해 다음 단계에 넘겨야 하는 경우가 많습니다. 형식이 일관되지 않으면 파싱 코드가 깨집니다.

Day 05 — Claude의 한계와 특성 이해

Thu, 25 Jun 2026 00:00:00 +0000

Phase 1: 기초 | 예상 학습 시간: 30분

🎯 학습 목표

Hallucination이 발생하는 원인과 완화 방법을 설명할 수 있다
Claude의 거절(refusal) 동작을 예측하고 프롬프트로 완화할 수 있다
Knowledge cutoff의 한계를 이해하고 설계에 반영할 수 있다

1. Hallucination — 존재하지 않는 사실을 생성

Hallucination은 LLM이 사실이 아닌 내용을 자신 있게 말하는 현상입니다. Claude는 다른 모델 대비 낮은 편이지만 완전히 없지는 않습니다.

Day 06 — 역할 지정 (Role Prompting)

Fri, 26 Jun 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

System prompt의 구조와 역할을 이해하고 설계할 수 있다
Role prompting이 응답 품질에 미치는 영향을 설명할 수 있다
프로덕션 수준의 system prompt 템플릿을 작성할 수 있다

1. System Prompt란?

System prompt는 Claude의 동작 방식을 규정하는 최상위 지시문입니다. 매 대화가 시작되기 전에 주입되며, user 메시지보다 높은 우선순위를 갖습니다.

Day 07 — Few-shot / Chain-of-Thought 프롬프팅

Sat, 27 Jun 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

Few-shot 예시로 Claude의 출력 패턴을 원하는 방향으로 유도할 수 있다
Chain-of-Thought(CoT) 프롬프팅이 추론 품질을 높이는 원리를 설명할 수 있다
두 기법을 조합해 복잡한 태스크에 적용할 수 있다

1. Few-shot 프롬프팅

Few-shot은 예시를 보여주어 Claude가 원하는 패턴을 학습하게 하는 기법입니다. “형식 설명"보다 “예시 제시"가 훨씬 효과적인 경우가 많습니다.

Day 08 — XML 태그 활용

Sun, 28 Jun 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

XML 태그가 프롬프트 구조화에 왜 효과적인지 설명할 수 있다
<instructions>, <example>, <context>, <output> 등 주요 태그 패턴을 실전에서 쓸 수 있다
복잡한 멀티파트 프롬프트를 XML 태그로 명확하게 구분하는 방법을 익힌다

1. 왜 XML 태그인가?

Claude는 자연어를 처리하지만, 구조화된 입력에 더 잘 반응합니다. 특히 긴 프롬프트에서 “어디까지가 배경 설명이고, 어디서부터가 실제 지시인가"를 명확히 하지 않으면 모델이 혼동할 수 있습니다.

Day 09 — 긴 문서 처리

Mon, 29 Jun 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

Claude의 200K 컨텍스트 윈도우를 효과적으로 활용하는 전략을 설명할 수 있다
긴 문서에서 요약, 추출, 분석을 위한 프롬프트 패턴을 작성할 수 있다
문서가 컨텍스트 한도를 초과할 경우 청킹(chunking) 전략을 설계할 수 있다

1. 왜 긴 문서 처리가 중요한가?

Claude의 200K 토큰 컨텍스트는 강력한 무기입니다. 일반적인 A4 문서 한 페이지가 약 400–500 토큰이므로, 이론상 약 400페이지 분량의 문서를 한 번에 처리할 수 있습니다.

Day 10 — 코드 생성 및 리뷰 프롬프트

Tue, 30 Jun 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

코드 생성 품질을 높이는 프롬프트 구조를 설계할 수 있다
코드 리뷰 요청을 체계적으로 구성하여 실질적인 피드백을 얻을 수 있다
반복적인 코드 작업을 위한 재사용 가능한 프롬프트 패턴을 만들 수 있다

1. 코드 생성 프롬프트의 핵심 요소

“Python 함수 만들어줘"와 “다음 조건을 만족하는 Python 함수를 만들어줘"는 결과가 전혀 다릅니다. 코드 생성에서 Claude가 좋은 출력을 내려면 컨텍스트 4가지가 필요합니다.

Day 11 — 다단계 추론 패턴

Wed, 01 Jul 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

다단계 추론(Multi-step reasoning)이 필요한 상황을 식별할 수 있다
Chain-of-Thought와 단계적 분해(Step Decomposition) 패턴을 실전에 적용할 수 있다
복잡한 작업을 서브태스크로 나누어 Claude에게 위임하는 워크플로를 설계할 수 있다

1. 왜 다단계 추론이 필요한가?

LLM은 단순 질의에는 강하지만, 복잡한 문제를 한 번에 처리하려 하면 품질이 급격히 떨어집니다. 이유는 두 가지입니다.

Day 12 — 프롬프트 평가 및 반복 개선

Thu, 02 Jul 2026 00:00:00 +0000

Phase 2: 프롬프트 엔지니어링 | 예상 학습 시간: 30분

🎯 학습 목표

프롬프트 품질을 “감"이 아니라 측정 가능한 기준으로 평가할 수 있다
골든셋(golden set) 기반 회귀 테스트 구조를 설계할 수 있다
프롬프트 개선을 반복 실험으로 관리하는 워크플로를 구축할 수 있다

1. 왜 프롬프트를 “평가"해야 하는가?

Day 01~11에서 다양한 프롬프트 기법(역할 지정, Few-shot, CoT, XML 태그, 다단계 추론)을 배웠습니다. 문제는 이 기법들을 적용한 후 정말 더 나아졌는지 확인할 방법이 없으면, 프롬프트 수정이 감에 의존한 도박이 된다는 점입니다.

Day 13 — Anthropic API 기초

Fri, 03 Jul 2026 00:00:00 +0000

Phase 3: API 활용 | 예상 학습 시간: 30분

🎯 학습 목표

API 키 발급부터 첫 Messages API 호출까지 전체 흐름을 이해한다
요청 헤더(x-api-key, anthropic-version)의 역할과 필수 파라미터를 설명할 수 있다
응답 객체의 구조(content, usage, stop_reason)를 읽고 활용할 수 있다

1. API 접근 준비

Anthropic API를 쓰려면 두 가지가 필요합니다: API 키와 엔드포인트입니다.

Day 14 — Messages API 파라미터 심화

Sat, 04 Jul 2026 00:00:00 +0000

Phase 3: API 활용 | 예상 학습 시간: 30분

🎯 학습 목표

temperature, top_p, top_k가 각각 어떤 방식으로 출력의 무작위성을 조절하는지 설명할 수 있다
stop_sequences와 metadata 파라미터를 실제 요청에 적용할 수 있다
최신 Claude 모델(Opus 4.7 이상)에서 샘플링 파라미터가 어떻게 달라졌는지 이해하고 대안을 적용할 수 있다

1. temperature — 무작위성의 기본 다이얼

temperature는 다음 토큰을 고를 때 확률 분포를 얼마나 “평평하게” 만들지 결정합니다. 값이 낮을수록 가장 확률이 높은 토큰을 거의 항상 선택하고, 값이 높을수록 낮은 확률의 토큰도 선택될 여지가 커집니다.

Day 15 — Streaming 응답 처리

Sun, 05 Jul 2026 00:00:00 +0000

Phase 3: API 활용 | 예상 학습 시간: 30분

🎯 학습 목표

Streaming Messages API의 이벤트 흐름(message_start → content_block_* → message_delta → message_stop)을 설명할 수 있다
Python SDK로 텍스트, 도구 입력, extended thinking 델타를 각각 구분해 처리하는 코드를 작성할 수 있다
스트리밍 중 발생하는 에러를 감지하고, 모델 세대별로 다른 복구 전략을 적용할 수 있다

1. 스트리밍이 필요한 이유와 기본 구조

일반적인 messages.create() 호출은 Claude가 전체 응답을 다 생성할 때까지 기다렸다가 한 번에 반환합니다. 응답이 길어질수록 사용자는 아무 반응 없는 화면을 오래 바라봐야 하고, max_tokens가 크면 HTTP 커넥션이 타임아웃될 위험도 커집니다. 요청에 "stream": true를 추가하면 Claude가 토큰을 생성하는 즉시 Server-Sent Events(SSE)로 잘게 쪼개 전송합니다. 챗봇 UI에서 흔히 보는 “타이핑되는” 효과가 바로 이 방식입니다.

Day 16 — Tool Use (Function Calling)

Mon, 06 Jul 2026 00:00:00 +0000

Phase 3: API 활용 | 예상 학습 시간: 30분

🎯 학습 목표

Client tool과 Server tool의 실행 위치 차이를 설명하고, 상황에 맞게 선택할 수 있다
input_schema와 tool_choice를 사용해 Claude의 도구 호출 방식을 설계할 수 있다
tool_use → 실행 → tool_result로 이어지는 전체 루프를 Python 코드로 구현할 수 있다

1. Tool Use란 무엇인가 — Client Tool vs Server Tool

Tool Use(Function Calling)는 Claude가 스스로 답할 수 없는 질문에 부딪혀 외부 함수나 API를 “호출"하도록 만드는 기능입니다. 정확히 말하면 Claude가 직접 코드를 실행하는 것이 아니라, “이 도구를 이런 입력으로 불러달라"는 구조화된 요청(JSON)을 반환할 뿐입니다. 실제 실행은 도구의 종류에 따라 둘 중 한 곳에서 일어납니다.

Day 17 — Vision API

Tue, 07 Jul 2026 00:00:00 +0000

Phase 3: API 활용 | 예상 학습 시간: 30분

🎯 학습 목표

base64, URL, Files API 세 가지 이미지 입력 방식의 차이를 이해하고 상황에 맞게 선택할 수 있다
이미지 해상도가 visual token 수와 비용으로 어떻게 환산되는지 계산할 수 있다
여러 이미지를 비교·분석하는 멀티모달 요청을 Python으로 구현할 수 있다

1. 이미지를 Claude에 전달하는 세 가지 방법

Claude는 메시지의 content 배열에 image 타입 블록을 넣는 방식으로 이미지를 입력받습니다. 이 블록의 source는 세 가지 타입 중 하나를 선택합니다.

Day 18 — 비용 최적화

Wed, 08 Jul 2026 00:00:00 +0000

Phase 3: API 활용 | 예상 학습 시간: 30분

🎯 학습 목표

모델 선택, 프롬프트 캐싱, Batch API라는 세 가지 축으로 API 비용을 구조적으로 줄이는 방법을 이해한다
프롬프트 캐싱의 write/read 배수를 계산해 캐싱이 실제로 이득인 시점을 판단할 수 있다
Python으로 토큰 사용량을 추적하고, 캐싱과 배치 처리를 결합한 견적을 낼 수 있다

1. 비용 최적화의 세 가지 축

Claude API 비용은 결국 “어떤 모델을 쓰는가 × 얼마나 많은 토큰을 보내는가 × 얼마나 자주 같은 내용을 반복하는가"로 요약됩니다. 최적화도 이 세 지점을 각각 공략합니다.

Day 19 — 에이전트 설계 패턴

Thu, 09 Jul 2026 00:00:00 +0000

Phase 4: 고급/프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

워크플로우(workflow)와 에이전트(agent)의 아키텍처적 차이를 설명할 수 있다
ReAct(추론+행동) 루프의 동작 원리를 이해하고 Python으로 최소 구현을 작성할 수 있다
Plan-and-Execute 패턴이 ReAct와 어떻게 다르며 언제 유리한지 판단할 수 있다

1. 워크플로우 vs 에이전트 — 먼저 구분부터

Anthropic은 “에이전트적 시스템(agentic system)“을 두 가지로 나눕니다. 워크플로우는 LLM과 도구가 미리 정의된 코드 경로를 따라 오케스트레이션되는 시스템이고, 에이전트는 LLM이 스스로 프로세스와 도구 사용을 동적으로 결정하며 작업 수행 방식에 대한 통제권을 갖는 시스템입니다.

Day 20 — Multi-agent 시스템 설계

Fri, 10 Jul 2026 00:00:00 +0000

Phase 4: 고급/프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

오케스트레이터-워커(orchestrator-workers) 패턴의 구조와 각 서브에이전트가 독립적인 컨텍스트를 갖는 이유를 설명할 수 있다
Claude Agent SDK의 서브에이전트를 활용해 병렬 작업을 위임하는 최소 구현을 작성할 수 있다
멀티 에이전트 시스템에서 토큰 비용이 급증하는 이유를 이해하고, 언제 단일 에이전트 대신 멀티 에이전트를 선택해야 하는지 판단할 수 있다

1. 왜 에이전트를 여러 개로 나누는가

Day 19에서 다룬 ReAct나 Plan-and-Execute는 하나의 에이전트가 컨텍스트 하나를 계속 들고 다니며 작업합니다. 하지만 작업 범위가 넓어질수록 컨텍스트 창이 관련 없는 정보로 오염되고, 서로 다른 하위 작업을 순차적으로만 처리해야 하는 병목이 생깁니다.

Day 21 — RAG 패턴

Mon, 13 Jul 2026 00:00:00 +0000

Phase 4: 고급/프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

RAG(Retrieval-Augmented Generation)가 필요한 이유와 기본 파이프라인 구조를 설명할 수 있다
Voyage AI 임베딩으로 문서를 벡터화하고 유사도 검색을 구현할 수 있다
Contextual Retrieval 기법과 search_result 콘텐츠 블록을 활용해 검색 정확도와 답변의 출처 신뢰성을 동시에 높일 수 있다

1. RAG란 무엇이고 왜 필요한가

Claude는 학습 시점 이후의 정보나 사내 문서, 최신 고객 데이터처럼 학습 데이터에 없는 내용은 알지 못합니다. 매번 이런 정보를 프롬프트에 통째로 넣는 것은 컨텍스트 창 한계와 비용 때문에 현실적이지 않습니다. RAG는 질문이 들어올 때마다 관련 문서 조각만 검색해서 프롬프트에 끼워 넣는 방식으로 이 문제를 해결합니다.

Day 22 — 프롬프트 인젝션 방어 및 보안

Tue, 14 Jul 2026 00:00:00 +0000

Phase 4: 고급/프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

직접 프롬프트 인젝션(jailbreak)과 간접 프롬프트 인젝션의 위협 모델이 어떻게 다른지 설명할 수 있다
Claude Haiku를 이용한 harmlessness screen과 구조화된 출력으로 입력·도구 결과를 검증하는 파이프라인을 구현할 수 있다
tool_result 격리, JSON 인코딩, 최소 권한 원칙 등 간접 인젝션에 특화된 방어 기법을 실제 코드에 적용할 수 있다

1. 두 가지 위협 모델 — 직접 인젝션과 간접 인젝션

프롬프트 인젝션은 하나의 문제가 아닙니다. Anthropic 공식 문서는 이를 위협 주체가 다른 두 범주로 나눕니다.

Day 23 — 평가(Evals) 프레임워크

Wed, 15 Jul 2026 00:00:00 +0000

Phase 4: 고급/프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

SMART(구체적·측정 가능·달성 가능·관련성) 원칙에 따라 LLM 애플리케이션의 성공 기준을 정의할 수 있다
code-based, human, LLM-based 세 가지 grading 방식의 트레이드오프를 비교하고 상황에 맞게 선택할 수 있다
Claude Haiku를 grader로 사용하는 rubric 기반 LLM-graded eval 파이프라인을 Python으로 구현할 수 있다

1. 성공 기준부터 정의한다

프롬프트를 다듬기 전에 먼저 “무엇을 잘하는 것으로 볼 것인가"를 명확히 해야 합니다. Anthropic 공식 문서는 좋은 성공 기준의 조건으로 다음 네 가지를 제시합니다.

Day 24 — 프로덕션 배포 고려사항

Thu, 16 Jul 2026 00:00:00 +0000

Phase 4: 고급/프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

Claude API의 HTTP 에러 코드를 재시도 가능(transient) / 재시도 불가(non-transient)로 분류하고 각각에 맞는 처리 전략을 설계할 수 있다
지수 백오프(exponential backoff)와 retry-after 헤더를 존중하는 재시도 로직을 구현하고, SDK 기본 동작을 조정할 수 있다
타임아웃·레이턴시·폴백(fallback)을 고려한 프로덕션급 호출 래퍼를 Python으로 작성할 수 있다

1. 에러 코드부터 이해한다 — 무엇을 재시도할 것인가

프로덕션에서 가장 먼저 결정해야 하는 것은 “어떤 에러를 재시도하고, 어떤 에러는 즉시 실패시킬 것인가"입니다. Claude API는 예측 가능한 HTTP 상태 코드 체계를 따르며, 이를 두 부류로 나누는 것이 핵심입니다.

Day 25 — 실전 케이스 스터디

Fri, 17 Jul 2026 00:00:00 +0000

Phase 4: 고급 / 프로덕션 | 예상 학습 시간: 30분

🎯 학습 목표

지금까지 배운 프롬프트 엔지니어링·API·프로덕션 기법을 하나의 실제 시나리오(고객 지원 AI Agent)로 연결해 설명할 수 있다
요구사항 정의 → 프롬프트 설계 → 도구 연동 → 평가 → 배포로 이어지는 엔드투엔드 흐름을 코드 수준에서 재현할 수 있다
Sendbird AI Agent 같은 실서비스 맥락에서 흔히 부딪히는 트레이드오프(비용, 레이턴시, 안전성)를 판단 기준과 함께 정리할 수 있다

1. 시나리오 정의 — “무엇을, 왜 만드는가”

가상의 요구사항으로 시작합니다. 커머스 앱에 붙일 고객 지원 AI Agent를 만든다고 가정합니다. 사용자가 주문/배송/환불 관련 질문을 채팅으로 보내면, Agent가 스스로 주문 DB를 조회하고 정책 문서를 참고해 답하며, 처리 불가능한 건은 사람 상담사에게 넘겨야 합니다.