Claude 사용법

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. ...

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. ...

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. ...

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. ...

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. ...

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. ...

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. ...

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. ...

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. ...

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. ...