처음 만나는 AI와 Claude Code

AI가 어떻게 작업을 돕는지 이해하기

1장 첫째 페이지. AI가 어떻게 작업을 돕는지 이해하기

독서모임 안내 페이지를 만들기 전에, AI에서 LLM과 Claude Code까지 이어지는 관계를 알아봅니다. 처음 듣는 말이어도 괜찮습니다. 내가 결정할 일과 AI에게 맡길 일을 구분하는 데 필요한 만큼만 살펴보세요.

AI는 어떻게 달라져 왔을까요?

AI(인공지능)는 컴퓨터가 정보를 바탕으로 판단하거나 문제를 풀고, 새 내용을 만들기도 하는 여러 기술을 묶어 부르는 말입니다. 모두 같은 방식으로 움직이지는 않습니다. 독서모임 문의에 답한다고 생각하면 차이가 보입니다.

• 규칙을 정해 두는 방식: 사람이 “질문에 ‘시간’이 있으면 시간 안내를 보여 줘” 같은 규칙을 만듭니다.

• 데이터에서 배우는 방식: 여러 문의를 보고 어떤 질문이 시간에 관한 것인지 구분하는 패턴을 배웁니다. 이런 접근을 기계학습이라고 합니다.

• 새 내용을 만드는 방식: 배운 패턴을 바탕으로 처음 오는 사람에게 보낼 안내 문장을 새로 씁니다. 이런 AI를 생성형 AI라고 합니다.

세 방식은 독서모임 안내를 준비하는 사람들에 비유할 수 있습니다. 한 사람은 미리 정한 안내 규칙을 따르고, 다른 사람은 예전 문의를 살펴 분류 기준을 익히며, 또 다른 사람은 알고 있는 내용을 바탕으로 새 안내문 초안을 씁니다. 물론 AI가 사람처럼 경험을 이해한다는 뜻은 아닙니다. 이 비유는 규칙을 따르는 일, 자료에서 패턴을 배우는 일, 새 내용을 만드는 일의 차이를 보여 줍니다.

기계학습은 AI의 한 방식이고, 오늘날의 생성형 AI는 주로 데이터에서 배운 패턴으로 새 내용을 만듭니다. LLM은 그중 글과 코드를 다루는 모델입니다.

AI 연구와 활용의 한 흐름은 사람이 규칙을 일일이 적는 방식에서 데이터로 패턴을 배우고 글·그림·코드까지 만들어 내는 방향으로 넓어져 왔습니다. 그렇다고 새 방식이 옛 방식을 모두 없앤 것은 아닙니다. 정해진 시간만 표시하면 되는 곳에는 규칙이, 여러 표현의 질문을 분류하는 곳에는 기계학습이, 새 안내문을 쓰는 곳에는 생성형 AI가 알맞을 수 있습니다. Stanford HAI의 AI 용어 설명과 생성형 AI 설명도 이 방식들을 구분합니다.

LLM, Claude, Claude Code

LLM(대규모 언어 모델) 은 생성형 AI 가운데 글과 코드 같은 언어 자료를 다루는 모델입니다. 많은 자료로 미리 학습하고, 질문을 받으면 앞에서 읽은 내용과 익힌 패턴을 바탕으로 이어질 글 조각의 가능성을 계산하며 답을 만듭니다. 단순히 저장된 정답을 꺼내는 것과는 다릅니다. 설명을 쓰거나 아이디어를 정리할 수 있지만, 그럴듯하게 틀린 내용을 말할 수도 있습니다. 예를 들어 모임 시간을 알려 주지 않았는데 “토요일 오후 2시”라고 썼다면 사실인지 확인해야 합니다. Google의 LLM 기초 설명은 글 조각을 예측하며 문장을 생성하는 원리를 소개합니다.

익숙한 글쓰기 도구의 자동 완성 기능을 떠올리면 이해하기 쉽습니다. 앞의 문장과 잘 어울릴 다음 표현을 고르는 모습은 비슷하지만, LLM은 훨씬 긴 맥락과 학습한 패턴을 바탕으로 답 전체를 만들어 갑니다. 그러므로 자동 완성처럼 이미 정해진 문장을 찾아 붙이는 것과 같지는 않습니다.

Claude는 LLM 모델 계열의 이름이면서, 그 모델과 대화하는 서비스의 이름으로도 쓰입니다. Claude Code는 Claude를 이용해 작업 폴더의 파일을 살펴보고 바꾸는 도구입니다. 공식 개요에 따르면 Claude Code는 파일을 읽고 수정하며 명령을 실행할 수 있습니다. 이 책에서는 터미널에서 claude를 실행하는 방식을 사용합니다. 웹사이트·데스크톱 앱·터미널의 차이는 1장 둘째 페이지에서 살펴봅니다.

아래 그림은 LLM이 만들어질 때와 우리가 사용할 때를 나누어 보여 줍니다. LLM은 사전 학습으로 익힌 패턴을 이미 담고 있는 모델입니다. 사용할 때는 지금 받은 정보를 바탕으로 답을 만들고, 도구를 연결했다면 작업 결과도 다시 받아 살펴봅니다.

사전 학습은 모델을 만드는 과정이고, 그 결과로 익힌 패턴이 LLM에 담깁니다. 질문할 때마다 다시 학습하는 것은 아닙니다. 사용 중에는 질문과 자료, 이전 대화, 필요하면 도구의 실행 결과를 함께 살펴 답을 만듭니다. 도구는 모델 밖에서 검색하거나 파일을 다루는 기능입니다. 모델이 사용을 요청하면 Claude Code 같은 앱이 도구를 실행하고 그 결과를 다시 전달합니다. 마지막에는 사람이 답과 실제 결과를 확인합니다. 이 과정이 궁금하다면 Claude Code의 작동 방식을 참고해 보세요.

왜 같은 요청에도 다른 답이 나올까요?

LLM은 한 가지 고정된 답을 찾아 그대로 복사하는 프로그램이 아닙니다. 이어질 글을 만들어 가는 과정에서 여러 가능성 중 하나를 택하므로, 같은 요청과 맥락에서도 문장·순서·코드 모양이 달라질 수 있습니다. 같게 나올 때도 있습니다. 이런 특징을 비결정적이라고 부릅니다. 또 요청 문장이 같아도 이전 대화나 제공한 자료가 다르면 모델이 받은 맥락 자체가 달라집니다. Anthropic의 모델 평가 설명도 같은 질문의 답이 달라질 수 있음을 전제로 여러 번 평가합니다.

같은 재료로 요리해도 불의 세기나 손질 순서에 따라 모양이 조금 달라질 수 있는 것과 비슷합니다. 다만 LLM은 요리사처럼 맛을 보거나 정답을 아는 것이 아닙니다. 그래서 결과의 표현이 달라도 알려 준 사실과 조건을 지켰는지 여러분이 확인해야 합니다.

비결정적이라는 말이 “아무 결과나 괜찮다”는 뜻은 아닙니다. 이 책의 안내 페이지는 모양이 조금 달라도 모임 이름이 맞는지, 모르는 정보가 ‘추후 안내’인지, 브라우저에서 실제로 열리는지 같은 기준을 지켜야 합니다. AI의 답을 받아 본 뒤 사람이 확인하고, 어긋난 부분을 다시 요청하는 이유가 여기에 있습니다.

Claude Code에게는 “이 파일에 무엇이 있니?”라고 읽기를 부탁하거나, “안내 문구를 바꿔 줘”라고 수정을 부탁할 수 있습니다. 필요하면 파일을 확인하는 명령도 실행합니다. 파일 변경이나 명령 실행 전에 허락을 구하는 화면이 나올 수 있습니다. 그때는 하려는 일이 내가 부탁한 일과 같은지 살펴봅니다. 자세한 방법은 실습에서 다룹니다.

문제를 작은 단계로 나누기

우리의 목표는 처음 오는 사람에게 보여 줄 독서모임 안내 페이지 한 장입니다. 먼저 질문을 나누어 볼까요?

• 무엇을 만들까요? 브라우저에서 열 수 있는 index.html 파일 한 개입니다.

• 무엇을 알고 있나요? 모임 이름은 ‘동네 책모임’이고, 처음 오는 사람이 읽습니다.

• 무엇을 모르나요? 모임 시간·장소·신청 방법입니다. 이 정보는 지어내지 않고 ‘추후 안내’로 표시합니다.

• 어떻게 성공을 확인할까요? 파일을 브라우저에서 열어 모임 이름과 ‘추후 안내’가 보이는지 확인합니다.

소프트웨어를 만들 때도 비슷한 순서로 생각합니다. 이름은 길어 보여도 지금 정리한 질문과 연결됩니다.

잠깐 생각해 볼까요? 모임 장소를 아직 모른다면 페이지에 무엇이라고 써야 할까요? 이 책에서는 ‘추후 안내’라고 씁니다. 이렇게 모르는 것을 구분하는 것부터 문제 해결이 시작됩니다.

바이브 코딩이라는 말

바이브 코딩은 사람이 일상적인 말로 원하는 프로그램을 설명하고, AI가 만든 결과를 보며 빠르게 고쳐 나가는 방식을 가리키는 비공식 표현입니다. 이 책에서도 말로 안내 페이지를 만들고 수정합니다. 이 책의 작업 방법은 내가 목표와 조건을 정하고, 만들어진 파일과 화면을 직접 확인하는 것까지 포함합니다. 1장 둘째 페이지에서 Claude Code를 열고 첫 작업을 시작해 볼까요?

참고 링크

• https://hai.stanford.edu/policy/brief-definitions-of-key-terms-in-ai

• https://hai.stanford.edu/ai-definitions/what-is-generative-ai

• https://developers.google.com/machine-learning/crash-course/llm/transformers

• https://code.claude.com/docs/en/overview

• https://code.claude.com/docs/en/how-claude-code-works

• https://www.anthropic.com/research/statistical-approach-to-model-evals