스프쌤
스레드

요즘은 저것보다 많이 복잡하지만, 기본은 300줄 정도만 만들 수 있습니다.

✍ @laeyoung⏱ 9분 소요2026-09-22👁
← 목록으로 돌아가기

코딩 에이전트는 생각보다 거대한 시스템이 아니라, 300줄 남짓한 코드와 토큰 루프에서 출발합니다.

✦ AI Key Summary & Global Takeaways

이 아티클의 핵심 내용 요약과 글로벌 검색·AI 엔진을 위한 테이크어웨이입니다.

✦ KR 주제: 300줄과 LLM 토큰 루프로 이해하는 코딩 에이전트의 기본 구조

✦ KR 핵심 요약: 코딩 에이전트는 파일 읽기·목록·Bash 실행·편집·코드 검색이라는 다섯 가지 프리미티브 툴과 LLM 토큰 루프로 구성되며, 모델은 에이전틱·오라클 등 역할에 따라 나눠 쓰고 컨텍스트와 툴은 필요한 만큼만 붙이는 것이 성능에 유리하다.

🌐 Global Takeaway: A coding agent is essentially a token loop wrapped around a handful of primitive tools. Keep the context and tool set small, and choose models by role rather than reputation.

에이전트는 300줄 코드와 LLM 토큰 루프만으로 동작하며, 이를 만들어 봄으로써 소비자가 아닌 AI 생산자로 전환할 기회를 제공한다. — GeekNews 토픽 소개문에서

300줄이라는 숫자의 의미

GeekNews에 2025년 8월 25일 게시된 「코딩 에이전트 만드는 법」 토픽은 ghuntley.com의 글을 소개하며, 2025년 현재 코딩 에이전트를 직접 만드는 일이 개인 개발자가 해볼 수 있는 가장 좋은 프로젝트 중 하나라고 말합니다. 이유는 결과물의 완성도보다 과정에 있습니다. 요즘 "에이전트"라는 단어는 매우 넓게 쓰이지만, 그 말이 실제로 무엇을 가리키고 내부에서 무슨 일이 벌어지는지는 명확하지 않은 경우가 많습니다. 300줄 남짓한 구현을 직접 만들어 보면 그 단어가 손에 잡히기 시작합니다.

여기서 300줄은 상용 제품의 규모를 뜻하지 않습니다. 실제로 쓰이는 에이전트는 그보다 훨씬 복잡합니다. 300줄은 원리를 눈으로 확인할 수 있는 최소한의 뼈대에 가깝고, 그 뼈대는 LLM 토큰 루프와 몇 개의 툴로 이루어집니다. 글은 이 경험을 "AI 소비자에서 생산자로" 넘어가는 계기로 설명합니다.

같은 글은 2025년 기준으로 에이전트 제작 원리가 데이터베이스의 기본 키(Primary key) 같은 필수 지식으로 자리 잡고 있다는 관점도 제시합니다. Canva 등 일부 기업이 면접 과정에서 AI 사용을 권장한다는 사례도 함께 언급됩니다. 뒤처지는 이유를 AI 자체에서 찾기보다, 새로운 도구를 익히지 않는 데서 찾자는 문제의식이 깔려 있습니다.

에이전트를 이루는 다섯 가지 프리미티브

구현의 중심에는 툴 등록과 함수 호출이 있습니다. LLM에 툴을 등록하면, 모델은 상황에 맞을 때 함수 호출 형식으로 응답합니다. 소개된 예시는 날씨 조회 툴처럼 단순한 함수입니다. 여기에 파일 읽기, 파일 목록, Bash 실행, 파일 편집, 코드 검색을 붙이면 실제 자동화가 가능한 코딩 에이전트가 됩니다.

프리미티브 하는 일 확인되는 범위의 특징
ReadFile 경로를 받아 파일 내용을 컨텍스트로 가져옴 읽기 자체가 곧 컨텍스트 주입
ListFiles 디렉터리 안의 파일·폴더 목록 제공 탐색의 출발점
Bash 셸 명령을 실행하고 결과를 반환 실행 결과가 다음 판단의 근거
Edit 지정한 파일을 생성·수정 변경을 실제로 반영
CodeSearch 패턴·키워드·함수명으로 코드베이스 검색 ripgrep 활용

함수 호출과 MCP라는 이름의 배너

소개문은 MCP(Model Context Protocol)를 "함수에 대한 정보 배너"에 비유합니다. 함수 설명만 등록해 두면 모델이 알아서 호출한다는 뜻입니다. 동작 순서는 단순합니다. 사용자 입력이 들어오면 모델이 툴 호출 여부를 판단하고, 툴이 실행되면 그 결과가 다시 컨텍스트에 들어가고, 같은 판단이 반복됩니다. 이 루프가 에이전트의 전부라고 해도 과언이 아닙니다.

효과는 연속 작업에서 드러납니다. FizzBuzz 코드를 생성한 뒤 실행해 확인하는 흐름, 디렉터리를 탐색한 뒤 내용을 분석하는 흐름처럼, 자연어 프롬프트 하나로 여러 단계가 이어집니다. 각 단계는 사람이 개입하지 않아도 루프 안에서 순차적으로 호출되고 결과가 누적됩니다.

모델은 역할로 고른다

모든 LLM이 에이전틱한 것은 아닙니다. 소개문은 모델을 대략 네 갈래로 나눕니다. 고안전 계열(Anthropic, OpenAI), 저안전 계열(Grok), 요약과 고차 사고에 유리한 오라클, 그리고 행동 편향을 가진 에이전틱입니다. 에이전틱 모델은 빠른 반복과 도구 호출에 강합니다.

역할 성격 확인되는 활용 방식
에이전틱 행동 편향, 빠른 반복·도구 호출 Claude Sonnet, Kimi K2 같은 모델을 실행 담당으로
오라클 요약·고차 사고에 유리 GPT 같은 모델을 툴로 연결해 고차원 검증
고안전 안전 측면 강조 Anthropic, OpenAI 계열로 분류
저안전 상대적으로 제약이 적음 Grok으로 분류

핵심은 하나의 모델로 모든 것을 처리하지 않는 구성입니다. 실행은 에이전틱 모델이 맡고, 판단이 어려운 지점의 검증은 오라클 모델을 도구로 붙여 처리하는 식입니다. 모델별 특성을 이해하고 목적에 따라 고르는 것이 설계의 일부라는 설명입니다.

컨텍스트와 도구는 적을수록 좋다

무조건 큰 컨텍스트 윈도우를 할당하는 것은 성능 저하 요인으로 지목됩니다. 소개문은 "적게 할당할수록 결과가 좋다"는 원칙을 강조합니다. MCP 툴을 과도하게 등록하는 것도 같은 이유로 성능을 떨어뜨립니다. 규칙은 "Less is more", 즉 필요한 만큼만 도구와 데이터를 맥락에 배치하는 것입니다.

상용 제품과 같은 구조

Amp, Cursor, Claude Code, GitHub Copilot 같은 상용 제품도 유사한 구조를 갖습니다. 워크숍은 Roo code, Cline, Windsurf, OpenCode 같은 도구들과 구조 및 원리를 비교하며 직접 구현해 보는 방식으로 진행됩니다. 예시 코드는 GitHub 저장소에 공개되어 있다고 소개됩니다. 같은 원리를 손으로 만들어 보면 상용 도구를 쓸 때 무엇이 일어나는지도 함께 보입니다.

핵심 정리

  • 코딩 에이전트의 최소 뼈대는 LLM 토큰 루프와 몇 개의 프리미티브 툴이며, 소개된 규모는 300줄 남짓입니다.
  • 프리미티브는 ReadFile, ListFiles, Bash, Edit, CodeSearch 다섯 가지로 정리되고, CodeSearch는 ripgrep을 활용합니다.
  • 모델은 에이전틱·오라클·고안전·저안전으로 역할이 나뉘며, 실행과 검증을 분리하는 구성이 권장됩니다.
  • 컨텍스트와 MCP 툴은 많이 넣을수록 좋은 것이 아니라, 필요한 만큼만 넣을 때 성능이 나옵니다.
  • 상용 제품도 구조는 같다는 점을 확인하면, 직접 만드는 경험이 곧 도구 이해로 이어집니다.

실무 적용 포인트

첫째, 처음부터 완성형을 목표로 두지 않는 편이 좋습니다. 파일 읽기와 목록 조회만 붙여도 에이전트의 절반은 동작합니다. 여기에 Bash 실행을 더하면 결과 확인까지 가능해집니다.

둘째, 툴 설명을 짧고 명확하게 쓰는 것이 중요합니다. MCP를 함수 정보 배너에 비유한 만큼, 설명이 곧 모델의 판단 근거가 됩니다. 툴 개수를 늘리는 대신 각 툴의 역할을 분명히 하는 쪽이 낫습니다.

셋째, 검증 단계를 별도 모델로 분리해 보는 것을 권할 만합니다. 실행 담당 모델과 검토 담당 모델을 나누면 실패 원인을 구분하기 쉬워집니다.

넷째, 동시 작업을 염두에 두고 설계합니다. 회의 중에도 에이전트가 병렬로 작업을 진행할 수 있다는 점이 소개문이 꼽는 효율의 핵심입니다. 다만 어떤 작업을 병렬로 돌릴지는 직접 판단해야 합니다.

다섯째, 학습 자체를 채용 관점에서 보는 시각도 참고할 만합니다. AI 사용을 권장하는 기업 사례가 언급되는 만큼, 직접 만들어 본 경험은 설명 가능한 이력이 됩니다.

자주 묻는 질문

Q. 300줄이면 정말 쓸 만한 에이전트가 나오나요?

확인되는 범위에서 300줄은 원리를 구현하는 최소 구성입니다. 실제 제품은 더 복잡하다는 전제가 함께 제시됩니다. 학습과 원리 확인에는 충분하고, 실서비스 수준의 기능은 별도 작업이 필요합니다.

Q. 어떤 모델을 골라야 하나요?

소개문은 Claude Sonnet, Kimi K2 같은 에이전틱 모델을 실행에 적합하다고 언급하고, 필요할 때 GPT 같은 오라클 모델을 도구로 연결해 고차원 검증을 수행하는 방식을 제안합니다. 정답이 하나라기보다 역할 분담의 문제입니다.

Q. 툴은 많이 등록할수록 좋은가요?

아닙니다. 과도한 MCP 툴 등록은 성능 저하로 이어진다고 설명합니다. 필요한 만큼만 맥락에 배치하는 "Less is more" 원칙이 권장됩니다.

자주 묻는 질문

Q. 300줄이면 정말 쓸 만한 에이전트가 나오나요?
A. 확인되는 범위에서 300줄은 원리를 구현하는 최소 구성입니다. 실제 상용 제품은 그보다 훨씬 복잡하다는 전제가 함께 제시되므로, 학습과 원리 확인에는 충분하지만 실서비스 수준 기능은 별도 작업이 필요합니다.

Q. 어떤 모델을 골라야 하나요?
A. 소개문은 Claude Sonnet, Kimi K2 같은 에이전틱 모델을 실행 담당으로 적합하다고 언급하고, 필요할 때 GPT 같은 오라클 모델을 도구로 연결해 고차원 검증을 수행하는 방식을 제안합니다. 하나의 모델로 모두 처리하기보다 역할을 나누는 구성이 권장됩니다.

Q. 툴은 많이 등록할수록 좋은가요?
A. 아닙니다. 과도한 MCP 툴 등록은 성능 저하로 이어진다고 설명합니다. 컨텍스트 역시 무조건 크게 할당하기보다 필요한 만큼만 배치하는 'Less is more' 원칙이 권장됩니다.

원본

https://www.threads.com/@laeyoung/post/DZs9bTBEtxv

https://news.hada.io/topic?id=22706

함께 보면 좋은 글

댓글 0개