한 줄 요약: Anthropic Applied AI 팀의 엔지니어링 블로그 글 "Effective context engineering for AI agents". 프롬프트 문구 찾기를 넘어, 제한된 컨텍스트 창에 무엇을 넣을지 매 턴 고르는 일(컨텍스트 엔지니어링)을 정의하고, 시스템 프롬프트·도구·예시 작성법, 필요할 때 불러오는(just-in-time) 검색, 장기 작업용 세 기법(컴팩션, 구조화된 노트, 서브에이전트 구조)을 설명한다.
원본 정보#
- 제목: Effective context engineering for AI agents
- 저자: Anthropic Applied AI 팀 (Prithvi Rajasekaran, Ethan Dixon, Carly Ryan, Jeremy Hadfield 외)
- 발행: 2025-09-29, Anthropic Engineering 블로그
- URL: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents (새 창)
- 수집(fetch)일: 2026-10-18
- 성격: 개념·원칙 글. Claude Code의 동작(컴팩션, CLAUDE.md 로드)과 Claude Developer Platform 기능(메모리 도구 공개 베타, 도구 결과 지우기)은 2025-09-29 시점 설명이다.
핵심 주장#
- 컨텍스트 엔지니어링은 프롬프트 엔지니어링의 자연스러운 다음 단계다. 프롬프트 엔지니어링이 지시문을 잘 쓰는 방법이라면, 컨텍스트 엔지니어링은 추론 중 컨텍스트에 들어가는 토큰 전체(시스템 지시, 도구, MCP, 외부 데이터, 메시지 기록 등)를 고르고 유지하는 전략이다. 한 번 쓰고 끝나는 일이 아니라 모델에 무엇을 넘길지 정할 때마다 반복된다. → 컨텍스트 엔지니어링
- 컨텍스트는 한계 수익이 줄어드는 유한한 자원이다. 토큰이 늘수록 컨텍스트에서 정보를 정확히 떠올리는 능력이 떨어지는 현상(context rot)이 모든 모델에서 나타난다. 원본은 이를 "attention budget"(주의력 예산)이라 부르고, 새 토큰마다 예산이 줄어든다고 설명한다. 다만 절벽이 아니라 기울기다. → 컨텍스트 엔지니어링, 컨텍스트 비용
- 지침 원칙: 원하는 결과의 가능성을 최대로 높이는 가장 작은 고신호(high-signal) 토큰 집합을 찾는다. 시스템 프롬프트는 "적정 고도"(너무 딱딱한 if-else 하드코딩과 너무 막연한 지침 사이)로, 도구는 겹치지 않는 최소 세트로, 예시는 엣지 케이스 목록 대신 다양하고 대표적인 예시로 쓴다. → 시스템 프롬프트·도구·예시 설계
- 미리 다 넣지 말고 필요할 때 불러온다. 에이전트는 파일 경로, 저장된 쿼리, 링크 같은 가벼운 식별자만 들고 있다가 도구로 필요한 데이터를 런타임에 불러온다. Claude Code는 CLAUDE.md는 처음에 넣고 glob·grep으로 파일을 그때그때 찾는 혼합 방식을 쓴다. 원본은 "do the simplest thing that works"가 앞으로도 가장 좋은 조언일 것이라고 본다. → 컨텍스트 엔지니어링, Claude Code, 메모리(CLAUDE.md)
- 컨텍스트 창을 넘는 장기 작업에는 세 기법이 있다. 컴팩션(창이 차면 요약하고 새 창에서 이어 가기), 구조화된 노트(창 밖에 노트를 쓰고 나중에 다시 읽기), 서브에이전트 구조(깨끗한 창에서 깊게 일하고 압축 요약만 돌려주기). 무엇을 고를지는 작업 성격에 달렸다. → 장기 작업 컨텍스트 관리, 서브에이전트
원본의 숫자·사례#
- 트랜스포머는 토큰 n개에 대해 n² 쌍의 관계를 만든다. 컨텍스트가 길어질수록 이 관계를 잡는 능력이 얇게 펴진다.
- 서브에이전트는 수만 토큰 이상을 쓰며 탐색해도, 돌려주는 요약은 보통 1,000~2,000 토큰이다.
- Claude Code의 컴팩션은 압축된 컨텍스트에 가장 최근에 접근한 파일 5개를 더해 이어 간다(2025-09-29 원본 기준).
- Claude가 포켓몬을 플레이하는 사례: 메모리 구조에 대한 프롬프트 없이도 수천 게임 스텝에 걸쳐 목표 진척, 탐색한 지역 지도, 전투 전략 노트를 유지하고, 컨텍스트가 리셋된 뒤 자기 노트를 읽고 이어 간다.
- 멀티에이전트 리서치 시스템은 복잡한 리서치 과제에서 단일 에이전트보다 상당한 개선을 보였다(원본은 숫자를 들지 않는다).
관련 자료#
- 원본은 앞선 글 "Building effective AI agents"에서 LLM 기반 워크플로와 에이전트의 차이를 강조했고, 그 뒤로는 에이전트를 "루프 안에서 자율적으로 도구를 쓰는 LLM"으로 단순하게 정의하게 됐다고 말한다. 그 앞선 글은 효과적인 에이전트 만들기(2024-12-19)로 수집했다. → 워크플로와 에이전트