AI 시스템의 문맥 기반 검색(Contextual Retrieval) | Anthropic
요약: AI 모델이 특정 문맥에서 유용하게 작동하려면 배경 지식 접근이 필요하며, 일반적으로 RAG(Retrieval-Augmented Generation)를 활용합니다. 하지만 전통적인 RAG는 정보 인코딩 시 문맥을 잃어버려 관련 정보 검색에 실패하는 경우가 많습니다. Anthropic이 제안하는 “Contextual Retrieval”은 각 청크에 문맥별 설명을 추가하여 검색 실패율을 49%까지 감소시키고,…
“Think” 툴: Claude가 멈춰서 생각할 수 있도록 하기 | Anthropic
요약: Anthropic이 개발한 “think” 툴은 Claude에게 복잡한 작업 중 구조화된 생각을 위한 전용 공간을 제공합니다. 이 툴은 정책 준수, 일관된 의사결정, 다단계 문제 해결에서 상당한 성능 향상을 가져왔습니다. τ-Bench 벤치마크에서 “think” 툴을 사용했을 때 기본 설정 대비 항공 도메인에서 54%, 리테일 도메인에서 4%의 성능 개선을 달성했습니다. 도메인에 맞는 프롬프트와 결합할…
Claude Code 모범 사례 \ Anthropic
요약: 이 블로그 게시물은 2026년 1월 26일부터 더 이상 유지되지 않으며, 최신 Claude Code 모범 사례는 공식 문서에서 확인할 수 있습니다. Claude Code는 Anthropic 엔지니어와 연구원들이 코딩 워크플로우에 Claude를 더 자연스럽게 통합할 수 있도록 개발된 명령줄 도구로, 낮은 수준의 접근성과 높은 유연성을 제공합니다. 이 글에서는 Anthropic 내부 팀과 외부 엔지니어들이 다양한 코드베이스와 언어, 환경에서…
우리가 멀티 에이전트 연구 시스템을 구축한 방법
요약: Anthropic은 Claude의 Research 기능을 통해 복잡한 주제를 더 효과적으로 탐색할 수 있는 멀티 에이전트 시스템을 개발했습니다. 이 시스템은 리드 에이전트가 연구 계획을 세우고 전문화된 서브에이전트들이 병렬로 정보를 검색하여 연구를 수행합니다. 멀티 에이전트 시스템은 연구와 같은 개방형 문제 해결에 특히 효과적이며, 단일 에이전트 시스템보다 90.2% 더 우수한 성능을 보였습니다. 하지만 토큰 사용량이 많고, 에이전트 간…
Claude Desktop Extensions: Claude Desktop를 위한 원클릭 MCP 서버 설치 \ Anthropic
요약: Anthropic은 MCP(Model Context Protocol) 서버 설치를 단추 한 번으로 만드는 새로운 Desktop Extensions(.mcpb) 형식을 도입했습니다. 이전에는 Node.js나 Python 같은 개발 도구가 필요하고 수동으로 JSON 설정 파일을 편집해야 하는 복잡한 설치 과정이 필요했습니다. 새로운 Desktop Extensions는 MCP 서버와 모든 의존성을 단일 설치 가능한 패키지로 번들링하여, 기술적 배경이…
AI 에이전트를 위한 효과적인 도구 작성법 — AI 에이전트 활용하기 \ Anthropic
요약: 이 글은 Model Context Protocol (MCP) 맥락에서 AI 에이전트를 위한 효과적인 도구를 만드는 방법을 다룹니다. 도구 프로토타입 구축 및 테스트, 포괄적 평가 실행, 에이전트와 협력하여 도구 성능 개선하는 기법들을 설명합니다. 또한 올바른 도구 선택, 네임스페이싱, 의미 있는 컨텍스트 반환, 토큰 효율성 최적화, 도구 설명 프롬프트 엔지니어링 등 고품질 도구 작성의 핵심 원칙을 공유합니다. Model…
MCP를 활용한 코드 실행: 더 효율적인 AI 에이전트 구축
요약: Model Context Protocol(MCP)은 AI 에이전트를 외부 시스템에 연결하는 개방형 표준입니다. 하지만 연결된 도구가 많아지면 도구 정의와 중간 결과가 과도한 토큰을 소비하여 에이전트 효율성이 저하될 수 있습니다. 코드 실행 환경에서 MCP 서버를 코드 API로 제공하면 필요한 도구만 로드하고, 데이터를 모델로 전달하기 전에 처리하며, 복잡한 논리를 한 단계로 실행할 수 있습니다. 이 접근 방식은 토큰 사용량을…