TL;DR

• 하네스, 루프, 리버스가 헷갈리는 건 이름은 비슷한데 설계하는 대상이 달라서예요.
• 열 가지를 환불 문의 하나에 대 보면 각자 하는 일이 갈려요. 이 글은 가장 자주 막히는 컨텍스트, 하네스, 루프를 풀어요.
• 열 가지의 관계 지도는 공식 표준이 아니라 AI싱크클럽의 해석이에요.

새 용어를 외우는데 왜 일은 그대로일까요

프롬프트 엔지니어링을 겨우 익혔는데, 어느새 컨텍스트, 하네스, 루프, 컴파운드 같은 말이 계속 나와요. 들어는 봤는데 내 일에서 뭘 바꿔야 하는지는 모르겠다는 분이 많을 거예요.

원인은 단순해요. 열 가지가 모두 "AI를 잘 쓰는 방법"으로 들리지만, 각각 설계하는 대상이 달라요. 부탁 한 줄을 다듬는 것도 있고, 보여 줄 자료를 고르는 것도 있고, AI가 일하는 환경 전체를 짜는 것도 있어요. 대상을 모르면 용어를 외워도 어디서 막혔는지 짚을 수 없어요.

그래서 열 가지를 같은 상황 하나에 대 봤어요. 고객이 환불을 문의했을 때 AI가 답장을 쓰는 상황이에요.

열 가지는 무엇이 다를까요

이 지도는 열 가지를 묶어서 본 방식이에요. 공식 표준이 아니니, 마음에 안 들면 각 개념의 공식 문서만 가져가셔도 돼요.

AI에게 무엇을 보여 줘야 할까요: 컨텍스트

AI가 답을 만드는 동안 쓸 정보를 알맞게 골라 담고 관리하는 전략이에요. 컨텍스트는 맥락이라는 뜻이고, 프롬프트와 함께 무엇을 보여 줄지 정하는 일이에요.

환불 문의에 답하려면 AI는 환불 정책과 주문 상태를 알아야 해요. 필요한 서류만 골라 새 직원에게 건네고, 지난달 정책은 빼는 것과 비슷해요. 많이 넣는다고 좋은 게 아니에요. Anthropic은 2025년 9월 공식 글에서 이 개념을 정의하면서, 입력이 길어지면 정보 회상 정확도가 떨어질 수 있다고 짚었어요.

AI가 일할 환경은 누가 만들까요: 하네스

에이전트가 일하도록 입력과 도구 호출, 결과 반환을 묶는 시스템이에요. 하네스는 말에 채우는 마구를 뜻해서 한국 기사에서는 환경 설계라고도 풀어요. 앞의 컨텍스트와 스펙까지 AI의 일터로 묶는 일이에요.

주문을 조회할 도구가 없으면 AI는 환불 상태를 알 방법이 없어요. 조회 도구를 연결하고, 발송은 사람이 검토하게 정하는 게 하네스예요. 작업대와 공구, 출입 규칙을 갖추는 것과 비슷해요. Anthropic은 2025년 11월에 오래 걸리는 에이전트를 위한 하네스 글을 냈고, 대표 예시인 Claude Code 저장소는 GitHub 별이 약 15만 5천 개예요.

고쳐도 안 되면 누가 멈출까요: 루프

루프는 고리처럼 계속 도는 반복이에요. 평가 결과를 받아 고쳐서 다시 실행하게 이어 줘요.

빠진 항목이 나올 때마다 사람이 다시 시켜야 한다면 일이 줄지 않아요. 통과하면 끝내고, 두 번 고쳐도 안 되면 사람에게 넘기도록 멈추는 기준까지 정해 두는 거예요. 맛을 보며 간을 맞추는 요리와 비슷해요. Claude Code 문서는 모으고, 실행하고, 확인하는 과정을 에이전트 루프로 설명해요. 카파시의 오토리서치는 AI가 코드를 바꿔 5분씩 실험하는 예시로, 별이 약 9만 9천 개예요.

어디서부터 손대면 될까요

열 가지를 다 할 필요는 없어요. 지금 답이 어긋나는 곳 하나만 고르세요.

읽을 때 조심할 것

1. 별 수는 관심의 크기지 성능이 아니에요. 글의 숫자는 2026년 11월 7일 GitHub 기준이에요.
2. 인텐트처럼 뜻이 저자마다 다른 이름도 있어요. 이 글의 정의는 대표 출처를 기준으로 묶은 거예요.

더 보려면

나머지 일곱 가지(프롬프트, 리버스, 인텐트, 스펙, 평가, 그래프, 컴파운드)의 정의와 공식 문서, 대표 깃허브 주소는 자료집에 한 장으로 모아 뒀어요(무료, 로그인만 하면 받아요). https://aisyncclub.com/market/7a67f79c-f308-4e36-b9ce-3c4e17685b11?from=eo

개념마다 같은 환불 문의로 화면에서 풀어 본 영상도 있어요.

https://youtu.be/Y0QvXpo_DR4

가장 헷갈렸던 개념이 무엇인지 댓글로 알려 주세요. 다음 글에서 먼저 다룰게요.

AI와 연결하다, AI를 내 일로. AI싱크클럽이었습니다.

출처

• Effective context engineering for AI agents (Anthropic): https://www.anthropic.com/research/effective-context-engineering-for-ai-agents
• Effective harnesses for long-running agents (Anthropic): https://www.anthropic.com/research/effective-harnesses-for-long-running-agents
• Claude Code의 작동 방식 · 에이전트 루프 (Claude 공식 한국어): https://code.claude.com/docs/ko/how-claude-code-works
• 깃허브(별 수는 2026-11-07 기준): anthropics/claude-code, karpathy/autoresearch