천냥의 게임 개발 일지

[AI] Claude Code : 컨텍스트 관리 & 워크플로우 전략

천냥 컴퍼니 — Fri, 3 Apr 2026 20:29:55 +0900

개요

Claude Code는 200k 컨텍스트 윈도우를 제공합니다.

넉넉해 보이지만 코드 파일, MCP 도구, 대화 히스토리까지 포함하면 금방 차버립니다.

결국 컨텍스트를 얼마나 효율적으로 관리하느냐가 Claude Code 활용의 핵심입니다.

이번 포스트에서는 컨텍스트를 최적화하는 관리 기법과 실전 워크플로우 전략을 정리라겠습니다.

세컨드 브레인 구축 : MEMORY.md

Claude Code는 세션을 저장하지 않으며, 매번 새 세션을 열면 이전 대화는 사라집니다.

이전 포스트에서 다뤘던 CLAUDE.md는 프로젝트 규칙과 지침을 업데이트하면 될 것이라고 생각하지만,

매 세션마다 원하는 지침을 수동으로 업데이트하는 것은 관리 측면에서 비효율적입니다.

그래서 최근 엔트로픽에서 /memory 명령어를 활용한 자동 메모리 시스템을 배포했습니다.

이제 Claude가 작업 중 스스로 학습한 내용을 MEMORY.md 파일로 기록합니다.

MEMORY.md 파일은 매 세션 시작 시 자동으로 로드됩니다.

CLAUDE.md vs MEMORY.md 역할 분리

구분	CLAUDE.md	MEMORY.md
작성 주체	개발자 (수동)	Claude (자동)
용도	프로젝트 규칙, 코딩 컨벤션	학습된 패턴, 디버깅 인사이트
공유 범위	Git 커밋으로 팀 공유	로컬 머신 전용
관리 방식	직접 편집	Claude가 자동 갱신

정리하면, 팀원과 공유해야 하는 규칙은 CLAUDE.md에, 개인 작업 히스토리는 MEMORY.md에 맡기는 구조가 이상적입니다.

/memory 명령어를 입력하면 MEMORY.md 파일을 확인할 수 있으며, 위치는 프로젝트 루트가 아닌, 유저 홈 디렉토리 루트에 존재합니다.

참고로 여러분이 직접 MEMORY.md 파일을 설계하실 필요는 없습니다. Claude Code가 자동으로 관리하기 때문에 오히려 문제가 될 수 있습니다. 대신, 여러분은 /memory 명령어를 통해 MEMORY.md 파일에서 잘못된 부분을 정리하거나 지침을 추가하는 정도로 관리하시면 됩니다. 여러분이 직접 설계하고 집중해야 할 부분은 CLAUDE.md 파일입니다.

※ 참고로 MEMORY.md 파일은 200줄, 또는 25KB까지만 세션에 로드됩니다.

계층적 컨텍스트 관리

하나의 CLAUDE.md에 모든 내용을 기재하면 파일이 비대해지고, 컨텍스트 윈도우를 불필요하게 소비하게 됩니다. 핵심 원칙은 CLAUDE.md에는 규칙과 참조만 두고, 상세 내용은 별도 md 파일로 분리하는 것입니다.

# CLAUDE.md (간결하게 유지)

## 프로젝트 규칙
- Unity 2022.3 LTS, URP 사용
- MonoBehaviour 필드는 [SerializeField] private 사용

## 참조 문서
- 아키텍처: @docs/architecture.md
- 코딩 컨벤션: @docs/conventions.md
- API 설계: @docs/api-guide.md

이렇게 모듈식으로 분리하면 Claude가 필요한 지침만 그때마다 참조하게 됩니다.

컨텍스트 비대화를 방지하면서도 정확한 지침을 전달할 수 있습니다.

토큰 최적화 전략

1. 세션 분리

시스템 하나를 한 세션에 모두 처리하려 하지 않도록 합니다.

기능 별로 쪼개서 여러 세션으로 나누는 것이 토큰 최적화에 유리합니다.

예를 들어, 다음과 같이 독립적인 기능으로 세션을 나눕니다.

로그인 기능 → 세션 1
대시보드 UI → 세션 2
API 연동 → 세션 3

2. MCP 토큰 모니터링

MCP 서버는 토큰을 많이 사용합니다. 연결된 MCP 서버가 많을수록 매 요청마다 컨텍스트에 포함되죠.

불필요한 MCP는 반드시 비활성화하고, 자주 쓰는 기능만 골라서 커스텀 MCP를 제작해 사용하는 것이 좋다.

※ 추후에 커스텀 MCP 제작에 대해 살펴보도록 하겠습니다.

3. Mermaid 아키텍처 정리

# docs/architecture.md

```mermaid
graph TD
    A[GameManager] --> B[UIManager]
    A --> C[NetworkManager]
    B --> D[LoginUI]
    B --> E[LobbyUI]
    C --> F[PhotonService]
```

CLAUDE.md에 Mermaid 다이어그램으로 프로젝트 구조를 정리하면, Claude가 전체 아키텍처를 한눈에 파악할 수 있습니다.

4. 무거운 데이터는 스크립트로 처리

게임 개발을 하다보면 퍼널 데이터를 추출하여 분석해 개선하곤 합니다.

하지만 만약 10만 행 CSV를 세션에서 모두 처리한다면 컨텍스트가 초과할 것입니다.

그래서 CSV, JSON 같은 대량 데이터를 컨텍스트에 직접 넣지 않습니다.

Python 같은 스크립트로 데이터를 분석한 후 결과 요약만 컨텍스트에 반영하도록 지시합니다.

실전 워크플로우

1. Plan Mode로 시작 (+ md 파일로 계획 수립)

Claude Code에서 가장 중요한 습관입니다. Plan Mode(Shift+Tab)를 통해 정확한 실행 계획을 먼저 수립하고, 승인 후 구현에 들어가는 것이 컨텍스트 최적화와 구현 품질 모두에 유리합니다.

일부에서는 Plan Mode가 세션 채팅에서만 유효하다고 판단해, PLAN.md 파일에 직접 계획을 기록하고 수정하는 방식을 추천하기도 한다. 이 방법은 세션이 바뀌어도 계획이 md 파일로 남기 때문에 영구적으로 보관할 수 있다는 장점이 있습니다.

2. TDD 기반 코딩

기능을 구현하고 커밋하기 전에 테스트를 먼저 작성하고 통과 여부를 확인합니다.이 습관은 추후 디버깅을 훨씬 용이하게 만들어줍니다. Claude에게 테스트 코드 작성을 요청하면 기존 테스트 패턴을 분석해 일관된 스타일로 생성해줍니다.

3. 에러 메시지를 그대로 전달

Claude는 스택 추적 분석 능력이 뛰어납니다. 에러를 요약하거나 재해석하지 말고, 콘솔 에러 메시지를 그대로 복사해서 전달하는 것이 가장 효과적이다.

4. TODO.md 활용

프로젝트 루트에 TODO.md를 만들어 Claude에게 Task를 추적하게 만듭니다.

개발자도 자신의 작업을 체크할 수 있고, Claude도 작업 흐름을 인지하며 진행할 수 있습니다.

# TODO.md

## 오늘 할 일
- [x] 로그인 API 연동
- [ ] 대시보드 레이아웃 구현
- [ ] 에러 핸들링 추가

## 내일 할 일
- [ ] 유닛 테스트 작성
- [ ] 코드 리뷰 반영

실전 워크플로우

할 일을 TODO.md에 작성
Claude에게 TODO.md를 참조해 첫 번째 항목부터 구현 시작
Agent Teams로 여러 작업 병렬 처리 가능
세션 종료 시 TODO.md 업데이트 요청

마무리

이번 포스트에서는 Claude Code의 컨텍스트 관리와 워크플로우 전략에 대해 알아봤습니다.

핵심 요약

MEMORY.md로 자동 메모리 시스템 활용
CLAUDE.md는 규칙과 참조만, 상세 내용은 별도 파일로 모듈화
기능 별 세션 분리 + 불필요한 MCP 비활성화로 토큰 최적화
Plan Mode 선행 → TDD 기반 코딩 → TODO.md로 Task 추적

컨텍스트 관리는 Claude Code를 사용하기 위한 필수 역량입니다. 체계적으로 관리할수록 Claude의 응답 품질은 올라가고, 토큰 낭비는 줄일 수 있습니다.

지금까지 포스트를 읽어주셔서 감사합니다.

[AI] Claude Code : 단축키 및 명령어

천냥 컴퍼니 — Mon, 30 Mar 2026 00:07:12 +0900

개요

이전 포스트에서 Claude Code의 설치와 CLAUDE.md 초기 세팅을 다뤘습니다.

이번 포스트에서는 키보드 단축키와 네비게이션을 정리합니다. Claude Code는 터미널 기반 도구이기 때문에 마우스 없이 키보드만으로 모든 조작을 처리해야 합니다. 단축키를 모르면 작업 속도가 느려지기 때문에 이번 포스터를 통해 단축키와 명령어에 대해 알아가시는 것을 추천드립니다.

단축키 정리

1. Shift+Tab

Claude Code에서 가장 중요한 단축키 중 하나입니다.

Shift+Tab 키를 누르면 Plan Mode ↔ Execute Mode 간 전환이 가능합니다.

Plan Mode : Claude가 코드를 직접 수정하지 않고, 계획만 세움
Execute Mode : Claude가 실제로 파일을 수정하고 명령어를 실행함

기본값은 Execute Mode지만, 실무에서는 Plan Mode를 먼저 거치는 습관이 중요합니다.

Plan Mode를 사용해야 하는 실무적 이유

1. 토큰 최적화

Plan Mode에서는 코드를 직접 생성하지 않습니다. 계획 단계에서 방향이 틀리면 텍스트 몇 줄만 버리면 되지만, Execute Mode에서 잘못된 코드를 대량 생성하면 그 토큰은 전부 낭비됩니다. Plan에서 방향을 잡고 Execute로 넘어가면 불필요한 출력 토큰을 줄일 수 있습니다.

2. 실행 정확도 향상

Claude에게 한 번에 "구현해줘"라고 하면 의도와 다른 구조로 코드를 작성하는 경우가 잦습니다. Plan Mode에서 먼저 "어떤 파일을 수정할 건지, 어떤 구조로 갈 건지" 확인한 뒤 승인하면 실행 결과의 정확도가 올라갑니다.

3. 비용 관리

Cursor 포스트에서도 다뤘듯이, 출력 토큰은 입력 토큰보다 3~5배 비쌉니다. Plan Mode로 계획을 먼저 검토하면 잘못된 실행으로 인한 출력 토큰 낭비를 사전에 차단할 수 있습니다.

2. Escape(ESC)

Escape를 한 번 누르면 Claude가 실행 중인 작업을 멈춥니다.

한 번 더 누르면 rewind가 출력되면서 이전 세션 타이밍으로 되돌릴 수 있습니다. Claude가 코드를 잘못 수정했을 때 즉시 롤백할 수 있어서 실무에서 자주 사용하게 됩니다. Git의 undo와 유사하지만, Claude 세션 단위로 동작하는 점이 다릅니다.

※ Rider 내장 터미널을 사용하면 ESC가 작동하지 않는 경우가 있습니다. 이는 Rider의 Keymap과 충돌하는 것이므로 IDE의 Keymap을 살펴보시기 바랍니다.

3. ! 접두사

Claude Code 세션 안에서 !를 앞에 붙이면 bash 명령어를 직접 실행할 수 있습니다.

세션을 빠져나가지 않고도 파일 확인, 빌드, Git 상태 체크 등을 할 수 있습니다.

명령어 정리

Claude Code는 / 접두사로 시작하는 슬래시 명령어를 지원합니다.

세션 관리, 모델 변경, 컨텍스트 제어 등 핵심 기능을 제공합니다.

1. /clear

컨텍스트 초기화와 함께 현재 세션의 대화 내역을 전부 삭제합니다.

새로운 작업을 시작할 때 이전 컨텍스트가 방해되지 않도록 초기화하는 용도입니다.

Cursor에서 Ctrl + L로 New Chat을 여는 것과 동일한 효과입니다.

2. /context

현재 세션에서 소비 중인 토큰 양을 확인합니다.

컨텍스트 윈도우가 얼마나 차 있는지 파악할 수 있어,

/compact 실행 타이밍을 판단하는 데 유용합니다.

3. /compact

대화 내역을 요약하여 토큰 사용량을 줄입니다.

긴 세션을 이어가야 하는데 컨텍스트 윈도우가 가득 찼을 때 사용합니다.

Claude가 이전 대화를 요약본으로 압축하기 때문에, 세부 내용이 손실될 수 있습니다.

중요한 맥락이 있다면 /compact 전에 해당 내용을 다시 한번 명시해주는 것이 좋습니다.

4. /model

사용할 LLM 모델을 변경합니다.

기본적으로 Opus 또는 Sonnet이 선택되어 있으며, 작업 성격에 따라 전환합니다.

메인 작업은 Opus로 두고, 서브 에이전트는 Sonnet으로 두는 구성이 비용 대비 효율이 좋습니다.

5. /resume

마지막으로 작업하던 세션을 복구합니다.

Claude Code를 종료했다가 다시 시작할 때, 이전 대화 맥락을 이어서 작업할 수 있습니다.

bash에서 직접 실행할 때는 claude --resume 명령어를 사용합니다.

6. /mcp

현재 연결된 MCP(Model Context Protocol) 서버 목록을 출력합니다.

MCP 서버가 많으면 그만큼 컨텍스트를 소비합니다.

각 MCP 서버의 도구 정의가 컨텍스트 윈도우에 포함되기 때문에,

사용하지 않는 MCP는 비활성화하거나 제거하는 것이 좋습니다.

MCP 관리를 소홀히 하면 정작 중요한 코드 컨텍스트에 쓸 공간이 줄어듭니다.

7. /config

Claude Code 설정을 변경합니다.

위에서 살펴본 명령들도 존재하니 한눈에 파악하기 쉽습니다.

커스텀 명령어 직접 제작

Claude Code의 슬래시 명령어는 기본 제공되는 것 외에 개발자가 직접 만들 수 있습니다.

이 기능이 강력한 이유는 반복되는 개발 파이프라인을 하나의 명령어로 자동화할 수 있기 때문입니다.

커스텀 명령어의 핵심

프로젝트 루트의 .claude/commands/ 디렉토리에 마크다운(.md) 파일 생성
파일명 = 명령어 이름 (예: ship.md → /ship)
마크다운 파일 안에 Claude가 수행할 지시사항 작성

사실 위 사항을 모르셔도 좋습니다. 왜냐하면 Claude Code에게 "이런 파이프라인으로 커스텀 명령어 만들어줘"라고 하면 자동으로 만들어주기 때문입니다.

예시로 /ship 커스텀 명령어를 만들어보도록 하겠습니다.

위 사진처럼 파이프라인을 간단히 정의해주시면 끝입니다.

그러면 위 사진처럼 마크다운 파일이 생성됩니다.

명령어를 입력하면 잘 인식되는 것도 확인됩니다.

Unity MCP를 활용해 직접 테스트도 잘 진행해주네요.

정의한 파이프라인대로 정상적으로 처리해줬습니다.

/ship 명령어를 통해 작성된 커밋인 claude가 포함되네요.

커밋 메세지도 잘 작성해주니 간편하네요.

마무리

이번 포스트에서는 Claude Code의 키보드 단축키, 슬래시 명령어, 커스텀 명령어 제작까지 다뤘습니다. Claude Code는 단축키와 명령어를 얼마나 잘 활용하느냐에 따라 생산성 차이가 큽니다.

다음 포스트에서는 Claude Code의 실전 활용법을 다루도록 하겠습니다.

지금까지 포스트를 읽어주셔서 감사합니다.

[AI] Claude Code : 설치 및 초기 세팅

천냥 컴퍼니 — Sun, 29 Mar 2026 02:03:49 +0900

개요

요즘은 Cursor, Windsurf, Copilot... AI 도구가 넘쳐나는 시대입니다.

하지만 그 중에서도 Claude Code는 조금 결이 다릅니다.

IDE가 아니라 터미널 기반으로, GUI 없이 CLI로 동작합니다. 코드 작성, 버그 수정, 테스트, Git 커밋, 코드 리뷰까지 개발 파이프라인 전체를 하나의 터미널 세션에서 처리할 수 있어요.

이번 포스트에서는 Claude Code 설치 방법과 초기 세팅에 대해 알아보도록 하겠습니다.

설치 방법

현재 엔트로픽 공식 권장 설치 방법은 Native 설치 방식입니다.

npm 방식은 지원 중단 예정이므로, Native를 진행하도록 하겠습니다.

1. macOS/Linux 설치 방법

curl -fsSL https://claude.ai/install.sh | bash

위 명령어 한 줄이면 끝입니다.

설치 스크립트가 바이너리를 다운로드하고, PATH에 자동 등록하고, 자동 업데이트까지 설정해줍니다. 특정 버전을 설치하고 싶다면 뒤에 버전을 붙이면 됩니다. (ex. curl -fsSL https://claude.ai/install.sh | bash -s 2.1.76)

2. Windows 설치 방법

irm https://claude.ai/install.ps1 | iex

위 명령어를 입력하면 설치가 시작됩니다.

위 사진처럼 등장하면 설치 성공입니다.

설치가 정상적으로 됐는지 cluade --version 명령어로 체크해주세요.

초기 세팅 및 CLAUDE.md 작성법

이번 섹션부터는 Unity 개발자 기준으로 설명하겠습니다. IDE는 Rider를 사용하겠습니다.

Rider 하단의 내장 터미널에서 Claude Code를 실행하는 환경을 기준으로 진행하겠습니다.

먼저 Rider 터미널에서 프로젝트 루트로 이동한 후 cluade 명령어로 클로드 코드를 실행해줍니다.

1. CLAUDE.md란?

Claude Code는 세션을 저장하지 않습니다.

매번 새 대화를 시작하면 아무 것도 기억하지 못하죠.

그래서 매 세션마다 같은 말을 반복해야 합니다.

"우리 프로젝트는 Unity 2022.3 LTS야. 렌더 파이프라인은 URP고, 어셈블리 정의 파일 쓰고 있어. 에디터 스크립트는 Editor 폴더에 넣어야 하고..."

이를 해결하는 게 CLAUDE.md입니다.

CLAUDE.md는 Claude Code가 매 세션 시작 시 자동으로 읽는 마크다운 파일입니다. 프로젝트의 기술 스택, 디렉토리 구조, 코딩 규칙, 빌드/테스트 명령어, 주의사항 등을 기록해두면 Claude가 알아서 참조합니다. 한 번 작성해두면 세션을 새로 열어도 같은 컨텍스트가 유지되죠.

2. Init으로 CLAUDE.md 생성

CLAUDE.md를 처음부터 수작업으로 만들 수도 있지만,

init 명령어를 쓰면 Claude가 프로젝트를 분석하고 초안을 자동 생성해줍니다.

하지만 Cluade가 CLAUDE.md 파일을 자동으로 생성해주더라도 내용은 직접 세팅하는 것을 추천드립니다.

https://youtu.be/c7_ANA1NiS0?si=kbQVDOUBNFBPhYLp

위 영상의 제목이 다소 자극적이지만, 요약하자면 제대로 작성되지 않은 CLAUDE.md 파일은 오히려 성능이 떨어졌다는 논문에 대한 분석 영상입니다. 관심있으신 분들은 영상을 시청해보세요.

그렇다면 CLAUDE.md 파일은 어떻게 작성하면 될까요?

1. 간결하게 작성

CLAUDE.md가 200줄을 넘으면 Claude는 중요한 규칙을 놓치기 시작합니다. 컨텍스트 윈도우를 불필요하게 소비하기도 하며, 꼭 필요한 것만 남기는 것이 중요합니다. 또한, Claude가 지시 없이도 이미 잘 하는 것은 굳이 적지 않도록 합니다.

2. 구체적으로 작성

"코드를 깔끔하게 작성해" 같은 모호한 지시는 적지 않습니다. "MonoBehaviour 필드는 [SerializeField] private 사용. public 필드 금지" 같이 구체적으로 명시해주세요.

3. 영어로 작성

영어가 토큰 효율이 더 좋습니다. Claude의 토커나이저는 같은 의미를 전달할 때 한글이 영어보다 토큰을 약 1.5배 ~ 2배 더 소비합니다. 다만, 팀 내에서 한국어가 가독성 측면에서 우선시 된다면 언어 선택은 팀 상황에 따라 판단하면 됩니다.

3. CLAUDE.md 업데이트

프로젝트를 작업하다 보면 CLAUDE.md 파일을 업데이트하고 싶은 경우가 있습니다.

예를 들어, Unity Asset을 제작할 때는 Prefab을 생성한 후 Scene에 배치하도록 정의할 수 있습니다.

직접 CLAUDE.md 파일을 열어 수정해도 좋지만, /memory 명령어로 세션 내용을 반영할 수 있습니다.

memory 명령어를 입력하면 위 사진처럼 레벨을 선택할 수 있습니다.

CLAUDE.md는 크게 두 가지 레벨로 나뉩니다.

Project : 해당 프로젝트 전체
User : 모든 프로젝트 공통

원하는 레벨을 선택해 CLAUDE.md 파일을 업데이트합니다.

또는 해시(#) 키를 통해 CLAUDE.md 업데이트 뿐만 아니라 메모리에 즉시 지침을 추가할 수 있습니다.

마무리

이번 포스트에서는 Claude Code의 설치부터 CLAUDE.md 작성법까지 다뤘습니다.

CLAUDE.md는 한 번 작성하고 끝나는 파일이 아닙니다. 프로젝트가 성장하면서 규칙이 추가되고, 쓸모없는 규칙은 정리되고, PR 리뷰에서 발견된 패턴이 반영되면서 점점 정교해집니다. 특히 Git에 커밋해서 팀 전체가 공유하면 컴파운드 엔지니어링 효과를 얻을 수 있습니다.

다음 포스트에서는 Claude Code의 키보드 단축키와 네비게이션을 다루도록 하겠습니다. 세션 관리, Plan Mode 전환, 컨텍스트 압축 등 실제 작업 속도를 높이는 조작법을 정리하겠습니다.

지금까지 포스트를 읽어주셔서 감사합니다.

[AI] Claude API를 활용해 나만의 AI 툴 제작하기

천냥 컴퍼니 — Tue, 3 Mar 2026 08:46:12 +0900

개요

최근 들어, 생성형 AI 기술이 급격히 발전함에 따라 SaaS(Software as a Service) 기업들의 비즈니스 모델이 붕괴되고 있습니다. 이를 SaaS의 재앙(Apocalypse)이라는 단어를 합쳐 '사스포칼립스'라고 부릅니다.

저는 예전에 바이브코딩을 통해 배치 파일(.bat)을 제작해본 적이 있습니다.

Github 링크를 통해 보안 관련 오픈소스 최신 Release를 다운받도록 해주는 툴이었죠.

하지만 최근 들어, 굳이 코드 수준의 도구에 집착할 필요가 없다고 생각했습니다.

그래서 이번에는 코드 수준이 아닌, 웹 서비스 수준을 목표로 개발을 시작했습니다.

저는 다음과 같이 접근했습니다.

서비스 목표 : 첨부 자료를 분석해 슬라이드로 정리해주는 프레젠테이션 제작 서비스
Claude를 활용하여 바이브 코딩
Claude API를 활용한 AI 기반 제너레이터 기능 추가

방금까지만 해도 팀원들에게 주간 회의에 사용할 발표 자료를 만들고 있었는데,

이번 기회에 발표 자료를 쉽게 만들어주는 AI 툴을 만들어보도록 하겠습니다.

1. Claude를 활용한 바이브 코딩

가장 먼저 기능 구현 지침서를 Markdown 파일로 제작하는 작업입니다.

Markdown으로 구조화된 지침서는 LLM에게 좀 더 친화적이기 때문입니다.

위 사진은 Claude가 만들어준 Markdown 파일입니다.

이 파일을 Claude Agent가 활용할 수 있는 로컬 위치에 배치합니다.

그 후 Claude 앱을 열어줍니다.

붉은 영역으로 표시된 부분에 git 위치와 브랜치가 제대로 명시되었는지 확인합니다.

그리고 이 위치 내부에 Markdown 파일을 옮겨줍니다.

이제 Markdown 파일을 참조하여 기능 구현을 하도록 요청합니다.

만약 추가 기능 요구사항이 있다면 현재 채팅에서 쭉 이어나가시면 됩니다.

오, 생각보다 진짜 웹 서비스 처럼 잘 만들어주네요.

다크 모드와 화이트 모드 전환도 깔끔하게 구현해줬습니다.

실제 PPT 툴에서 지원해주는 [ 텍스트 폰트, 크기, 정렬 기능과 이미지 이동 및 크기 조절 ] 같은 기능도 완벽히 구현해주는 것을 보고 놀랐습니다. 왜 SaaS 기업들이 위기감을 느끼는 지 알 것 같습니다.

다음은 AI 기반 슬라이드 생성 기능으로 넘어가겠습니다.

2. Claude API 연동

저는 지침서에 AI 기반 슬라이드 생성 기능을 명시했습니다.

그랬더니 위 사진처럼 Claude API Key 설정과 사용할 LLM 모델 세팅 패널을 만들어줬습니다.

Claude API Key를 발급받기 위해 Claude Console로 들어갑니다.

그 후 좌측 패널에서 API keys 메뉴로 들어갑니다.

그리고 Create Key 버튼을 눌러줍니다.

필요한 정보를 입력합니다. 어떤 이름을 쓰셔도 무방합니다.

그 후 API Key를 얻을 수 있는데, 이건 백업해두시는 것을 추천드립니다.

그 후 발급받은 API Key를 세팅에 입력했습니다.

아, 그리고 Claude API는 구독을 하고 있더라도 별도의 요금을 지불해야 합니다.

좌측 패널에서 API Keys - Billing 메뉴에 들어가 Credit을 충전해주세요.

※ AI 생성 요청을 할 때마다 요금이 지불되니 주의하세요.

저는 예전에 개발했던 프로젝트의 Day Ret가 정리된 png 파일을 첨부했고,

어떤 형태로 슬라이드를 생성할 것인지에 대한 txt 프롬프트를 작성했습니다.

이는 각각의 슬라이드 별도로 적용됩니다.

이제 AI 생성을 시도해보겠습니다.

오호 깔끔한 디자인으로 슬라이드가 생성됐네요.

이제 Export로 파일을 추출해보도록 하겠습니다.

슬라이드 좌우 넘김, 그리고 다크 & 화이트 모드 전환도 깔끔하군요.

3. 마무리

저는 '더 이상 개발자만 서비스를 만들 수 있다.' 라는 말이 통하지 않는 시대가 왔구나 느꼈습니다. 물론 바이브 코딩으로 만든 서비스는 안정성, 보안, 확장성 측면에서 검증이 필요합니다. 하지만 아이디어를 빠르게 검증하고 MVP를 만들어내는 속도는 이전과 비교할 수 없을 만큼 빨라졌습니다.

제가 느끼기에 미래형 개발자가 되기 위해선 기본적인 컴퓨터 지식 뿐만 아니라, AI 기술 역량도 같이 강화할 필요가 있다고 생각합니다. 앞으로는 좀 더 정진해서 공부해야겠군요.

포스터를 읽어주셔서 감사합니다.

[AI] Unity MCP 사용 후기 (Cursor, Claude, Claude Code)

천냥 컴퍼니 — Sun, 1 Mar 2026 19:44:13 +0900

개요

최근 유니티(Unity) 개발에 AI를 적극 도입하면서, MCP(Model Context Protocol)를 활용해 프로젝트 개발과 에셋 관리를 자동화하려는 시도가 많아지고 있습니다. 그런데 막상 유니티 MCP를 연동해 개발하다보면 씬 또는 프리팹이 깨지고 작동하지 않는 경우가 더러 있습니다. 그래서 저는 "유니티 MCP 연동은 커서(Cursor)가 좋을까, 아니면 클로드(Claude)가 좋을까?"라는 궁금증이 생겼습니다.

테스트 프로젝트는 유니티에서 제공해주는 2D Platformer Microgame 프로젝트를 선택했습니다. 슈퍼마리오 게임과 동일한 형태의 간단한 게임으로, 기반이 튼튼하여 여기에 새로운 기능을 구현하며 테스트해 보도록 하겠습니다.

테스트 기능은 다음과 같습니다.

기능 1) Bullet 프리팹 생성 및 충돌 처리 구현

마우스 클릭 시 캐릭터를 중심으로 사전에 구성된 총알(Bullet) 프리팹(Prefab)을 동적으로 생성해. 총알은 캐릭터의 중심에서 생성되고, 캐릭터 중심을 시작으로 마우스 지점을 향해 총알이 발사돼. 이때, 카메라 영역 밖으로 빠져나가면 총알을 제거해줘. 만약 적(Enemy)과 충돌 시 적을 처치해. 이때, 최적화를 위해 총알 프리팹은 오브젝트 풀링(Object Pooling)을 통해 관리돼야 해. 그리고 왠만하면 Scene을 수정하지 않고, Scene 내에 프리팹이 존재하면 해당 프리팹에 들어가 수정 작업을 해줘. 그리고 스크립트를 추가할 때 직렬화 필드 참조가 필요하다면 네가 처리해줘

위 기능의 설명은 Agent가 잘 이해할 수 있도록 Markdown 파일을 제작합니다.

[ Markdown 파일 ]

# Unity MCP Agent Prompt – Bullet Shooting System with Object Pooling

## Objective
Implement a mouse-click bullet shooting system with object pooling. Bullets fire from the player character toward the mouse cursor, destroy enemies on collision, and are recycled when leaving the camera viewport.

---

## Requirements

### 1. Object Pooling System
- Create a `BulletPool` manager script (singleton pattern).
- On `Awake()`, pre-instantiate a configurable number of bullet prefabs (default: 20) and deactivate them.
- Provide `GetBullet()` → returns a deactivated bullet from the pool, activates it. If pool is empty, instantiate a new one dynamically.
- Provide `ReturnBullet(GameObject bullet)` → deactivate and return to pool.
- Attach this script to an empty GameObject named `"BulletPoolManager"` in the scene. If it already exists, reuse it.

### 2. Bullet Firing (Player Side)
- Create or modify a script (e.g., `PlayerShooter`) attached to the **player character**.
- On **left mouse button click** (`Input.GetMouseButtonDown(0)`):
  1. Get a bullet from `BulletPool`.
  2. Set bullet position = player's `transform.position` (center of character).
  3. Calculate direction = `(mouseWorldPosition - player.transform.position).normalized`.
     - Use `Camera.main.ScreenToWorldPoint(Input.mousePosition)` for 2D. Ensure `z = 0`.
  4. Pass the direction to the bullet so it moves accordingly.

### 3. Bullet Behavior
- Create or modify a script (e.g., `Bullet`) attached to the **bullet prefab**.
- Fields:
  - `float speed = 15f`
  - `Vector2 direction`
- On `Update()`: move via `transform.Translate(direction * speed * Time.deltaTime)`.
- **Out-of-screen check**: Use `OnBecameInvisible()` → call `BulletPool.Instance.ReturnBullet(gameObject)`.
- **Enemy collision**: Use `OnTriggerEnter2D(Collider2D other)`:
  - If `other.CompareTag("Enemy")` → `Destroy(other.gameObject)` (or deactivate enemy), then return bullet to pool.

### 4. Bullet Prefab Setup
- The bullet prefab **must already exist** in the project.
- **Do NOT create a new prefab from scratch in the scene.** Instead, locate the existing bullet prefab and modify it directly:
  - Ensure it has: `SpriteRenderer`, `Rigidbody2D` (Kinematic), `Collider2D` (Is Trigger = true).
  - Attach the `Bullet` script to it.

### 5. Enemy Requirements (assumed pre-existing)
- Enemy GameObjects must have the tag `"Enemy"`.
- Enemy must have a `Collider2D` component.

---

## Critical Rules

| Rule | Detail |
|------|--------|
| **No Scene Modification** | Do NOT place new objects in the scene hierarchy manually. Use runtime instantiation or modify existing objects only. |
| **Prefab Editing** | If a prefab (e.g., Bullet, Player) already exists in the scene or project, open and edit the **prefab asset directly** rather than the scene instance. |
| **Serialized Field References** | When a script requires serialized references (e.g., `[SerializeField] private GameObject bulletPrefab`), **auto-assign them via code**. Use `Resources.Load()`, `AssetDatabase` (editor only), or `FindObjectOfType()` at runtime. Do NOT rely on manual drag-and-drop in the Inspector. |
| **Object Pooling** | All bullet instantiation/destruction MUST go through the pool. Never call `Instantiate()` or `Destroy()` on bullets outside the pool manager. |

---

## Auto-Reference Strategy for Serialized Fields
```csharp
// Example: PlayerShooter auto-referencing bullet prefab
[SerializeField] private GameObject bulletPrefab;

private void Awake()
{
    if (bulletPrefab == null)
        bulletPrefab = Resources.Load<GameObject>("Prefabs/Bullet");
}
```

> Place the bullet prefab at `Assets/Resources/Prefabs/Bullet.prefab` for `Resources.Load` to work.

---

## Execution Order Summary
1. `BulletPool.Awake()` → pre-instantiate & pool bullets.
2. Player clicks → `PlayerShooter` gets bullet from pool → sets position & direction.
3. `Bullet.Update()` → moves toward target direction.
4. Bullet leaves camera → `OnBecameInvisible()` → return to pool.
5. Bullet hits enemy → `OnTriggerEnter2D()` → destroy enemy, return bullet to pool.

---

## Tags Required
- `"Enemy"` — assigned to all enemy GameObjects.

## Layers (Optional)
- Configure collision matrix so bullets only collide with enemies if performance optimization is needed.

C:\Users\Admin\MCP_Test\Assets 위치에 존재하는 Create_Bullet_Func.md 파일을 읽고 처리해줘

위 프롬프트를 테스트 케이스로 지정하여 실험해보도록 하겠습니다.

※ LLM은 Opus 4.6을 선택했습니다.

※ 이번 포스터는 성능 비교에 초점을 두기 때문에 유니티 MCP 설정 방법에 대해서는 다루지 않겠습니다.

1. Unity MCP + Cursor

먼저 Cursor을 활용해 기능 구현을 요청하도록 하겠습니다.

스크립트 생성 뿐만 아니라 유니티 MCP 통신을 통해 유니티 작업을 요청하는 것을 확인할 수 있습니다.

약 5분 동안 작업을 처리했습니다. 이제 기능이 잘 동작할는지 확인해보겠습니다.

음... 마우스 우클릭을 해보니 총알이 발사되는 것 같지만 총알 이미지가 보이지 않네요.

그래도 충돌 로직과 오브젝트 풀링은 잘 수행되고 있습니다.

(※ SpriteRenderer의 Sprite가 Null 처리됨)

2. Unity MCP + Claude

이번에는 Claude 앱을 사용해볼 차례입니다.

간헐적으로 유니티 MCP 통신에 장애가 발생하지만 재연결을 통해 결국 작업을 수행하는 모습입니다.

아, 그리고 Claude를 사용하면서 권한을 요청하는 경우가 잦습니다.

그런 경우엔 claude 폴더 내 settings.local 파일을 위 사진처럼 설정해주면 됩니다.

약 10분 후, 모든 작업을 마치고 위 사진처럼 변경된 사항들을 확인할 수 있었습니다.

오, Claude의 경우 만족스러운 결과를 만들어냈군요!

3. Unity MCP + Claude Code

이번에는 Claude Code를 사용해 테스트를 진행했습니다.

Claude Code는 Claude와 다르게 작동 시간과 토큰 사용량도 실시간으로 출력해주네요.

Claude Code와 마찬가지로, 간헐적으로 유니티 MCP 통신에 실패하는 경우도 있지만 결국 모든 작업을 마쳤습니다.

아쉽게도 Cluade Code는 Cursor와 마찬가지로 작업을 완벽히 수행하지 못했습니다.

적을 향해 클릭하니 적이 처치되면서 떨어지지만, 총알 이미지가 출력되지 않네요.

(※ SpriteRenderer의 Sprite가 Null 처리됨)

4. 마무리

최종적으로 결과를 정리해보겠습니다.

Cursor : 충돌 로직 성공 + 오브젝트 풀링 성공 + 이미지 출력 실패 (처리 시간 : 5min)
Claude : 충돌 로직 성공 + 오브젝트 풀링 성공 + 이미지 출력 성공 (처리 시간 : 10min)
Claude Code : 충돌 로직 성공 + 오브젝트 풀링 성공 + 이미지 출력 실패 (처리 시간 : 13min)

물론 이번 테스트 결과로 어떤 툴이 더 좋은지 확인하는 것은 불가능해보입니다. 일단 셋 다 유니티 MCP를 처리해줬으며, 생각보다 모두 잘 구현해줘서 놀랐습니다. 기회가 된다면 테스트 케이스를 확장하여 Shader, UI, Prefab Variant 등 다양한 요소를 고려해서 추가 테스트를 해보도록 하겠습니다.

아, 그리고 확실한 점은, 자연어로 대충 요청하는 것보다 요구사항을 구조화하고 구현 수준의 명세를 작성해서 전달하는 것이 더 좋은 결과를 냈다는 점입니다. 저는 AI를 활용해 프롬프트를 정리한 뒤 Markdown 파일로 전달했는데, 그제야 세 도구 모두 기능을 제대로 구현했습니다.

지금까지 포스터를 읽어주셔서 감사합니다.

[AI] Cursor 비용 절감 및 효율 높이는 법

천냥 컴퍼니 — Sun, 8 Feb 2026 22:32:00 +0900

개요

커서(Cursor)를 사용해 코딩하다 보면, 문득 관리자 페이지의 토큰 사용량을 보고 깜짝 놀랄 때가 있습니다. 분명 효율적으로 쓴 것 같은데도 특정 세션에서 비용이 튀거나 사용량이 급증하는 현상이 발생하죠.

오늘은 커서의 비용 측정 기준인 토큰(Token)과 캐시(Cache)의 원리를 이해하고, 팀 프로젝트에서 어떻게 하면 비용은 줄이면서 개발 속도는 높일 수 있는지 살펴보겠습니다.

1. New Chat 생활화

LLM은 이전 대화 내용을 모두 기억하기 위해 매 질문마다 과거의 대화 기록을 다시 읽어 들입니다. 이를 '컨텍스트 윈도우(Context Window)'라고 부릅니다. 대화가 길어지면 최근 응답의 가격이 아니라, 지금까지 나눈 대화 전체를 다시 읽히는 비용을 지불하게 됩니다.

Claude LLM 모델의 비용을 살펴보면 다음과 같습니다.

모델	입력(Input) 비용	출력(Output) 비용
Claude 4.6 Opus	$5.00 / 1M	$25.00 / 1M
Claude 4.5 Sonnet	$3.00 / 1M	$15.00 / 1M
Claude 3.5 Haiku	$0.80 / 1M	$4.00 / 1M

입력 토큰은 프롬프트, 이전 대화 로그, 참고 코드 등의 데이터이며,

출력 토큰은 AI가 생성하는 답변입니다.

주로 출력 과정이 리소스를 많이 사용하기 때문에 입력보다 3~5배 비쌉니다.

그래서 독립적인 기능 개발이나 버그 수정이 끝나면 반드시 Ctrl + L로 새로운 채팅창(New Chat)을 여는 것이 중요합니다. 불필요한 컨텍스트를 제거하는 것만으로도 입력 토큰 비용을 획기적으로 줄일 수 있습니다. 같은 채팅을 쭉 이어나가는 행동은 비용 폭탄으로 이어질 수 있습니다.

2. @Files 선별 사용

@Codebase로 프로젝트 전체를 훑게 하기보다, 수정이 필요한 특정 파일들만 @파일이름으로 직접 지정하세요. 이렇게 선택된 파일들은 캐시(Cache)로 저장되어 다음 질문 시 Cache Read로 처리됩니다. 이는 엔트로픽의 프롬프트 캐싱 기술로, 한 번 읽은 코드를 서버에 저장해두고 재사용하는 방식입니다.

이와 관련하여 커서 관리자 페이지에 접속하여 Usage 탭에서 토큰 사용량을 확인해보시는 것을 추천드립니다. 위의 경우 토큰은 137.3만을 사용하지만, 90% 이상이 캐싱되어 비용을 최적화한 사례입니다.

[ 비용 계산법 ]

엔트로픽 API 표준 단가 (1M 토큰 기준: 입력 $3, 출력 $15, 캐시 읽기 $0.30) 기준

Cache Read : 1,229,094 x $0.3 = $0.368

Cache Write : 122,343 x $0.375 = $0.458

Input : 68 x $3.00 = $0.000
Output : 21,920 x $15.00 = $0.328

Thinking(추론 과정) : $0.346

합계(Total) $1.500 비용 측정

3. 모델 하이브리드 전략

커서를 사용하다보면 뇌 기호(Thinking)가 붙은 LLM을 확인할 수 있습니다. 많은 분들이 단순히 Thinking 모델이 더 잘할 것이라 여겨 Thinking 모델로 선택해 모든 응답을 작성하곤 합니다. 하지만 그렇게 되면 금방 사용량을 초과할 수 있습니다.

Thinking 모델

- 답변 전 사고 단계를 거쳐 논리적 추론을 수행

- 추론 토큰이 추가로 발생 (비용 증가)

[ 추천 워크플로우 ]

Step 1. [Thinking] 코드 설계 및 구조 잡기

작업: 새로운 시스템(예: Addressables 관리 시스템)의 클래스 다이어그램 또는 논리적 로직 설계
프롬프트 예시: "유니티 Addressables를 활용한 리소스 관리 시스템을 만들 거야. 메모리 누수를 방지하면서 에셋을 로드/언로드하는 최적의 인터페이스 구조를 설계해줘."
이유: 첫 단계에서 Thinking 모델을 사용해 논리적으로 아키텍처를 설계하고 들어갑니다.

Step 2. [Standard] 세부 기능 구현 및 살 붙이기

작업: 설계가 확정된 후, 함수 단위 기능 개발
프롬프트 예시: (모델을 Standard로 변경 후) "앞서 설계한 인터페이스를 상속받아 MapResourceLoader.cs의 실제 로직을 작성해줘."
효과: 이미 설계 내용이*캐시(Cache Read)에 남아있기 때문에, 일반 모델도 Thinking 모델이 설계한 구조를 이해합니다.

Step 3. [Thinking] 최종 검수 및 디버깅

작업: 구현된 코드에서 발생한 원인 불명의 버그 수정 또는 성능 분석
이유: 단순 오타가 아닌 논리적 충돌은 일반 모델이 놓치기 쉽습니다. 마지막에 다시 한번 Thinking 모델로 전환하여 안정성을 검토합니다.

4. 관리자 페이지 분석

커서 관리자 페이지의 Analytics 탭을 통해 활용 습관을 파악할 수 있습니다.

Accepted Diffs: AI 제안을 실제로 얼마나 반영했는가?
Agent Lines of Code: 얼마나 코드를 생성했는가?

위 지표를 확인하여 AI 활용 효율을 점검할 수 있습니다. Agent Lines of Code 값이 크다는 것은 AI Agent를 적극적으로 활용해 수많은 코드를 생성했다는 의미입니다. 이때, 코드 수용 지표인 Accepted Diffs 값이 클수록 실제 코드 반영이 높다는 사실을 인지하시길 바랍니다.

5. 마무리

지금까지 게임 개발 효율을 극대화하기 위한 Cursor 비용 및 효율 관리 전략을 살펴보았습니다.

요약하자면,

독립적인 기능 개발의 경우 새로운 채팅(New Chat)으로 시작하기
@Codebase로 프로젝트 전체 코드가 아닌, @File로 필요한 코드 첨부하기
Thinking 모델 남발하지 않기
관리자 페이지를 분석해 사용 패턴 점검하기

입니다.

개발자에게 AI는 강력한 엔진과 같지만, 그 엔진을 얼마나 효율적으로 제어하느냐에 따라 생산성은 천차만별이 됩니다. 또한 불필요한 비용을 지불하지 않기를 바랍니다.

긴 글 읽어주셔서 감사합니다.

[AI] 이미지 생성 팁

천냥 컴퍼니 — Sun, 18 Jan 2026 15:04:19 +0900

개요

간혹 AI 이미지를 제작하다 보면, 분명히 명령어를 잘 넣은 것 같은데도 형체를 알 수 없는 기괴한 모습이나 노이즈 섞인 화면이 나올 때가 있습니다. 이런 현상은 대게 설정 값 한 두개의 미세한 차이에서 발생합니다.

오늘은 AI 이미지를 생성하면서 나타날 수 있는 문제 상황에 대해 살펴보고, 어떻게 하면 AI 이미지 생성을 잘 할 수 있는지 살펴보도록 하겠습니다.

1. 색감이 너무 진하고 타버린 것처럼 보일 때 (CFG Scale 문제)

딥 프라이드(Deep Fried) 현상

이미지가 과하게 대비가 심해지고 색이 뭉개지는 현상을 흔히 튀겨졌다(Deep Fried) 혹은 탔다(Burned)라고 부릅니다. 이 현상은 과하게 높은 CFG Scale 값에 의한 수학적인 벡터 연산의 증폭 때문입니다.

CFG Scale이란?

설정한 프롬프트를 얼마나 강하게 반영할 것인가에 대한 가중치입니다. 수학적 개념으로 접근한다면 프롬프트가 반영된 벡터를 얼마나 증폭시킬 지에 대한 값입니다. CFG Scale 값이 클수록 AI는 프롬프트를 강하게 반영하며, 값이 작을수록 창의성이 증가합니다.

CFG Scale 값을 구간 별로 살펴보면 다음과 같습니다.

1 ~ 4 : 프롬프트를 무시하고 창의적 작품을 생성 (가이드 부족 상태 발생 가능)
5 ~ 9 : 프롬프트를 준수하고 안정성과 균형이 좋음 (가장 추천)
10 ~ 15 : 선이 굵어지고 색 대비가 강해지기 시작 (과한 가이드)
16 이상 : 색상 반전, 노이즈 발생, 형체 붕괴 현상 발생 (수치 포화 상태)

2. 특정 요소가 반복적으로 나타날 때 (해상도 문제)

중복 생성(Duplication) 현상

간혹 위 사진처럼 창이 2개가 나오거나, 팔다리가 여러 개로 복사되는 기괴한 모습이 나타나곤 합니다. 이건 현상은 AI가 학습한 이미지 크기보다 큰 이미지를 생성할 때 나타나는 문제입니다.

SD 1.5 기반 모델이라면 512 X 512로, SDXL 기반 모델이라면 1024 X 1024로 시작하면 좋습니다.

그렇다면 AI가 학습한 이미지 크기 외에는 생성하지 못하는가? 그건 아닙니다.

Hires.Fix (고해상도 보정) 기능을 사용하면 됩니다. 이 기능은 AI가 잘 아는 크기인 512 X 512로 작게 그린 후 강제로 크기만 키워 디테일을 채워 넣는 방식입니다.

3. 이미지의 형체가 이상할 때 (모델 불일치)

위 상황은 붉은 장미 형태의 게임 스킬 아이콘을 프롬프트로 입력한 상황이며, 왼쪽은 인물 관련 Checkpoint 모델을, 오른쪽은 게임 아이콘 관련 Checkpoint 모델을 사용한 경우입니다. 이처럼 모델을 제대로 설정했는지 살펴보는 것이 중요합니다.

특히 Checkpoint외 LoRA 설정에서 많이 실수합니다. Checkpoint외 LoRA는 각각 독립된 파일이지만, 두 모델의 규격이 맞지 않으면 이미지의 형태가 붕괴됩니다. 그러니 LoRA 모델이 어떤 Checkpoint 모델을 기반으로 학습됐는지 확인하는 것이 중요합니다.

4. 생성 파라미터 알아보기

Stable Diffusion Web 설정 파라미터

아마 AI 이미지를 제작을 해보셨다면 생성 파라미터 세팅을 본 적이 있으실 겁니다. 각각의 파라미터가 어떤 역할을 수행하는지 간단히 살펴보도록 하겠습니다.

1. Sampling Steps : AI가 그림을 다듬는 횟수

첫번째 Step에서 무작위 노이즈로 시작해, 한 Step씩 노이즈를 걷어내며 이미지를 완성합니다. 숫자가 높을수록 이미지가 더 정교해지지만, 생성 시간도 동시에 증가합니다. 보통 20~30이 가장 효율적이며, 40 이상은 변화 폭이 적어 시간 낭비가 될 수 있습니다.

2. Sampler : 이미지 생성 연산 알고리즘

AI가 어떤 계산 방식으로 이미지를 다듬어 나갈지 결정합니다.

Euler a : 가장 기본적이고 빠릅니다. Step 마다 약간의 변조를 통해 자연스럽고 창의적인 결과를 보여줍니다.
DPM++ 2M : 현재 가장 널리 쓰이는 표준으로, 속도와 품질의 균형이 뛰어납니다.
DPM++ SDE : 속도가 조금 느리지만, 인물이나 복잡한 질감의 디테일을 표현합니다.

그 외 다양한 알고리즘이 존재하는데, 주로 위 3개를 많이 사용합니다.

3. Schedule Type : 노이즈 제거 속도 & 강도 분배

Sampler가 알고리즘이었다면, Schedule Type은 Sampler을 초반 Step에 강하게 사용할지, 후반 Step에 사용할지 결정하는 스케줄입니다. Karras는 곡선 형태로 후반부 디테일을 잡아주고, Uniform/Simple은 일정한 속도로 잡아줍니다.

저는 주로 Karras을 사용하거나 Automatic을 사용합니다.

4. Clip Skip: 프롬프트 해석 단계(Layer) 중 마지막 몇 단계를 건너뛸지 정하는 횟수

Clip Skip 1 : 텍스트를 가장 정석대로 끝까지 읽습니다.
Clip Skip 2 : 마지막 단계를 생략하여 좀 더 창의적이고 부드러운 화풍을 만듭니다.

SDXL 모델은 1을 권장하며, SD 1.5 기반이라면 2를 추천합니다.

5. Batch Count: 이미지 제작 횟수

6. Batch Size : 한 번에 몇 장 그릴 지에 대한 횟수

7. Seed: 무작위 노이즈 시작 번호

만약 Seed 값이 -1이라면 매번 새로운 번호를 부여하며, 그 외 값을 입력하면 해당 번호의 노이즈 이미지로 생성을 시작합니다.

5. 프롬프트 작성팁

1. 앞에 있을수록 힘이 세다.

프롬프트의 가장 앞부분에 있는 단어를 가장 중요한 정보로 받아들입니다. 즉, 단어의 순서만 바뀌어도 결과물은 완전히 달라집니다. 주로 5단계 구조화를 통해 프롬프트를 작성합니다.

[ 품질 및 화풍 ] - [ 핵심 주제 ] - [ 세부 묘사 ] - [ 배경 및 조명 ] - [ 카메라 구도 ]

물론 위 구조가 완벽하지 않을 수 있습니다. 원하는 정보를 앞에 배치하는 것이 중요합니다.

2. 가중치 조절

이미지 생성에서 특정 요소가 무시되는 경우가 있습니다. 이런 경우에는 괄호와 숫자를 활용합니다.

(keyword) : 1.1배 강조
((keyword)) : 1.21배 강조
(keyword:1.4) : 직접 배율 지정 (주로 1.2 ~ 1.5 사이가 적당)
[keyword] : 0.9배 (가중치 낮추기)

만약 가중치를 1.6 이상으로 높게 잡으면 이미지가 깨지거나 노이즈가 발생할 수 있습니다.

직접 수정해가면서 최적의 값을 찾는 것이 중요합니다.

3. 네거티브 프롬프트

원하는 요소를 적는 것도 중요합니다. 예를 들어, 스킬 아이콘을 제작하면서 배경을 제거하고 싶다면 네거티브 프롬프트에 background 키워드를 추가합니다. 그 외에도 low quality, worst quality, blurry, logo 등 피하고 싶은 요소를 추가해줍니다.

6. 마무리

지금까지 우리는 게임 이미지 리소스를 제작하기 위한 작업 과정을 모두 마쳤습니다.

다음 포스터부터는 AI 비디오 제작에 대해 살펴보도록 하겠습니다.

감사합니다.

[AI] LoRA 모델 커스텀 제작하기

천냥 컴퍼니 — Sat, 10 Jan 2026 18:37:02 +0900

개요

이전 포스터에서 남들이 학습시킨 모델 사용법에 대해 배웠습니다. 남들이 학습시킨 다양한 모델을 활용하여 WOW 게임 느낌의 화풍을 내거나, 또는 픽셀 느낌의 아이콘을 제작할 수 있죠.

하지만 게임을 개발하다 보면 "내가 직접 그린 이 캐릭터만 똑같이 나오게 할 순 없을까?" 혹은 "우리 게임만의 독특한 화풍을 AI에게 가르치고 싶다"는 생각이 드실 겁니다. 그래서 오늘은 코딩 하나 없이 여러분이 원하는 화풍의 모델인, '커스텀 로라(LoRA) 만들기'에 대해 알려드리도록 하겠습니다.

1. 학습을 위한 샘플링 이미지 수집

샘플링 이미지 조건

① 개수 : 캐릭터의 경우 최소 15장 정도는 있어야 하며, 20장~30장이 가장 좋습니다. 만약 게임의 아이콘이라면 30~50장 정도가 적당합니다.

② 해상도 : 최소 512px 이상은 되어야 하며, 최근엔 1024x1024 정도의 고화질 사진을 선호합니다.

③ 스타일 : 가장 중요한 포인트입니다. 선의 굵기, 채색 방식, 배경 처리 등 그림체를 유지하는 것이 중요합니다. 캐릭터의 경우 다양한 구도와 각도가 중요하지만, 게임 아이콘의 경우 스타일을 유지하는 것이 좋습니다.

※ 이미지 개수가 많거나 과한 고해상도는 오히려 학습에 방해가 됩니다.

2. LoRA 학습 데이터 세팅

https://colab.research.google.com/github/hollowstrawberry/kohya-colab/blob/main/Dataset_Maker.ipynb#scrollTo=HuJB7BGAyZCw

Dataset_Maker.ipynb

Run, share, and edit Python notebooks

colab.research.google.com

위 URL은 여러분이 코딩 없이 간편하게 LoRA 모델을 학습시킬 수 있는 Colab 파일입니다.

위 파일은 오픈소스 공유파일이므로 본인의 구글 드라이브로 가져와 새로운 사본을 제작해야 합니다.

위 링크에 접속하여 [ 파일 ] - [ 드라이브에 사본 저장 ] 을 누릅니다.

그러면 여러분의 구글 드라이브에 사본 파일이 생성된 것을 확인할 수 있습니다.

파일명은 자유롭게 설정해주세요. 저는 Casual_Skill_Icon으로 지었습니다.

첫번째로 Setup 버튼을 눌러줍니다. 이 단계에서 데이터 셋을 구글 드라이브에 생성하는 작업을 수행합니다.

필요 시 드라이브 접근 권한을 허용하라는 알림창이 등장합니다.

Google Drive에 연결을 눌러 접근을 허용합니다.

작업이 끝났다면 Loras 경로에 파일명의 폴더가 생성된 것을 확인할 수 있습니다.

Loras 폴더에 들어가면 프로젝트 폴더가 있고, 그 안에 dataset 폴더가 존재합니다.

여기에 여러분의 학습 이미지를 모두 넣어주시면 됩니다.

※ webp 또는 jfif 확장자 파일은 지원하지 않습니다. png, jpg, jpeg 확장자 파일을 추가합니다.

다시 Colab 파일로 돌아옵니다.

이때, 2번(Scrape images from Gelbooru) 과정은 넘어갑니다.

※ 이미지가 없을 경우 자체적으로 웹 서칭을 통해 수집하는 기능인데,

수집 이미지의 퀄리티가 좋지 않습니다.

따로 파라미터를 세팅할 필요 없이 3번(Curate your images) 과정을 수행합니다.

이 과정은 추가한 이미지 중에서 학습에 활용할 이미지를 취사 선택하는 과정입니다.

이 작업은 몇 분 정도 소요됩니다.

그 후 4번(Tag your images) 과정을 수행합니다. 이때, 여러분의 이미지 화풍에 따라 method를 설정합니다.

애니메이션에 가깝다면 Anime tags을, 실사풍에 가깝다면 Photo captions을 선택합니다.

설정이 끝났다면 실행해줍니다.

이 작업은 몇 분 정도 소요됩니다.

5번(Curate your tages) 과정은 넘어가도록 하겠습니다. 이 작업은 활성화 태그를 추가하는 작업으로,

대부분 LoRA 모델 전체를 가중치로 조절하여 사용하기 때문에 굳이 실행하지 않아도 됩니다.

마지막으로 6번(Ready) 과정을 실행합니다.

그러면 이제 LoRA 학습을 위한 데이터 세팅이 끝나게 됩니다.

3. LoRA 트레이너 실행

데이터 셋 작업이 무사히 끝났다면 Click here to open the Lora trainer 버튼이 등장합니다.

해당 버튼을 눌러 LoRA 트레이너 파일을 열어줍니다.

LoRA 트레이너 파일에서 Drive에 사본 저장을 눌러 사본을 생성합니다.

사본 파일의 이름은 자유롭게 정하면 되며, 저는 Casual_Skill_Icon_Trainer라고 명명하겠습니다.

먼저 트레이닝 모델을 Stable Diffusion으로 설정합니다.

만약 다른 Checkpoint 모델을 사용하고 싶다면 다운로드 URL을 복사하여

optional_custom_training_model_url 에 경로를 붙여넣기 해줍니다.

※ 다운로드 URL 얻는 법 : Civitai 사이트에서 Download 버튼 우클릭 후 링크 주소 복사 클릭

만약 Checkpoint 모델의 Base가 SDXL이라면 아래 참고하세요.

LoRA 모델은 어떤 Checkpoint 모델을 기준으로 학습하는 지에 따라 Trainer도 달라져야 합니다.

Base 모델이 SDXL이라면 XL Lora Traniner을 선택합니다.

Civitai 사이트에서 다운로드 받은 Checkpoint 모델이라면 사이트에서 Base Model을 확인할 수 있습니다.

이제 Checkpoint 모델을 구글 드라이브에 추가해줍니다.

그 후 [ 내 드라이브 연결 ] 을 시도하여 구글 드라이브에 연결합니다.

그리고 Checkpoint 모델을 우클릭하여 경로를 복사합니다.

그 후 optional_custom_training_model에 붙여넣어 아래 단계로 넘어갑니다.

그 후 Steps 단계를 세팅할 차례입니다.

① num_repeats

이때, num_repeats 값은 이미지 개수와 곱했을 때 200~400 사이를 추천합니다.

예를 들어, 이미지 개수가 30개라면 num_repeats는 10이 적당하겠죠.

② preferred_unit

Epochs라면 10을, Step이라면 2000을 추천합니다.

따로 설정할 필요 없이 [ Epochs - 10 ] 으로 설정합니다.

③ train_batch_size

배치 사이즈는 2~3을 추천합니다.

배치 사이즈를 늘리면 학습 속도가 빨라지지만,

모델 품질이 저하될 수 있으니 2로 설정합니다.

다음은 Structure 단계를 세팅하겠습니다.

lora_type을 LoRA로 설정해줍니다.

그 후 위 추천 표에 맞춰 network_dim과 network_alpha를 설정합니다.

기본값으로 세팅하면 됩니다.

이제 상단으로 돌아와 Setup 버튼을 눌러줍니다.

그러면 위 사진처럼 학습을 시작합니다.

학습 시간은 약 30분 ~ 1시간 정도 소요됩니다.

작업이 완료되면 구글 드라이브에 output 폴더에서 학습된 LoRA 모델을 확인할 수 있습니다.

이제 LoRA 모델을 프롬프트에 입력해준다면?

위와 같은 결과물을 확인할 수 있습니다.

왼쪽은 제가 생성한 로라를 적용전, 오른쪽은 적용후의 결과입니다.

실제 개발한 게임의 스킬 아이콘 중 하나

제가 준비한 샘플링 이미지는 캐주얼 모바일 게임 스킬 아이콘입니다. 원본 이미지 화풍의 80-90%는 적용된 느낌이네요. 다소 아쉬운 부분이 있지만, 좀 더 정확한 프롬프트 엔지니어링을 거친다면 충분히 쓸만한 스킬 아이콘을 얻을 수 있어보입니다.

4. 마무리

이로써 여러분은 원하는 화풍의 AI 이미지를 제작할 수 있게 되었습니다.

하지만 AI 이미지 제작에서 중요한 것은 파라미터 세팅과 프롬프트 엔지니어링입니다.

모델은 완벽한데 왜 이미지가 타버릴까? (CFG Scale의 문제)
왜 내가 원하는 조명과 구도가 반영되지 않을까? (프롬프트 구조화의 문제)
연산 속도와 퀄리티 사이의 최적점은 어디일까? (Steps & Sampler의 문제)

쉽게 말해, AI 이미지를 주문하는 방법입니다. 단순히 "멋진 전사를 그려줘"가 아닌, "중세 갑옷을 입고, 노을지는 성벽 위에서, 역광을 받으며 서 있는 전사"처럼 체계적으로 AI에게 설명하는 기술이 바로 프롬프트 엔지니어링입니다. 좋은 LoRA 모델을 만들어 놓고 결과물이 만족스럽지 않다면 많이 실망스럽겠죠?

그럼 다음 포스팅에서는 "파라미터 & 프롬프트 파악하기"라는 주제로 뵙겠습니다.

감사합니다.

[AI] Checkpoint & LoRA을 활용한 AI 이미지 화풍 정하기

천냥 컴퍼니 — Sun, 4 Jan 2026 21:32:15 +0900

개요

생각해보니 가장 중요한 사실을 잊고 있었습니다. 그것은 바로 Checkpoint 모델과 LoRA 모델의 존재였습니다. 이는 AI 이미지의 화풍을 결정짓는데 매우 중요한 역할을 수행합니다. 오늘은 checkpoint와 LoRA가 무엇인지, 그리고 어떻게 프롬프트를 작성해야 하는지 알아보도록 하겠습니다.

이전 포스터에서 픽셀 사과를 제작해봤었죠. 메인 프롬프트를 살펴보시면 <lora:~~ :0.9> 라는 태그가 보일겁니다. 이 태그는 픽셀 화풍을 나타내는 가중치입니다. 만약 LoRA를 정의하지 않는다면 어떻게 될까요?

바로 픽셀 화풍이 사라지죠. 이처럼 어떤 모델을 사용하는지, 또는 메인 프롬프트와 네거티브 프롬프트를 어떻게 입력하냐에 따라 결과물이 크게 달라질 수 있습니다. 그래서 오늘은 어떻게 하면 원하는 AI 이미지의 화풍을 결정지을 수 있는지 살펴보겠습니다.

1. Checkpoint & LoRA란?

Checkpoint : 수백만 장의 이미지를 학습하여 모델 전체의 가중치(Weights)를 저장한 파일입니다.

실사, 애니메이션, 반실사 등 큰 틀에서의 아트 스타일을 결정합니다. 보통 2GB - 6GB 정도로 매우 큰 학습 데이터입니다.

LoRA : 베이스 모델(Checkpoint)의 전체 가중치를 건드리지 않고, 특정 화풍이나 캐릭터의 특징만을 효율적으로 학습시킨 소규모 가중치 파일입니다.

특정 캐릭터의 외형, 특정 작가의 화풍, 특정 의상 등을 미세 조정(Fine-tuning) 합니다.

2. Checkpoint & LoRA 사용법

https://civitai.com/

Civitai: The Home of Open-Source Generative AI

Explore thousands of high-quality Stable Diffusion & Flux models, share your AI-generated art, and engage with a vibrant community of creators

civitai.com

여러분이 직접 Checkpoint & LoRA 모델을 학습시켜 제작할 필요는 없습니다.

위 사이트를 방문하여 이미 만들어진 모델을 가져다 쓰면 되거든요.

위 링크로 들어가 회원가입/로그인 을 진행해줍니다.

※ 회원가입/로그인 과정은 생략하겠습니다.

학습을 위해 검색창에 'pixel icon' 이라고 검색합니다.

그리고 왼쪽 사진의 모델을 선택합니다. 그러면 오른쪽 사진처럼 LoRA 모델에 대한 정보를 확인할 수 있습니다. 하단에 Download 버튼을 눌러 다운로드 해줍니다.

여기서 중요한 사실!

LoRA 모델은 Checkpoint 모델의 가중치에서 얼마나 변했는가에 대한 델타 값입니다. 즉, 베이스 모델인 Checkpoint가 반드시 존재해야 합니다.

예시 이미지를 클릭하면 PNG Info를 확인할 수 있습니다. 사진에서 좌측 하단을 살펴보면 어떤 Checkpoint가 사용됐는지 확인할 수 있죠. Kohaku-XL Epsilon 모델이 사용됐으니 해당 모델도 다운로드 받아줍니다.

이제 Checkpoint 모델도 다운로드 받아줍니다.

이제 Stability Matrix에서 체크포인트 매니저를 클릭합니다.

그 후 우측 상단에 점 3개를 눌러 모델 폴더를 클릭합니다.

※ 만약 Stability Diffusion WebUI 패키지를 실행하고 있는 상태라면 중지합니다.

그러면 위 사진처럼 수많은 폴더 중에 Lora와 StableDiffusion 폴더를 확인할 수 있을 겁니다.

아래처럼 모델을 폴더에 넣어주세요.

LoRA 모델 : Lora 폴더
Checkpoint 모델 : StableDiffusion 폴더

그 후 Stability Matrix로 돌아와 새로고침을 누르면 추가한 모델을 확인할 수 있습니다.

패키지 메뉴에서 Stable Diffusion WebUI 패키지를 실행합니다.

NAIA 2.0으로 돌아와 모델 선택에서 추가한 checkpoint 모델을 선택합니다.

그 후 <lora:gmic icon_Pixel style-000012:0.9> 토큰을 추가합니다.

LoRA 모델 토큰 규칙은 다음과 같습니다.

<lora:{LoRA 모델 명}:{가중치}>

이제 이미지 생성을 요청한다면?

짜잔, 예쁜 도트 이미지의 사과가 생성됐습니다!

3. 마무리

지금까지 우리는 NAIA 2.0을 활용한 이미지 생성 자동화, 와일드카드를 활용한 다양성 확보, 그리고 Checkpoint와 LoRA를 이용한 화풍 및 캐릭터 고정까지 마쳤습니다.

하지만 여기서 한 가지 아쉬운 점이 생길 겁니다. 우리가 지금까지 쓴 LoRA 모델은 결국 누군가 이미 만들어둔 모델이라는 점이죠. 내가 직접 기획한 게임의 주인공, 혹은 내 게임에서만 사용하는 독특한 화풍의 스킬 아이콘을 뽑고 싶은데, 인터넷에 올라온 모델들만으로는 부족한 느낌이 들 때가 분명히 옵니다. 내 머릿속에만 있는 그 디자인을 AI가 그리게 하려면 결국 나만의 커스텀 로라(Custom LoRA)가 필요합니다.

다음 포스팅에서는 나만의 커스텀 로라 제작 방법에 대해 알아보도록 하겠습니다.

감사합니다.

[AI] NAIA 2.0 와일드카드로 리소스 다양성 확보하기

천냥 컴퍼니 — Sat, 3 Jan 2026 01:30:30 +0900

개요

여러분이 도트 게임을 만들기 위해 이전 포스터에서 배운대로 NAIA 2.0을 사용했다고 가정해봅시다.

빨간 사과 도트 아이콘 이미지를 제작하기 위해 메인 프롬프트에 다음과 같이 입력했다고 합시다.

red apple

이제 여러분은 자동 생성을 체크하고 데스크톱이 열심히 일하길 바라며 잠자리에 듭니다.

그리고 다음날...

자고 일어났더니 똑같이 생긴 빨간 사과 이미지만 수천 장 쌓여있는 모습을 확인할 수 있을 겁니다.

사실 게임 개발에서 필요한 건 '복붙'이 아니라 '다양성'이죠.

(빨간, 파란, 보라, 초록, 금빛) 사과라던지,

빨간 (사과, 딸기, 수박, 토마토, 석류) 라던지 말이죠.

오늘 소개할 와일드카드(Wildcards)는 여러분의 프롬프트를 살아 움직이게 만드는 핵심 도구입니다.

1. 와일드카드(WildCard)란 무엇인가?

보통 우리가 프롬프트를 넣을 때 red apple 이라고 고정해서 입력하죠.

이렇게 하면 NAIA는 밤새도록 '빨간 사과'만 뽑습니다.

하지만 와일드카드를 쓰면 프롬프트에 '변수'를 심을 수 있습니다. __ apple 이라고 적어두면, 시스템이 미리 준비된 텍스트 파일에서 [빨간, 파란, 보라, 초록, 금빛] 중 하나를 랜덤하게 꺼내오는 방식이죠.

정적 프롬프트(Static): 수작업 반복, 리소스 중복 발생, 창의적 한계.
동적 프롬프트(Wildcard): 한 줄의 명령어로 수만 가지 조합 생성, 예상치 못한 시각적 결과물 도출.

그렇다면 와일드카드를 어떻게 사용하면 되는지 살펴보도록 하겠습니다.

먼저 NAIA 2.0 툴 프롬프트 하단에 와일드카드 모듈 메뉴를 엽니다.

그 후 와일드카드 관리 윈도우를 클릭합니다.

그러면 위 화면처럼 빈 세팅을 확인할 수 있습니다.

우측 상단에서 폴더 열기를 눌러줍니다.

그러면 와일드카드 파일(.txt)을 확인할 수 있습니다.

이제 폴더 열기 옆에 있는 새 파일 버튼을 눌러줍니다.

예시로 색상(Color)을 정의하는 와일드카드를 생성해봅시다.

그럼 좌측에 와일드카드 파일이 생성된 것을 확인할 수 있습니다.

color 와일드카드를 선택해서 내용을 위처럼 넣어줍니다.

그리고 저장을 누릅니다.

와일드카드를 사용하는 방법은 간단합니다.

__color__ 키워드로 대체하면 됩니다.

이제 위 프롬프트로 자동 생성 한다면?

짜잔, 다양한 색상의 사과들이 생성되었습니다.

2. 게임 개발 실무 활용

예시 : 무기 10종 × 의상 10종 × 배경 10종 × 화풍 5종 = 총 5,000개의 조합

와일드카드 파일을 생성합니다. (weapon.txt, outfit.txt, emotion.txt)

프롬프트 : Character design of a hero holding __weapon__, wearing __outfit__, __emotion__ expression

이걸 사람이 일일이 프롬프트를 바꿔가며 뽑는다면 며칠이 걸리겠지만, 와일드카드를 사용하면 단 몇 초 만에 이 모든 조합의 큐를 생성해냅니다. 특히 몬스터 변종(Variant)을 만들거나, 아이템 도감용 아이콘을 대량으로 제작할 때 매우 유용하죠.

3. 마무리

와일드카드를 통해 우리는 엄청난 양의 리소스를 자동 생성할 수 있게 되었습니다.

하지만 여기서 또 다른 기술적 난관에 부딪힙니다. "조합은 다양한데, 전체적인 화풍이 들쭉날쭉하다면?" 혹은 "주인공 캐릭터의 고유한 인상은 유지하면서 옷만 갈아입힐 수는 없을까?" 아무리 생산성이 좋아도 게임 전체의 톤앤매너가 깨진다면 상업용 리소스로서의 가치는 떨어집니다.

그래서 다음 포스팅에서는 이미지의 '골격'과 '화풍'을 고정하는 핵심 요소, 체크포인트(Checkpoint)와 로라(LoRA)의 활용법을 다뤄보겠습니다. 감사합니다.