Claude Code를 일상 도구로: Claude.md, Skills, Subagents, Plugins, MCPs 활용법

Who Should Read

Claude Code를 도입했지만 기본 사용에 그치고 있는 개발자. 팀 프로젝트에서 AI 코딩 워크플로우를 체계화하고 싶은 엔지니어.

Core Mechanics

• Claude.md 파일은 프로젝트 루트에 두는 컨텍스트 파일로, Claude Code가 코드베이스 구조·코딩 컨벤션·팀 규칙을 자동으로 읽어들이게 만드는 핵심 설정파일임.
• Skills는 반복적으로 쓰는 작업 패턴(예: PR 작성, 테스트 생성)을 재사용 가능한 단위로 정의해두는 기능으로, 매번 같은 프롬프트를 타이핑하는 수고를 없애줌.
• Subagents는 Claude Code 안에서 독립적인 하위 작업을 병렬로 처리하는 구조로, 큰 태스크를 여러 에이전트가 나눠 처리하게 위임할 수 있음.
• Plugins는 Claude Code의 기능을 확장하는 방식으로, 특정 도메인(예: DB 마이그레이션, 배포 스크립트)에 특화된 동작을 추가할 수 있음.
• MCP(Model Context Protocol)는 외부 서비스(GitHub, Jira, Slack 등)를 Claude Code에 연결하는 표준 프로토콜로, 도구 호출을 통해 실제 시스템과 상호작용 가능하게 함.
• 이 다섯 가지 레이어를 조합하면 단순 코드 자동완성을 넘어 프로젝트 전체 워크플로우를 AI가 주도하는 'Daily Driver' 환경을 구성할 수 있음.

Evidence

• 논문 본문이 제공되지 않아 정량적 벤치마크 수치를 확인할 수 없음. 제목 및 구조 기반으로 실용 가이드 성격의 논문으로 판단.
• Claude.md, Skills, Subagents, Plugins, MCPs 5가지 핵심 컴포넌트를 체계적으로 다루는 구성으로, Anthropic의 Claude Code 공식 기능 스택을 망라하는 내용으로 추정됨.

How to Apply

• 프로젝트 루트에 CLAUDE.md 파일을 만들고, 코딩 스타일·디렉토리 구조·자주 쓰는 명령어를 적어두면 Claude Code가 매 세션마다 컨텍스트를 자동으로 파악함.
• 반복적으로 수행하는 작업(예: '이 함수에 대한 단위 테스트 작성')을 Skill로 등록해두면, 팀원 모두가 동일한 품질의 AI 지원을 일관되게 받을 수 있음.
• GitHub, Jira 같은 외부 시스템을 MCP로 연결하면 Claude Code가 이슈를 직접 읽고 커밋 메시지를 자동 생성하거나 PR을 열 수 있는 풀 사이클 자동화가 가능함.

Code Example

# CLAUDE.md 예시

## 프로젝트 개요
- Next.js 14 App Router 기반 SaaS 프로젝트
- TypeScript strict 모드 사용
- 테스트: Vitest + Testing Library

## 코딩 컨벤션
- 컴포넌트는 함수형만 사용, default export 금지
- API 라우트는 `/app/api/` 하위에 위치
- 에러 처리는 Result 타입 패턴 사용

## 자주 쓰는 명령어
- `pnpm dev` : 개발 서버
- `pnpm test` : 전체 테스트
- `pnpm db:migrate` : DB 마이그레이션

## MCP 연결 설정 (.claude/settings.json)
{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "<your-token>"
      }
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/workspace"]
    }
  }
}

Terminology

관련 논문

• LLM 기반 Multi-Agent 시스템의 Temporal & Structural Credit Assignment 통합 Prompt 최적화

  여러 AI 에이전트가 협력할 때 '어느 라운드의 어느 에이전트'가 실패했는지 정확히 짚어내서 그 프롬프트만 고치는 최적화 프레임워크

• Multi-Agent LLM 시스템으로 취약점 자동 발견 및 재현하기 - FuzzingBrain V2

  LLM 기반 멀티 에이전트 시스템으로 C/C++ 코드의 보안 취약점을 자동으로 찾고 재현하는 FuzzingBrain V2 논문으로, AIxCC 2025 대회에서 40개 중 36개(90%) 취약점 탐지에 성공했다.

• CORE: Contrastive Reflection으로 추론 능력을 빠르게 개선하기

  성공/실패 추론 트레이스를 비교해 짧은 자연어 인사이트를 뽑아내고, 단 5개 학습 샘플로도 GRPO보다 빠르게 모델 추론 성능을 올리는 비파라메트릭 알고리즘.

• FinHarness: 금융 LLM 에이전트를 위한 인라인 라이프사이클 Safety Harness

  금융 AI 에이전트가 실행 중간에 위험한 툴 호출을 차단하면서도 정상 승인율을 유지하는 인라인 안전 프레임워크

• AI Control에서 Retrying vs Resampling: 어느 쪽이 더 안전한가

  Claude Code처럼 의심 행동을 막고 재시도하는 방식이 오히려 공격자에게 힌트를 줘서 더 위험할 수 있다는 연구.

• Typed Memory Representation으로 Long-Term Agent의 Provenance-Role Collapse 완화

  LLM 에이전트의 장기 메모리가 출처를 뒤섞는 문제를 '타입이 있는 메모리 원자' 구조로 해결한 논문

• 당신의 에이전트를 밀어붙여라: Long-Horizon LLM 에이전트의 Quantitative Goal Persistence 측정과 강제

Related Resources

• https://docs.anthropic.com/en/docs/claude-code
• https://github.com/anthropics/claude-code
• https://modelcontextprotocol.io