AI 분야의 새로운 용어들이 휴대폰 모델보다 더 빠르게 업데이트된다고 느껴본 적 있나요?
어제 "Function Calling"을 이해했는데, 오늘은 "Skills"가 등장합니다. 그저께는 "MCP"가 언급되었고, 반응하기도 전에 누군가 "Agents"에 대해 이야기합니다. 이런 단어를 볼 때마다 가장 먼저 드는 생각은: 또 뒤처지고 있는 건가?
당황하지 마세요. 오늘은 "Claude Skills"를 명확하게 설명해드리겠습니다.
더 중요한 것은, 여러분이 이미 알고 있는 개념—함수와 함수 호출—과 이것이 어떻게 연결되는지 알려드리겠습니다. 이 세 가지는 별개의 용어가 아니라, 서로 위에 쌓이는 단계라는 것을 알게 될 것입니다. 이 세 가지 계층을 이해하면, 새로운 용어가 어디에 속하는지 쉽게 판단할 수 있을 것입니다.
시작점
익숙한 것부터 시작해보죠: 프로그래밍의 "함수"입니다.
함수는 "작은 도우미"라고 생각하면 됩니다. 할 일을 알려주면(입력을 주면), 끝난 후 결과를 알려줍니다(출력을 줍니다). 마치 식당의 웨이터와 같습니다: 주문하면 서빙해주고, 매번 정해진 절차를 따릅니다.
예를 들어, 프로그래머가 calculate_tax(income)라는 함수를 작성합니다. 소득 금액을 넣으면 세금을 계산합니다. 다시 계산해야 하나요? 그냥 다시 호출하면 됩니다. 매번 세금 로직을 다시 작성할 필요가 없습니다.
함수의 가치는 세 단어로 요약됩니다: 캡슐화, 재사용, 표준화.
작업을 패키지화하여 누구나 매번 동일한 방식으로 사용할 수 있게 합니다. 이것은 수십 년 동안 프로그래머에게 가장 기본적인 생산성 도구였습니다.
하지만 함수에는 한계가 있습니다—코드 세계에만 존재한다는 점입니다.
프로그래머가 코드에서 getWeather()를 작성하면 100% 실행됩니다. 하지만 일반인은 코드를 작성하지 않으며, AI도 이 코드를 직접 "실행"하지 않습니다. 그렇다면 어떻게 AI가 이러한 "작은 도우미"를 사용할 수 있게 할까요?
다리
2023년경, "Function Calling"이라는 개념이 유행하기 시작했습니다.
"채팅만 가능한 AI"에게 전화기와 연락처 목록을 주는 것이라고 생각하면 됩니다.
이전에는 AI에게 "오늘 베이징 날씨 어때?"라고 물어보면, 학습 데이터에서 추측하거나 솔직히 "모르겠어요"라고 말했을 것입니다. 실제로 확인할 "손과 발"이 없었기 때문입니다.
함수 호출이 등장하면서 상황이 바뀌었습니다.
개발자는 AI에게 미리 알려줍니다: "여기에 get_weather라는 함수가 있는 연락처 목록이 있습니다. 날씨를 확인하려면 이 번호로 전화하세요." AI가 질문을 받으면 판단합니다: "아, 이걸 답하려면 get_weather를 호출해야겠구나."
그런 다음 표준 "메모"(JSON이라고 함)를 생성합니다:
{ "function": "get_weather", "arguments": { "city": "Beijing" } }
이 메모는 외부 프로그램에서 수신, 파싱, 실행됩니다. 외부 프로그램이 실제로 기상대에 전화를 겁니다. 결과는 AI에게 반환되고, AI는 평범한 언어로 알려줍니다: "오늘 베이징은 맑고 15도입니다."
초보자가 자주 간과하는 중요한 전환점이 여기에 있습니다.
전통적인 함수는 "결정론적"입니다—프로그래머가 getWeather()를 작성하면 실행됩니다.
하지만 LLM 함수 호출은 "확률론적"입니다—AI는 스스로 함수를 호출할지 판단해야 합니다. 이 판단은 규칙이 아닌 이해에 기반합니다. 요청을 잘못 해석할 작은 가능성이 있습니다.
따라서 함수 호출의 본질은: AI가 "전화를 걸게" 하지만, 전화할지 여부와 누구에게 전화할지는 AI가 결정한다는 것입니다.
이것은 엄청난 도약입니다—AI는 더 이상 단순한 "지식 베이스"가 아니라 "행위자"가 됩니다.
하지만 함수 호출에도 여전히 문제가 있습니다: 파편화되어 있고 일회성이라는 점입니다.
작업이 논리적 판단과 문서 참조와 함께 5~6개의 함수를 연속으로 호출해야 한다면, 단순한 함수 호출로는 충분하지 않습니다.
도약
2025년 10월 16일, Anthropic은 새로운 기능을 출시했습니다: Claude Skills.
Skills는 "직원 매뉴얼"과 "도구 상자"의 조합이라고 생각하면 됩니다.
매뉴얼은 AI에게 알려줍니다: "이런 유형의 작업을 만나면, 이렇게 단계별로 수행하고, 각 단계에서 어떤 도구를 사용해야 합니다." 도구 상자에는 필요한 스크립트와 참고 자료가 들어 있습니다.
구체적으로, Skill은 세 가지를 포함하는 폴더입니다:
첫째, SKILL.md 파일. 자연어로 작성된 "지침"입니다. Skill의 용도, 사용 시기, 주의사항을 AI에게 알려줍니다.
둘째, 스크립트. Python, JavaScript 등으로 작성된 코드일 수 있습니다. AI가 "직접 손을 써야" 할 때 이 스크립트를 실행합니다.
셋째, 리소스 파일. 작업을 수행하는 동안 AI가 참고할 수 있는 참조 문서, 템플릿 또는 설정 파일입니다.
함수 호출과의 근본적인 차이점이 무엇인지 궁금할 수 있습니다.
차이점은: 함수 호출은 "단일 도구"인 반면, Skills는 "완벽한 솔루션"입니다.
함수 호출은 망치와 드라이버를 주는 것과 같아서, 언제 무엇을 사용해야 하는지 알아야 합니다. Skills는 모든 단계, 도구, 부품이 포함된 IKEA 조립 설명서를 주는 것과 같습니다.
또한 "점진적 공개(progressive disclosure)"라는 중요한 메커니즘이 있습니다.
AI의 "작업 기억"(컨텍스트 창)은 제한적입니다. 모든 Skills를 한 번에 집어넣으면 AI는 압도당합니다. Skills를 사용하면 AI가 매뉴얼이 존재한다는 것을 알고, 실제로 필요할 때만 "해당 페이지를 펼쳐볼" 수 있습니다.
이제 세 가지 계층을 함께 살펴보겠습니다:
아래에서 위로 갈수록 추상화 수준이 높아집니다. 함수는 코드 수준, 함수 호출은 인터페이스 수준, Skills는 워크플로우 수준입니다.
Skills는 함수 호출을 포함할 수 있지만, 함수 호출은 Skills의 일부일 뿐입니다.
실제 적용
Skills가 실제로 무엇을 할 수 있을까요? 실제 사례를 살펴보겠습니다.
첫째, 제 개인 프로젝트: x-article-publisher-skill.
Markdown으로 글을 작성하고 X(Twitter) 기사에 게시하려는 경우, 복사-붙여넣기를 하면 모든 서식이 손실된다는 것을 알게 됩니다. 헤더, 굵은 텍스트, 링크를 수동으로 수정해야 하며, 기사당 15-20분이 소요됩니다.
이미지는 더욱 문제입니다. 수동으로 업로드하고 올바른 위치로 드래그해야 합니다. 이 Skill이 이 문제를 해결합니다.
Markdown을 파싱하고, 제목과 표지 이미지를 추출하며, 모든 이미지에 대한 "블록 인덱스"를 계산합니다. 그런 다음 Markdown을 서식이 유지된 HTML로 변환하여 완벽하게 붙여넣고, 브라우저 자동화(Playwright)를 사용하여 모든 이미지를 자동으로 올바른 위치에 삽입합니다.
수동으로 30분 걸리던 작업이 이제 몇 분 만에 완전 자동으로 완료됩니다. 게으른 사람에게는 손가락 하나 까딱하지 않아도 되는 것이 진정한 가치입니다.
그냥 자동화 스크립트라고 생각할 수 있습니다.
맞으면서도 틀립니다. 스크립트는 실행 방법을 기억해야 합니다. Skill에는 그 지침이 포함되어 있습니다. AI에게 "이것을 X에 게시해 줘"라고 말하기만 하면, 어떤 Skill을 사용해야 하고 어떻게 작동하는지 AI가 알고 있습니다.
이것이 "지식 인코딩"의 가치입니다—"내가 하는 방법을 아는 것"을 "AI도 하는 방법을 아는 것"으로 바꾸는 것입니다.
다른 시나리오는 다음과 같습니다:
회의 관리: 대본에서 요약과 실행 항목을 추출하고 후속 이메일을 초안하는 Skill.
데이터 분석: CSV를 넣으면 주요 지표를 식별하고 차트가 포함된 보고서를 생성합니다.
고객 지원: 지식 베이스에서 답변을 검색하고 인간적인 응답으로 정리합니다.
마지막으로, 개발자 도구.
skill-creator라는 Skill이 있습니다—Skills를 만들기 위한 Skill입니다. 워크플로우를 설명하면 프로젝트 프레임워크를 생성합니다.
시작하기
기존 Skills를 사용하려면, 가장 쉬운 방법은 Claude Code 플러그인 마켓플레이스를 이용하는 것입니다.
/plugin marketplace add anthropics/claude-code를 사용하여 다른 마켓플레이스를 추가할 수 있습니다.
설치가 완료되면 /plugin 명령어로 관리할 수 있습니다.
직접 만들려면, skill-creator 메타 스킬을 사용하세요. 자료를 분석하고 다이어그램을 그리는 Skill도 만들 수 있습니다. 예를 들어, 홍루몽의 등장인물 관계도:
또는 전국칠웅의 상호 작용:
Claude Skills를 NotebookLM과 같은 외부 도구에 연결하여 강력한 검색 기능과 자신의 창의성을 결합할 수도 있습니다.
GitHub에서 awesome-claude-skills를 확인하여 우수한 Skills의 커뮤니티 목록을 살펴보세요.
개인적으로는 Yang Zhiping 팀의 42plugin 마켓플레이스를 추천합니다. 저품질 플러그인을 피하는 데 도움이 되는 평점이 포함되어 있습니다.
가장 중요한 점: Skill을 만드는 데 반드시 코딩이 필요한 것은 아닙니다.
SKILL.md의 지침은 자연어로 작성됩니다. 워크플로우에 복잡한 스크립트가 필요하지 않다면, 자연어만으로도 많은 것을 할 수 있습니다.
요약
- 함수는 기초입니다 (코드 수준).
- Function Calling은 다리입니다 (인터페이스 수준).
- Claude Skills는 청사진입니다 (워크플로우 수준).
Gartner 분석가들이 말하듯이, 초점은 "모델 업데이트"에서 "사용 사례 구현"으로 이동하고 있습니다. Skills는 AI를 "응답자"에서 "협력자"로 바꿉니다.
다음에 새로운 AI 용어를 듣게 된다면, 스스로에게 물어보세요: 이것은 어느 계층에 속할까? 이렇게 생각하면 새로운 용어가 훨씬 덜 위협적으로 느껴질 것입니다.
Claude Skills를 사용해 보셨나요? 댓글로 여러분의 워크플로우를 공유해 주세요!
