> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# Anthropic 제품

> 이 문서는 **[AI 동향](/ai-trends/overview)** 섹션의 일부입니다.

## 3. Claude Code & Computer Use

### Claude Code: 터미널 네이티브 코딩 Agent

Claude Code는 2025년 2월 GA되어, AI 코딩 도구 시장에서 독특한 포지션을 확보했습니다.

#### 기존 도구와의 근본적 차이

| 관점           | GitHub Copilot  | Cursor            | Claude Code                    |
| ------------ | --------------- | ----------------- | ------------------------------ |
| **인터페이스**    | IDE 내 자동완성      | IDE (포크된 VS Code) | 터미널 CLI                        |
| **작업 범위**    | 코드 라인/함수 수준     | 파일/프로젝트 수준        | 코드베이스 전체                       |
| **자율성**      | 수동 (사용자가 수락/거부) | 반자동 (채팅 기반)       | 자율적 (자체 판단으로 실행)               |
| **도구 사용**    | 제한적             | MCP 지원            | MCP + Bash + Git 완전 통합         |
| **CI/CD 통합** | GitHub Actions  | 제한적               | Headless 모드로 CI/CD 파이프라인 내장 가능 |

이 비교에서 가장 중요한 차이는 **자율성** 입니다. Copilot과 Cursor는 사용자의 지시를 기다리지만, Claude Code는 스스로 파일을 탐색하고, 문제를 발견하고, 수정하고, 테스트하고, 커밋합니다.

#### 성장 지표

| 지표        |   수치 (2025 말 기준)   |
| --------- | :----------------: |
| 일일 활성 사용자 |      **35만+**      |
| 누적 생성 PR  |      **100만+**     |
| 지원 IDE 확장 | VS Code, JetBrains |

#### 핵심 아키텍처

```
Claude Code
├── 내장 도구
│   ├── Read (파일 읽기)
│   ├── Edit (파일 수정)
│   ├── Write (파일 생성)
│   ├── Bash (명령어 실행)
│   ├── Grep (내용 검색)
│   ├── Glob (파일 패턴 매칭)
│   └── Git (버전 관리)
├── 확장 도구
│   ├── MCP Clients (다중 MCP 서버 연결)
│   ├── WebSearch (웹 검색)
│   ├── WebFetch (웹 콘텐츠 수집)
│   └── ToolSearch (대규모 도구셋에서 검색)
├── 실행 엔진
│   ├── Subagent Pool (병렬 하위 작업)
│   ├── Background Tasks (장기 실행)
│   └── Hooks (이벤트 기반 자동화)
└── 컨텍스트 관리
    ├── CLAUDE.md (프로젝트/사용자/디렉토리별 설정)
    └── 1M 토큰 윈도우 관리
```

#### CLAUDE.md 계층 구조

Claude Code의 독특한 설계 중 하나는 **계층적 지시 시스템** 입니다.

| 수준           | 파일 위치                               | 적용 범위           |
| ------------ | ----------------------------------- | --------------- |
| **사용자 전역**   | `~/.claude/CLAUDE.md`               | 모든 프로젝트에 적용     |
| **프로젝트**     | `프로젝트루트/CLAUDE.md`                  | 해당 프로젝트 전체      |
| **프로젝트 사용자** | `~/.claude/projects/<경로>/CLAUDE.md` | 특정 프로젝트에서 개인 설정 |
| **디렉토리**     | `하위디렉토리/CLAUDE.md`                  | 해당 디렉토리 한정      |

이 계층 구조 덕분에 팀의 공통 규칙(프로젝트 CLAUDE.md)과 개인의 선호(사용자 CLAUDE.md)를 분리하여 관리할 수 있습니다.

### Computer Use: 데스크톱 제어 Agent

2024년 10월 Beta로 출시된 Computer Use는 **스크린샷 기반으로 컴퓨터를 조작** 하는 기능입니다.

#### 작동 원리

반복 루프: Screenshot(화면 캡처) → Analyze(UI 요소 파악) → Act(클릭/타이핑) → Verify(결과 확인)

| 단계             | 동작                   | 기술                    |
| -------------- | -------------------- | --------------------- |
| **Screenshot** | 현재 화면 캡처             | 이미지 캡처 API            |
| **Analyze**    | UI 요소, 텍스트, 버튼 위치 파악 | Claude의 비전(Vision) 능력 |
| **Act**        | 좌표 기반 마우스/키보드 제어     | OS 접근성 API            |
| **Verify**     | 결과 스크린샷으로 성공 여부 확인   | 시각적 검증                |

#### macOS 네이티브 통합 (2025\~)

초기 Computer Use는 순수 스크린샷 기반이었지만, macOS Accessibility API 통합으로 크게 개선되었습니다:

| 항목      |    스크린샷 방식   |    macOS 네이티브    |
| ------- | :----------: | :--------------: |
| **속도**  | 느림 (캡처 + 분석) | 빠름 (직접 UI 트리 접근) |
| **정확도** |  중간 (좌표 추정)  |   높음 (요소 직접 참조)  |
| **안정성** |   해상도/테마 영향  |      OS가 보장      |

#### 활용 시나리오

| 시나리오            | 설명                     | 장점                |
| --------------- | ---------------------- | ----------------- |
| **레거시 시스템 자동화** | API 없는 오래된 웹/데스크톱 앱 조작 | 기존 시스템 수정 불필요     |
| **UI 테스트**      | E2E 테스트 자동화            | 시각적 검증 가능         |
| **RPA 대체**      | 기존 RPA 도구보다 유연한 자동화    | NLP 기반 지시 가능      |
| **데이터 수집**      | 복잡한 웹 인터랙션 기반 데이터 추출   | 로그인, 다단계 내비게이션 처리 |

> **주의**
> **프로덕션 사용 시 주의**: Computer Use는 아직 Beta입니다. 반드시 샌드박스(Docker, VM) 내에서 실행하고, 민감 정보가 표시되는 화면에서는 사용을 제한해야 합니다.

***

## 4. Extended Thinking (Adaptive Thinking)

### 왜 등장했는가

기존 LLM의 한계 중 하나는 **"생각 없이 바로 답하는"** 방식이었습니다. 간단한 질문에는 적합하지만, 복잡한 수학 문제, 다단계 추론, 전략적 판단에서는 성능이 떨어졌습니다. Extended Thinking은 이 문제를 해결합니다.

### 진화 과정

| 시기         | 이름                       | 특징                                       |
| ---------- | ------------------------ | ---------------------------------------- |
| 2025.02    | **Extended Thinking**    | 수동으로 `budget_tokens` 설정, 모든 응답에 동일 깊이 적용 |
| 2025 H2    | **Adaptive Thinking**    | 작업 복잡도에 따라 사고 깊이 자동 조절                   |
| 2025\~2026 | **Interleaved Thinking** | 도구 사용 중에도 사고를 이어감 (비선형 추론)               |

### Interleaved Thinking의 혁신

기존 모델과 Claude 4+의 추론 방식을 비교하면 다음과 같습니다:

**기존 방식 (선형):**

1. 사용자 질문 수신
2. 생각 (전체 계획 수립)
3. 도구 호출
4. 결과 수신 대기 (유휴)
5. 생각 (결과 반영)
6. 응답

**Interleaved 방식 (비선형):**

1. 사용자 질문 수신
2. 생각 시작 + 병렬로 도구 호출
3. 도구 결과 수신하면서 동시에 다음 단계 계획
4. 추가 도구 호출 + 중간 결과 반영한 사고 계속
5. 응답

이 방식의 효과:

* 전체 작업 완료 시간 **30\~50% 단축**
* 중간 결과를 실시간 반영하여 **정확도 향상**
* 여러 도구를 **병렬** 호출하여 효율성 극대화

### API 사용법

```python theme={null}
response = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=16384,
    thinking={
        "type": "enabled",
        "budget_tokens": 10000   # 사고에 할당할 최대 토큰
    },
    messages=[{
        "role": "user",
        "content": "이 아키텍처의 보안 취약점을 분석해줘."
    }]
)

# 응답 구조
for block in response.content:
    if block.type == "thinking":
        print(f"[사고 과정] {block.thinking}")
    elif block.type == "text":
        print(f"[최종 답변] {block.text}")
```

### budget\_tokens 가이드

작업 유형에 따라 적절한 토큰 예산을 설정하는 것이 중요합니다. 과도한 예산은 비용 낭비이고, 부족한 예산은 품질 저하로 이어집니다.

| 작업 유형    | 권장 budget\_tokens | 이유               |
| -------- | :---------------: | ---------------- |
| 간단한 코딩   |      2K \~ 4K     | 한두 단계 추론으로 충분    |
| 복잡한 디버깅  |      4K \~ 8K     | 여러 파일 간 관계 추적 필요 |
| 시스템 설계   |     8K \~ 16K     | 다양한 트레이드오프 고려 필요 |
| 수학/논리 문제 |     16K \~ 32K    | 단계별 엄밀한 추론 필요    |
| 연구 수준 분석 |    32K \~ 128K    | 광범위한 탐색과 검증 필요   |

***

## 5. Constitutional AI와 안전성 연구

### Constitutional AI (CAI) -- Anthropic의 핵심 기술

Anthropic의 정체성을 정의하는 기술인 Constitutional AI는 **AI가 스스로를 감독하는** 학습 방법론입니다.

#### 왜 필요했는가

| 기존 방법 (RLHF) | 고려사항                       |
| ------------ | -------------------------- |
| 인간 피드백 기반 학습 | 인간 평가자의 편향이 모델에 그대로 전달     |
| 레드팀 테스트      | 비용이 높고, 모든 공격 벡터를 커버할 수 없음 |
| 규칙 기반 필터링    | 우회가 쉽고, 정상 사용도 차단하는 과잉 필터링 |

#### CAI의 작동 원리

| 단계           | 동작                     | 핵심                     |
| ------------ | ---------------------- | ---------------------- |
| **1. 헌법 정의** | 인간이 원칙(헌법)을 텍스트로 작성    | "도움이 되되, 해를 끼치지 않는다" 등 |
| **2. 자기 비평** | AI가 자신의 출력을 헌법 기준으로 평가 | "이 응답이 원칙에 부합하는가?"     |
| **3. 자기 수정** | 비평 결과를 바탕으로 출력 개선      | RLAIF (AI 피드백 기반 강화학습) |
| **4. 반복**    | 수정된 출력으로 다시 학습         | 점진적 품질 향상              |

CAI의 핵심 장점은 **스케일러블** 하다는 것입니다. 인간 평가자 수에 의존하지 않으므로, 모델이 커져도 동일한 방법론을 적용할 수 있습니다.

### Responsible Scaling Policy (RSP)

Anthropic은 AI 모델의 능력이 증가함에 따라 안전 조치도 비례적으로 강화해야 한다는 **책임 있는 스케일링 정책** 을 운영합니다.

| ASL 레벨    | 위험 수준 | 요구 사항                   |
| --------- | ----- | ----------------------- |
| **ASL-1** | 최소    | 기본적인 안전 테스트             |
| **ASL-2** | 중간    | 레드팀 테스트, 배포 전 안전 평가     |
| **ASL-3** | 높음    | 외부 감사, 정부 기관과 협력, 배포 제한 |
| **ASL-4** | 매우 높음 | (아직 미정의, 향후 능력 증가 시 적용) |

### 최근 안전성 연구 성과 (2025\~2026)

| 연구                   | 내용                                  | 의미                               |
| -------------------- | ----------------------------------- | -------------------------------- |
| **Circuit Tracing**  | 모델 내부의 신경망 회로를 추적하여 특정 행동의 원인을 파악   | Interpretability(해석 가능성) 분야의 돌파구 |
| **Sleeper Agent 탐지** | 학습 시 심어진 악의적 행동을 탐지하는 기법 연구         | 공급망 공격 방어                        |
| **Sycophancy 감소**    | Claude 4에서 사용자에게 거짓 동의를 하는 경향 대폭 감소 | 정직한 AI 비서 실현                     |
| **Tool Use Safety**  | Agent가 도구를 남용하지 않도록 하는 안전 가드레일 연구   | Agentic AI 시대의 필수 연구             |

> **참고**
> **Interpretability의 중요성**: "왜 AI가 이런 답을 했는가?"를 설명할 수 없다면, AI를 신뢰할 수 없습니다. Anthropic의 Circuit Tracing 연구는 신경망 내부를 "해부"하여 특정 행동이 어떤 뉴런 경로에서 발생하는지 추적합니다. 이는 의료, 금융, 법률 분야에서 AI 도입의 전제 조건입니다.

***