Anthropic의 AI Agent 전략

이 문서는 GenAI 개념 섹션의 일부입니다.

참고 학습 목표

• Anthropic의 AI Agent 전략과 제품 포트폴리오의 전체 그림을 이해한다
• MCP가 AI Agent 생태계에서 차지하는 위치와 AAIF 기부의 의미를 설명할 수 있다
• Claude Code, Agent SDK, Computer Use 등 핵심 제품의 아키텍처와 차별점을 파악한다
• 5가지 멀티에이전트 패턴을 이해하고 적절한 상황에 적용할 수 있다
• Databricks 환경에서 Claude를 활용하는 실전 방법을 파악한다

​

1. 전략 개요 — “도구를 든 지능”

성공 Anthropic의 차별화 철학: OpenAI가 “만능 AI 비서”를, Google이 “검색 + AI 통합”을 추구한다면, Anthropic은 “개발자가 통제할 수 있는 안전한 Agent” 를 지향합니다. 모든 제품 설계에 “사람이 루프에 있다(Human-in-the-Loop)“는 원칙이 관통합니다.

​

타임라인

​

2. MCP (Model Context Protocol) & AAIF

​

MCP란 무엇인가?

참고 비유: USB-C가 등장하기 전, 노트북마다 충전기가 달랐습니다. MCP가 등장하기 전, 각 AI 모델마다 도구 연결 방식이 달랐습니다. MCP는 “어떤 LLM이든, 어떤 도구든” 하나의 방식으로 연결할 수 있게 합니다.

​

아키텍처

​

핵심 개념

​

성장 지표 (2025.12 기준)

​

AAIF (AI Alliance Interop Framework) 기부

주의 핵심 인사이트: MCP가 AAIF로 갔다는 것은, 앞으로 AI Agent 도구 연결 방식이 벤더 중립적 표준 이 된다는 뜻입니다. Databricks도 공식 MCP Server를 제공하고 있으며, Genie Code가 MCP Host 역할을 합니다. MCP를 이해하는 것은 선택이 아니라 필수입니다.

​

3. Claude Code — 터미널 기반 코딩 Agent

​

개요

​

성장 지표

​

핵심 기능

​

아키텍처 특징

참고 CLAUDE.md: 프로젝트 루트에 CLAUDE.md 파일을 두면 Claude Code가 프로젝트의 컨텍스트(디렉토리 구조, 코딩 컨벤션, 빌드 방법 등)를 자동으로 이해합니다. 사용자별(~/.claude/CLAUDE.md), 프로젝트별, 디렉토리별로 계층적 설정이 가능합니다.

​

4. Computer Use — 데스크톱 제어 Agent

​

개요

​

작동 원리

​

활용 시나리오

주의 주의사항: Computer Use는 아직 Beta 상태입니다. 프로덕션 환경에서는 샌드박스(가상 머신, Docker 컨테이너) 내에서 실행하는 것을 권장합니다. 민감한 정보가 표시된 화면에서는 사용을 제한해야 합니다.

​

macOS 통합

​

5. Agent SDK — 프로그래밍 가능한 Claude Code

​

개요

참고 핵심 차이점: Claude Code는 “사람이 터미널에서 대화하며 사용”, Agent SDK는 “프로그래머가 코드로 Agent를 구축”하는 데 사용합니다. 내부 엔진은 동일합니다.

​

핵심 기능

​

Python 사용 예시

from anthropic_agent import Agent, Tool
from anthropic_agent.tools import Read, Edit, Bash, Grep

# Agent 생성
agent = Agent(
    model="claude-opus-4-6",
    tools=[Read(), Edit(), Bash(), Grep()],
    system_prompt="당신은 시니어 백엔드 엔지니어입니다.",
    max_tokens=8192,
    thinking={"type": "enabled", "budget_tokens": 4096}
)

# MCP 서버 연결
agent.add_mcp_server(
    name="databricks",
    command="npx",
    args=["@anthropic/mcp-databricks"]
)

# Agent 실행
result = await agent.run(
    "src/ 디렉토리에서 SQL 인젝션 취약점을 찾아서 수정하고, "
    "수정 전후 diff를 보여줘."
)

# Structured Output
from pydantic import BaseModel

class SecurityReport(BaseModel):
    vulnerabilities: list[dict]
    fixes_applied: list[str]
    risk_level: str

result = await agent.run(
    "보안 취약점 분석 보고서를 작성해줘.",
    output_schema=SecurityReport
)

​

Claude Code vs Agent SDK 비교

​

6. Claude 4 모델 패밀리

​

모델 라인업

​

Opus 4의 7시간 자율 작업

성공 획기적 벤치마크: Opus 4는 SWE-bench에서 72.5%를 기록하며, 단일 프롬프트로 최대 7시간 동안 자율적으로 코딩 작업을 수행할 수 있습니다. 이는 “하루 종일 코딩하는 주니어 개발자” 수준의 자율성입니다.

​

Hybrid Reasoning (하이브리드 추론)

기존 모델:
  [생각] ──► [도구 호출] ──► [결과 수신] ──► [생각] ──► [응답]

Claude 4 (Interleaved):
  [생각 + 도구 호출] ──► [결과 수신 + 생각 계속] ──► [추가 도구 + 생각] ──► [응답]

• 도구 결과를 기다리는 동안에도 다음 단계를 미리 계획
• 여러 도구를 병렬로 호출하면서 중간 결과를 실시간 반영
• 전체 작업 완료 시간 단축

​

7. Advanced Tool Use — 도구 사용의 진화

​

Tool Search Tool

1. 사용자: “Databricks에서 테이블 목록을 보여줘”
2. Tool Search Tool: “databricks table list” 검색
3. 결과: [execute_sql, get_table_details, manage_uc_objects]
4. Claude: execute_sql("SHOW TABLES IN catalog.schema") 호출

​

Programmatic Tool Calling

{
  "type": "tool_use",
  "name": "execute_sql",
  "input": {
    "query": "SELECT * FROM sales.orders LIMIT 10",
    "warehouse_id": "abc123"
  }
}

​

Server Tools (빌트인 도구)

참고 Server Tools의 의미: RAG나 외부 API 연동 없이도 Claude가 자체적으로 정보를 검색하고, 코드를 실행하고, 웹 콘텐츠를 가져올 수 있습니다. 특히 code_execution은 데이터 분석 작업에서 hallucination을 크게 줄여줍니다.

​

8. Extended Thinking (Adaptive Thinking)

​

개요

​

작동 방식

# API 호출 시 thinking 파라미터로 제어
response = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=16384,
    thinking={
        "type": "enabled",
        "budget_tokens": 10000   # 사고에 사용할 최대 토큰
    },
    messages=[{
        "role": "user",
        "content": "이 시스템의 보안 취약점을 분석하고 개선안을 제시해줘."
    }]
)

# 응답 구조
# response.content = [
#     {"type": "thinking", "thinking": "먼저 입력을 분석하면... (사고 과정)"},
#     {"type": "text", "text": "분석 결과... (최종 응답)"}
# ]

​

핵심 특징

​

언제 사용하는가?

주의 비용 고려: Extended Thinking의 사고 토큰도 과금 대상입니다. budget_tokens를 적절히 설정하여 비용과 품질의 균형을 맞추세요. 일반적으로 코딩 작업에는 4K8K, 복잡한 분석에는 10K32K를 권장합니다.