Anthropic 패턴

7. Advanced Tool Use — 도구 사용의 진화

Tool Search Tool

수천 개의 MCP 도구가 연결된 환경에서, 모델이 적절한 도구를 검색 하여 찾는 메타 도구입니다.

특징	설명
문제	수천 개 도구를 모두 프롬프트에 넣으면 토큰 낭비 + 혼란
해결	Tool Search Tool이 사용자 요청을 분석하여 관련 도구만 검색
방식	도구 이름, 설명, 파라미터를 인덱싱하고 시맨틱 검색 수행

Tool Search 흐름 예시:

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

Programmatic Tool Calling

모델이 JSON Schema 기반으로 도구를 호출하고, 결과를 구조화된 형태로 받는 표준 방식입니다.

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

Server Tools (빌트인 도구)

Anthropic이 서버 사이드에서 제공하는 도구로, 사용자 인프라 없이 바로 사용 가능합니다.

도구	기능	활용
web_search	실시간 웹 검색	최신 정보 조회, 팩트 체크
code_execution	샌드박스 Python 실행	데이터 분석, 시각화, 계산
web_fetch	웹 페이지 콘텐츠 가져오기	문서 읽기, API 응답 확인

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

2025년 2월 도입된 Extended Thinking은 Claude가 응답하기 전에 깊이 생각하는 과정 을 활성화합니다. 현재는 Adaptive Thinking 으로 브랜딩되어, 작업 복잡도에 따라 사고 깊이를 자동 조절합니다.

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

특징	설명
Configurable Budget	`budget_tokens`로 사고 깊이 조절 (1K ~ 128K)
Interleaved with Tool Use	도구를 사용하면서 동시에 사고를 이어감
Adaptive	간단한 질문에는 짧게, 복잡한 문제에는 깊게 생각
투명성	`thinking` 블록에서 사고 과정을 확인 가능

언제 사용하는가?

상황	Extended Thinking	일반 응답
복잡한 수학/논리 문제	O
장문 코드 분석/디버깅	O
다단계 추론이 필요한 작업	O
간단한 Q&A		O
번역, 요약		O
실시간 채팅 (낮은 지연 필요)		O

주의 비용 고려: Extended Thinking의 사고 토큰도 과금 대상입니다. budget_tokens를 적절히 설정하여 비용과 품질의 균형을 맞추세요. 일반적으로 코딩 작업에는 4K~~8K, 복잡한 분석에는 10K~~32K를 권장합니다.

9. 멀티에이전트 패턴 (5가지 상세)

Anthropic은 2024년 12월 블로그에서 5가지 Agent 설계 패턴을 제시했습니다. 핵심 메시지는 “단순하게 시작하라(Start Simple)” 입니다.

성공 Anthropic의 철학: “Agent를 만들 때 가장 흔한 실수는 처음부터 복잡한 멀티에이전트 시스템을 설계하는 것입니다. 대부분의 문제는 단일 LLM 호출 + 좋은 프롬프트로 해결됩니다. 복잡한 패턴은 단순한 접근이 한계에 부딪힐 때만 도입하세요.”

패턴 1: Prompt Chaining (프롬프트 체이닝)

하나의 작업을 여러 순차 단계로 분해 하여, 각 단계의 출력이 다음 단계의 입력이 되는 패턴입니다.

항목	설명
적용 시기	작업을 명확한 순서의 하위 작업으로 분해할 수 있을 때
장점	각 단계의 품질을 독립적으로 검증 가능
단점	전체 지연 시간 증가 (직렬 실행)
게이트/체크	각 단계 사이에 품질 검증 로직 삽입 가능

패턴 2: Routing (라우팅)

입력을 분류하여 전문화된 처리 경로로 분배 하는 패턴입니다.

항목	설명
적용 시기	입력 유형에 따라 다른 처리가 필요할 때
장점	각 핸들러를 전문화하여 품질 향상
단점	라우팅 오류 시 잘못된 핸들러로 전달
구현	LLM 분류기 또는 규칙 기반 분류

패턴 3: Parallelization (병렬화)

하나의 작업을 독립적인 하위 작업으로 분해하여 동시 실행 후 결과를 집계하는 패턴입니다. 변형 A: Sectioning (분할) - 같은 입력을 여러 관점에서 동시에 처리 변형 B: Voting (투표) - 같은 작업을 여러 Agent가 독립적으로 수행하고 다수결

패턴 4: Orchestrator-Workers (오케스트레이터-워커)

중앙 오케스트레이터가 작업을 동적으로 분해하고 워커에게 할당 하는 패턴입니다. Parallelization과 달리, 하위 작업이 사전에 정해져 있지 않고 오케스트레이터가 실시간으로 결정합니다.

참고 Claude Code의 Subagent가 바로 이 패턴입니다. Claude Code가 복잡한 작업을 받으면, 메인 Agent(Orchestrator)가 하위 Agent(Worker)를 생성하여 병렬로 작업을 수행합니다.

패턴 5: Evaluator-Optimizer (평가자-최적화자)

하나의 Agent가 결과를 생성하고, 다른 Agent가 평가하여 개선을 반복 하는 패턴입니다.

5가지 패턴 비교 요약

패턴	복잡도	적용 시점	핵심 특징
Prompt Chaining	낮음	순차적 작업 분해 가능 시	단계별 품질 게이트
Routing	낮음	입력 유형별 전문 처리 필요 시	분류 → 전문 핸들러
Parallelization	중간	독립 작업 동시 처리 or 신뢰도 향상	동시 실행 → 결과 집계
Orchestrator-Workers	높음	동적 작업 분해 필요 시	중앙 제어 + 유연한 워커
Evaluator-Optimizer	높음	반복 개선으로 품질 보장 필요 시	생성 → 평가 → 피드백 루프

주의 선택 가이드: “단순한 것이 최선이다”를 원칙으로 삼으세요.

90%의 경우: 단일 LLM 호출 + 좋은 프롬프트로 충분
나머지 9%: Prompt Chaining 또는 Routing으로 해결
1%의 복잡한 경우: Orchestrator-Workers 또는 Evaluator-Optimizer 도입

10. Claude Cowork — 지식 노동자 Agent

2026년 1월 프리뷰로 공개된 Claude Cowork는 Claude Code가 개발자를 위한 Agent라면, 지식 노동자(마케터, 분석가, PM 등) 를 위한 Agent입니다.

특징	설명
목적	비개발자가 자연어로 복잡한 업무 자동화
인터페이스	웹 기반, 대화형
핵심 능력	문서 작성, 데이터 분석, 리서치, 보고서 생성
MCP 연동	Google Workspace, Notion, Slack 등 업무 도구 연결
상태	Preview (2026.01~)

11. Databricks 시사점

Claude on Databricks — 세 가지 경로

Databricks 환경에서 Claude를 활용하는 방법은 세 가지입니다.

경로	방식	장점	고려사항
Foundation Model APIs	Databricks가 호스팅하는 Claude 엔드포인트	Unity Catalog 거버넌스, 네트워크 격리	모델 버전 업데이트 지연 가능
Amazon Bedrock	AWS 기반 Claude 접근	AWS 인프라 활용, 최신 모델 빠른 접근	별도 Bedrock 설정 필요
Anthropic API 직접	anthropic Python SDK 사용	최신 기능 즉시 사용 가능	네트워크 정책 확인 필요

Foundation Model APIs 활용

# Databricks 노트북에서 Claude 사용
from databricks.sdk import WorkspaceClient
import anthropic

# Foundation Model APIs를 통한 호출
w = WorkspaceClient()
response = w.serving_endpoints.query(
    name="databricks-claude-sonnet-4",
    messages=[{
        "role": "user",
        "content": "Unity Catalog에서 테이블 권한을 설정하는 SQL을 작성해줘."
    }],
    max_tokens=4096
)

MCP + Genie Code 통합

Genie Code는 MCP Host 역할을 수행합니다. Databricks MCP Server를 연결하면, Genie Code에서 자연어로 Databricks 리소스를 관리할 수 있습니다.

시나리오	MCP + Genie Code 활용
데이터 탐색	”sales 카탈로그에서 주문 관련 테이블을 찾아줘”
쿼리 실행	”지난 달 매출 상위 10개 제품을 조회해줘”
파이프라인 관리	”ETL 파이프라인 상태를 확인하고 실패한 것을 재실행해줘”
거버넌스	”이 테이블에 데이터 팀 읽기 권한을 부여해줘”

Agent Bricks에서 Claude 활용

Databricks Agent Bricks(Knowledge Assistant, Genie Agent, Supervisor)에서도 Claude를 LLM 백엔드로 사용할 수 있습니다.

# Agent Bricks에서 Claude 모델 지정
from databricks.agents import KnowledgeAssistant

ka = KnowledgeAssistant(
    name="hr-assistant",
    model="databricks-claude-sonnet-4",  # Claude 모델 지정
    vector_search_index="hr_docs_index",
    instructions="당신은 HR 관련 질문에 답변하는 어시스턴트입니다."
)

참고 Databricks에서의 베스트 프랙티스

거버넌스가 중요한 경우: Foundation Model APIs를 통해 Unity Catalog 거버넌스 적용
최신 모델이 필요한 경우: Bedrock 또는 Anthropic API 직접 사용
Agent 개발: Agent SDK + Databricks MCP Server 조합으로 데이터 플랫폼 연동 Agent 구축
비개발자 분석: Genie Code + MCP로 자연어 데이터 분석

12. 고객 FAQ

Q1. Claude Code와 GitHub Copilot의 차이는?

항목	Claude Code	GitHub Copilot
패러다임	Agent (자율 실행)	Assistant (코드 제안)
인터페이스	터미널	IDE 내장
작업 단위	전체 기능 구현 ~ PR 생성	줄/블록 단위 코드 완성
도구 사용	파일 시스템, Git, MCP 등	제한적
자율성	높음 (스스로 테스트/수정)	낮음 (사람이 수락/거부)

Q2. MCP와 OpenAI의 Function Calling은 어떻게 다른가?

항목	MCP	Function Calling
범위	프로토콜 (표준)	API 기능 (벤더 종속)
호환성	모든 LLM에서 사용 가능	OpenAI API 전용
서버 생태계	10,000+ 커뮤니티 서버	개발자가 직접 구현
거버넌스	Linux Foundation (AAIF)	OpenAI 단독
현재 상태	OpenAI도 MCP 채택	MCP와 공존

Q3. Opus 4와 Sonnet 4, 어떤 것을 사용해야 하나?

상황	추천 모델
복잡한 코딩, 장기 Agent 작업	Opus 4.6
일상적 코딩, 분석, 대화	Sonnet 4.6
대규모 API 서비스 (비용 민감)	Sonnet 4.6
최고 품질 필요 (비용 무관)	Opus 4.6 + Extended Thinking

Q4. Computer Use를 프로덕션에서 사용해도 되나?

현재 Beta 상태이므로 프로덕션에서는 다음 조건 하에 제한적으로 사용을 권장합니다:

샌드박스 환경: Docker 컨테이너 또는 VM 내에서 실행
제한된 권한: 최소 권한 원칙 적용
민감 정보 차단: 비밀번호, 개인정보가 표시된 화면에서 사용 금지
사람 승인: 중요한 액션 전 사람의 확인을 받는 워크플로 설계

Q5. Anthropic과 Databricks의 관계는?

항목	내용
모델 제공	Claude가 Foundation Model APIs, Bedrock을 통해 Databricks에서 사용 가능
MCP 호환	Databricks가 공식 MCP Server를 제공, Genie Code가 MCP Host
Agent 생태계	Agent Bricks에서 Claude를 LLM 백엔드로 선택 가능
경쟁/협력	AI 모델 계층에서는 경쟁(DBRX vs Claude), 플랫폼 계층에서는 협력

13. 참고 자료

자료	링크
Anthropic 공식 문서	docs.anthropic.com
MCP 공식 사이트	modelcontextprotocol.io
Claude Code 문서	docs.anthropic.com/en/docs/claude-code
Building Effective Agents (블로그)	anthropic.com/engineering/building-effective-agents
Agent SDK 문서	docs.anthropic.com/en/docs/agent-sdk
Computer Use 문서	docs.anthropic.com/en/docs/computer-use
Extended Thinking 가이드	docs.anthropic.com/en/docs/extended-thinking
AAIF (Linux Foundation)	ai-alliance-interop.org
Databricks MCP Server	github.com/databricks/databricks-mcp
Databricks Foundation Model APIs	docs.databricks.com/machine-learning/foundation-models

GenAI 핵심 개념

RAG (검색 증강 생성)

ML 핵심 개념

MCP (Model Context Protocol)

7. Advanced Tool Use — 도구 사용의 진화

Tool Search Tool

Programmatic Tool Calling

Server Tools (빌트인 도구)

8. Extended Thinking (Adaptive Thinking)

개요

작동 방식

핵심 특징

언제 사용하는가?

9. 멀티에이전트 패턴 (5가지 상세)

패턴 1: Prompt Chaining (프롬프트 체이닝)

패턴 2: Routing (라우팅)

패턴 3: Parallelization (병렬화)

패턴 4: Orchestrator-Workers (오케스트레이터-워커)

패턴 5: Evaluator-Optimizer (평가자-최적화자)

5가지 패턴 비교 요약

10. Claude Cowork — 지식 노동자 Agent

11. Databricks 시사점

Claude on Databricks — 세 가지 경로

Foundation Model APIs 활용

MCP + Genie Code 통합

Agent Bricks에서 Claude 활용

12. 고객 FAQ

Q1. Claude Code와 GitHub Copilot의 차이는?

Q2. MCP와 OpenAI의 Function Calling은 어떻게 다른가?

Q3. Opus 4와 Sonnet 4, 어떤 것을 사용해야 하나?

Q4. Computer Use를 프로덕션에서 사용해도 되나?

Q5. Anthropic과 Databricks의 관계는?

13. 참고 자료

GenAI 핵심 개념

RAG (검색 증강 생성)

ML 핵심 개념

MCP (Model Context Protocol)

​7. Advanced Tool Use — 도구 사용의 진화

​Tool Search Tool

​Programmatic Tool Calling

​Server Tools (빌트인 도구)

​8. Extended Thinking (Adaptive Thinking)

​개요

​작동 방식

​핵심 특징

​언제 사용하는가?

​9. 멀티에이전트 패턴 (5가지 상세)

​패턴 1: Prompt Chaining (프롬프트 체이닝)

​패턴 2: Routing (라우팅)

​패턴 3: Parallelization (병렬화)

​패턴 4: Orchestrator-Workers (오케스트레이터-워커)

​패턴 5: Evaluator-Optimizer (평가자-최적화자)

​5가지 패턴 비교 요약

​10. Claude Cowork — 지식 노동자 Agent

​11. Databricks 시사점

​Claude on Databricks — 세 가지 경로

​Foundation Model APIs 활용

​MCP + Genie Code 통합

​Agent Bricks에서 Claude 활용

​12. 고객 FAQ

​Q1. Claude Code와 GitHub Copilot의 차이는?

​Q2. MCP와 OpenAI의 Function Calling은 어떻게 다른가?

​Q3. Opus 4와 Sonnet 4, 어떤 것을 사용해야 하나?

​Q4. Computer Use를 프로덕션에서 사용해도 되나?

​Q5. Anthropic과 Databricks의 관계는?

​13. 참고 자료

7. Advanced Tool Use — 도구 사용의 진화

Tool Search Tool

Programmatic Tool Calling

Server Tools (빌트인 도구)

8. Extended Thinking (Adaptive Thinking)

개요

작동 방식

핵심 특징

언제 사용하는가?

9. 멀티에이전트 패턴 (5가지 상세)

패턴 1: Prompt Chaining (프롬프트 체이닝)

패턴 2: Routing (라우팅)

패턴 3: Parallelization (병렬화)

패턴 4: Orchestrator-Workers (오케스트레이터-워커)

패턴 5: Evaluator-Optimizer (평가자-최적화자)

5가지 패턴 비교 요약

10. Claude Cowork — 지식 노동자 Agent

11. Databricks 시사점

Claude on Databricks — 세 가지 경로

Foundation Model APIs 활용

MCP + Genie Code 통합

Agent Bricks에서 Claude 활용

12. 고객 FAQ

Q1. Claude Code와 GitHub Copilot의 차이는?

Q2. MCP와 OpenAI의 Function Calling은 어떻게 다른가?

Q3. Opus 4와 Sonnet 4, 어떤 것을 사용해야 하나?

Q4. Computer Use를 프로덕션에서 사용해도 되나?

Q5. Anthropic과 Databricks의 관계는?

13. 참고 자료