대규모 클로드 코드: 에이전트 검색이 대규모 코드베이스에서 RAG 실패 모드를 피하는 방법

Claude Code는 수백만 줄의 모노레포, 수십 년 된 레거시 시스템(C, C++, C#, Java, PHP), 수천 명의 개발자가 있는 분산 아키텍처에서 프로덕션 환경으로 운영되고 있습니다. RAG 기반 검색(임베딩 파이프라인이 활성 팀을 따라잡지 못해 2주 전에 이름이 변경된 함수나 삭제된 모듈을 반환하는 등 실패함)에 의존하는 대신 Claude Code는 소프트웨어 엔지니어처럼 코드베이스를 탐색합니다. 파일 시스템을 탐색하고, 파일을 읽고, grep을 사용하고, 중앙 집중식 인덱스를 구축, 유지 관리 또는 서버에 업로드할 필요 없이 로컬에서 참조를 따릅니다.
모델보다 하네스가 더 중요합니다
Claude Code의 성능은 모델 벤치마크보다 하네스 — 서로 기반을 두는 5가지 확장 지점 — 에 의해 더 결정됩니다:
- CLAUDE.md 파일 — 모든 세션 시작 시 자동으로 로드되는 컨텍스트 파일: 큰 그림을 위한 루트 파일, 로컬 규칙을 위한 하위 디렉토리 파일. 광범위하게 적용 가능한 정보에 초점을 맞추면 컨텍스트 창 낭비를 방지할 수 있습니다.
- Hooks — 확장 지점으로 나열된 것 외에는 자세히 설명되지 않습니다.
- Skills — 확장 지점으로 나열된 것 외에는 자세히 설명되지 않습니다.
- Plugins — 확장 지점으로 나열된 것 외에는 자세히 설명되지 않습니다.
- MCP 서버 — 확장 지점으로 나열된 것 외에는 자세히 설명되지 않습니다.
LSP 통합 및 서브 에이전트라는 두 가지 추가 기능이 설정을 완료합니다. 이 글은 각 계층이 이전 계층을 기반으로 구축되므로 나열된 순서대로 이러한 계층을 구축할 것을 권장합니다.
트레이드오프: 시작 컨텍스트 품질
에이전트 검색은 Claude가 어디를 봐야 할지 알 수 있는 충분한 시작 컨텍스트를 가질 때 가장 잘 작동합니다. 수십억 줄의 코드베이스에서 모호한 패턴의 모든 인스턴스를 찾도록 요청하면 작업이 시작되기도 전에 컨텍스트 창 한계에 도달하게 됩니다. CLAUDE.md 파일을 통해 코드베이스 설정에 투자하는 팀은 더 나은 결과를 봅니다.
📖 전체 소스 읽기: HN AI Agents
👀 See Also

프로그래밍적 스캐폴딩 없이 11개의 멀티 에이전트 소프트웨어 빌드에서 얻은 실용적 결과
11개의 자율 다중 에이전트 빌드 분석 결과, 범위 강제는 프롬프트(0/20 성공)가 아닌 기계적 방식(20/20 성공)으로 작동하며, 오케스트레이션 비용은 메모리 재수집(~95% 입력 비용)이 지배적이고, 작업자 모델 성능이 9.8배 처리량 격차를 만듭니다.

개발자, AI 에이전트 메모리 문제 해결 위해 LibraHQ 앱 구축
한 개발자가 챗봇과 코딩 에이전트 간의 공유 메모리 계층 역할을 하는 무료 노트 앱인 LibraHQ를 만들었습니다. 이 앱은 채팅에서 중요한 메모와 결정을 기록하고 향후 세션을 위해 저장하여, AI 에이전트가 이전에 내린 결정을 잊어버리는 문제를 해결합니다.

어썸 오픈클로 스킬 리포지토리는 5,400개 이상의 필터링된 스킬을 제공합니다
awesome-openclaw-skills라는 GitHub 저장소는 공식 OpenClaw Skills Registry에서 필터링된 1,715개 이상의 프로덕션 준비된 스킬을 제공하며, AI 에이전트가 하나의 CLI 명령어로 설치할 수 있습니다.

/compress-architecture: 과도한 엔지니어링을 제거하는 에이전트 기술
/compress-architecture라는 새로운 에이전트 스킬은 코드베이스에서 추측성 레이어, 단순 전달 모듈, 중복 개념을 감사하면서 실제 도메인 경계와 공개 API를 보호합니다.