2025 LLM 회고: Cursor·Claude Code로 에이전트 학습 루프 만들기 | DAKER 커뮤니티
2025 LLM 회고: Cursor·Claude Code로 에이전트 학습 루프 만들기
Karpathy의 2025 LLM 회고는 AI 코딩이 "질문에 답하는 챗봇"에서 파일·명령·로그를 다루는 실행 루프로 이동했음을 보여 줍니다. 에이전트 학습 루프란, 작은 목표를 주고 실행 결과를 검증해 다시 수정하게 만드는 반복 과정을 의미합니다. 오늘은 Cursor, Claude Code, Codex 같은 도구를 한국어 학습자가 바로 연습하는 방식으로 정리합니다.
*이미지 설명: DAKER 학습 디렉터리용 NotebookLM 만화 카드. Karpathy 2025 LLM 회고를 바탕으로 챗봇에서 로컬 에이전트로 바뀐 학습 흐름을 보여 준다.*
오늘 배울 것은 무엇인가요?
한 줄 요약: AI 코딩 도구는 답변기보다 "검증 루프를 실행하는 학습 파트너"로 써야 합니다.
오늘 배울 것은 세 가지입니다.
Karpathy가 2025년 LLM 흐름에서 vibe coding과 로컬 에이전트를 어떻게 묶어 봤는지 이해합니다.
Cursor, Claude Code, Codex를 쓸 때 질문형 프롬프트와 작업형 프롬프트의 차이를 구분합니다.
작은 목표, 테스트, 로그, 수정 요청으로 이어지는 에이전트 학습 루프를 직접 만들어 봅니다.
핵심 개념은 Karpathy 2025 LLM 회고에서 무엇인가요?
Karpathy는 2025 LLM Year in Review에서 LLM이 영어로 프로그램을 만드는 능력 임계점을 넘었다고 설명합니다. 여기서 핵심은 "코드를 몰라도 된다"가 아니라, 소프트웨어를 다루는 상호작용 단위가 바뀌었다는 점입니다.
이전의 챗봇 사용은 주로 질문과 답변이었습니다. 하지만 Cursor, Claude Code, Codex 같은 도구에서는 AI가 파일을 읽고, 명령을 실행하고, 에러 로그를 보고, 다시 코드를 바꿉니다. Karpathy가 Software Is Changing (Again) 강연에서 말한 Software 3.0 관점도 이 흐름과 이어집니다. 자연어가 새로운 인터페이스가 되지만, 품질은 여전히 검증 기준에서 나옵니다.
핵심 포인트는 다음과 같습니다.
영어 또는 자연어가 소프트웨어를 조작하는 입력 언어가 됩니다.
좋은 프롬프트는 "설명해 줘"보다 "실행하고 증거를 보여 줘"에 가깝습니다.
AI가 코드를 많이 만들수록 사람은 목표, 범위, 테스트, 보안 기준을 더 선명하게 가져야 합니다.
학습자는 도구 이름보다 작업 루프를 먼저 익혀야 합니다.
AI 코딩 도구는 어떻게 챗봇과 다르게 써야 하나요?
아래 비교를 기억하면 도구를 고르는 기준보다 사용 방식이 먼저 보입니다.
구분 | 챗봇처럼 쓰기 | 에이전트처럼 쓰기 |
|---|---|---|
요청 방식 | "이 코드 설명해 줘" | "이 실패를 재현하고 통과시키세요" |
컨텍스트 | 붙여넣은 일부 텍스트 | 파일, 테스트, 로그, 실행 결과 |
완료 기준 | 그럴듯한 답변 | 테스트 통과, 스크린샷, 로그 확인 |
사람 역할 | 답변 읽기 | 목표와 거절 기준 결정 |
학습 효과 | 개념 이해 | 시스템 실패 지점 이해 |
*이미지 설명: NotebookLM 슬라이드형 워크플로. 작은 목표, 테스트, 로그 확인, 수정 요청, 사람 리뷰로 이어지는 AI 코딩 학습 루프를 정리했다.*
따라 해볼 실습은 무엇인가요?
20분 실습으로 지금 가진 작은 코드나 문서 작업 하나를 에이전트 학습 루프로 바꿔 봅니다.
예: "회원가입 폼에서 이메일 형식 오류 메시지를 더 명확하게 바꾼다."
목표를 한 문장으로 씁니다.
예: "관련 테스트 1개가 통과하고, 브라우저 화면에서 오류 문구가 보인다."
완료 증거를 먼저 정합니다.
AI 도구에 작업형 프롬프트를 줍니다.
이 작업을 작은 변경으로 처리하세요.
먼저 현재 동작과 관련 파일을 확인하고, 실패/성공 기준을 말한 뒤 수정하세요.
수정 후 실행한 테스트와 로그를 요약하고, 확인하지 못한 부분은 따로 적으세요.테스트, 타입체크, 화면, 로그 중 하나 이상을 봅니다.
결과를 그대로 믿지 말고 증거를 확인합니다.
다음 요청은 "더 좋게"가 아니라 "이 실패 케이스를 추가로 막아라"처럼 좁힙니다.
자주 막히는 지점은 무엇인가요?
가장 흔한 실수는 AI가 만든 코드 양을 학습량으로 착각하는 것입니다. 에이전트형 도구를 많이 써도 검증 기준이 없으면 남는 것은 큰 diff와 불확실한 책임뿐입니다.
실수 방지 체크리스트입니다.
작업 시작 전에 완료 증거를 한 줄로 썼는가?
AI가 실제 파일과 로그를 봤는지 확인했는가?
테스트, 타입체크, 스크린샷, 수동 확인 중 하나를 남겼는가?
한 번에 여러 기능을 섞지 않았는가?
보안, 결제, 개인정보, 권한 변경은 사람의 승인 경계로 남겼는가?
AI 답변보다 실행 결과를 기준으로 판단했는가?
다음 학습 연결은 어디로 이어지나요?
이 글은 앞선 DAKER 학습 글과 이어집니다. 카파시 신경망 레시피: AI 코딩 디버깅을 작게 검증하는 법에서 실패 하나를 고정하는 법을 다뤘고, Append-and-review 노트: AI 작업 기억을 잃지 않는 개인 운영법에서는 프롬프트와 로그를 잃지 않는 습관을 정리했습니다.
한계도 있습니다. Karpathy의 회고는 큰 흐름을 이해하는 데 유용하지만, 특정 도구의 최신 기능과 가격, 권한 정책은 각 제품 공식 문서를 별도로 확인해야 합니다. 이 글은 2026년 6월 21일 기준 공개 출처를 바탕으로 학습 루프 관점만 정리합니다.
공식 출처:
Andrej Karpathy, 2025 LLM Year in Review: https://karpathy.bearblog.dev/year-in-review-2025/
Andrej Karpathy, Software Is Changing (Again): https://www.youtube.com/watch?v=LCEmiRjPEtQ
Andrej Karpathy official home: https://karpathy.ai/
FAQ
Karpathy 2025 LLM 회고에서 한국어 학습자가 먼저 봐야 할 점은 무엇인가요?
도구 이름보다 상호작용 방식의 변화입니다. AI가 답변만 하는 것이 아니라 파일, 명령, 로그, 테스트를 오가는 루프 안으로 들어왔다는 점을 먼저 봐야 합니다.
Cursor와 Claude Code를 처음 쓸 때 무엇부터 연습하면 좋나요?
작은 버그 하나를 고르고 재현, 수정, 테스트, 로그 요약까지 맡겨 보세요. 새 기능 전체보다 좁은 실패를 고치는 연습이 학습 효과가 큽니다.
바이브 코딩은 전문 개발 공부를 대체하나요?
대체하지 않습니다. 진입 장벽을 낮추지만 품질 기준, 테스트, 보안, 아키텍처 판단은 여전히 사람이 책임져야 합니다.
AI 코딩 결과를 어떻게 믿을 수 있나요?
답변을 믿는 것이 아니라 증거를 봐야 합니다. 테스트 통과, 빌드 결과, 화면 확인, 로그 확인처럼 외부 검증 신호를 남기세요.
다음에는 무엇을 공부하면 좋나요?
오늘 작업 하나를 골라 "작은 목표 -> 테스트 -> 로그 -> 수정 요청" 루프로 바꿔 보세요. 다음 단계에서는 nanochat으로 LLM 전체 파이프라인을 한 번에 보는 법을 이어서 보면 좋습니다.