Context (컨텍스트) 관리
Context는 AI가 지금 이 순간 판단에 참고하는 정보의 범위, 즉 AI가 쓰는 '기억'을 말합니다. 이 범위는 무한하지 않아서, 대화나 작업이 길어지면 중요한 지시를 놓치거나 압축(요약) 과정에서 규칙의 강도가 약해질 수 있습니다. Context 관리란 이 범위를 방치하지 않고 작업 단위로 비우고 나누고 필요할 때만 이어 붙여, AI가 지금 무엇을 해야 하는지 정확히 판단하게 만드는 실무 습관입니다.
BOAZ · 최종 업데이트 2026-07-24
Context(컨텍스트) 는 AI가 지금 이 순간 판단에 참고하는 정보의 범위, 다시 말해 AI가 쓰는 '기억'을 말합니다. 이 범위는 무한하지 않습니다. 대화나 작업이 길어질수록 관련 없는 내용까지 쌓입니다. 쌓인 내용이 늘어날수록 정작 지켜야 할 지시를 놓치거나 앞서 한 말과 다르게 답하는 일이 생깁니다. Context 관리란 이 범위를 방치하지 않고, 작업 단위로 비우고 나누고 필요할 때만 이어 붙여 AI가 지금 무엇을 해야 하는지 정확히 판단하게 만드는 실무 습관입니다.
Context란 무엇인가 — AI가 지금 일하는 '책상'
AI가 어떤 답을 내놓을 때, 그 판단은 대화창이나 작업 폴더 안에 쌓인 모든 내용 — 이전 대화, 읽어 들인 파일, 실행한 명령의 결과 — 을 참고해 이뤄집니다. 이 참고 범위를 Context라고 부릅니다. 비유하자면 Context는 AI가 지금 앉아 있는 책상입니다. 책상 위에 필요한 자료만 정리돼 있으면 바로 찾아 쓰지만, 관련 없는 서류까지 뒤섞여 쌓이면 정작 중요한 메모를 못 보고 지나치기 쉽습니다. Context 안에 정보가 있다는 것과, 그 정보가 지금 판단에 충분히 반영된다는 것은 서로 다른 문제입니다.
Context는 왜 관리 대상인가 — 범위는 유한하고, 길어지면 규칙이 흐려진다
Context가 관리 대상이 되는 이유는 두 가지 구조적 특성 때문입니다.
- 범위가 유한하다. AI가 한 번에 참고할 수 있는 분량에는 한계가 있습니다. 그 한계에 가까워지면 오래된 내용부터 요약되거나 뒤로 밀립니다.
- 길어지면 압축되고, 압축되면 규칙이 약해진다. 대화나 작업이 길어지면 지금까지의 내용이 요약(압축)됩니다. 이 과정에서 "고객 승인 전에는 절대 배포하지 않는다" 같은 절대 규칙조차 "배포 전 확인이 필요하다" 정도로 강도가 약해질 수 있습니다. 의미는 비슷해 보여도, 지켜야 할 무게는 달라집니다.
이 두 가지는 모델이 게을러서가 아니라, 동작하는 방식 자체에서 나오는 특성입니다. 그래서 "잘 기억해 달라"고 부탁하는 것보다, 애초에 Context를 뒤섞지 않는 쪽이 훨씬 확실합니다.
실무에서 Context를 관리한다는 것 — 비우기·분리·이어가기
Context 관리는 거창한 기술이 아니라 세 가지 동작으로 요약됩니다.
- 비우기(Clear): 작업 하나가 끝나면 책상을 정리하듯 Context를 비우고, 다음 작업을 깨끗한 상태에서 시작합니다.
- 분리하기(Separate): 성격이 다른 작업은 애초에 다른 폴더·다른 세션으로 나눠, 서로의 Context가 섞이지 않게 합니다.
- 이어가기(Resume): 정말 이전 작업의 맥락이 필요할 때만, 그 세션을 의도적으로 다시 불러옵니다.
Claude Code 같은 CLI 기반 AI 에이전트가 웹 챗봇과 갈라지는 지점이 여기입니다. 챗봇 창에서는 이 범위가 대화창 뒤에 숨어 있어 사용자가 손댈 수 없지만, CLI는 이 범위를 사용자가 직접 관리하도록 열어 둡니다. 대화가 끊긴 게 아니라, 기억의 경계를 사람이 일부러 그어둔 상태입니다.
관리하지 않았을 때와 관리했을 때 — 무엇이 달라지나
| 구분 | Context를 관리하지 않을 때 | Context를 관리할 때 |
|---|---|---|
| 작업 전환 | 이전 작업의 맥락이 새 작업에 섞여 들어옴 | 작업마다 깨끗한 책상에서 시작 |
| 긴 규칙 | 대화가 길어지며 압축, 절대 규칙도 흐려짐 | 규칙을 짧게 유지하고 필요 시 다시 명시 |
| 여러 작업 동시 진행 | 하나의 책상에서 뒤섞여 서로 간섭 | 작업별로 분리된 책상, 결과만 취합 |
| 결과 재현성 | 매번 다른 결과, 원인 추적이 어려움 | 같은 조건이면 비슷한 결과, 원인 추적 가능 |
| 사람의 역할 | 매번 상황을 처음부터 다시 설명 | 필요한 순간에만 맥락을 다시 불러옴 |
Context 관리와 검증(Harness)의 관계
Context를 잘 관리해도 문제가 완전히 사라지지는 않습니다. AI는 매 순간 Context 전체에서 지금 필요한 정보를 다시 골라 쓰는데, 이 선택 자체가 항상 완벽하지는 않기 때문입니다. Context 관리가 "책상 위에 불필요한 서류를 치우는 일"이라면, 그 위에서 나온 결과가 실제 기준을 지켰는지 확인하는 일은 별도의 검증 단계가 맡아야 합니다. Context를 설계하고 상태와 검증 기준을 모델 밖에 두는 구조를 Harness라고 부르며, 실무에서는 검증 Loop로 구현됩니다. Context 관리는 이 구조의 출발점일 뿐, 전부는 아닙니다.
AI를 쓰는 팀이 길러야 할 Context 습관 체크리스트
아래 항목에 얼마나 "예"라고 답할 수 있는지가 팀의 Context 관리 수준을 가릅니다.
- 새 작업을 시작할 때 이전 작업의 Context를 그대로 이어 쓰지 않는다
- 성격이 다른 업무를 같은 대화·세션 안에서 섞어 처리하지 않는다
- 절대 지켜야 할 규칙은 대화 중간이 아니라 매 작업 시작 시점에 다시 명시한다
- 결과가 이상할 때 원인을 묻기 전에 무작정 새 세션부터 열지 않는다
- 중요한 결과물은 Context 안 판단만으로 끝내지 않고 별도로 확인하는 절차가 있다
"예"가 적을수록, 지금 필요한 건 더 똑똑한 프롬프트가 아니라 Context를 다루는 팀의 작업 습관을 먼저 정리하는 일입니다. Context 관리는 프롬프트를 잘 쓰는 기술이 아니라, AI에게 일을 맡기는 조직이 갖춰야 할 기본 작업 방식입니다.
자주 묻는 질문
Context와 프롬프트는 같은 건가요?+
다릅니다. 프롬프트는 지금 한 번 던지는 지시문이고, Context는 그 지시를 포함해 지금까지 쌓인 대화·파일·실행 결과 전체, 즉 AI가 지금 판단에 참고하는 범위입니다. 프롬프트가 좋아도 Context가 뒤섞여 있으면 그 지시가 온전히 반영되지 않을 수 있습니다.
Context 안에 정보를 다 넣어두면 AI가 그걸 다 반영하나요?+
아닙니다. AI는 매 순간 Context 전체에서 지금 필요한 정보를 다시 골라 씁니다. 정보가 Context 안에 있다는 것과, 그 정보가 지금 결과에 충분히 반영됐다는 것은 다른 문제입니다.
대화나 작업이 길어지면 왜 규칙이 약해지나요?+
Context 분량이 한계에 가까워지면 지금까지의 내용이 요약·압축됩니다. 이 과정에서 '절대 이렇게 하지 않는다' 같은 강한 규칙도 '이렇게 하는 게 좋다' 정도로 강도가 약해질 수 있습니다. 의미는 비슷해 보여도 지켜야 할 무게는 달라집니다.
Context를 비우면 이전 작업 내용을 잃어버리는 거 아닌가요?+
잃어버리는 게 아니라 의도적으로 나누는 일입니다. 작업이 끝나면 그 Context를 비우고, 정말 이전 맥락이 필요할 때만 해당 세션을 다시 불러옵니다. 필요 없는 서류를 계속 책상에 쌓아두지 않는 것과 같습니다.
Context 관리만 잘하면 결과를 따로 검증할 필요는 없나요?+
아닙니다. Context 관리는 AI가 헷갈릴 조건을 애초에 줄이는 일이고, 검증은 그 위에서 나온 결과가 실제 기준을 지켰는지 확인하는 별도의 단계입니다. 둘 중 하나만으로는 결과를 신뢰할 근거가 충분하지 않습니다.
LINE 엔지니어 출신이, 실효성 있는 AX 프로그램을 진행합니다. 대기업 임원 및 실무자 대상 AX 프로그램 진행 경험을 바탕으로, 기업의 실제 업무를 분석하고 작동하는 AI 활용 결과물까지 함께 만듭니다.
관련 용어
바이브 코딩 (Vibe Coding)
바이브 코딩은 프로그래밍 언어로 코드를 직접 작성하는 대신, 원하는 결과를 자연어로 설명해 AI가 코드를 생성하고 실행까지 하게 만드는 방식을 말합니다. 비개발자도 아이디어를 작동하는 결과물로 옮길 수 있게 해주지만, 코드를 몰라도 된다는 뜻이 아니라 결과물을 검증하는 기준을 사람이 갖춰야 한다는 뜻입니다.
AI Agent (AI 에이전트)
AI Agent는 질문 한 번에 답 한 번을 내놓는 챗봇과 달리, 하나의 목표를 받으면 스스로 계획을 세우고 필요한 도구를 골라 쓰며 여러 단계를 거쳐 그 목표를 끝까지 수행하는 AI입니다. 다만 Context 안에 정보가 있다고 해서 항상 그 정보를 놓치지 않는 것은 아니라서, 검증 없이는 신뢰하기 어렵습니다.
Claude Code
Claude Code는 앤트로픽이 만든 터미널(CLI) 기반 AI 에이전트로, 웹 브라우저의 챗봇 창이 아니라 사용자의 컴퓨터 안 실제 폴더·파일에서 직접 실행됩니다. 질문에 답하는 데서 끝나지 않고 파일을 읽고 고치고 명령을 실행해, 회의록 정리부터 배포까지 실무를 직접 수행한다는 점이 일반적인 AI 챗봇과 다릅니다.
Harness (하네스)
Harness(하네스)는 모델 자체가 가진 한계 — 아는 정보도 놓치고, 검증 없이 그럴듯한 결과를 내놓는 것 — 를 모델을 바꾸지 않고도 그 바깥에서 구조로 보완하는 장치입니다. 명확한 기준, 검증 단계, 도구 연결, 역할 분리로 이루어진 하나의 틀이 그 실체입니다.
Loop (검증 Loop·개선 Loop)
Loop는 AI가 만든 결과물을 한 번 받고 그대로 쓰지 않고, 정해진 기준과 대조해 통과할 때까지 '생성 → 검증 → 개선'을 반복하는 구조를 말합니다. 결과가 그럴듯해 보이는가가 아니라 정해진 기준을 통과했는가만으로 다음 단계로 넘어갈지를 판단합니다.
MCP (Model Context Protocol)
MCP(Model Context Protocol)는 AI 모델을 외부 도구·데이터·시스템에 표준화된 방식으로 연결하기 위해 앤트로픽이 제안한 개방형 프로토콜입니다. 매번 자료를 붙여 넣거나 개별 연동을 새로 짜는 대신, 한 번 정해진 방식으로 AI와 사내 시스템을 잇는다는 점이 핵심입니다.
우리 조직에 맞는 AX가 궁금하다면
조직 상황과 대상(임원·실무자·전사)을 알려주시면, 어떤 프로그램이 맞는지 — 혹은 아직 워크숍이 필요 없는 단계인지 — 솔직하게 답해드립니다.