Anthropic의 차세대 도구 호출 기술: 에이전트 효율을 극대화하는 4가지 핵심 업데이트 | AI Trends

Anthropic의 차세대 도구 호출 기술: 에이전트 효율을 극대화하는 4가지 핵심 업데이트

Anthropic이 발표한 Programmatic Tool Calling과 동적 필터링 등 신규 기능을 통해 LLM 에이전트의 토큰 소모를 줄이고 복잡한 워크플로우를 최적화하는 방법을 다룹니다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

Anthropic의 새로운 도구 호출 기능들을 활용하면 에이전트의 추론 단계를 획기적으로 줄이고 토큰 효율성을 30-50% 이상 개선할 수 있습니다.

배경

기존의 JSON 기반 도구 호출 방식은 복잡한 작업에서 토큰 낭비와 효율성 저하 문제를 겪고 있었습니다.

대상 독자

LLM 에이전트를 구축하는 개발자 및 AI 엔지니어

의미 / 영향

Anthropic의 이번 업데이트는 에이전트의 운영 비용을 획기적으로 낮추어 대규모 프로덕션 적용을 가능하게 한다. 개발자는 더 이상 JSON 스키마 최적화에만 매달리지 않고 코드 로직을 통해 에이전트의 행동을 더욱 정교하게 제어할 수 있게 되었다. 이는 복잡한 다단계 작업을 수행하는 AI 에이전트의 실용성을 한 단계 높이는 계기가 될 것이다.

챕터별 상세

00:00

기존 도구 호출 방식의 한계와 비효율성

기존의 도구 호출은 모델이 JSON을 출력하고 서버가 이를 실행한 뒤 결과를 다시 모델에 전달하는 핑퐁 구조이다. 이 과정에서 불필요한 메타데이터가 컨텍스트 윈도우를 가득 채우고 토큰 비용을 급증시킨다. 특히 여러 도구를 순차적으로 사용할 때 모델이 이전 단계의 방대한 데이터를 모두 기억해야 하므로 비결정적인 동작이 발생할 위험이 크다.

기존 방식은 모델과 서버 간의 잦은 통신(Round-trip)으로 인해 지연 시간과 비용이 발생하는 구조적 한계가 있었다.

05:27

Programmatic Tool Calling (PTC)를 통한 워크플로우 최적화

모델이 한 번에 하나의 도구만 호출하는 대신 여러 도구를 제어하는 코드를 직접 작성하여 실행하는 방식이다. 이를 통해 중간 단계의 방대한 데이터를 모델의 컨텍스트에 노출하지 않고도 내부 로직으로 처리할 수 있다. Anthropic의 실험 결과에 따르면 이 방식을 통해 모델 호출 횟수가 줄어들어 토큰 소모량이 37%에서 최대 50%까지 감소했다.

PTC는 모델이 도구를 개별적으로 호출하는 것이 아니라 도구들을 조합한 실행 스크립트를 생성하도록 유도하는 기술이다.

09:10

웹 검색 효율을 높이는 동적 필터링 기술

webFetch 도구 사용 시 전체 HTML 데이터를 모델에 전달하는 대신 필요한 정보만 추출하는 필터링 레이어를 추가했다. 불필요한 광고나 네비게이션 태그를 제거하고 핵심 텍스트만 컨텍스트에 주입하는 방식이다. 이 기능만으로도 평균 24%의 토큰 절감 효과를 거두었으며 모델이 핵심 정보에만 집중할 수 있게 했다.

HTML 데이터의 노이즈를 사전에 제거하여 LLM의 정보 처리 부담을 줄이는 전처리 기법이다.

10:13

대규모 도구 관리를 위한 Tool Search 기능

수백 개의 도구 스키마를 한꺼번에 컨텍스트에 넣는 대신 필요한 도구만 동적으로 찾아 사용하는 기능이다. defer_loading 설정을 통해 평소에는 도구 정의를 숨겨두었다가 모델이 필요하다고 판단할 때만 로드한다. 이 방식은 컨텍스트 윈도우의 가용 공간을 기존 61%에서 95%까지 확보하여 더 긴 대화가 가능하게 한다.

모든 도구 정의를 미리 로드하지 않고 검색 도구를 통해 필요한 시점에만 가져오는 온디맨드 로딩 방식이다.

12:15

복잡한 파라미터 처리를 위한 Tool Use Example

중첩된 구조나 선택적 파라미터가 많은 복잡한 도구의 경우 스키마만으로는 모델이 정확히 사용하기 어렵다. input_examples 필드를 통해 실제 도구 호출 예시를 제공함으로써 모델의 정확도를 높인다. Anthropic의 내부 테스트 결과 복잡한 파라미터 처리 정확도가 72%에서 90%로 크게 향상되었다.

퓨샷 프롬프팅과 유사하게 도구 호출의 올바른 예시를 데이터 구조 내에 포함시키는 방법이다.

실무 Takeaway

Programmatic Tool Calling을 적용하여 중간 데이터 전달 과정을 코드로 대체하면 토큰 비용을 최대 50%까지 절감할 수 있다.
수백 개의 도구를 관리할 때는 Tool Search 기능을 사용해 컨텍스트 윈도우의 90% 이상을 비워두고 효율적으로 운영할 수 있다.
복잡한 API 스키마에는 반드시 input_examples를 포함하여 모델의 도구 호출 정확도를 90% 수준으로 끌어올려야 한다.
웹 데이터 수집 시 동적 필터링을 활용하면 불필요한 HTML 노이즈를 제거하여 토큰 효율과 응답 품질을 동시에 개선할 수 있다.

언급된 리소스

튜토리얼AI Builder Club Tutorial

DemoSuperdesign

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 02. 22.수집 2026. 02. 22.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.