이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
핵심 요약
작성자가 Claude Code를 활용해 자신의 문체를 추출하고 AI 특유의 정형성을 탈피하여 고품질의 글을 생성하는 오픈소스 플러그인 Prose-Craft를 개발하고 그 과정의 기술적 통찰을 공유했다.
배경
LLM이 생성한 글이 지나치게 기계적이고 AI 탐지기에 쉽게 걸리는 문제를 해결하기 위해, SICO 기법을 응용하여 사용자의 고유한 문체를 추출하고 이를 적용하는 Claude Code 플러그인을 제작했다.
의미 / 영향
이 토론은 LLM의 문체 모사가 단순한 단어 선택의 문제가 아니라 통계적 확률 분포와 구조적 리듬의 문제임을 확인했다. 실무적으로는 AI 탐지 회피라는 불확실한 목표 대신, SICO 기법을 활용한 고유 문체 추출이 AI 협업 글쓰기의 더 생산적인 방향임을 시사한다.
커뮤니티 반응
작성자의 깊이 있는 실험과 오픈소스 공개에 대해 매우 긍정적인 반응이며, 특히 AI 탐지기에 대한 기술적 분석에 공감하는 분위기이다.
주요 논점
01중립다수
AI 탐지기를 완전히 속이는 것은 현재 기술 수준에서 불가능에 가까우며, 탐지 회피보다는 글의 품질 향상에 집중해야 한다.
02찬성다수
SICO와 같은 비교 분석 기법이 수동으로 프롬프트를 작성하는 것보다 훨씬 정교한 문체 모사가 가능하다.
합의점 vs 논쟁점
합의점
- 단순한 '금지어 리스트'는 글을 부자연스럽게 만든다.
- Claude 3.5 Sonnet보다 Opus가 미세한 문체 특징을 추출하고 반영하는 데 더 뛰어나다.
논쟁점
- AI 탐지 기술이 발전함에 따라 인간과 AI의 글쓰기 경계가 완전히 사라질 수 있는지에 대한 여부
실용적 조언
- 문체 추출을 위해 샘플을 제공할 때 반드시 'Sample 1', 'Sample 2' 식으로 익명화하여 모델이 내용에 편향되지 않게 하라.
- 프롬프트에서 참고 자료를 'raw notes I'm still thinking through'라고 정의하면 더 자연스러운 문체가 나온다.
- AI 탐지기 점수에 집착하기보다 독자가 읽기에 좋은 리듬과 구조를 만드는 데 집중하라.
언급된 도구
섹션별 상세
단순히 특정 단어를 금지하는 방식의 한계를 지적했다. 'delve'나 'important to note' 같은 단어를 금지하는 규칙을 적용하면 Claude는 연결성이 부족하고 딱딱한 문장을 출력하는 '감산의 함정(Subtraction Trap)'에 빠지게 된다. 이는 AI임을 숨기려 노력하는 또 다른 형태의 시그니처가 되어 오히려 탐지기에 더 잘 걸리는 결과를 초래했다.
인간다운 글쓰기의 핵심이 '구조적 예측 불가능성'에 있음을 발견했다. 문장 길이, 문단 모양, 내부 아키텍처가 압축 알고리즘이 예측할 수 없는 리듬을 가져야 인간의 글처럼 느껴진다. 실험 결과 구체적인 사례 우선 제시(Concrete-first)나 독특한 도입부 설정 같은 기술은 글의 품질은 높이면서도 AI 탐지 점수에는 영향을 주지 않는 중립적인 요소임이 확인됐다.
AI 탐지기(GPTZero 등)와 글쓰기 품질 사이의 상관관계를 분석했다. 6가지의 인간화 도구(Humanizer)를 테스트한 결과, 탐지 점수를 낮추는 데 성공한 도구들은 예외 없이 글의 고유한 목소리와 품질을 심각하게 훼손했다. 이는 LLM이 토큰을 선택하는 통계적 확률 분포(Probability Surface) 자체가 인간과 근본적으로 다르기 때문에 발생하는 문제로 정의됐다.
SICO(Substitution-based In-Context Optimization) 기법을 통한 문체 추출 프로세스를 정립했다. 사용자의 실제 글 샘플과 모델의 기본 출력을 비교하여 '추상적인 개념을 물리적인 언어로 표현하는 방식'이나 '괄호를 활용한 독자와의 상호작용' 같은 미세한 특징을 추출했다. 샘플을 익명화하여 입력했을 때 모델이 내용이 아닌 구조적 패턴에 더 집중하여 정확한 특징을 잡아냈다.
Claude Code 플러그인인 Prose-Craft의 작동 아키텍처를 공개했다. 텍스트 생성 후 Prose Review와 Craft Review라는 두 개의 에이전트가 병렬로 작동하여 AI 패턴, 금지어, 문체 이탈 등을 검사하고 수정 권고 테이블을 생성한다. 또한 사용자의 최종 수정본을 학습 에이전트가 분석하여 문체 프로필을 지속적으로 업데이트하는 피드백 루프를 구현했다.
markdown
# Line Pattern Current Proposed fix
1 "Furthermore, the committee decided..." Mid-tier AI vocabulary "Furthermore" is a dead AI transition Cut it. Start the sentence at "The committee decided..."
2 "This is important because..." Frictionless transition 4 transitions in a row and none of them feel abrupt Drop the transition. Start the next paragraph mid-thought and let the reader fill the gap.Prose Review 에이전트가 생성한 AI 문체 수정 권고 테이블 예시
실무 Takeaway
- AI 탐지기를 속이려는 시도는 글의 품질을 저하시키며, 현재의 LLM 구조에서는 통계적 확률 분포의 특성상 완전한 은폐가 매우 어렵다.
- 고품질의 개인화된 글쓰기를 위해서는 단순한 규칙 적용보다 SICO 기법을 통한 정교한 특징 추출(Feature Extraction)이 훨씬 효과적이다.
- 프롬프트 작성 시 소스 자료를 '정리된 요약본'이 아닌 '아직 생각 중인 가공되지 않은 노트'로 프레이밍할 때 모델이 훨씬 더 인간적인 사고 과정을 담은 결과물을 출력한다.
- 문체 추출 시에는 다양한 주제의 샘플 10~18개를 사용하고, 특히 격식이 없는 Reddit 댓글이나 이메일이 개인의 고유한 목소리를 가장 잘 담고 있다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 04. 11.수집 2026. 04. 11.출처 타입 REDDIT
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.