Claude Code 비용 및 도구 사용 분석 도구 'goccc' 공개

커뮤니티 반응

작성자가 직접 개발한 도구에 대해 긍정적인 반응이며, 특히 에이전트의 비용과 효율성을 시각화했다는 점에 주목하고 있습니다.

주요 논점

01찬성다수

에이전트의 불투명한 비용과 도구 사용 현황을 데이터로 확인하는 것이 효율적인 개발에 필수적이다.

합의점 vs 논쟁점

합의점

Claude Code 사용 시 불필요한 스킬 로딩은 컨텍스트 윈도우 낭비와 비용 증가의 원인이 된다.
에이전트의 실행 시간과 오류율을 추적하는 것은 워크플로 최적화에 도움이 된다.

실용적 조언

goccc -tools 명령어를 사용하여 현재 세션에서 사용되지 않는 스킬을 확인하고 정리하세요.
Bash 명령어 오류율이 높다면 에이전트에게 더 명확한 환경 정보를 제공하거나 제약 조건을 설정하세요.

섹션별 상세

Claude Code의 세션 로그를 분석하여 에이전트의 효율성을 수치화했다. JSONL 형식의 로그를 파싱하여 각 도구 호출, 스킬 실행, 에이전트 생성 이력을 분석하고 오류율과 평균 실행 시간을 계산한다. 실제 분석 결과 Explore 에이전트는 회당 평균 4분 19초를 소모하며 50회 실행 시 3시간 이상의 시간이 소요됨이 확인됐다.

설치된 스킬 중 상당수가 실제로는 사용되지 않아 컨텍스트 윈도우를 낭비하고 있음을 발견했다. 분석 결과 설치된 46개의 스킬 중 37개가 단 한 번도 호출되지 않았으며, 이는 모델의 입력 토큰 양만 늘리는 결과를 초래한다. 사용하지 않는 스킬을 식별하고 제거함으로써 추론 비용을 절감하고 모델의 응답 정확도를 높일 수 있다.

Bash 명령어 실행의 안정성을 데이터로 검증했다. 전체 Bash 호출 중 약 5%에서 오류가 발생한다는 구체적인 수치를 도출했다. 이는 사용자가 체감하는 것보다 높은 수치일 수 있으며, 자동화된 에이전트 워크플로에서 예외 처리의 중요성을 시사한다.

용어 해설

JSON 라인(JSONL): — 각 줄이 유효한 JSON 객체인 텍스트 형식이다. 대규모 로그 데이터를 한 번에 메모리에 올리지 않고 줄 단위로 처리할 수 있어 스트리밍 데이터나 세션 로그 저장에 효율적이다.
Model Context Protocol 서버(MCP Server): — AI 모델이 외부 도구나 데이터 소스에 접근할 수 있도록 표준화된 인터페이스를 제공하는 서버이다. 에이전트가 파일 시스템, 데이터베이스, API 등과 상호작용하는 통로 역할을 한다.
컨텍스트 윈도우 비대화(Context Window Bloat): — 불필요한 정보나 사용하지 않는 도구 정의가 모델의 입력 제한(컨텍스트 윈도우)을 차지하는 현상이다. 이는 추론 비용을 높이고 모델의 집중력을 떨어뜨려 성능 저하를 유발한다.

코드 예제

bash

brew install backstabslash/tap/goccc

Homebrew를 사용하여 goccc 도구를 설치하는 명령어

bash

go install github.com/backstabslash/goccc@latest

Go 언어 환경에서 최신 버전의 goccc를 설치하는 명령어

언급된 도구

goccc추천링크

Claude Code 비용 추적 및 도구 사용 분석기

Claude Code중립

Anthropic의 CLI 기반 코딩 에이전트

언급된 리소스

GitHubgoccc GitHub Repository