Claude Code 세션의 성능 저하를 방지하는 4가지 핵심 습관

실용적 조언

CLAUDE.md 파일이 세션 시작 시마다 컨텍스트에 로드되어 토큰 비용을 발생시킨다는 점을 확인했다. 이를 200라인 이하로 유지하고 빌드 명령과 핵심 규칙 위주로 구성하여 불필요한 토큰 소모를 방지해야 한다.

API 문서를 직접 복사하여 붙여넣는 대신 MCP 서버와 NotebookLM을 연동하는 방식을 제안했다. Claude가 필요한 명세의 특정 단락만 쿼리하여 가져오게 함으로써 수천 개의 토큰 낭비를 막고 정확도를 높인다.

컨텍스트가 가득 차서 모델 성능이 최저일 때 실행되는 자동 압축 대신 /compact 명령을 선제적으로 사용해야 한다. 특정 리팩터링 작업에 집중하고 불필요한 디버깅 기록을 명시적으로 삭제하도록 지시하여 추론 효율을 극대화한다.

bash

/compact focus on the auth refactor, drop the test debugging

특정 주제에 집중하고 불필요한 디버깅 이력을 제거하기 위해 수동으로 컨텍스트를 압축하는 명령이다.

실패한 코드 수정 시도가 대화 기록에 남으면 모델의 추론을 오염시키는 앵커링 문제가 발생한다. 버그 수정에 두 번 실패할 경우 /rewind 또는 /clear 명령을 사용하여 실패 기록을 완전히 제거함으로써 모델이 오류에 고착되지 않도록 관리한다.

bash

/rewind

실패한 코드 수정 이력을 제거하기 위해 대화를 이전 상태로 되돌리는 명령이다.

문맥 부패(Context Rot): — LLM과의 대화 세션이 길어짐에 따라 이전의 오류나 불필요한 정보가 누적되어 모델의 추론 능력이 저하되는 현상이다. 대화 이력이 모델의 컨텍스트 윈도우를 채우면서 핵심 지시사항보다 과거의 실패 사례에 더 집중하게 되어 성능이 떨어진다.
모델 컨텍스트 프로토콜(MCP): — Model Context Protocol의 약자로, AI 모델이 외부 데이터 소스나 도구에 표준화된 방식으로 접근할 수 있게 해주는 프레임워크이다. 이를 통해 모델이 방대한 문서를 직접 읽는 대신 필요한 부분만 효율적으로 조회할 수 있다.
앵커링 문제(Anchoring Problem): — 모델이 대화 기록에 남아 있는 초기 정보나 실패한 코드 시도에 과도하게 의존하여 새로운 해결책을 찾지 못하는 현상이다. 잘못된 정보가 컨텍스트에 남아 있으면 모델은 이를 정답의 일부로 오인하고 유사한 오류를 반복하게 된다.

Claude Code추천

Anthropic의 CLI 기반 코딩 에이전트 도구

NotebookLM추천

MCP 서버와 연동하여 문서 쿼리를 수행하는 도구