Claude Code의 과도한 친절함과 수식어를 제거하는 설정 방법

커뮤니티 반응

사용자들은 Claude Code의 과도한 친절함이 생산성을 저해한다는 점에 공감하며, 공유된 설정값이 실무적으로 유용하다는 반응을 보였다.

주요 논점

01찬성다수

AI 에이전트의 응답에서 불필요한 감정적 수식어를 제거하고 기술적 핵심만 전달하도록 강제해야 한다.

합의점 vs 논쟁점

합의점

단순한 지시어보다는 구체적인 금지 문구 목록이 모델 제어에 더 효과적이다.
CLAUDE.md는 에이전트의 행동 양식을 교정하는 데 가장 적합한 도구이다.

실용적 조언

~/.claude/CLAUDE.md 파일에 'No unnecessary preamble'과 'No hedging' 규칙을 추가하여 답변 속도를 높이세요.
모델이 작업을 시작하기 전에 설명을 늘어놓지 않도록 'Do it, don't explain what you're about to do' 지침을 활용하세요.

섹션별 상세

Claude Code의 응답이 지나치게 친절하거나 불필요한 이모지와 서론을 포함하는 'ChatGPT화' 현상이 지적됐다. 이를 해결하기 위해 단순한 'No fluff' 지시어보다 구체적인 금지 표현 목록을 설정 파일에 명시하는 방식이 제안됐다. 사용자는 ~/.claude/CLAUDE.md 파일에 직접적인 응답 스타일 섹션을 추가하여 모델의 페르소나를 기술 중심적으로 교정했다.

bash

cat >> ~/.claude/CLAUDE.md << 'ENDOFBLOCK'
## Response Style
- No fluff. No filler phrases like "Great question!", "Certainly!", "I'd be happy to!", "That's a great idea!", "Absolutely!"
- No unnecessary preamble. Start with the answer, not a restatement of the question.
- No hedging unless genuinely uncertain. Drop "I think", "It seems like", "You might want to consider" when the answer is clear.
- No motivational padding. Skip "This will really level up your workflow!" or "You're on the right track!" — just give the information.
- Be direct, technical, and concise. Explain when complexity warrants it, not to fill space.
- When asked to do something, do it. Don't explain what you're about to do before doing it.
ENDOFBLOCK

Claude Code의 불필요한 수식어와 서론을 제거하기 위해 CLAUDE.md 설정 파일에 응답 스타일 지침을 추가하는 명령이다.

응답 스타일 지침은 서론 생략, 확신이 있을 때 모호한 표현(Hedging) 제거, 동기 부여용 칭찬 생략 등을 핵심으로 한다. 특히 '질문을 다시 반복하지 말 것'과 '행동하기 전에 무엇을 할지 설명하지 말 것'이라는 구체적인 제약 조건을 통해 토큰 소모를 줄이고 작업 효율을 높였다. 이는 Caveman과 같은 문법 파괴형 압축과는 달리 정상적인 영어를 유지하면서도 간결함을 유지하는 방식이다.

공유된 코드 스니펫은 cat 명령어를 사용하여 기존 CLAUDE.md 파일에 응답 스타일 규칙을 즉시 추가할 수 있도록 설계됐다. 'Great question!', 'Certainly!'와 같은 구체적인 필러 문구들을 명시적으로 금지함으로써 모델의 출력 패턴을 강제로 조정한다. 이러한 설정은 복잡한 설명이 필요한 경우에만 설명을 허용하고, 그 외에는 즉각적인 결과물 제공에 집중하도록 유도한다.

용어 해설

클로드 설정 파일(CLAUDE.md): — Claude Code 에이전트의 전역 또는 프로젝트별 동작 방식을 정의하는 설정 파일이다. 이 파일에 특정 지침을 추가하여 모델의 응답 스타일, 코드 작성 규칙, 선호하는 도구 등을 사전에 정의함으로써 일관된 상호작용을 유도할 수 있다.
토큰 압축(Token Compression): — LLM이 처리하는 텍스트 단위인 토큰의 수를 줄여 비용을 절감하고 처리 속도를 높이는 기법이다. 본문에서는 Caveman 같은 도구를 통해 문법 구조를 단순화하거나 불필요한 단어를 제거하여 효율성을 극대화하는 맥락으로 언급되었다.
울타리 치기 표현(Hedging): — AI가 답변 시 '제 생각에는', '~인 것 같습니다'와 같이 확신을 피하고 책임을 회피하려는 듯한 모호한 표현을 사용하는 현상이다. 기술적 답변의 명확성을 떨어뜨리므로 시스템 프롬프트를 통해 이를 억제하는 것이 실무적 권장 사항이다.

언급된 도구

Claude Code추천

Anthropic의 CLI 기반 코딩 에이전트

Caveman중립

문법을 단순화하여 토큰을 압축하는 도구