로컬 세션 로그로 본 Claude Code 8주 사용량

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

TL;DR

한 대 Mac에서 6월 1일~7월 24일 동안 13,600건의 Claude Code 요청 로그를 집계한 결과, 7월 중순 워크플로 변경으로 출력 토큰량이 급증했고 서브에이전트 기여 비중이 19%에서 27%로 증가했다. 동일 기간 동안 주간 캐시 히트율은 92%에서 97%로 높았고 전체적으로 3.35B의 캐시 읽기 대비 153M의 신선 입력 토큰이 기록되어 캐시 재사용이 입력 부담을 크게 줄인 것으로 나타났다. 1,000 출력 토큰당 신선 입력 토큰 수는 워크플로 변경 전후에 24.4k에서 13.3k로 개선되어 코드베이스 위키와 서브에이전트 분업이 컨텍스트 재구성 비용을 절감한 근거를 제공했다. 다만 단일 로컬 환경 데이터이므로 대규모 배포 환경으로의 일반화에는 주의가 필요하다.

실용적 조언

반복적으로 같은 코드 컨텍스트를 요청하는 워크플로에서는 코드베이스 위키 형태의 정형화된 컨텍스트를 생성해 서브에이전트가 이를 참조하도록 하면 신선 입력 토큰 비용을 절감할 수 있다. 위키는 핵심 파일과 인터페이스 요약을 포함하도록 구성해 동일 정보를 재탐색하지 않게 해야 하고, 이로 인해 1,000 출력 토큰당 신선 입력 토큰 수가 절감되는 효과가 관찰되었다. 운영 중에는 위키의 최신성 유지를 위한 주기적 갱신 전략과 함께 캐시 만료 정책을 설정해야 한다.
토큰 비용을 정량적으로 관리하려면 per-request 로그에서 출력 토큰과 신선 입력 토큰을 분리해 모니터링해야 한다. 주간 캐시 히트율과 신선 입력 대비 캐시 읽기 비율을 함께 추적하면 캐시 전략의 효과를 평가할 수 있으며, 본 자료에서는 캐시 읽기 3.35B 대비 신선 입력 153M이라는 절대 수치가 효율 개선의 근거가 되었다. 변동이 큰 주에는 서브에이전트 정책을 점검해 의도치 않은 반복 탐색이 발생하고 있는지 확인해야 한다.

섹션별 상세

01

주별 출력 토큰 분포는 6월 초 저사용에서 7월 중순으로 급증하는 패턴을 보였고, 7월 13일과 7월 20일 주에 출력 토큰량이 가장 크게 증가했다. 이 증가는 막대한 출력량을 메인 모델과 서브에이전트가 함께 생성한 결과이며 이미지 상단 그래프는 각 주의 메인 모델과 서브에이전트 기여 비중을 색상으로 구분해 보여준다. 특히 7월 13주에는 서브에이전트 기여가 약 19%로 상승했고 다음 주에는 27%까지 증가해 시스템 수준의 워크플로 변화가 출력량에 직접적인 영향을 미친 사실이 확인된다.

02

서브에이전트 동작 방식 변경이 신선 입력 토큰 효율에 직접적 영향을 미쳤다. 이미지에 표기된 메모에 따르면 7월 13주에는 서브에이전트를 Sonnet 전용으로 강제하고 생성된 코드베이스 위키를 읽도록 하여 동일 정보를 재탐색하지 않게 했고, 그 결과 1,000 출력 토큰당 신선 입력 토큰 수가 이전 주의 24.4k에서 13.3k 수준으로 개선되었다. 이 수치는 캐시 활용과 사전 정리된 컨텍스트 자료가 반복적인 입력 재구성 비용을 낮춘 작동 방식을 실증적으로 보여준다.

03

캐시 사용량과 신선 입력의 상대적 크기가 전체 운영 비용과 지연에 결정적 영향을 미쳤다. 하단 출처 문구에 따르면 주간 캐시 히트율이 92%에서 97%로 매우 높았고, 총 3.35B의 캐시 읽기 대비 153M의 신선 입력 토큰이 기록되어 캐시 재사용이 전체 토큰 소비를 압도했다. 이 수치는 로컬 환경에서 캐시 중심의 워크플로가 비용과 대기시간을 줄이는 주된 메커니즘이었다는 근거를 제공한다.

04

로컬 단일 머신(One Mac)에서의 실사용 로그라는 점이 관찰 결과의 해석에 중요한 제약을 제공한다. 수집 기간은 6월 1일부터 7월 24일까지이며 요청 수는 13,600건으로 표본 규모가 명시되어 있어 재현 가능성이 부분적으로 확보된다. 다만 PC 세션은 포함되지 않아 전체 사용의 외삽에는 한계가 존재하고, 특정 주의 워크플로 변경이 전체 트렌드에 큰 영향을 준다는 사실은 환경 의존적 결과일 가능성이 있다.

이미지 분석

Chart
그래프는 7월 13일과 7월 20일 주에 전체 출력 토큰이 크게 증가한 사실을 시각적으로 드러내며, 각 막대의 색상 분할로 서브에이전트가 차지한 비중이 19%에서 27%로 상승한 점을 확인할 수 있다. 상단의 주석은 7월 13주에 서브에이전트를 Sonnet 전용으로 하고 코드베이스 위키를 활용했음을 명시해 워크플로 변경과 출력 증가의 시간적 상관관계를 제공한다.
주별 출력 토큰량과 메인 모델·서브에이전트의 기여 비중을 쌓아올린 막대그래프로서 6월 1일~7월 20일의 추이를 보여준다.

Chart
하단 그래프는 7월 6주에 24.4k로 피크를 찍은 뒤 7월 13주와 7월 20주에 각각 13k·13.3k 수준으로 하락한 점을 통해 서브에이전트 정책 변경과 위키 활용이 신선 입력 토큰 비용을 절감했음을 정량적으로 보여준다. 출처 문구의 캐시 히트율(92%~97%) 및 전체 캐시 읽기와 신선 입력 토큰 총량 수치가 함께 제공되어 그래프의 해석을 뒷받침한다.
1,000 출력 토큰당 신선 입력 토큰 수를 주별로 표시한 막대그래프로서 컨텍스트 재구성 비용 추이를 보여준다.

용어 해설

서브에이전트(Subagent): — 메인 에이전트 내부에서 특정 작업을 분담하도록 생성되는 보조 에이전트로서, 입력을 받아 독립적으로 컨텍스트를 탐색하거나 외부 도구를 호출한 뒤 결과를 메인 에이전트에 반환한다. 서브에이전트는 별도의 쿼리와 토큰 소비를 발생시키므로 전체 시스템의 토큰 비용과 응답 분산 비중에 직접적인 영향을 미친다. 이 글에서는 서브에이전트의 출력 비중 변화와 그에 따른 새 입력 토큰 비용 변화를 해석하는 데 필수 개념이다.
캐시 히트율(Cache Hit Rate): — 이전 계산 또는 컨텍스트 조회 결과를 재사용할 수 있었던 비율로서, 같은 요청에서 새로 토큰을 읽어오지 않고 캐시에서 데이터를 가져온 빈도를 의미한다. 캐시 히트율이 높으면 서버나 로컬 환경에서의 '신선 입력 토큰' 소비가 줄고 비용과 지연이 감소한다. 제공된 로그에서는 주별 캐시 히트율이 92%에서 97%로 매우 높게 관찰되어 전체 입력 토큰 부담이 캐시 재사용에 의해 크게 완화되었음이 확인된다.
신선 입력 토큰(Fresh Input Tokens): — 캐시에서 재사용되지 않고 요청 시점에 새로 읽혀서 컨텍스트를 재구성하는 토큰 수를 의미하며, 단위 출력당 재구성 비용을 평가할 때 사용된다. 본 자료에서는 1,000 출력 토큰당 신선 입력 토큰 수를 측정하여 효율성을 비교했고, 값이 낮을수록 캐시 활용과 컨텍스트 재구성 비용이 효율적임을 의미한다. 이 지표는 특히 서브에이전트 동작 방식이나 코드베이스 위키 활용 전후의 효과를 정량화하는 데 핵심 지표로 쓰였다.
코드베이스 위키(Codebase Wiki): — 프로젝트 소스코드와 관련 메타정보를 문서화해 에이전트가 빠르게 참조할 수 있게 한 구조화된 컨텍스트 자료로서, 원본 파일을 재탐색하지 않고 요약된 정보를 제공한다. 자동 생성 위키를 서브에이전트의 입력으로 사용하면 동일 정보에 대한 반복적인 탐색을 줄여 신선 입력 토큰을 절감할 수 있다. 본 로그에서는 해당 위키를 읽도록 서브에이전트 동작을 변경한 주에 토큰 효율 개선이 관찰되었다.

언급된 도구

Claude Code추천

코드 작성 및 리팩터링을 자동화하는 코딩 에이전트로서 세션 로그 기반의 요청에서 메인 모델과 서브에이전트로 구성된 워크플로에 사용되었다.