omo Claude 프롬프트, Opus 4.7에만 따로 붙는 이유

2026-10-13 dev 브랜치 기준(커밋 origin/dev b78527c)으로 코드베이스를 확인했습니다. omo 프롬프트 체계에서 Claude 전용 파일이 어떻게 배치되어 있는지, 실제 코드 구성과 라우팅 로직을 바탕으로 살펴봅니다.

제목의 범위는 Atlas

제목에서 언급된 'Opus 4.7에만'이라는 범위는 omo 전체 Claude 프롬프트가 아니라 Atlas 에이전트의 파일에 한정된 내용입니다.

Atlas의 마크다운 프롬프트 파일은 총 8개입니다. default.md, gpt.md, gemini.md, glm.md, kimi.md, kimi-k2-7.md, kimi-k3.md, opus-4-7.md로 구성되어 있습니다. 이 중 Claude 전용 파일은 opus-4-7.md 하나입니다.

여기서 파일 수와 라우팅 키 수는 구분해야 합니다. atlas-prompts.ts의 swe-2 항목은 새로운 파일 대신 kimi-k3.md를 재사용하기 때문입니다.

Atlas의 파일과 Opus 매처

Atlas 에이전트의 getAtlasPromptSource()는 resolveVariant()에 atlasPromptVariants를 전달하여 모델에 적합한 프롬프트를 결정합니다.

이 과정에서 variant-resolver.ts는 opus-4-7 변형을 isClaudeOpus47Model에 연결합니다. 해당 판별을 담당하는 detector는 model-family-detectors.ts에 위치합니다.

지정된 모델이 Opus 4.7 모델 계열에 해당하면 전용 변형인 opus-4-7.md가 연결되며, 그 외 매칭 변형이 없는 모델은 default.md를 사용합니다.

Opus 파일의 두 보정 지시

분량 면에서 Atlas opus-4-7.md는 494줄, default.md는 496줄로 큰 차이가 나지 않습니다. opus-4-7.md에는 <opus_47_counter_defaults> 태그 영역이 있습니다. 이 영역에는 2가지 보정 지시가 정의되어 있습니다.

  • 보정 하나: every task, all batches, for each independent item의 적용 범위를 첫 항목으로 축소하지 말고 모든 해당 항목에 적용하라는 지시입니다.
  • 보정 둘: 독립 작업이 N개면 순차 dispatch 대신 단일 메시지에서 N개의 task()를 보내는 병렬 fan-out 방식을 취하라는 지시입니다.

해당 파일에는 Two Opus 4.7 defaults you MUST counter, LITERAL INSTRUCTION FOLLOWING, FEWER SUBAGENTS BY DEFAULT라는 표제가 명시되어 있습니다. 다만 이는 지시문일 뿐이며, 실험으로 입증된 모델 습관을 뜻하는 것은 아닙니다.

Ultrawork와 Sisyphus는 다른 경로

Ultrawork와 Sisyphus의 프롬프트 선택은 별도로 살펴봐야 합니다.

ultrawork-prompts.ts에는 Claude 전용 변형이 없습니다. 다른 변형 매칭에 걸리지 않으면 기본값으로 넘어가며, Ultrawork default.md는 336줄입니다.

Sisyphus는 별도 체계로 동작합니다. sisyphus-agent-factory.ts의 resolveSisyphusPromptFamily()는 claude-fable-5, claude-opus-5, claude-opus-4-8, claude-opus-4-7 패밀리를 처리합니다. 이 중 isClaudeFable5Model은 claude-fable-5 선택에 사용됩니다.

전용 파일과 실제 모델 선택 구분

프롬프트 파일과 실제 모델 후보 목록은 별도 파일에서 정해집니다. agent-model-requirements.ts를 보면 Sisyphus의 첫 Claude 후보는 claude-opus-5-5입니다. Prometheus에는 claude-fable-5-1과 claude-opus-5-5가 등록되어 있습니다.

따라서 Atlas default.md를 모든 Claude 실행의 프롬프트라고 일반화해서는 안 됩니다.

본 설명의 검증 범위는 특정 커밋 시점의 코드 파일에 국한됩니다. 파일 생성일이나 변경일, 작성자의 심리적 이유는 Git 이력 없이 확인할 수 없습니다. 이번 확인 범위에서는 모델별 효과를 입증한 실험 근거를 확인하지 못했습니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

AI 코딩 스킬, 많을수록 좋을까 — 자산이 부채로 바뀌는 손익분기

이미지
AI 코딩 스킬은 자산이다. 처음 몇 개는 그렇다. 그런데 수가 늘면 세금이 붙는다. 어느 스킬이 뜰지 예측이 안 되고, 도구 출력이 컨텍스트를 먹고, 모델이 바뀌면 쌓은 걸 전부 다시 만진다. 스킬을 관리하는 앱이 시장에 나온 게 그 신호다. 만들지 말라는 게 아니다. 만든 만큼 쳐내야 자산으로 남는다. 스킬은 자산으로 시작한다, 그런데 요즘 개발자들이 자기 .claude 디렉터리를 통째로 공개한다. TypeScript 교육자 Matt Pocock도 스킬 묶음을 GitHub에 올렸다. 제목이 “Skills for Real Engineers”이고, 소개가 “내 .claude 디렉터리에서 바로”다. skills.sh 같은 스킬 레지스트리도 생겼다. 스킬이 자산인 건 맞다. 손으로 반복하던 작업을 트리거 한 줄로 줄인다. 결과도 매번 일정해진다. 그래서 다들 쌓는다. 그런데 같은 GitHub에 묘한 게 같이 뜬다. 스킬을 “관리하고 동기화하고 정리”하는 데스크톱 앱이다. skills-manager는 Cursor·Claude Code·Codex 등 15개 넘는 도구의 스킬을 한곳에서 관리한다고 소개한다. 자산을 관리하는 전용 앱이 필요해졌다는 건, 그 자산이 관리 대상이 됐다는 뜻이다. 관리 대상은 곧 부담이다. 여기서 질문이 갈린다. AI 코딩 스킬은 많을수록 좋은가. 다음 중 하나라도 있나 비슷한 일을 하는 스킬이 둘 이상이라, 어느 게 뜰지 헷갈린 적이 있다. 스킬 하나를 고쳤더니 엉뚱한 데서 다른 게 어긋난 적이 있다. 내가 무슨 스킬을 만들어뒀는지, 목록을 열어봐야 기억나는 적이 있다. 셋 중 하나라도 해당되면 이미 부채 구간에 발을 걸친 것이다. 세 신호를 하나씩 본다. 신호 1 — 어느 스킬이 뜰지 예측이 안 된다 스킬이 늘면 비슷한 트리거를 여럿이 주장한다. “리뷰”라는 말에 코드 리뷰 스킬도 반응하고, 글 리뷰 스킬도 반응한다. 그러면 매 요청마다 “어느 스킬을 부를지” 판별하는 비용이 붙는다. 자동 라우팅 점...
자세한 내용 보기

M4 Max 128GB 로컬 LLM 4종 속도 비교 — 실측 기록과 한계

이미지
M4 Max 128GB에서 로컬 LLM은 얼마나 빠를까? 이 글의 과거 표에서는 gemma4:latest가 88 tok/s로 가장 높고, gemma4:26b는 85 tok/s다. gpt-oss:120b 47 tok/s, qwen3.6:35b-a3b 25 tok/s가 뒤를 잇는다. 처리량 표이지 정답률이나 코딩 품질 순위가 아니다. 작성자: 닥터조지. 2026년 4월 게시 당시 측정 기록 / 편집 보완: 2026-09-23. 기존 수치는 그대로 보존했고 이번에 모델을 다시 실행하지 않았다. 초판 제목의 llama3.3 표기와 “26B가 가장 빠르다”는 도입은 표와 일치하지 않아 바로잡았다. 원문의 장비·런타임·모델 표기는 당시 기록이다. 표의 qwen3.6:35b-a3b 는 원문에서 사용한 축약 표기이며, Q8과 qwen3.6:35b-a3b-q8_0 표기는 당시 본문 기록에서 가져왔다. 모델 파일이나 digest를 이번에 확인한 것은 아니다. 원 프롬프트 전문, 모델 digest, 반복 횟수와 개별 원시 응답이 이 글에 없어 표의 숫자를 그대로 재현했다고 확인할 수는 없다. 특히 latest 는 고정 버전 식별자가 아니다. 아래는 M4 Max 128GB 한 대에서 기록한 네 모델의 처리량이다. 모델 구조, 양자화, 크기가 동시에 다르므로 어느 한 요인만의 효과를 분리한 실험으로 읽으면 안 된다. 모델 크기만으로 속도를 예측하기 어려운 이유 원문은 gpt-oss:120b 를 총 117B, 활성 약 5.1B의 MoE로 기록했다. 활성 파라미터 수만으로 실제 생성 속도를 계산할 수는 없다. 모델 구조에 따른 메모리 접근 차이는 가능한 설명이지만, 이 표는 메모리 대역폭이나 접근 패턴을 직접 계측한 자료가 아니다. 생성 속도 차이만으로 병목의 원인을 확정하지 않는다. 당시 표의 gemma4:26b 는 gpt-oss:120b 보다 높은 생성 처리량을 보였다. 다만 이 결과를 모든 Dense 모델과 MoE 모델의 우열로 일반화할 수는 없다. 같은 ...
자세한 내용 보기

Opus 5는 더 잘 쓰고, 더 AI답게 쓴다 — 세 모델 첫날 실측

이미지
Claude Opus 5가 나온 다음 날, 세 모델에게 같은 시험지를 줬다. 결과부터 적는다. 글 품질 점수는 신형일수록 올랐다. 그런데 문장 리듬은 신형일수록 고르게, 그러니까 더 AI답게 변했다. 여기서 “AI답게”는 말투가 기계 같다는 뜻이 아니다. 문장 길이와 어미가 균질해진다는 뜻이고, 그 균질함이 통계 탐지기가 AI 글을 잡아낼 때 쓰는 바로 그 지문이다. 발표는 두 가지를 팔았다 새 모델이 나오면 벤치마크 표부터 보게 된다. 그 표는 전부 만든 쪽이 자기 시험지로 채점한 결과다. 내 작업에서 뭐가 달라지는지는 표에 없다. 그래서 표를 덮고 시험지를 직접 만들었다. 7월 24일 발표에서 Anthropic은 크게 두 가지를 내세웠다. 하나, 자기 작업을 검증하며 성공할 때까지 반복하는 능력이 강해졌다. 둘, 응답이 더 명확하고 간결해졌다. 벤치 수치는 여기 옮기지 않는다. 이 글이 확인할 건 저 두 문장이 내 작업물에서 어떻게 나타나느냐다. 같은 시험지 두 장 시험지는 두 장이다. 첫째는 글쓰기다. 주제·허용 사실·문체 규칙을 고정한 한국어 블로그 초안 스펙을 만들어 세 모델에 원샷으로 줬다. 둘째는 코딩 진단이다. 내 수집기에서 한 달 넘게 죽어 있던 실제 버그(reddit 수집 429 연쇄 실패)를 읽기 전용으로 진단하게 했다. 모든 주장에 파일과 행 번호 인용을 의무로 걸었다. 대상은 Opus 4.8, Fable 5, Opus 5. 각 모델의 정체는 시스템 프롬프트 자기보고로 확인했다. 채점은 사람 감이 아니다. 글은 발행 글 29편에서 뽑은 결정론 밴드(파이썬 스크립트)와 10점 감점제 루브릭으로, 진단은 미리 고정해 둔 정답표와 인용 실물 대조로 매겼다. 실측 1 — 더 잘 쓸수록 더 고르다 숫자부터 본다. 지표 Opus 4.8 Fable 5 Opus 5 발행 글 기준 문장 길이 변주(변동계수) 0.316 0.220 0.274 0.417 이상 행 길이 변주 0.266 0.23...
자세한 내용 보기