Skill을 이해하고 Crypto Research Skill을 구축하는 방법을 알아보기

원문 저자: @BlazingKevin_, Blockbooster 연구원

1. Agent Skill의 탄생 배경과 진화

2025년 AI Agent 트랙은 '기술 개념'에서 '공학적 실현'으로 도약하는 중요한 분수령에 서 있습니다. 이 과정에서 Anthropic의 역량 캡슐화에 대한 탐구는 예상치 못하게 업계 수준의 패러다임 전환을 촉진했습니다.

2025년 10월 16일, Anthropic은 공식적으로 Agent Skill을 출시했습니다. 처음에 공식은 이 기능에 대해 매우 절제된 입장을 보였습니다. 이는 단지 Claude의 특정 수직 업무(예: 복잡한 코드 논리, 특정 데이터 분석) 성능을 향상시키는 보조 모듈로만 여겨졌습니다.

그러나 시장과 개발자들의 반응은 기대를 훨씬 뛰어넘었습니다. 사람들은 곧 이 '역량 모듈화' 설계가 실제 공학에서 매우 높은 디커플링과 유연성을 보여준다는 것을 발견했습니다. 이는 프롬프트 튜닝의 중복도를 낮출 뿐만 아니라, Agent가 특정 작업을 수행하는 안정성을 크게 향상시켰습니다. 이러한 경험은 빠르게 개발자 커뮤니티에서 연쇄 반응을 일으켰습니다. 단시간 내에 VS Code, Codex, Cursor를 포함한 주요 생산성 도구와 통합 개발 환경(IDE)이 잇따라 Agent Skill 아키텍처에 대한 기본 지원을 완료했습니다.

생태계의 자발적 확장에 직면하여, Anthropic은 이 메커니즘의 기본적인 보편적 가치를 포착했습니다. 2025년 12월 18일, Anthropic은 업계의 이정표가 될 만한 결정을 내렸습니다: Agent Skill을 공개 표준으로 공식 발표한 것입니다.

이어서 2026년 1월 29일, 공식적으로 Skill의 상세 사용 설명서를 발표하여, 프로토콜 수준에서 크로스 플랫폼, 크로스 제품 재사용의 기술적 장벽을 완전히 해체했습니다. 이 일련의 조치는 Agent Skill이 'Claude 전용 부속품'이라는 꼬리표를 완전히 벗어던지고, AI Agent 분야 전체에서 보편적인 기본 설계 패턴으로 공식 진화했음을 의미합니다.

이제, 하나의 의문이 떠오릅니다: 대기업과 핵심 개발자들이 모두 포용한 이 Agent Skill은 기본 공학에서 어떤 핵심 문제점을 해결했는가? 그리고 현재 뜨거운 MCP와는 어떤 본질적인 차이와 시너지 관계가 있는가?

이러한 문제를 완전히 해명하고, 궁극적으로 암호화폐 업계 투자 연구의 실제 구축에 적용하기 위해, 본문은 다음과 같은 논의를 단계적으로 진행할 것입니다:

• 개념 해석: Agent Skill의 본질 및 기본 아키텍처 구축.
• 기본 워크플로: 그 기본 작동 논리와 실행 흐름을 밝힘.
• 고급 메커니즘: Reference와 Script 두 가지 고급 사용법을 심층 분석.
• 실전 사례: Agent Skill과 MCP의 본질적 차이를 분석하고, Crypto 투자 연구 시나리오에서의 조합 응용을 시연.

2. Agent Skill이란 무엇이며 기본 구축 방법

Agent Skill이란 정확히 무엇인가? 가장 쉬운 말로 표현하자면, 그것은 바로 대형 언어 모델이 언제든지 펼쳐볼 수 있는 '전용 설명서'입니다.

일상적으로 AI를 사용할 때, 우리는 종종 다음과 같은 문제점에 직면합니다: 매번 새로운 대화를 시작할 때마다 긴 요구 사항을 다시 붙여넣어야 합니다. Agent Skill은 바로 이러한 번거로움을 해결하기 위해 탄생했습니다.

실제 예를 들어보겠습니다: '스마트 고객 서비스' Agent를 만들고 싶다고 가정해 보세요. Skill에 명확하게 규칙을 적을 수 있습니다: "고객 불만 접수 시, 첫 번째 단계는 반드시 감정을 진정시키고, 절대 함부로 보상 약속을 해서는 안 됩니다." 또 다른 예로, '회의 요약'을 자주 해야 한다면, Skill에 직접 템플릿을 정할 수 있습니다: "매번 회의 요약을 출력할 때는 반드시 '참석자', '핵심 의제', '최종 결정' 이 세 가지 섹션으로 엄격하게 구성해야 합니다."

이 '설명서'가 있으면, 매번 대화할 때마다 그 긴 지시 사항을 반복할 필요가 없습니다. 대형 언어 모델은 작업을 받으면 자동으로 해당 Skill을 참조하여 즉시 어떤 표준으로 작업해야 하는지 알게 됩니다.

물론, '설명서'는 단지 이해를 돕기 위한 단순화된 비유일 뿐입니다. 실제로 Agent Skill이 할 수 있는 일은 단순한 형식 규정보다 훨씬 더 강력하며, 그 '킬러'급 고급 기능은 뒷부분에서 자세히 분석하겠습니다. 하지만 시작 단계에서는 완전히 효율적인 작업 설명서로 생각해도 좋습니다.

다음으로, 가장 익숙한 '회의 요약' 시나리오를 통해 Agent Skill을 실제로 어떻게 생성하는지 살펴보겠습니다. 전체 과정은 복잡한 프로그래밍 지식이 필요하지 않습니다.

현재 주류 도구(예: Claude Code)의 설정에 따르면, 컴퓨터의 사용자 디렉토리에서 .claude/skill이라는 폴더를 찾아야(또는 생성해야) 합니다. 여기가 모든 Skill을 저장하는 '본부'입니다.

첫 번째 단계, 이 디렉토리에 새 폴더를 생성합니다. 이 폴더의 이름이 바로 이 Agent Skill의 이름입니다. 두 번째 단계, 방금 만든 폴더 안에 skill.md라는 텍스트 파일을 생성합니다.

모든 Agent Skill에는 반드시 이 skill.md 파일이 있어야 합니다. 그 역할은 AI에게 알려주는 것입니다: 나는 누구이며, 무엇을 할 수 있으며, 어떻게 내 요구 사항에 따라 작업해야 하는지. 이 파일을 열면 명확하게 상하 두 부분으로 나뉘어 있음을 알 수 있습니다:

파일의 맨 처음은 보통 두 개의 짧은 대시 ---로 둘러싸인 영역입니다. 여기에는 두 가지 핵심 속성만 기록합니다: name과 description.

• name: 이 Skill의 이름으로, 반드시 바깥 폴더 이름과 동일해야 합니다.
• description: 이는 매우 중요한 부분입니다. 이 Skill의 구체적인 용도를 대형 언어 모델에게 설명하는 역할을 합니다. AI는 백그라운드에서 지속적으로 모든 Skill의 설명을 스캔하여, 현재 사용자의 질문이 정확히 어떤 Skill로 해결해야 하는지 판단합니다. 따라서 정확하고 포괄적인 설명을 작성하는 것은 당신의 Skill이 AI에 의해 정확히 호출될 수 있도록 하는 전제 조건입니다.

짧은 대시 아래의 나머지 부분은 AI가 보는 구체적인 규칙입니다. 공식은 이 부분을 '지시'라고 부릅니다. 여기가 당신이 발휘할 수 있는 곳으로, 모델이 따라야 할 논리를 여기에 상세히 설명해야 합니다. 예를 들어 회의 요약 예시에서는 여기에 평이한 말로 규정할 수 있습니다: "반드시 참석자 명단, 논의된 의제 및 최종 결정 사항을 추출해야 합니다."

이 몇 단계를 마치면, 간단하지만 매우 실용적인 Agent Skill이 탄생합니다.

하지만 정말 유용한 Skill은 종종 치밀한 사전 설계에서 시작됩니다. 키보드에 첫 글자를 입력하기 전에, 목표, 범위 및 성공 기준을 명확히 정의하면 구축 과정이事半功배가 됩니다.

Skill 구축의 첫 번째 단계는 사실 "AI로 어떤 화려한 것을 만들어낼 수 있을까"를 생각하는 것이 아니라, 스스로에게 질문하는 것입니다: "나는 일상 업무에서 어떤 반복적인 문제를 해결해야 하는가?" 처음에는 이 Skill이 커버해야 할 2~3개의 명확한 시나리오를 구체적으로 정의하는 것이 좋습니다.

둘째, 성공 기준을 정의하는 것입니다. 작성한 Skill이 잘 작동하는지 어떻게 알 수 있을까요? 작업을 시작하기 전에, 측정 가능한 몇 가지 기준을 설정하세요. 예를 들어 정량적 기준은 "처리 속도가 빨라졌는가"일 수 있고, 정성적 기준은 "추출한 회의 결정이 매번 충분히 정확하고 누락이 없는가"일 수 있습니다.

3. Agent Skill의 기본 실행 워크플로

Agent Skill의 기본적인 모습을 이해한 후, 우리는 자연스럽게 묻습니다: 실제 실행에서 이 '설명서'는 어떻게 작용하는가?

최근 Manus AI와 같은 제품을 경험해 본 적이 있다면, 아마 다음과 같은 장면을 겪어봤을 것입니다: 특정 질문을 던졌을 때, AI가 즉시 '장문의 논의'를 시작하거나 환각을 일으키지 않고, 예리하게 "이 일은 특정 Agent Skill이 담당한다"는 것을 인식합니다. 그러면 인터페이스에 프롬프트가 나타나 해당 Skill 호출을 허용할지 묻습니다.

'동의'를 클릭하면, AI는 마치 다른 사람으로 바뀐 것처럼, 사전 설정된 규칙을 엄격히 따라 완벽한 결과를 출력합니다.

이看似 단순한 '신청-동의-실행' 상호작용 뒤에는 사실 매우 정교한 기본 실행 워크플로가 숨겨져 있습니다. 이 메커니즘을 완전히 설명하기 위해, 먼저 전체 프로세스에서 상호작용하는 '세 가지 핵심 역할'을 명확히 해야 합니다:

1. 사용자: 작업 요청을 시작하는 사람.
2. 클라이언트 도구 (예: Claude Code 등): 스케줄링과 총괄을 담당하는 '중간 관리자'.
3. 대형 언어 모델: 의도를 이해하고 최종 결과를 생성하는 '뇌'.

시스템에 요구 사항을 입력할 때(예: "오늘 아침 프로젝트 정기 회의를 요약해 줘"), 이 세 역할 사이에는 다음과 같은 네 단계의 정밀한 협업이 발생합니다:

첫 번째 단계: 경량 스캔 (메타데이터 전달)

사용자가 요청을 입력하면, 클라이언트 도구(Claude Code)는 모든 설명서를 대형 언어 모델에 던져주지 않습니다. 대신, 사용자의 요청과 함께 현재 시스템의 모든 Agent Skill의 '이름'과 '설명'(즉, 이전 장에서 언급한 Metadata 메타데이터 계층)만 패키징하여 대형 언어 모델에 전송합니다. 상상해 보세요, 심지어 수십 개의 Skill을 설치했더라도, 이때 대형 언어 모델이 받는 것은 단지 '경량 디렉토리'일 뿐입니다. 이러한 설계는 모델의 주의력을 크게 절약하고 정보의 상호 간섭을 피합니다.

두 번째 단계: 정확한 의도 매칭 대형 언어 모델은 사용자 요청과 이 'Skill 디렉토리'를 받은 후, 빠른 의미 분석을 수행합니다. 사용자의 요구가 '회의 요약'이라는 것을 발견하고, 디렉토리에는 정확히 '회의 요약 도우미'라는 이름의 Skill이 있으며, 그 설명이 이 작업과 완벽하게 일치합니다. 이때, 대형 언어 모델은 이 매칭 결과를 클라이언트 도구에 알립니다: "이 작업은 '회의 요약 도우미'로 해결할 수 있다는 것을 발견했습니다."

세 번째 단계: 필요에 따른 완전한 지시 로드 대형 언어 모델의 피드백을 받은 후, 클라이언트 도구(Claude Code)는 비로소 '회의 요약 도우미'의 전용 폴더에 들어가 완전한 skill.md 본문을 읽습니다. 주의하세요, 이는 매우 중요한 설계입니다: 오직 이때만 완전한 지시 내용이 읽히며, 시스템은 오직 선택된 이 하나의 Skill만 읽습니다. 선택되지 않은 다른 Skill들은 여전히 디렉토리에 조용히 남아 있으며, 어떤 자원도 차지하지 않습니다.

네 번째 단계: 엄격한 실행 및 응답 출력 마지막으로, 클라이언트 도구는 '사용자의 원본 요청'과 '회의 요약 도우미의 완전한 skill.md 내용'을 함께 대형 언어 모델에 전송합니다. 이번에는 대형 언어 모델이 선택 문제를 푸는 것이 아니라, 실행 모드에 들어갑니다. skill.md에 정해진 규칙(예: 반드시 참석자, 핵심 의제, 최종 결정을 추출해야 함)을 엄격히 따라, 높은 구조화된 응답을 생성하고, 클라이언트 도구가 사용자에게 표시하도록 합니다.

4. 핵심 메커니즘 1: 필요에 따른 로딩과 Reference

이전 장의 워크플로는 Agent Skill의 첫 번째 핵심 기본 메커니즘인 필요에 따른 로딩을 이끌어냈습니다.

모든 Skill의 이름과 설명은 항상 대형 언어 모델에 보이지만, 구체적인 지시 내용은 해당 Skill이 정확히 선택된 후에야 비로소 모델의 컨텍스트로 가져와집니다.

이는 소중한 Token 자원을 크게 절약합니다. 상상해 보세요, '히트 콘텐츠', '회의 요약', '체인상 데이터 분석' 등 수십 개의 대용량 Skill을 동시에 배포하더라도, 모델은 처음에는 극히 낮은 소비의 '디렉토리 검색'만 하면 됩니다. 목표를 선택한 후에야 시스템은 해당 skill.md를 모델에 제공합니다. 이러한 '필요에 따른 로딩'이 바로 Agent Skill이