1부 · 에이전틱 루프 & 스킬

2. 오케스트레이터 = 에이전틱 루프

2.1 루프가 먼저, 재료는 그다음

스킬(3)·툴(4)·서브에이전트(5)·메모리(6)는 독립 기능처럼 보이지만, 전부 이 루프 안에서만 의미를 가집니다. 루프를 안 세우면 나머지가 공중에 뜹니다.

루프 1회전:

의도 해석 → 도구/스킬 선택 → 슬롯 필링 → 실행
        → 관찰(observe) → 판단(완료?) → (필요시) 반복

2.2 새 오케스트레이터가 강화한 4가지

(괄호 안 수치는 내부 평가 = NDA, 외부 자료엔 빼세요)

• ① 정확한 도구 선택 + 슬롯 필링 — 첫 시도에 올바른 도구를 올바른 입력으로 호출 (도구 선택/입력 정확도 +11점)
• ② 재귀적 작업 실행 — “한 번에 다 하기”가 아니라 문제를 단계로 쪼개 끝까지 체계적으로 반복. Anthropic의 feature list + 한 번에 한 기능 철학과 동일
• ③ 적응(adaptation) — 실패·예상 못한 결과·에러 시 자동 재시도하거나 대안 경로를 찾아 계속 진행
• ④ 장기 지시 준수 — 긴 세션 내내 원래 지침 유지 (대용량 파일 +8.3점, 코드 인터프리터 +41.8점)

2.3 New AI 코어(오케스트레이터)가 “신뢰성”에 집중하는 진짜 이유 — Anthropic의 두 실패 상황

짚고 가기: 에이전트가 무너지는 데는 두 가지 이유가 있고, 새로운 AI 코어(오케스트레이터)는 그 둘을 개선하는데 집중하였습니다.

실패 상황 1 — 컨텍스트 일관성 상실 + “context anxiety” 컨텍스트 창이 차오르면 모델이 일관성을 잃습니다. 더 심하게는, 한계에 가까워졌다고 느끼면 작업을 조급하게 마무리(context anxiety)합니다. 해법은 두 가지:

• Compaction — 대화를 요약·압축해 같은 에이전트가 짧아진 이력으로 계속
• Context reset — 컨텍스트를 비우고 새 에이전트로 시작하되, 구조화된 핸드오프로 직전 상태와 다음 단계를 넘김 (더 강력하지만 비용↑)

실패 상황 2 — 자기 평가의 관대함 모델은 자기 결과물을 평가하라고 하면 거의 항상 과대 칭찬합니다. 해법은 작업자(generator)와 평가자(evaluator)를 분리하는 것. Anthropic은 GAN에서 착안해 generator↔evaluator 루프를 만들었고, “자기 일을 비판하게 만드는 것보다 별도 평가자를 회의적으로 튜닝하는 게 훨씬 쉽다”고 결론냈습니다.

→ 이 “평가자 분리” 원리가 New Copilot Studio의 풀페이지 테스트 + 노드별 eval(2부 5장)로 직결됩니다.

2.4 무엇이 달라지는가 — 실감 예시

비유: 예전엔 순서도를 그렸다면, 이제는 유능한 인턴에게 목표와 연장을 쥐여주고 알아서 일하게 하되, 별도 검토자를 붙이는 것에 가깝습니다. 단, 그 인턴이 무엇을 할 수 있는지(스킬)·어떤 연장이 있는지(툴)·무엇을 기억하는지(메모리)는 당신이 설계합니다.

3. 스킬 — load-on-demand markdown

3.1 스킬이란

스킬은 재사용 가능한 markdown 지침 묶음입니다. 핵심 특성:

• 평소엔 컨텍스트에 넣지 않다가, 그 작업이 필요해질 때 온디맨드로 로드
• 특정 use case에 대해 언제·어떻게 정보를 묻고 보여줄지까지 패키징
• 한 번 만들면 여러 에이전트가 재사용

3.2 왜 “필요할 때만 로드”인가 — 컨텍스트 엔지니어링의 핵심

짚고 가기: 다 집어넣으면 안 된다. 컨텍스트는 유한 자원이고, 토큰이 늘수록 정확도는 떨어진다.

스킬의 load-on-demand 설계는 Anthropic Effective context engineering 문서의 원리를 그대로 구현합니다.

• 컨텍스트는 유한 자원(attention budget) — 모델도 사람처럼 “주의 예산”이 있습니다. 트랜스포머는 n개 토큰에 대해 n² 쌍 관계를 계산하므로, 컨텍스트가 길어질수록 주의가 얇게 퍼집니다.
• Context rot(컨텍스트 부패) — “토큰 수가 늘수록 모델의 회상 정확도가 떨어진다.” 큰 컨텍스트 창이 답이 아닙니다.
• 목표는 “원하는 결과를 낼 가장 작은 고신호(high-signal) 토큰 집합”을 찾는 것.
• Just-in-time 검색 — 모든 데이터를 미리 욱여넣지 말고, 경량 식별자(파일 경로·쿼리·링크)만 들고 있다가 런타임에 필요한 것만 로드. Claude Code의 CLAUDE.md + glob/grep가 정확히 이 패턴.

→ 스킬 = 이 just-in-time 패턴의 엔터프라이즈 버전입니다. “이 작업엔 이 스킬”을 에이전트가 필요할 때 꺼내 쓰니, 컨텍스트가 항상 가볍고 깨끗합니다.

3.3 외부 자산 재활용 — 업계 호환성

스킬이 markdown 표준인 덕분에 이미 가진 자산을 그대로 가져올 수 있습니다:

• GitHub Copilot 스킬 import
• Claude Code(Claude) 스킬 import
• (FAQ) Copilot Cowork 등 타 플랫폼 스킬도

참고로 Anthropic은 frontend-design 같은 스킬을 공개 SKILL.md로 배포합니다. New Copilot Studio가 이런 스킬을 import한다는 건, Microsoft 울타리 밖 오픈소스 생태계 자산을 직접 끌어 쓴다는 의미입니다.

3.4 스킬 로드맵

3.5 클래식과의 관계

• Topics → 스킬 + 워크플로우로 대체. 스킬이 “특정 상황에서 어떻게 응답할지”를, 워크플로우가 “여러 액션을 엮는 것”을 담당
• Prompts → 스킬(에이전트) / agent node(워크플로우)로 대체
• 단, 토픽의 일부 확장점(수신/발신 메시지 가로채기 등)은 향후 릴리스. 클래식 토픽은 클래식 에이전트에 존속