하네스 커스터마이징으로 성능 끌어올리기…오케스트레이터 4분할 꿀팁

밤 11시, 커스터마이징 자랑이 시작되다

밤 11시 1분, 한 참가자가 자신의 하네스에 얹은 커스터마이징이 꽤 만족스럽다는 짧은 자랑으로 말문을 열었다.

"엄 하네스 얹긴 했죠 개쩌는 걸루요"

지침 상속부터 워크스페이스 4분할까지

3분 뒤 이 참가자는 구체적인 방법을 풀어놓기 시작했다. 가독성이나 출력 형식처럼 사용자와 직접 맞닿는 지침만 남기고 나머지는 전부 지운 다음, 아스트라(OpenAI GPT-6 계열)에게 별도 지침 생성 워크플로우를 시켜 자신의 워크스페이스에 맞는 최적화 지침을 새로 뽑아내는 방식이었다.

"하시면 ㄹㅇ 성능이 달라집니다 꿀팁 드리자면 지침 가독성 규칙 출력 규칙 같은 사용자 대면 사항들만 상속하시고 나머지는 싹 다 지운 다음에 astra한테 매튜콕 skills에 있는 지침 생성 워크플로우로 내 워크스페이스에 최적화된 astra6을 위한 지침 생성해줘 xhigh로 부탁하시면 됩니다"

이어 이 참가자는 자신이 실제로 쓰는 구성도 공개했다. codexclaw라는 도구를 설치해 커스터마이징한 뒤, 오케스트레이터·설계·구현·검토 역할을 각각 맡는 하위 워크스페이스 네 개로 나눠 쓴다는 설명이었다.

"저한테 물어보신 거면 저는 codexclaw 깔고 커스텀 좀 해서 씁니다 오케스트레이터랑 설계 구현 검토 일케 하위 워크스페이스 네 개로 만들어 써요"

대화가 이어지자 이 참가자는 한 걸음 더 나아간 팁도 추가했다. 지침과 스킬을 모델별로 각각 최적화한 버전으로 따로 만들어 두고, 상황에 맞게 자동으로 라우팅되도록 구성한다는 것이었다.

"말씀하신게 일반적으로는 맞습니다 그래서 저는 지침과 스킬 모두 모델 별로 최적화 버전 스포크 만들어두고 라우팅하게 합니다 요것도 꿀팁이에요 agent.md claude.md 공통 ssot도 만들 수 있구요"

이 공유가 이어지는 동안, 또 다른 참가자는 짧게 "페이블보다 좋음"이라는 반응을 남기며 이 구성의 체감 효과에 힘을 실었다. 대화 사이사이에는 아스트라가 인스트럭션 팔로잉(지침을 문자 그대로 따르는 경향)에 유독 민감해서, 불필요한 기본값을 덜어낼수록 오히려 성능이 살아난다는 의견도 함께 나왔다.

모델마다 다른 최적점을 찾는 사람들

이 대화가 흥미로운 지점은, 단순히 하네스를 쓴다는 수준을 넘어 모델별 특성에 맞춰 지침 자체를 재설계하는 실전 노하우가 구체적인 단계별로 공유됐다는 데 있다. 사용자 대면 지침만 남기고 나머지를 걷어낸 뒤 모델에게 스스로 최적 지침을 생성시키는 방식은, 범용 지침이 특정 모델에서는 오히려 발목을 잡을 수 있다는 문제의식에서 나온 접근으로 보인다. 아스트라가 인스트럭션 팔로잉에 민감하다는 지적과 맞물리면, 지침을 덜어내는 작업이 단순한 정리가 아니라 모델 특성에 맞춘 튜닝이라는 점이 분명해진다.

오케스트레이터·설계·구현·검토로 역할을 나눈 4분할 구성 역시, 하나의 모델이나 세션에 모든 역할을 맡기기보다 단계별로 워크스페이스를 쪼개는 편이 결과물의 안정성을 높인다는 경험에서 비롯된 것으로 읽힌다.

커스터마이징이 표준으로 자리 잡는 흐름

이 화제에는 참가자 12명, 발화 98건이 모였다. 참여 인원 자체는 많지 않았지만, 발화 건수가 그보다 훨씬 많았다는 점은 소수의 참가자가 꽤 밀도 높은 실전 팁을 주고받았다는 뜻으로 볼 수 있다. 모델별 지침 스포크를 따로 관리하고 agent.md·claude.md 같은 공통 SSOT(단일 진실 원천)까지 함께 구성한다는 대목은, 개인 사용자 수준에서도 여러 모델을 넘나드는 워크플로우 관리 체계가 점점 정교해지고 있음을 보여준다.

하네스 커스터마이징이 소수 파워유저의 취미를 넘어 실질적인 성능 격차로 이어진다는 공감대가 방 안에 형성된 만큼, 앞으로 이런 실전 노하우가 얼마나 더 널리 퍼져 표준적인 활용법으로 자리 잡을지도 지켜볼 대목이다.