- 담당자(IAM): #AX담당자 #마케팅리더
- 역할(Role): #에이전트도입설계 #결과검수기준
- 업무(Jobs): #종합·진입
이 글의 요약
2026년 10월 22일, 앤스로픽(Anthropic)은 에이전트 스킬(Agent Skills) 형식을 리눅스 재단(Linux Foundation) 산하 에이전틱 AI 재단(Agentic AI Foundation)에 넘겼습니다. 에이전트 스킬은 AI 에이전트가 특정 작업을 할 때 읽는 작업 설명서(SKILL.md)와 딸린 파일을 한 폴더로 묶는 형식입니다. 이 그릇은 이제 한 회사가 아니라 재단이 관리하는 AI 에이전트 설계의 공개 형식이 됐습니다.
형식이 공개됐다는 것은, 결과의 품질이 각 기업이 그 안에 무엇을 담고 어떻게 검사하느냐에 달리게 됐다는 뜻으로 읽을 수 있습니다. 이 글은 그 설계를 여섯 단계로 정리해 제안합니다. 요청의 의도를 미리 정한 질문에 맞추고, 회사의 도메인 지식을 파일로 따로 두고, 작은 스킬로 실행하며, 영향이 큰 실행은 사람이 승인하고, 결과는 형식과 값을 따로 검사하는 구조입니다. 10월에 나온 발표 네 건을 근거로 삼았습니다.
- 스킬 형식의 표준화: Anthropic은 70개가 넘는 에이전트 플랫폼이 이 형식을 쓰고 있다고 밝혔고(회사 발표), 에이전틱 AI 재단은 같은 날 오픈AI(OpenAI)의 Open Responses(여러 모델 회사가 함께 쓰는 응답 규격) 등 다른 프로젝트 3개와 함께 이 형식을 재단 프로젝트로 편입했습니다. (출처: Anthropic, 2026-10-22 · Linux Foundation, 2026-10-22)
- 목표를 받는 에이전트와 한 번 정하는 회사 지식: 구글(Google)은 업무용 에이전트에 지시 대신 목표를 준다고 설명하고, 회사 공용 스킬 목록을 내놓았습니다. 비즈니스 용어의 정의를 한 번 정해 모든 에이전트가 같이 쓰게 하는 지식 카탈로그(Knowledge Catalog)와도 연동한다고 밝혔습니다. (출처: Google Cloud, 2026-10-09)
- 사람이 정하는 승인 경계: 마이크로소프트(Microsoft)는 에이전트를 ‘가장 새로운 내부자’로 부르며, 최소 권한으로 시작하고 영향이 큰 행동에는 사람의 승인을 요구할 수 있으며 정책과 승인 경계는 사람이 정한다고 적었습니다. (출처: Microsoft, 2026-10-19)
- 형식 보장과 값 검증의 구분: OpenAI·Anthropic·Google의 구조화 출력 문서는 응답을 정해진 형식(스키마)에 맞추는 기능을 설명합니다. 그러면서 OpenAI와 Anthropic은 거부나 길이 제한으로 형식이 깨질 수 있는 예외를, OpenAI와 Google은 형식이 맞아도 값이 틀릴 수 있다는 점을 따로 적고 있습니다. (출처: OpenAI · Anthropic · Google)
AI 에이전트 설계는 요청과 여섯 단계로 나뉩니다
이 글이 제안하는 틀은 사용자의 요청을 받아 결과를 내기까지를 여섯 단계로 나눕니다. 의도 분석과 도메인 지식을 결합해 스킬로 실행하고 구조화된 결과를 내는 흐름에, 실행 전 승인(④)과 출력 뒤 검증(⑥)을 더했습니다. 예시는 마케팅 담당자가 검색 데이터로 구매 가이드 목차를 만들어 달라고 하는 요청입니다.
주: 구성 예시; 단계 구분은 이 글의 제안
자료: Ascent AI 작성
①~③은 무엇을 할지 정하고, ④~⑥은 어떻게 실행하고 믿을지 정합니다. 에이전트에게 주는 정보 전체를 설계하는 관점은 컨텍스트 엔지니어링 글에서, MCP(AI 도구를 외부 데이터·도구에 연결하는 규격)와 스킬의 차이는 LLM 그리고 MCP와 Skills에서 다뤘습니다.
의도는 질문으로, 도메인 지식은 회사 파일로, 스킬은 작게 담습니다
① 의도는 답할 질문으로 받습니다. “PDRN 크림 구매 가이드 목차 초안 만들어 줘”라는 요청에는 작업 유형(가이드 기획), 답할 질문(구매 상황마다 무엇을 따지나), 출력 형식(목차 표)이 섞여 있습니다. 에이전트는 요청을 미리 정해 둔 질문 목록에 대응시키고, 목록 밖이거나 다루는 국가·범위 밖이면 진행 전에 되묻습니다. 앞에서 Google이 말한 ‘목표를 주는 에이전트’를 회사 쪽에서 준비하는 방법입니다.
② 도메인 지식은 회사 파일에 따로 둡니다. 카테고리의 경계, 자사 브랜드와 경쟁 브랜드, 사내 용어, 업종의 표현 규칙은 회사마다 다릅니다. 이것을 스킬 본문에 섞으면 다른 팀이나 다른 품목에 다시 쓸 수 없습니다.
Google이 지식 카탈로그를 따로 둔 것도 같은 이유로 볼 수 있습니다. 비즈니스 용어의 정의를 에이전트마다 다시 적지 않고 한 곳에서 정해 함께 읽게 하는 방식입니다. Google은 이 연결로 조회 정확도가 나아진 고객 사례 1건을 소개했지만, 출발값과 측정 기준은 글에 없어 효과의 크기는 일반화하기 어렵습니다(출처: Google Cloud, 2026-10-09).
③ 스킬은 한 가지 질문에 답하도록 작게 만듭니다. 에이전트는 처음에 스킬의 이름과 설명만 읽고, 관련이 있을 때 본문을, 필요할 때 딸린 파일을 엽니다(출처: Anthropic, 2025-10-16). 형식이 재단의 공개 형식이 된 지금, 스킬끼리의 차이는 설명이 무엇에 쓰는 스킬인지를 얼마나 분명히 말하느냐에서 생긴다고 볼 수 있습니다. 도구 설명도 새로 온 동료에게 설명하듯 용어와 입력 형식을 밝혀 적으라고 Anthropic은 권합니다(출처: Anthropic, 2025-09-11).
영향이 큰 실행은 계획을 보여 주고 사람이 승인합니다
④ 실행 계획에는 순서와 함께 영향이 들어가야 합니다. 데이터를 조회하는 호출은 비용이 들고, 메일 발송이나 외부 게시는 되돌리기 어렵습니다. 에이전트가 계획을 세우면 바로 실행하는 대신, 단계별 호출과 예상 비용, 외부로 나가는 행동을 표로 보여 주고 사람이 승인한 범위 안에서만 실행하게 합니다.
어디까지를 ‘영향이 큰 행동’으로 볼지는 Microsoft가 말한 대로 사람이 정합니다. 같은 조회라도 몇 건짜리 확인과 수만 건 수집은 무게가 다르므로, 경계는 업무를 아는 담당자가 정하는 편이 맞습니다. 승인 화면은 비용 통제이면서, 담당자가 에이전트가 무엇을 하려는지 한 번 더 확인하는 자리가 됩니다.
스키마는 형식을, 검증은 값을 지킵니다
⑤ 구조화 출력은 형식을 고정합니다. 결과를 스키마(정해진 열과 값의 형식)로 고정하면 다음 단계의 도구와 보고서가 같은 모양의 데이터를 받습니다. 다만 같은 문서들은 한계도 함께 적습니다. Anthropic 문서는 ‘대부분의 경우(in most cases)’ 형식을 보장한다고 적으면서 거부나 길이 제한 같은 예외를 밝히고, OpenAI 문서도 스키마에 맞는 응답이 나오지 않는 경우를 설명합니다.
⑥ 검증은 형식이 맞는데 값이 틀린 결과를 잡습니다. Google 문서는 형식이 맞는 출력이라도 값은 애플리케이션에서 검증하라고 적습니다. 에이전트 설계에서 이 말은 출력 뒤에 값을 검사하는 단계를 따로 둔다는 뜻입니다.
검사할 것은 데이터의 기준 시점, 비어 있는 값, 중복입니다. 숫자를 담은 문장에는 실제 데이터인지 추정인지 근거를 표시하고, 처음 몇 건은 사람이 산출물을 직접 봅니다.
값을 검사하려면 결과의 숫자마다 어느 요청에서 어떤 조회와 계산을 거쳐 나왔는지 되짚을 수 있어야 합니다. 이 기록을 데이터 계보(lineage)라고 합니다. 조회마다 입력과 저장 파일을 남기고 표의 숫자는 저장본에서만 계산하면, 담당자가 숫자 하나를 골라 원래 조회까지 따라갈 수 있습니다.
AX(AI 전환) 담당자가 먼저 정할 네 가지
- 답할 질문 목록 — 에이전트가 받을 질문을 미리 적고, 목록 밖 요청은 되묻게 합니다.
- 도메인 지식 파일 — 경계·브랜드·용어·표현 규칙을 한 파일로 모으고 담당자를 정합니다. 스킬은 이 파일을 읽게만 하고, 한 스킬에는 한 가지 질문만 맡깁니다.
- 승인 경계표 — 비용·외부 전송·데이터 변경 중 어떤 행동에 누구의 승인이 필요한지 표로 정합니다.
- 형식과 값의 이중 검사 — 스키마 검사 뒤에 값 검사와 근거 표시, 숫자별 계보 기록을 두고, 첫 실행은 사람이 확인합니다.
검색 데이터는 도메인 지식 단계의 입력이 됩니다
리스닝마인드의 검색 데이터는 ②의 도메인 지식에 들어가는 고객 의도의 외부 근거입니다. 구매 상황이나 고를 때 따지는 기준처럼 회사가 정해 두는 지식을 실제 검색 행동으로 채웁니다. 이 데이터를 다루는 스킬을 공개 저장소에서 위 여섯 단계로 만들고 있으며, ⑥의 값 검사 규칙은 데이터 계약 문서에 공개해 두었습니다. 공개 스킬 하나를 이 여섯 단계로 나눠 보고 결과 숫자 하나의 데이터 계보를 실제로 따라간 예시는 에이전트 결과 검수 – 선크림 불편 순위표의 숫자 계보 따라가기에서 볼 수 있습니다.
사내 AI 도구에 검색 데이터를 연결하는 방법을 상담해 드립니다. API 서비스 문의
