Agent를 전문가로 만드는 방법, Agent Skills

 

AI 동료와 함께 일하는 시대, 여러분은 어떤 동료와 일하고 계신가요?

​

혹시 하나부터 열까지 다시 묻거나, 엉뚱한 일처리로 오히려 나를 더 힘들게 하는 AI는 아닌가요?

일 잘하는 Human 동료를 만나는 것은 내 마음대로 되지 않지만, AI 동료라면 다릅니다.

AI 동료를 '일 잘하는 동료'로 만드는 효과적인 방법, 바로 Agent Skills​입니다.

​

​

잘 작성된 업무 매뉴얼의 힘

Agent Skills는 Agent에게 특정 작업을 수행하는 방법을 알려주는 패키지로, 구조화된 텍스트 기반 문서(skill.md)를 중심으로 구성됩니다.

마치 신입사원을 위한 업무 매뉴얼처럼, 복잡한 작업을 효율적으로 수행하기 위해 어떤 도구를 어떤 순서로 사용해야 하는지, 어떤 실수를 피해야 하는지 등을 상세하게 안내합니다. 잘 작성된 매뉴얼만 있으면 신입사원도 곧바로 숙련된 전문가처럼 어려운 작업을 척척 처리할 수 있습니다.

​

​

실리콘밸리의 스타트업 투자사 Y Combinator의 CEO인 Garry Tan의 최근 행보는 Skills가 무엇을 가능하게 하는지 잘 보여줍니다.

지난달 그는 Agent에 Skills를 추가해 가상 엔지니어링 팀을 구성할 수 있는 오픈소스 프로젝트 'gstack'을 공개했습니다.

그는 gstack을 이렇게 소개했습니다.

"gstack is how I do it." 실제로 자신이 수많은 스타트업에 적용해 온 제품 개발 과정을 반영해 역할별 전문가 Skills를 만든 것입니다.

제품을 구상하는 CEO, 아키텍처를 확정하는 엔지니어링 매니저, 문제를 찾아내는 디자이너, 버그를 발견하는 리뷰어, 실제 브라우저 환경에서 확인하는 QA 리더, 감사를 수행하는 보안 담당자, 그리고 코드를 배포하는 릴리스 엔지니어까지 포함됩니다.

이제 전 세계 수많은 창업자들은 세계 최고의 벤처 캐피탈리스트가 20년 이상 축적해 온 전문적 노하우를 자신의 팀에 바로 적용할 수 있게 되었습니다. 그의 전문성을 그대로 익힌 AI 동료를 통해서 말이죠.

​

​

최근 발표된 벤치마크 연구는 수천 건의 실제 작업 실행을 통해 Skills가 Agent의 역량을 얼마나 향상시킬 수 있는지 구체적으로 보여줍니다.

올해 2월 발표된 ‘SkillsBench: Benchmarking Agent Skills for Frontier LLM Agents’라는 연구에서는 주요 Agent 도구인 Claude Code (Anthropic), Gemini CLI (Google), Codex CLI (OpenAI)를 사용해 7개 모델의 84개 작업 성능을 테스트했습니다.

그 결과, Skills를 제공하지 않았을 때와 비교해 전문가가 작성한 Skills를 제공했을 경우 Agent의 작업 성공률이 평균 16.2%p 향상되었습니다. 또한 Skills를 활용한 작은 모델(Claude Haiku 4.5 with Skills, 27.7%)이 Skills가 없는 큰 모델(Claude Opus 4.5, 22.0%)보다 더 뛰어난 성과를 보였습니다. 이는 Skills가 작은 모델의 성능을 보완해 비용 효율적인 Agent 전략​이 될 수 있음을 시사합니다.

​

​

프롬프트, MCP, 그리고 Skills

Agent에게 알려주는 작업 지침이라는 점에서 Skills는 프롬프트와 비슷해 보일 수 있습니다. 하지만 일회성 명령인 프롬프트와 달리 Skills는 재사용이 가능합니다. 파일 형태로 저장되기 때문에 작업할 때마다 새로 작성할 필요 없이 반복적으로 활용할 수 있고, 여러 Agent가 함께 사용할 수도 있습니다. 또한 파일과 폴더라는 보편적인 형식을 사용하기 때문에 다른 환경으로도 손쉽게 옮겨 사용할 수 있으며, 여러 Skills를 조합해 복잡한 워크플로를 구성할 수도 있습니다. 무엇보다 프롬프트처럼 모든 내용이 한 번에 컨텍스트에 로딩되는 것이 아니라, 처음에는 간략한 설명만 로딩되고 실제 필요할 때만 전체 내용이 로딩되기 때문에 매우 효율적입니다.

​

​

이러한 Skills의 효율성은 Model Context Protocol(MCP) 대비 우위 요소로 평가되기도 합니다.

MCP는 Agent의 작업 수행에 필요한 도구들을 손쉽게 제공하는 방법으로, 사실상 표준으로 자리 잡았습니다. 하지만 시간이 지나면서 MCP의 여러 한계도 드러나고 있는데, 그중 하나가 토큰 사용량이 많다는 점입니다. 실제로 많은 MCP 서버가 CLI(Command Line Interface) 도구나 간단한 스크립트에 이미 존재하는 기능을 다시 구현하는 수준에 그쳐, 컨텍스트에 불필요한 정보를 과도하게 추가하고 Agent 성능을 저하시킨다는 지적이 있습니다.

Skills가 등장한 이후에는 일부 MCP 서버를 Skills 파일로 대체하는 사례도 소개되고 있습니다. 대표적으로 GitHub MCP 서버는 Agent에게 이슈 생성이나 코드 병합과 같은 GitHub 상호작용 방법을 알려주기 위해 약 2만 3천 개의 토큰을 사용하지만, Skills를 활용하면 약 200개의 토큰으로 동일한 결과를 얻을 수 있다고 합니다.

​

​

하지만 Skills가 모든 MCP를 대체할 수 있다고 오해해서는 안 됩니다. Skills와 MCP는 경쟁 관계라기보다 상호 보완적인 기술로 이해하는 것이 적절합니다. Skills가 Agent에게 작업을 수행하는 방법에 대한 지식을 제공한다면, MCP는 실제 실행 가능한 도구를 제공합니다. 즉 Skills에는 언제 어떤 MCP 서버를 어떤 방식으로 활용해야 하는지에 대한 지식이 포함될 수 있습니다. 따라서 Agent에게 필요한 지식과 도구의 역할을 구분하고, Skills와 MCP의 조합을 최적화한다면 토큰 사용을 줄이면서도 Agent의 성능을 효과적으로 확보할 수 있습니다.

​

​

폭발적 성장과 그 이면

이처럼 Agent Skills는 단순하면서도 Agent의 성능 향상에 효과적이며, 재사용성과 효율성 등 여러 장점 덕분에 빠르게 인기를 얻었습니다. 2025년 10월 Anthropic이 처음 소개한 이후 급속도로 발전하며, 이미 업계 전반의 개방형 표준으로 자리 잡는 모습입니다.

​

"Agent Skills: A Data-Driven Analysis of Claude Skills for Extending Large Language Model Functionality”라는 논문에 따르면, 마켓플레이스(skills.sh)에 등록된 Skills 수를 추적한 결과 2026년 1월 중순 약 2천 개 수준이던 Skills가 20일 만에 18.5배 증가해, 2월 초에는 4만 개를 넘어선 것으로 집계되었습니다. 이는 20일 동안 총 3만 8천 개 이상의 Skills가 새로 등록된 것으로, 가히 폭발적인 성장이라고 볼 수 있습니다.

​

​

하지만 이러한 Skills 열풍은 여러 문제점을 동반하고 있습니다. 앞서 언급한 논문에 따르면, 마켓플레이스에 등록된 4만 개 이상의 Skills 중 46.3%가 중복되거나 거의 동일한 것으로 나타났습니다. 이러한 중복은 사용자가 고품질의 Skills를 찾는 것을 매우 어렵게 만듭니다. 사용자 피드백이 파편화되면서 우수한 Skills가 다른 사용자에게 노출되기 어렵고, 결국 사용자는 수백 개의 '좀비'와 같은 Skills 속에서 원하는 것을 찾아야 하는 상황에 놓이게 됩니다.

​

​

또한 상당수의 Skills는 지나치게 비대한 구조를 가지고 있어, 하나만 설치해도 메모리를 거의 소진해 실제 Agent 작업을 위한 공간이 부족해질 수 있는 것으로 나타났습니다.

또 다른 문제는 사용자가 실제로 필요로 하는 Skills와 시장에 공급된 Skills 사이의 불균형입니다. 등록된 Skills를 영역별로 분류해 보면 절반 이상인 54.7%가 S/W Engineering 관련인 반면, 실제 사용자들이 가장 많이 설치한 Web Search 분야는 전체 Skills의 1.4%에 불과했습니다.

논문의 저자는 이러한 현상을 두고, 개발자들이 쉽게 만들 수 있는 코딩 유틸리티는 넘쳐나는 반면 사용자가 실제로 중요하게 여기는 복잡하고 다양한 커넥터를 필요로 하는 도구는 부족하다고 지적했습니다. 그 결과 Skills 생태계가 아무도 원하지 않는 것을 만들어내는 개발자들만의 '반향실(Echo Chamber)'이 되어가고 있다고 평가했습니다.

​

​

무엇보다 가장 심각한 문제는 보안이었습니다. 등록된 Skills의 약 9%가 Agent에게 시스템 수준의 제어 권한을 부여해 매우 심각한 위험을 내포​한 것으로 확인되었습니다. 이러한 Skills는 임의로 코드를 실행하거나 DB를 삭제할 수 있고, 암호 키 관리 시스템에 접근하거나 암호화폐 지갑 또는 은행 API와 연결해 실제 금융 거래를 실행할 수도 있습니다.

명확한 안전 장치가 없다면 이러한 Skills는 사용자뿐 아니라 전체 생태계에도 치명적인 피해를 초래할 수 있습니다.

​

​

"먼저" 보다 "제대로" 쓰기

소개된 연구들은 생태계의 과도한 열풍에 휩쓸려 무작정 Skills를 도입하려는 우리의 조급함을 잠시 내려놓게 합니다. 동시에 Skills의 잠재력을 제대로 활용하기 위해 필요한 구체적인 지침도 제시합니다. 예를 들어 Skills가 간결하게 작성되었는지 (잘 정리된 간결한 Skills는 방대한 문서보다 거의 4배 더 높은 성능을 보입니다), 인간이 선별한 전문성이 반영되었는지 (Agent가 직접 작성한 Skills는 효과적이지 않습니다), 지나치게 많은 Skills가 조합되지는 않았는지 (작업당 2~3개의 Skills가 최적의 이점을 제공합니다) 등을 세부적으로 점검할 것을 권합니다.

결국 중요한 것은 단순히 Skills를 사용하는지 여부가 아니라 상황에 맞는 최적의 설계인 것이죠.

​

특히 조직 관점에서 Skills 설계는 내부 마켓플레이스를 중심으로 한 지식 관리 생태계로 확장될 필요가 있습니다. 조직에서 Skills의 역할은 단순히 Agent 구현 방법에 그치지 않고, 조직의 전문 지식을 구조화하고 공유하며 지속적으로 진화시킬 수 있는 효과적인 수단이 됩니다. Git을 통해 버전 관리가 가능하고, 수정 시 즉시 반영되며, 벤더 종속성이 없다는 운영상의 장점도 있습니다. 이러한 특성 덕분에 실제 업무의 표준화와 일관성 확보가 가능해집니다.

​

따라서 표준 운영 절차나 직원들의 머릿속에 존재하는 암묵적 지식을 잘 설계된 Skills로 전환하고, 이를 내부 마켓플레이스를 통해 관리·유통한다면 다른 어떤 방법보다 효과적으로 조직 전반에 확산되고 지속될 수 있습니다. 성숙한 마켓플레이스를 구축하기 위해서는 중복을 최소화하고 공식 버전을 선별하는 체계, Skills의 품질을 유지하기 위한 관리 방식, 그리고 수요가 높은 핵심 지식이 우선적으로 등록될 수 있도록 하는 인센티브 정책까지 함께 마련되어야 합니다.

무엇보다 조직에는 더 큰 피해를 초래할 수 있는 보안 위험을 완화하기 위해, Skills 권한에 따른 위험도 관리, Agent 보안 프레임워크 적용, 표준화된 샌드박싱을 통한 실행 격리, 런타임 모니터링 등 계층형 보안 체계를 구축하는 것이 중요합니다.

​

​

조직의 AI Agent 도입은 소프트웨어 배포보다 신입사원 채용에 더 가깝다는 이야기가 있습니다. 많은 기업들이 AI Agent를 통해 기대만큼의 성과를 얻지 못하는 이유 중 하나는 바로 이 점을 간과하기 때문일 수 있습니다.

AI 신입사원을 맞이하기 위해 꼭 필요한 완벽한 매뉴얼, 이제 Agent Skills를 준비할 때입니다.

​

​

​

※ 참고

1) Introducing SkillsBench: The First Benchmark for Agent Skills

2) The Wild West of Agent Skills: Inside the Explosive, Risky, and Redundant Marketplace of AI Tools