Claude Code 자동 요약, 첫 압축에서 가장 많이 잃는다 — ‘80%’의 진짜 이유를 논문 데이터로 검증한 영상

Claude Code로 작업을 이어 가다 보면 대화가 길어질 때 자동으로 요약이 들어가는데, 그 첫 번째 요약에서 맥락을 가장 많이 잃는다는 분석이 나왔어요. 코난쌤 채널의 영상 ‘Claude Code 자동 요약, 첫 압축에서 가장 많이 잃는다 — 약 80%의 진짜 이유’(2026-10-19 게시, 10분 24초, 무료 공개 본편)은 “제가 공개 데이터로 직접 다시 계산을 해봤습니다”라는 선언으로 시작하는 검증 서사예요. 영상은 ‘첫 압축 지점의 70%에서 요약 뒤에 오히려 일이 꼬였다’는 재계산 결과와 함께, “컨텍스트가 50%를 넘으면 성능이 뚝 떨어진다”는 소문과 “자동 컴팩션이 왜 80%로 알려졌는지”를 차례로 파헤쳐요. 이 글은 영상 자막 전문을 1차 근거로 삼고, 영상의 재계산 수치·발언·스펙은 문장 안에 ‘영상에서/영상은/영상의’ 소속을 명시했어요. 논문 원수치와 코난쌤 재계산치는 다른 수치로 구분해 적었고, Editor_K의 해석은 별도 문단으로 분리했어요.

컴팩션이란 — 오래된 대화를 요약문으로 바꾸는 기능

영상은 컴팩션을 이렇게 소개해요. 에이전트와 대화를 나누다 보면 컨텍스트 창이 한계에 가까워지는데, 이때 오래된 대화 기록을 요약문으로 바꿔서 공간을 확보하는 기술이라는 거예요. 영상은 Claude Code가 한계에 다다르면 이 작업을 자동으로 수행하고, 사용자가 /compact 명령어로 수동 실행할 수도 있다고 설명해요.

무엇을 남기고 버리는지도 영상이 정리해요. 영상은 Anthropic 엔지니어링 블로그 기준으로 아키텍처 결정이나 미해결 버그, 구현 세부사항은 요약에 남기고, 중복된 도구 출력이나 메시지는 과감하게 버린다고 소개해요. 그다음 압축된 맥락에 최근 접근한 파일 5개를 더해서 작업을 이어 간다는 것도 영상의 설명이에요. 영상은 여기에 단서를 붙여요. Anthropic도 너무 공격적으로 압축하면 중요한 맥락을 잃는다고 인정했고, 나중에야 중요성이 드러나는 미묘한 정보들이 사라질 수 있다는 점이 바로 이 글의 질문이 된다는 거예요.

근거 논문 — TRACE 코퍼스 590곳 비교

영상이 근거로 든 것은 지난 10월 6일에 공개된 TRACE 코퍼스 분석 논문이에요. 영상의 소개를 따르면 노키아 연구팀이 내놓은 이 논문은 앱월드(AppWorld) 과제 147개에서 강제로 압축이 일어난 590곳을 짝지어 비교했어요. 압축 전 원본 맥락과 압축 후 요약본으로 각각 다시 실행해 보고, 다음 행동에서 에러나 중복 호출이 얼마나 늘어나는지를 부담 지표로 쟀다는 거예요. 논문 저자들은 첫 번째 컴팩션이 그 뒤의 압축보다 더 큰 부담을 준다고 밝혔는데, 영상은 과제 고정 효과를 통제한 상태에서 첫 압축과 그 이후 압축의 격차가 0.274였다고 소개해요. 이 0.274는 논문 저자들의 발표 수치예요. 다음 절의 숫자들과 성격이 다르다는 점을 먼저 구분해 둘게요.

재계산 결과 — 첫 압축 70% vs 이후 48%

여기부터가 영상의 핵심이에요. 코난쌤은 노키아 연구팀의 공개 데이터를 클론해 직접 다시 계산했어요. 파이썬으로 스캔 스크립트를 실행해 3분 만에 전체 표가 나왔다고 영상은 전해요. 전체 590곳 중 손해를 본 비율은 58%, 부담 증가분은 0.35였습니다. 여기서 첫 압축 275곳만 따로 떼면 손해 비율이 70%로 치솟고, 두 번째 이후 압축 315곳에서 손해를 본 비율은 48%로 계산됐다는 거예요. 영상은 이 자리에서 분명히 선을 그었어요. “이 70%와 48%라는 숫자는 제가 공개 코퍼스로 직접 다시 계산해본 값”이라는 소속 표현이에요.

구분	압축 지점	손해 비율	비고
첫 압축	275곳	70%	전체의 앞부분. 에러 지표 0.26에서 0.73으로 상승
두 번째 이후 압축	315곳	48%	이미 요약된 상태에서 추가로 잃은 몫
전체	590곳	58%	부담 증가분 0.35

왜 하필 첫 번째 요약의 타격이 클까요? 영상은 숫자로 답을 보여 줘요. 첫 압축 전에는 에러 지표가 0.26으로 낮았는데, 압축을 한 번 거치면 0.73으로 훌쩍 오른다는 거예요. 요약본에서 가장 많이 늘어난 에러는 파이썬 네임 에러로 37회에서 208회로 5.6배 폭증했고, 토큰 누락으로 나는 HTTP 401 에러도 73회에서 174회로 2.4배 늘었다고 영상은 계산했어요. 영상이 논문의 과제 사례 하나(영상 표기 기준 ‘벤모’)를 소개하기도 해요. 7단계 뒤 첫 압축에서 부담이 1.8로 치솟았고, 요약문이 설명하는 변수가 실제로는 묶여 있지 않아 네임 에러가 난 경우라는 거예요.

원인을 한 문장으로 정리하면 이렇게 돼요. 요약이 ‘무엇을 했는지’는 남기지만, 변수나 토큰 같은 실제 값을 잃어버린다는 거예요. 영상은 이 결과가 나온 실험 조건도 공개했어요. 미니맥스 M3 모델과 4,096토큰 창에서 진행된 실험이라 한계가 있다는 고지였어요.

컨텍스트 상태 전이 — 원본 대화에서 첫 압축, 이후 압축까지

코난쌤 재계산 수치(영상, 2026-10-20 자막 확인)를 상태별로 배치했다. 실험 조건은 미니맥스 M3·4,096토큰 창. 구성: Editor_K 재구성.

상태 1 — 원본 대화(풀 컨텍스트)
재계산 기준 에러 지표 0.26으로 낮은 편이다(영상).

▼ 전이 — 첫 압축 발생(자동 또는 /compact)

상태 2 — 첫 압축 직후(요약본)
손해 비율 70%(275곳, 재계산). 에러 지표 0.73, 네임 에러 5.6배, HTTP 401 2.4배(영상 재계산).

▼ 전이 — 추가 압축

상태 3 — 이후 압축 상태
두 번째 이후 315곳의 추가 손해 비율은 48%. 이미 요약된 상태에서 출발해 기준이 다르다(영상).

공통 원인
요약은 ‘무엇을 했는지’는 남기지만 변수·토큰 같은 실제 값을 잃는다(영상).

‘50% 롯 법칙’ 검증 — 절벽처럼 꺾이지는 않았다

컴팩션이 정보를 잃는다면, 압축을 하지 않고 계속 채우는 건 어떨까요? 여기서 영상이 파헤친 소문이 나와요. “컨텍스트가 50%를 넘으면 성능이 급락한다”는 이야기예요. 토큰이 늘수록 정확도와 회상률이 떨어지는 현상을 컨텍스트 롯이라고 부르는데, 영상은 40~50%라는 숫자가 논문의 일반 법칙인지부터 정직하게 짚어요.

영상의 소개를 따르면 컨텍스트 비율로 문턱을 잰 연구는 올해 1월에 나왔고, 큐원(Qwen) 2.5 7B 모델로 독해 과제의 F1 점수를 측정한 논문이에요. 이 연구는 최대 컨텍스트의 40~50% 구간을 임계 문턱로 보고했고, F1 중앙값이 0.556에서 0.302로 45.5% 떨어졌다고 나옵니다. 다만 영상은 실제 그래프를 같이 보여 줘요. 점들의 분산이 꽤 크게 퍼져 있고, 이동평균선도 46% 부근에서 0.59를 찍은 뒤 서서히 내려가는 모양이라, 눈으로 보기에 40~50% 구간이 낭떠러지 절벽처럼 꺾이지는 않는다는 거예요.

커뮤니티에서 유행하는 40%라는 숫자의 출처도 영상이 정리해요. 휴먼레이어의 덱스 호시가 “컨텍스트 40%가 넘으면 모델이 바보가 된다”며 덤 존이라 불렀던 게 그 출처인데, 본인도 이건 경험적인 결과일 뿐이고 77%나 85%에서도 잘 될 때가 많다고 선을 그었어요. 영상은 심지어 100만 토큰 창이 나오자 본인의 경고 기준을 40%에서 10만 토큰으로 바꿨다는 점도 전해요. 크로마의 컨텍스트 롯 리포트 같은 주요 보고서도 창 대비 퍼센트를 쓰지 않고 3만~3만 2천 토큰 같은 절대 토큰 길이를 기준으로 본다는 것도 영상의 설명이에요. Anthropic의 타리크도 100만 토큰 창은 약 30만~40만 토큰쯤에서 롯이 보인다고 말했지만, 과제에 따라 크게 달라 고정된 규칙은 아니라고 선을 그었다고 영상은 전해요.

자동 컴팩션 80%의 진짜 이유 — 성능 보전이 아니라 신뢰성 버퍼

그럼 컨텍스트가 차면 성능이 떨어진다는 걸 알면서, 왜 자동 컴팩션은 80%에서 돌아갈까요? 영상의 결론은 분명해요. 성능이 떨어지기 전에 압축하라고 80%로 잡은 게 아니라는 거예요. 영상은 Claude Code 팀의 보리스 체르니가 직접 밝힌 이유를 소개해요. 20만 토큰 창 시절에 항상 약 15만 5천 토큰 근처에서 자동 컴팩션을 했고, 15만 5천을 20만으로 나누면 77.5%라서 흔히 약 80%로 불리게 됐다는 거예요. 목적은 순전히 충분한 버퍼를 확보해 신뢰성을 높이는 것이었고, 컨텍스트 창 초과 API 에러를 막기 위한 것이었다고 영상은 전해요. 비용을 아끼려던 설계가 아니었다는 뜻이에요.

영상은 여기에 날카로운 지적 하나를 덧붙여요. 타리크의 말로는 “자동 컴팩션은 모델이 가장 덜 똑똑할 때 일어난다”는 거예요. 요약이 값을 잃는 시점과 모델 여건이 겹친다는 지적이라, 압축에 의존한 운영이 왜 조심스러운지를 잘 보여 줘요.

지금 공식 문서 기준도 영상이 정리해요. 기본값은 고정된 퍼센트가 아니라는 거예요. 네이티브 100만 토큰 모델들은 기본으로 약 96만 7천 정도에서 컴팩션을 실행하고, 반면 API 서버 측 컴팩션의 기본 트리거는 입력 15만으로 설정돼 있다는 것이 영상의 소개예요. 창이 커질수록 ‘80%’라는 숫자 자체가 옛날 설명이 됐다는 거예요.

모델별 컨텍스트 창 — 영상 발표 기준 정리

영상은 지금 시점의 주요 모델 컨텍스트 창을 표로 정리했어요. 아래 표는 그 값을 옮긴 거예요. 이 수치들은 영상 발표 기준이고 공식 스펙표 대조는 이 글 범위 밖이라, 모델별 컨텍스트 창과 출력을 모두 영상 발표 기준으로만 표기했어요.

모델(영상 표기)	창 크기	출력	비고
Claude 페이블 5.1·오퍼스 5.5·소넷 5.5·하이쿠 5.5	입력 100만 토큰	최대 12만 8천 토큰	네 모델 모두 같은 값
GPT-6 아스트라	전체 105만 토큰(입력 최대 92만 2천)	영상에서 별도 언급 없음	영상이 OpenAI 플래그십으로 소개
Gemini 4 아르곤	104만 8,576토큰	입출력이 하나의 창을 나눠 사용	남은 공간만큼 긴 응답(롱 디코드) 가능
DeepSeek V4 Pro	입력 100만 토큰	최대 38만 4천 토큰	영상이 큰 출력값으로 소개

창이 100만 토큰으로 커지면 실무에서 무엇이 좋아질까요? 영상은 예시를 들어요. 7만 5천 줄 규모의 코드베이스를 한 번에 넣을 수 있고, 수백 개의 문서를 한꺼번에 넣고 서로 맞춰 보는 것도 가능하고, 예시를 수천 개까지 넣는 매니샷 인컨텍스트 러닝도 가능해져요. 에이전트가 도구 호출을 수백 번 이어 가도 요약이나 잘라내기에 덜 의존하게 된다는 것도 영상의 설명이에요.

다만 영상은 여기서 멈추라고 말해요. 100만 토큰을 끝까지 다 채워도 똑같이 잘 기억한다는 뜻은 아니라는 거예요. 영상은 Anthropic 공식 문서가 토큰이 늘수록 정확도와 회상률이 떨어진다고 적었고, 구글 문서도 찾아야 할 정보 조각이 여러 개면 정확도가 똑같지 않다고 설명한다고 전해요. 창이 넓어져도 무엇을 넣을지 고르는 일과 컴팩션 전략은 여전히 중요하다는 게 영상의 정리예요.

실무 적용 3가지 — 영상이 정리한 습관

영상은 마무리에서 현업에서 바로 쓸 수 있는 습관 세 가지를 정리했어요. 요약에 실제 값을 남기는 지시, 압축 시점을 앞당기는 설정, 그리고 가벼운 정리와 관찰이에요.

번호	무엇을	왜·어떻게(영상의 설명)
1	요약 지시에 실제 값을 남긴다	/compact 뒤에 코드 샘플·API 사용법 집중 지시를 붙이고, CLAUDE.md에 Compact instructions 섹션을 만들어 변수명·토큰·페이지 번호 같은 보존 대상을 고정한다
2	압축 시점을 앞당긴다	CLAUDE_AUTOCOMPACT_PCT_OVERRIDE 환경변수에 50 같은 낮은 값을 주면 96만 7천 토큰까지 기다리지 않고 더 일찍 압축한다
3	가벼운 정리부터 하고 첫 압축을 관찰한다	Anthropic이 권하는 가장 가벼운 압축인 오래된 도구 결과 비우기부터 활용하고, 운영 로그에서 첫 압축 시점은 따로 집계해 에러를 살펴본다

영상 원문은 아래에서 그대로 볼 수 있어요.

오늘의 배울 점과 다음 적용

여기부터는 Editor_K의 해석이에요. 첫째, 이 영상의 진행 순서 자체가 교육 자료예요. 유행하는 숫자(50% 법칙, 80% 신화)를 소문으로 먼저 놓고, 원논문을 확인하고, 공개 데이터를 직접 다시 계산하고, 실험 한계를 밝히고, 적용법으로 끝내는 검증 서사는 비판적 AI 리터러시 교육의 모범 사례예요. Edu 수업에서 “이 숫자, 어디서 왔어요?”를 습관화하는 훈련의 완성형 예시로 그대로 쓸 수 있어요.

둘째, ‘요약에 실제 값을 남겨라’는 결론은 Edu의 장시간 실습 세션 운영 가이드 근거가 돼요. 학습자가 Claude Code 세션을 오래 유지하면 첫 압축이 반드시 찾아오는데, 이때 잃는 것이 변수·토큰 같은 실제 값이라는 게 영상 재계산의 핵심이었어요. 세션 시작 전에 요약 지시문을 준비해 두고, 첫 압축이 일어난 시점을 기록해 두는 습관을 커리큘럼에 넣을 만해요.

셋째, 모델별 스펙을 표로 나란히 놓고 비교하는 설명 방식은 Edu가 요금·스펙 비교표로 도구를 가르치는 방식과 같은 방향이에요. 다만 이번 표는 영상 발표 기준이라는 소속이 붙는다는 점이 교육 포인트예요. 출처 없는 스펙표를 그대로 믹지 말고, 소속과 확인일을 붙여 비교하는 연습이 함께 가야 해요. 같은 컨텍스트·토큰 운영 축의 앞 글로 ‘Claude Code 비용은 운영으로 줄인다 — 캐시 10분의 1과 세션 중 모델 전환 금지부터’(2026-10-13)를 함께 읽으면 좋아요. 그 글이 ‘비용을 어떻게 줄이는가’였다면 이번 글은 ‘언제, 무엇을 잃는가’의 근거 축이에요.

적용 장면은 구체적이에요. 다음 Claude Code 실습 세션에서 첫 과제를 ‘CLAUDE.md에 Compact instructions 섹션 작성’으로 두고, 변수명·페이지 번호 같은 보존 대상을 학습자가 직접 적어 보게 하는 거예요. 긴 실습이 끝나면 첫 압축이 일어난 시점과 직후의 오류 메시지를 함께 기록해 보고, 오래된 도구 결과 비우기부터 시도하게 하는 순서로 이어 갈게요. 조건 확인도 필요해요. 명령어·환경변수 동작은 버전에 따라 달라질 수 있으니 세션 전에 공식 문서를 다시 확인하고, 학습자 PC 정책에 따라 환경변수 설정은 선택 과제로 둘게요.

한계와 남은 질문

이 글의 사실 관계는 2026-10-20 자막 원문 확인 시점 기준이에요. 재계산 수치(58%·0.35·70%·48% 등)는 한 분의 개인 채널이 공개 데이터로 직접 다시 계산한 값이고, Edu의 독립적 재검증 결과가 아니에요. 논문 저자 발표 수치(격차 0.274)와 재계산치는 다른 성격의 숫자라 본문에서 구분해 적었어요. 실험도 미니맥스 M3 모델과 4,096토큰 창 조건이라, 다른 모델·창 크기에서 같은 결과가 나오는지는 확인이 필요해요.

모델별 컨텍스트 창 표는 영상 발표 기준이고, 공식 스펙·요금 확인은 이 글 범위 밖의 후속 과제로 남겨요. 도구·모델·인물 이름은 음성인식 자막 표기라 실제 표기와 다를 수 있어서, 이 글은 영상 표기를 그대로 인용했고 서비스나 논문을 직접 링크하지 않았어요. 남은 질문은 세 가지예요. 공식 문서의 컴팩션 기본값(네이티브 100만 모델 약 96만 7천, 서버 측 입력 15만 트리거) 대조, 미니맥스 외 모델에서의 재계산 재현, 그리고 롯 문턱을 절대 토큰 기준으로 다시 잰 값의 일반화 가능성이에요.

출처와 시각자료

• 메인 원문: 코난쌤, ‘Claude Code 자동 요약, 첫 압축에서 가장 많이 잃는다 — 약 80%의 진짜 이유’(자막 기록 표기 기준), 2026-10-19 게시, 10분 24초, 무료 공개 본편. https://www.youtube.com/watch?v=5BRegXSIpFs (2026-10-20 자막 전문 확인, OMW ai_edu raw 보존) — 컴팩션 개요·TRACE 재계산·80%의 진짜 이유·실무 적용의 1차 근거예요.
• 자막 기록: 코난쌤 영상 자막 전문(raw, 198세그먼트 보존, 2026-10-20 수집·확인) — 본문 인용 문장들의 위치예요.
• 영상이 인용한 논문·공식 자료: TRACE 코퍼스 분석 논문(노키아 연구팀, 영상 소개 기준 10월 6일 공개)·Anthropic 엔지니어링 블로그·보리스 체르니 발언·큐원 2.5 7B 독해 연구·크로마 컨텍스트 롯 리포트 — 본문에서 직접 원문 대조는 하지 않았고 모두 영상 경유 소속으로 표기했어요.
• 계열 글: 요즘 AI소식 2026-10-13 ‘Claude Code 비용은 운영으로 줄인다 — 캐시 10분의 1과 세션 중 모델 전환 금지부터’ — 같은 컨텍스트·토큰 운영 축의 비용 편이에요.

시각자료 출처

• 첫 번째 이미지: AI 생성 이미지(gpt-image-2, 2026-10-19 생성, Edu 제작). 텍스트 없는 독창적 일러스트이며 실제 실험 화면이 아니에요.
• 두 번째 이미지: AI 생성 이미지(gpt-image-2, 2026-10-19 생성, Edu 제작). 텍스트 없는 독창적 일러스트이며 실제 실험 그래프가 아니에요.
• 첫 압축 vs 이후 압축 표: 영상의 재계산 수치(2026-10-20 자막 확인)를 Editor_K가 재구성했어요.
• 모델별 컨텍스트 창 표: 영상 발표 기준 수치(2026-10-20 자막 확인)를 Editor_K가 재구성했어요. 공식 스펙표가 아니에요.
• 실무 적용 3가지 표: 영상 마무리 정리를 Editor_K가 재구성했어요.
• 컨텍스트 상태 전이 다이어그램: 영상의 재계산 수치(2026-10-20 자막 확인)를 Editor_K가 상태 전이 구조로 재구성했어요.
• YouTube 임베드: 원문 공식 임베드예요.

근거 수준 고지: 이 글의 사실 관계는 2026-10-20 자막 확인 시점 기준이며, 영상 게시물은 이후 수정·삭제될 수 있어요. 영상의 재계산 결과와 해석은 한 분의 견해이고, Edu의 독립적 재검증 결과가 아니에요. 이후 원문이 사라지면 인용 부호도 확인이 필요해요.