인트로픽 스킬이 에이전트 툴링을 바꾸는 방법과 밀버스가 RAG를 빠르게 스핀업하는 커스텀 스킬을 빌드하는 방법

툴 사용은 상담원의 업무 수행에 있어 큰 부분을 차지합니다. 상담원은 올바른 도구를 선택하고, 언제 도구를 호출할지 결정하고, 입력 형식을 올바르게 지정해야 합니다. 서류상으로는 간단해 보이지만 실제 시스템을 구축하기 시작하면 수많은 에지 케이스와 실패 모드를 발견하게 됩니다.

많은 팀이 이를 정리하기 위해 MCP 스타일의 도구 정의를 사용하지만, MCP에는 대략적인 한계가 있습니다. 이 모델은 모든 도구를 한 번에 추론해야 하며, 결정을 안내하는 구조가 많지 않습니다. 게다가 모든 도구 정의는 컨텍스트 창에 있어야 합니다. 이 중 일부는 매우 큰 규모(GitHub MCP의 경우 약 26,000개의 토큰)로 에이전트가 실제 작업을 시작하기도 전에 컨텍스트를 먹어치웁니다.

이러한 상황을 개선하기 위해 앤트로픽은 스킬을 도입했습니다. 스킬은 더 작고, 더 집중적이며, 필요에 따라 로드하기 쉽습니다. 모든 것을 컨텍스트에 덤핑하는 대신 도메인 로직, 워크플로 또는 스크립트를 필요할 때만 에이전트가 가져올 수 있는 작은 단위로 패키징합니다.

이 게시물에서는 인공 지능 스킬의 작동 방식을 살펴본 다음 자연어를 Milvus 지원 지식창고로 전환하는 간단한 스킬을 Claude Code로 구축하는 방법을 안내하여 추가 배선 없이 RAG를 빠르게 설정하는 방법을 살펴보겠습니다.

인공 지능 스킬이란 무엇인가요?

인공 지능스킬 (또는 상담원 스킬)은 상담원이 특정 작업을 처리하는 데 필요한 지침, 스크립트 및 참조 파일을 한데 묶은 폴더입니다. 작고 독립적인 기능 팩이라고 생각하면 됩니다. 스킬은 보고서를 생성하거나, 분석을 실행하거나, 특정 워크플로 또는 일련의 규칙을 따르는 방법을 정의할 수 있습니다.

핵심 아이디어는 스킬은 모듈식이며 필요에 따라 로드할 수 있다는 것입니다. 상담원은 컨텍스트 창에 방대한 도구 정의를 채우는 대신 필요한 스킬만 가져옵니다. 이렇게 하면 컨텍스트 사용량을 낮추는 동시에 모델에 어떤 도구가 있는지, 언제 호출해야 하는지, 각 단계를 어떻게 실행해야 하는지에 대한 명확한 지침을 제공할 수 있습니다.

이 형식은 의도적으로 단순하기 때문에 Claude Code, 커서, VS Code 확장 프로그램, GitHub 통합, 코덱스 스타일 설정 등 다양한 개발자 도구에서 이미 지원되거나 쉽게 적용할 수 있습니다.

스킬은 일관된 폴더 구조를 따릅니다:

skill-name/
├── SKILL.md       # Required: Skill instructions and metadata
├── scripts/         # Optional: helper scripts
├── templates/       # Optional: document templates
└── resources/       # Optional: reference materials

1. SKILL.md (핵심 파일)

에이전트를 위한 실행 가이드로, 에이전트에게 작업을 정확히 어떻게 수행해야 하는지 알려주는 문서입니다. 스킬의 메타데이터(이름, 설명, 트리거 키워드 등), 실행 흐름 및 기본 설정이 정의되어 있습니다. 이 파일에는 다음과 같이 명확하게 설명해야 합니다:

• 스킬이 언제 실행되어야 하는지: 예를 들어 사용자 입력에 "Python으로 CSV 파일 처리"와 같은 문구가 포함되면 스킬을 트리거합니다.

• 작업을 수행하는 방법: 사용자의 요청 해석 → scripts/ 디렉터리에서 전처리 스크립트 호출 → 필요한 코드 생성 → templates/ 의 템플릿을 사용하여 출력 형식 지정 등의 순서로 실행 단계를 배치합니다.

• 규칙 및 제약 조건: 코딩 규칙, 출력 형식, 오류 처리 방법 등의 세부 사항을 지정합니다.

2. scripts/ (실행 스크립트)

이 디렉터리에는 Python, Shell 또는 Node.js와 같은 언어로 미리 작성된 스크립트가 포함되어 있습니다. 에이전트는 런타임에 동일한 코드를 반복적으로 생성하는 대신 이러한 스크립트를 직접 호출할 수 있습니다. 대표적인 예로는 create_collection.py 및 check_env.py 이 있습니다.

templates/ (문서 템플릿)

상담원이 사용자 지정 콘텐츠를 생성하는 데 사용할 수 있는 재사용 가능한 템플릿 파일입니다. 일반적인 예로는 보고서 템플릿이나 구성 템플릿이 있습니다.

resources/ (참고 자료)

API 문서, 기술 사양 또는 모범 사례 가이드 등 상담원이 실행 중에 참조할 수 있는 참조 문서입니다.

SKILL.md 에서는 작업을 설명하고, scripts/ 에서는 바로 사용할 수 있는 도구를 제공하며, templates/ 에서는 표준 형식을 정의하고, resources/ 에서는 배경 정보를 제공하는 등 전반적으로 이 구조는 새로운 팀원에게 업무를 인계하는 방식을 반영하고 있습니다. 이 모든 것이 준비되어 있으면 상담원은 추측을 최소화하면서 안정적으로 작업을 실행할 수 있습니다.

실습 튜토리얼: Milvus 기반 RAG 시스템을 위한 사용자 지정 스킬 만들기

이 섹션에서는 일반 자연어 명령어에서 Milvus 컬렉션을 설정하고 전체 RAG 파이프라인을 조립할 수 있는 사용자 지정 스킬을 만드는 과정을 안내합니다. 수동 스키마 설계, 인덱스 구성, 상용구 코드 등 일반적인 설정 작업을 모두 건너뛰는 것이 목표입니다. 에이전트에게 원하는 것을 말하면 스킬이 밀버스 조각을 자동으로 처리합니다.

디자인 개요

전제 조건

구성 요소	요구 사항
CLI	claude-code
모델	GLM 4.7, OpenAI
컨테이너	Docker
Milvus	2.6.8
모델 구성 플랫폼	CC-Switch
패키지 관리자	npm
개발 언어	Python

1단계: 환경 설정

설치 claude-code

npm install -g @anthropic-ai/claude-code

CC-Switch 설치

참고: CC-Switch는 로컬에서 AI 모델을 실행할 때 서로 다른 모델 API 간에 쉽게 전환할 수 있는 모델 전환 도구입니다.

프로젝트 저장소: https://github.com/farion1231/cc-switch

클로드 선택 및 API 키 추가

현재 상태 확인

Milvus-Standalone 배포 및 시작하기

# Download docker-compose.yml
wget https://github.com/milvus-io/milvus/releases/download/v2.6.8/milvus-standalone-docker-compose.yml -O docker-compose.yml
# Start Milvus (check port mapping: 19530:19530)
docker-compose up -d
# Verify that the services are running
docker ps | grep milvus
# You should see three containers: milvus-standalone, milvus-etcd, milvus-minio

OpenAI API 키 구성

# Add this to ~/.bashrc or ~/.zshrc
OPENAI_API_KEY=your_openai_api_key_here

2단계: Milvus용 커스텀 스킬 생성하기

디렉토리 구조 생성

cd ~/.claude/skills/
mkdir -p milvus-skills/example milvus-skills/scripts

초기화 SKILL.md

참고: SKILL.md는 에이전트의 실행 가이드 역할을 합니다. 여기에는 스킬이 수행하는 작업과 트리거 방법이 정의되어 있습니다.

name: milvus-collection-builder
description: Create Milvus collections using natural language, supporting both RAG and text search scenarios

핵심 스크립트 작성

스크립트 유형	파일 이름	목적
환경 확인	check_env.py	Python 버전, 필수 종속성 및 Milvus 연결을 확인합니다.
인텐트 파싱	intent_parser.py	"RAG 데이터베이스 구축"과 같은 요청을 다음과 같은 구조화된 인텐트로 변환합니다. scene=rag
컬렉션 생성	milvus_builder.py	컬렉션 스키마 및 인덱스 구성을 생성하는 핵심 빌더
데이터 수집	insert_milvus_data.py	문서를 로드하고, 청크하고, 임베딩을 생성하고, Milvus에 데이터를 씁니다.
예제 1	basic_text_search.py	문서 검색 시스템을 만드는 방법을 보여줍니다.
예제 2	rag_knowledge_base.py	완전한 RAG 지식창고를 구축하는 방법을 보여드립니다.

이 스크립트에서는 Milvus 중심 스킬을 실제 문서 검색 시스템과 지능형 Q&A(RAG) 설정으로 전환하는 방법을 보여줍니다.

3단계: 스킬 활성화 및 테스트 실행하기

자연어로 요청 설명하기

"I want to build an RAG system."

RAG 시스템 생성

샘플 데이터 삽입

쿼리 실행

결론

이 튜토리얼에서는 커스텀 스킬을 사용하여 Milvus 기반 RAG 시스템을 구축하는 과정을 살펴봤습니다. 목표는 단순히 Milvus를 호출하는 또 다른 방법을 보여주는 것이 아니라, 스킬을 사용하여 일반적으로 여러 단계의 구성이 많은 설정을 재사용하고 반복할 수 있는 설정으로 바꾸는 방법을 보여드리는 것이었습니다. 스키마를 수동으로 정의하거나 인덱스를 조정하거나 워크플로 코드를 이어 붙이는 대신 스킬이 대부분의 상용구를 처리하므로 사용자는 실제로 중요한 RAG 부분에 집중할 수 있습니다.

이것은 시작에 불과합니다. 전체 RAG 파이프라인에는 전처리, 청킹, 하이브리드 검색 설정, 재랭크, 평가 등 많은 부분이 움직입니다. 이러한 모든 요소는 별도의 스킬로 패키징하여 사용 사례에 따라 구성할 수 있습니다. 팀에 벡터 차원, 인덱스 매개변수, 프롬프트 템플릿 또는 검색 로직에 대한 내부 표준이 있는 경우, 스킬은 이러한 지식을 인코딩하고 반복할 수 있도록 하는 깔끔한 방법입니다.

신규 개발자에게는 진입 장벽을 낮춰주며, 무언가를 실행하기 전에 Milvus의 모든 세부 사항을 배울 필요가 없습니다. 숙련된 팀의 경우 반복적인 설정을 줄이고 여러 환경에서 프로젝트를 일관되게 유지하는 데 도움이 됩니다. 기술이 신중한 시스템 설계를 대체할 수는 없지만 불필요한 마찰을 많이 줄여줍니다.

전체 구현은 오픈 소스 리포지토리에서 확인할 수 있으며, 스킬 마켓플레이스에서 커뮤니티에서 구축한 더 많은 사례를 살펴볼 수 있습니다.

계속 지켜봐 주세요!

또한 일반적인 RAG 패턴과 제작 모범 사례를 다루는 공식 Milvus 및 Zilliz Cloud 스킬을 도입하기 위해 노력 중입니다. 지원받고 싶은 아이디어나 특정 워크플로우가 있다면 Slack 채널에 참여하여 엔지니어와 채팅하세요. 또한 자체 설정에 대한 지침이 필요한 경우 언제든지 Milvus 오피스 아워 세션을 예약할 수 있습니다.