VIBECODING 365 / DICTIONARY
점진적 공개
Progressive Disclosure
DEFINITION
정의
AI에게 모든 정보를 한 번에 제공하지 않고, 작업 진행 상황에 따라 필요한 시점에 필요한 깊이의 정보만 단계적으로 제공하는 컨텍스트 엔지니어링 기법이다. 원래 UX 디자인에서 사용자에게 복잡한 인터페이스를 단계적으로 노출하는 원칙에서 차용되었다. 바이브 코딩에서의 적용 방식: 처음에는 프로젝트 구조 요약과 CLAUDE.md만 제공하고, AI가 특정 모듈 작업을 시작하면 해당 모듈의 상세 코드와 관련 테스트를 추가 제공하며, 에러가 발생하면 관련 로그와 디버그 정보를 추가 제공한다. 이렇게 하면 컨텍스트 윈도우를 효율적으로 사용하면서도 AI가 각 시점에서 필요한 정보를 충분히 갖게 된다. 반대로, CLAUDE.md의 전체 내용 + 모든 관련 파일 + 모든 테스트 코드를 한 번에 넣으면 오히려 컨텍스트 부패(Context Rot)가 발생하여 AI가 핵심 정보를 놓치는 역설적 상황이 생긴다. '정보를 많이 주면 더 잘한다'는 직관과 달리, '적시에 적량의 정보를 주는 것'이 훨씬 효과적이며, 이것이 점진적 공개의 핵심 통찰이다.
참고
전체 AGENTS.md를 한 번에 넣으면 오히려 성능 저하(Context Rot) 발생.
ENGLISH
Progressive Disclosure
EXAMPLE
처음에는 프로젝트 구조 요약만 제공 → AI가 결제 모듈 작업을 시작하면 해당 모듈의 상세 코드를 추가 제공 → 에러 발생 시 관련 로그를 추가 제공.
NOTES
전체 AGENTS.md를 한 번에 넣으면 오히려 성능 저하(Context Rot) 발생.
관련
이어서 볼 문서
RELATED TERMS
연관 용어
CLAUDE.md / AGENTS.md
프로젝트 루트 디렉토리에 배치하는 마크다운 파일로, AI 에이전트에게 프로젝트의 아키텍처, 코딩 컨벤션, 빌드·테스트 명령어, 기술 스택, 제약 조건 등을 알려주는 '프로젝트 지도(map)' 역할을 한다. Claude Code에서 /init 명령어로 자동 생성할 수 있으며, AI가 프로젝트를 처음 접할 때 가장 먼저 읽는 파일이다. 잘 작성된 CLAUDE.md는 AI 에이전트의 코드 생성 품질을 극적으로 향상시키며, 반대로 이 파일이 없으면 AI가 프로젝트의 패턴과 규칙을 이해하지 못해 일관성 없는 코드를 생성한다. Mitchell Hashimoto(하네스 엔지니어링 창시자)는 AGENTS.md를 반복적으로 개선하는 것을 하네스 엔지니어링의 핵심 활동으로 제안했다. 구체적 방법론은: AI 에이전트가 실수를 했을 때, 같은 실수를 반복하지 않도록 해당 규칙을 AGENTS.md에 추가하는 것이다. 시간이 지남에 따라 AGENTS.md는 프로젝트의 모든 '암묵적 규칙'이 명시화된 문서로 성장한다. CLAUDE.md는 Claude Code 전용이고, AGENTS.md는 도구 독립적인 범용 이름이며, 기능과 목적은 동일하다.
컨텍스트 엔지니어링 .cursorrules / .windsurfrules.cursorrules / .windsurfrules
Cursor IDE의 .cursorrules와 Windsurf IDE의 .windsurfrules는 각각의 IDE에서 프로젝트별 AI 행동 규칙을 정의하는 설정 파일이다. CLAUDE.md가 Claude Code 전용 규칙 파일이라면, .cursorrules는 Cursor 전용, .windsurfrules는 Windsurf 전용 규칙 파일이다. 기능과 목적은 동일하지만 각 도구에 맞는 형식과 지시 방식이 다르다. 프로젝트 루트에 배치하면 AI가 자동으로 읽어 모든 코드 생성과 수정에 적용한다. 대표적인 규칙 내용으로는 '항상 TypeScript strict mode 사용', 'async/await만 사용하고 .then() 체이닝 금지', 'any 타입 절대 사용 금지', '모든 컴포넌트는 함수형으로 작성', '에러 처리에는 반드시 try-catch 사용' 등이 있다. 이러한 규칙 파일이 없으면 AI가 프로젝트 내에서 일관되지 않은 코딩 스타일을 사용하게 되므로, 바이브 코딩을 시작할 때 가장 먼저 설정해야 하는 파일 중 하나이다. 커뮤니티에서 공유되는 .cursorrules 템플릿도 많으므로 참고하면 좋다.
컨텍스트 엔지니어링 검색 증강 생성RAG (Retrieval-Augmented Generation)
외부 데이터 소스에서 관련 정보를 먼저 검색(Retrieval)한 뒤, 이 정보를 LLM의 컨텍스트에 포함시켜(Augmented) 응답을 생성(Generation)하는 기술이다. 2020년 Meta AI의 Patrick Lewis 등이 발표한 논문에서 처음 제안되었으며, AI의 환각(Hallucination) 문제를 해결하는 가장 효과적인 방법 중 하나로 자리잡았다. LLM은 훈련 데이터에 포함되지 않은 정보(사내 코드, 비공개 API 문서, 최신 라이브러리 변경사항 등)를 알 수 없지만, RAG를 통해 관련 문서를 실시간으로 검색하여 컨텍스트에 주입하면 최신·정확한 정보를 기반으로 코드를 생성할 수 있다. 바이브 코딩에서의 활용 예시: AI 코딩 에이전트가 사내 API 문서 데이터베이스를 RAG로 검색하여, 정확한 엔드포인트 URL, 인증 방식, 요청/응답 스키마를 확인한 후 코드를 생성한다. Grounding의 핵심 구현 방식이며, Corrective RAG(검색 결과의 관련성을 평가하여 재검색하는 변형) 등의 발전된 형태도 존재한다.