한줄 요약
초기창업패키지 R&D 제안서를 Claude Code로 준비하면서, '딥테크 기준'을 실제 선정 사례에서 역추론하고, 웹 챗봇과 로컬 에이전트의 결정적 차이를 깨달은 이야기.
코딩쪽에 Ralph Wiggum Loop 방법이 코딩 에이전트가 몇 시간 연속해서 일하게 만드는 방법이라고 엄청 핫한데 이걸 비개발 업무인 정부 과제 작성에 적용을 시도하는 이야기
배경: 작년 챗GPT로 실패한 이유
작년에 초창패 제안서를 챗GPT로 작성하려고 시도했습니다. 결과는 실패. 빈 양식을 한꺼번에 채우려고 하니 AI가 뱉어내는 답변이 두루뭉술하고, 맥락을 유지하지 못했습니다.
올해는 접근법을 바꿨습니다:
Claude Code CLI 사용 (웹 인터페이스 대신 로컬 파일 기반)
Task 단위로 쪼개기 (한 번에 다 시키지 않기)
Ralph Wiggum Loop 준비 (PASS/FAIL 기준으로 자동 반복)
Ralph Wiggum Loop란, Task를 주고 → 결과를 테스트하고 → 실패하면 다시 시도하는 방식입니다. 파일 시스템(Git)을 메모리처럼 활용해서 AI가 이전 작업을 참조하며 점진적으로 개선하게 만드는 방법입니다.
<클코 외에도 Codex, Gemini를 Antigravity 안에서 같이 썼고, 중요한 업무는 각각에게 시켜서 결과를 병합했어요>
작업 하이라이트
1. 152페이지 PDF → 마크다운 변환
초창패 통합관리지침 PDF(152페이지)를 마크다운으로 변환했습니다. 단순 변환이 아니라, 평가 기준과 감점 요소를 구조화해서 추출했습니다. 이렇게 만들어진 통합관리지침.md는 이후 모든 작업의 레퍼런스가 되었습니다. 이 작업은 Markdown Converter 스킬을 설치해서 했어요.
그냥 유저 폴더의 하위 ~/.claude/skills 에 폴더를 복사해 넣고, 클코를 재실행하니 바로 클코가 사용하더라구요.
2. '딥테크처럼 들리게' R&D 범위 작성
초창패 R&D는 '딥테크'여야 합니다. 문제는 딥테크의 정의가 모호하다는 것. 그래서 이런 딥테크에 대한 정의부터 인터넷 검색을 통해서 작성하게 하였습니다. 그리고 그런 정의에 따라서 제가 가지고 있는 우리 회사의 제품 아이디어 4가지를 알려주며, 각각에 대한 딥테크를 구체화 해 달라고 했어요.
나는 지피터스 운영사 지니파이의 대표 김태현이야.
우리 회사는 AI 스터디를 하고, 그걸로 사람들을 모아서 월 방문객이 10만명되는 사이트를 보유하고 있어
- AI 활용법 게시물 1만여개
- 20기까지 약 3,000여개의 AI 활용법 발표 영상
이런 데이터를 사용해서 딥테크 기술 개발을 정부 과제로 제안하고 싶어.
초기창업패키지, 예비창업패키지에서 딥테크 기술 개발 쪽으로 선정된 AI 관련 회사들이 어떤 기술을 개발하는지 살펴봐서 심사위원들이 생각하는 AI쪽의 딥 테크가 뭔지 정리해서 def-deeptech.md 파일로 만들어줘.
그리고, 나는 네 가지의 사업 아이디어를 지금 가지고 있는데, 그 아이디어들이 prod-ideas.md 에 있어. 이 아이디어 각각에서 아까 정의한 딥테크에 포함될 수 있는 기술 개발을 상상해서 구체화 각각 해줘. 그걸 deeptech-ideas.md 로 저장해줘.
요컨데, "자체 모델 개발 또는 고도화된 기술 엔지니어링"이 필요하고, 단순 API 래핑이나 프롬프트 엔지니어링만으로는 부족합니다.
Claude에게 우리 사업(AI 학습 커뮤니티 GPTers)을 딥테크로 포지셔닝할 수 있는 R&D 방향을 요청했고, 'Temporal Speech-Visual Grounding' 같은 구체적인 기술 키워드와 연구 범위를 도출했습니다.
3. 랄프 루프 (Ralph Loop)를 돌리기 위한 PASS/FAIL 기준으로 Task 세분화
사업 아이디어, 그리고 연구 과제가 대략 구체화되어서, 이걸 이제 정부과제의 섹션별로 작성을 하면 됩니다. 그걸 제가 한다고 생각하면,
초창패의 통합 지침을 읽고
정부가 제공한 사업 계획서 양식을 확인하면서 그 안에 쓰여진 지침을 확인하여
크게 사업계획서의 흐름을 정리하고
그 흐름에 맞게 각 세부 섹션을 정리하면서,
그 세부 정리 과정에서 나온 아이디어를 다시 큰 사업 계획서 흐름에 반영하는
이 작업을 전체 마무리할 때까지 반복하는 일이었습니다.
이걸 계속 클코와 대화하면서 해도 되지만, 핫하다는 Ralph Wiggum Loop를 적용하면 어떨까 생각했어요.
랄프 위검 루프(Ralph Wiggum Loop)'는 최근 AI 코딩 에이전트(특히 Claude Code)를 활용한 소프트웨어 개발 분야에서 화제가 되고 있는 자동화 반복 작업 방식입니다.
심슨 가족의 캐릭터 '랄프 위검'처럼 실 패해도 멈추지 않고, 성공할 때까지 끈질기게 같은 작업을 반복하는 모습에서 유래했습니다.
1. 랄프 위검 루프란? (개념)
핵심 철학: "완벽을 기하기보다 반복(Iteration)하라."
정의: AI 에이전트에게 한 번의 프롬프트만 보내는 대신, Bash 스크립트 등을 이용해 '작업(Prompt)'과 '검증(Test)' 단계를 목표가 달성될 때까지 무한히 반복(While Loop)시키는 기술입니다.
작동 방식:
AI가 작업을 수행 (코딩)
테스트 실행 (자동화된 테스트 도구 활용)
실패 시, 이전의 실패 데이터(Git 기록 등)를 바탕으로 다시 시도
성공할 때까지 1~3 반복
2. 왜 '랄프 위검'인가?
끈질긴 끈기: 랄프 위검 캐릭터가 멍청한 실수를 반복해도 계속해서 노력하는 모습처럼, AI가 에러를 내더라도 멈추지 않고 수정하여 최종 결과물을 만들어내기 때문입니다.
"Ralph is a Bash loop": 이 기술의 창시자인 제프리 헌틀리(Geoffrey Huntley)는 "랄프는 배시 스크립트 루프일 뿐"이라고 명확히 정의했습니다.
3. 주요 특징 및 장점
맥락(Context) 유지: 대화 내역이 길어지면 발생하는 노이즈를 피하기 위해, 파일 시스템(Git)을 기억 장치로 활용합니다. 각 반복마다 새로운 대화로 시작하여 AI가 지치지 않게 합니다.
자동화된 피드백 루프: 사람이 중간에 개입하지 않아도 코딩, 디버깅, 수정이 자동으로 이루어집니다.
비용 효율성: 사람이 수동으로 디버깅하는 시간 대신, AI 비용을 투입해 밤새 작업하게 함으로써 복잡한 작업을 완료할 수 있습니다.
4. 실전 활용 팁
TDD (Test-Driven Development): 실패하는 테스트 코드를 먼저 작성하고, 루프를 돌려 에이전트가 통과 코드를 만들게 할 때 가장 효과적입니다.
구체적 목표: 단순히 "앱 만들어줘"가 아니라, 구체적인 작업 목록(JSON 등)을 주고 하나씩 처리하게 해야 합니다.
적합한 작업: 리팩토링, 종속성 업그레이드, 반복적인 보일러플레이트 코드 작성 등.
5. 요약
랄프 위검 루프는 AI에게 코딩을 시키고 멈추려고 할 때, "아니, 성공할 때까지 계속 해"라고 강제로 돌리는 방식입니다. AI의 끈기를 극대화하여 코딩 자동화의 효율을 높이는 기술로, 2026년 AI 개발 트렌드의 중심에 있습니다.
그래서, 제안서의 각 섹션을 독립적인 Task로 쪼개고, 각 Task마다 PASS/FAIL 기준을 정의했습니다. 예를 들어:
Task: 사업 배경 작성
PASS 기준: 시장 규모 수치 포함, 문제-솔루션 연결 명확
FAIL 기준: 추상적 표현만 나열, 근거 없는 주장
이렇게 하면 나중에 Ralph Wiggum Loop로 자동화할 때, AI가 스스로 결과를 평가하고 재시도할 수 있 습니다.
인상적인 순간: 기준이 없으면 만들어라
가장 인상적이었던 건 딥테크 기준을 역추론한 부분입니다.
초창패에서 '딥테크'로 인정받으려면 어떤 조건을 충족해야 하는지, 공식 문서 어디에도 명확히 나와있지 않았습니다. "이걸 해도 되나?" 싶었는데, Claude에게 실제 선정된 스타트업 사례를 웹에서 검색하게 했습니다.
Claude가 찾아온 사례들의 공통점을 분석해서 역으로 기준을 추론했습니다:
자체 데이터셋 구축 여부
모델 파인튜닝 또는 자체 개발 여부
논문 인용 가능한 기술적 참신성
공식 문서에 없는 기준을 실제 사례에서 귀납적으로 도출한 것입니다.
배운 점: 웹 챗봇 vs 로컬 에이전트의 결정적 차이
아직 Ralph Wiggum Loop를 실제로 돌려본 건 아닙니다. 하지만 이번 작업에서 중요한 인사이트를 얻었습니다.
웹 인터페이스(ChatGPT, Claude.ai 등)의 한계:
대화가 플랫폼 로직에 의해 쪼개집니다
결과물을 조합하는 건 결국 사람 몫입니다
이전 대화를 참조하려면 수동으로 복붙해야 합니다
로컬 파일 기반 에이전트(Claude Code)의 강점:
결과물이 모듈화된 파일로 저장됩니다
AI가 이전 파일을 읽고 다시 조합할 수 있습니다
마치 "세컨드 브레인"처럼 지식이 축적됩니다
비개발자가 코딩 에이전트를 쓰는 진짜 강점은 "코드를 짜는 것"이 아니라, 파일 시스템을 통해 맥락을 축적하고 재활용할 수 있다는 것입니다.
또 하나의 깨달음
이번 작업에서 가장 많은 시간이 걸린 건 뭘까요? AI에게 뭘 시킬지 고민하는 시간이었습니다.
"이 제안서를 잘 쓰려면 어떤 맥락이 필요하지?" "어떤 순서로 작업해야 하지?"
그런데 생각해보니, 그것조차 AI에게 물어보면 됐습니다.
"이 과제 제안서를 잘 쓰려면 어떤 정보가 필요해?"라고 물으면, Claude가 필요한 맥락 목록을 제안해줍니다. 뭘 물어봐야 할지 모르겠을 때, 그것부터 물어보세요.
핵심 팁 4가지
1. 한꺼번에 다 시키지 말고, Task 단위로 쪼개라
"제안서 전체 써줘"는 실패합니다. "사업 배경 섹션만 써줘"로 시작하세요.
2. 웹 인터페이스보다 로컬 파일 기반 에이전트를 써라
결과물이 파일로 남아야 AI가 다시 참조할 수 있습니다. 맥락 축적이 핵심입니다.
3. 뭘 물어봐야 할지 모르면, 그것부터 물어봐라
"이 작업을 잘 하려면 뭘 알아야 해?"부터 시작하세요.
4. 기준이 없으면 실제 사례에서 역추론하라
공식 문서에 없는 기준은 선정 사례를 분석해서 귀납적으로 도출하세요.
향후 계획
다음 단계는 Ralph Wiggum Loop 실제 실행입니다. PASS/FAIL 기준을 정의해둔 Task들을 자동으로 실행하고, 실패하면 재시도하는 루프를 돌려볼 예정입니 다. 결과가 나오면 후속 글로 공유하겠습니다.
