Claude Code Deep Interview + Ralph Loop: 아이디어 하나가 자동으로 PR이 되기까지

"다음날 아침에 일어났더니 PR이 올라와 있었다."

처음 이 후기를 봤을 때 솔직히 마케팅 문구려니 했습니다. AI가 코드를 짜준다는 말이야 새로운 게 아니니까요. 그런데 2025년 중반부터 같은 패턴의 경험담이 커뮤니티 여기저기에서 쌓이기 시작했습니다. GitHub 스타도 두 달 만에 12,000개를 넘긴 도구가 등장했고, 엔터프라이즈 블로그들도 슬슬 분석 글을 내놓기 시작했습니다. 그 중심에 있는 게 Ralph Loop 와 Deep Interview 의 조합입니다.

두 도구를 따로 보면 각각 유용한 정도인데, 붙여놓으면 뭔가 다른 일이 일어납니다. 막연한 아이디어 하나로 시작해서 AI가 스스로 요구사항을 정리하고 → 코드를 짜고 → 테스트를 돌리고 → 실패하면 고치는 전 주기가 자율로 돌아갑니다. 이 글에서는 두 개념이 어떻게 맞물리는지, 직접 써보면서 막혔던 지점은 어디였는지, 그리고 첫 번째 루프를 안전하게 돌리려면 뭘 챙겨야 하는지를 구체적으로 살펴봅니다.

핵심 개념

Ralph Loop: "포기하지 않는 AI 루프"

Geoffrey Huntley가 2025년 5월 공개한 snarktank/ralph의 구조는 놀랍도록 단순합니다. PRD(Product Requirements Document) 파일을 입력으로 받아 각 항목이 모두 완료될 때까지 AI 코딩 도구를 반복 호출하는 bash 스크립트입니다. 2개월 만에 12,000개 이상의 스타를 받은 건 기술적 복잡성 때문이 아니라 철학 때문입니다.

단순 지속성(naive persistence): 완벽한 계획을 세우는 대신, 오류와 실패를 다음 이터레이션의 입력으로 넘겨 성공 기준을 충족할 때까지 단순 반복하는 접근법. "지치지 않는 반복"을 설계 원칙으로 삼은 것입니다.

핵심 루프를 단순화하면 이렇습니다.

bash

#!/bin/bash
# ralph.sh 핵심 루프 (단순화 버전)
# claude 명령어: npm install -g @anthropic-ai/claude-code 로 설치
 
PRD_FILE=$1
TOOL=${TOOL:-claude}
 
while true; do
  # 미완료 체크박스 추출 (- [ ] 패턴)
  NEXT_TASK=$(grep -n '- \[ \]' "$PRD_FILE" | head -1)
 
  [ -z "$NEXT_TASK" ] && echo "모든 항목 완료. 루프 종료." && break
 
  # 새 컨텍스트로 AI에게 태스크 위임
  $TOOL "prd: $PRD_FILE, task: $NEXT_TASK, run tests and commit if passed"
 
  echo "$(date): $NEXT_TASK attempted" >> progress.txt
done

이터레이션마다 새 컨텍스트로 시작한다는 점이 핵심입니다. 컨텍스트 윈도우가 길어질수록 LLM은 초반 지시어를 무시하고 최근 출력을 그대로 이어받는 경향이 생기는데, 매번 새 컨텍스트에서 시작함으로써 이 문제를 구조적으로 차단합니다. 대신 git 히스토리와 progress.txt로 이터레이션 간 상태를 이어나갑니다.

Deep Interview: "PRD를 뽑아내는 소크라테스"

랄프 루프가 아무리 강력해도 입력 PRD가 엉성하면 루프 전체가 흔들립니다. 실질적인 병목은 "좋은 PRD를 만드는 것"이고, obra/superpowers 플러그인의 /deep-interview 스킬이 바로 이 병목을 공략합니다.

# Claude Code 터미널에서 실행
/deep-interview 할일 관리 앱 만들고 싶어

실행하면 AI가 한 번에 하나씩 질문을 던집니다. 실제 대화는 이런 식으로 흘러갑니다.

AI: 이 앱을 주로 누가 사용하나요? 개인용인가요, 팀 공유용인가요?
나: 개인용이요.
 
AI: 완료한 할일은 어떻게 처리하면 좋을까요? 삭제하나요,
    아니면 완료 목록으로 따로 보관하나요?
나: 완료 목록으로 남겨두고 싶어요.
 
AI: 오프라인에서도 동작해야 하나요?
나: 네, 인터넷 없이도 써야 해요.

처음엔 "이런 질문이 필요한가?" 싶은 것들인데, 인터뷰가 끝나고 나면 혼자 생각했을 때 놓쳤던 엣지 케이스와 인수 조건들이 꽤 나옵니다. 저도 첫 번째 인터뷰에서 "오프라인 동기화 충돌 처리"를 미처 생각하지 못하고 있었다는 걸 세 번째 질문에서야 깨달았습니다.

인수 조건(Acceptance Criteria): "사용자가 할일을 추가하면 목록에 즉시 반영된다"처럼 기계적으로 테스트 통과/실패를 판단할 수 있게 명시된 완료 기준. 딥인터뷰에서 이걸 잘 뽑아야 랄프 루프의 종료 조건이 명확해집니다.

결과물은 tasks/prd-todo-app.md 형태로 저장됩니다. 기존 노트나 대화 기록을 첨부하면 Claude가 중복 질문을 건너뛰고 빠진 부분만 추가로 물어보는 점진적 보완 방식도 됩니다. 실무에서 "스펙이 어느 정도는 있는데 구멍이 있는" 상황에 딱 맞습니다.

두 개념의 결합: 전 주기 자동화 흐름

핵심 요약: PRD가 입력이고, 인수 조건이 종료 조건입니다. Deep Interview가 입력의 품질을 결정하고, 그 품질이 루프 전체의 결과를 결정합니다.

사용자 아이디어
    ↓
[Deep Interview]  ← /deep-interview 스킬
    ↓
prd.md 생성        ← 구조화된 태스크 + 인수 조건
    ↓
[Ralph Loop]      ← ./ralph.sh 실행
    ↓
이터레이션 반복   ← 구현 → 테스트 → 실패 → 재시도
    ↓
모든 체크박스 완료 ← git 커밋 누적
    ↓
완성된 코드베이스

실전 적용

[기본] 예시 1: 할일 관리 앱을 처음부터 자동 구현

딥인터뷰로 PRD를 만들고 바로 랄프 루프를 돌리는 기본 패턴입니다.

bash

# 1단계: Superpowers 플러그인 설치
git clone https://github.com/obra/superpowers ~/.claude/superpowers
 
# 2단계: Claude Code에서 딥인터뷰 실행
# (Claude Code 터미널 내부)
/deep-interview 할일 관리 앱 만들고 싶어
# → AI가 대화형으로 요구사항 질문
# → tasks/prd-todo-app.md 자동 생성
 
# 3단계: Ralph Loop로 자율 구현
git clone https://github.com/snarktank/ralph ~/ralph
cd my-project
~/ralph/ralph.sh --tool claude --prd tasks/prd-todo-app.md

딥인터뷰가 만들어주는 PRD 파일 구조는 대략 이런 모양입니다.

markdown

# PRD: 할일 관리 앱
 
## 태스크 목록
 
### TASK-001: 할일 추가 기능
- **설명**: 사용자가 텍스트를 입력해 새 할일을 추가할 수 있다
- **인수 조건**:
  - [ ] 빈 문자열 입력 시 추가되지 않는다
  - [ ] 추가 후 입력창이 초기화된다
  - [ ] 추가된 항목이 목록 상단에 표시된다
- **테스트**: `pnpm test -- todo-add`
 
### TASK-002: 할일 완료 처리
- **설명**: 체크박스 클릭으로 완료 상태를 토글한다
- **인수 조건**:
  - [ ] 완료된 항목은 취소선으로 표시된다
  - [ ] 완료 상태는 새로고침 후에도 유지된다
- **테스트**: `pnpm test -- todo-complete`

ralph.sh는 - [ ] 패턴으로 미완료 항목을 추적하고, 테스트 명령어가 통과하면 해당 체크박스를 - [x]로 업데이트합니다.

구성 요소	역할
`설명`	AI가 구현 방향을 잡는 컨텍스트
`인수 조건`	루프 종료 여부를 판단하는 체크리스트
`테스트`	자동 실행될 검증 명령어

[야간 운용] 예시 2: 퇴근 전에 시작하고 아침에 결과 확인하기

실무에서 가장 극적인 활용 패턴입니다. 처음 돌려볼 때는 낮에 --max-iterations 5로 짧게 먼저 확인해보시는 걸 권장합니다. 가드레일 없이 야간 실행하면 루프가 수렴하지 않는 태스크에서 API 비용이 조용히 쌓입니다. 저도 처음에 이 실수를 했습니다.

bash

#!/bin/bash
# overnight-ralph.sh: 야간 무인 개발 스크립트
 
# API 키는 .env 파일에서 관리하는 것을 권장합니다 (하드코딩 금지)
source .env
 
LOG_FILE="ralph-$(date +%Y%m%d).log"
 
echo "=== Ralph Loop 시작: $(date) ===" >> "$LOG_FILE"
 
# super-ralph: 가드레일이 강화된 Ralph 확장판 (htlkg/super-ralph)
./super-ralph/ralph.sh \
  --tool claude \
  --prd tasks/current-sprint.md \
  --max-iterations 50 \
  --timeout-minutes 480 \
  --on-error "commit-and-continue" \
  2>&1 | tee -a "$LOG_FILE"
 
echo "=== Ralph Loop 종료: $(date) ===" >> "$LOG_FILE"
 
# 완료 알림 (슬랙 웹훅 등)
curl -X POST "$SLACK_WEBHOOK" \
  -d "{\"text\": \"Ralph Loop 완료. 결과: \`git log --oneline -10\`\"}"

htlkg/super-ralph는 기본 ralph에 --max-iterations, --timeout-minutes 같은 안전장치를 추가한 확장판입니다. 야간 실행에는 이쪽을 쓰는 편이 훨씬 안전합니다.

[고급] 예시 3: 기존 코드베이스를 다른 언어로 포팅하기

Geoffrey Huntley가 LinearB 블로그 등을 통해 소개한 확장 패턴입니다. 기존 코드베이스를 언어 중립적 Markdown 스펙으로 압축한 뒤 랄프 루프로 다른 언어로 포팅합니다.

bash

# 1단계: 기존 Python 코드베이스를 스펙 문서로 변환
claude "이 Python 프로젝트의 모든 동작을 언어 중립적 Markdown 스펙으로 변환해줘.
       각 함수의 입출력, 사이드 이펙트, 엣지 케이스를 포함할 것.
       출력: spec/codebase-spec.md"
 
# 2단계: 스펙 기반으로 TypeScript 포팅 PRD 생성
claude "spec/codebase-spec.md를 기반으로 TypeScript 구현 PRD를 생성해줘.
       각 모듈을 독립적인 태스크로 분해하고 인수 조건에 테스트를 명시할 것.
       출력: tasks/typescript-port.md"
 
# 3단계: Ralph Loop로 자율 포팅
~/ralph/ralph.sh --tool claude --prd tasks/typescript-port.md

장단점 분석

솔직한 후기를 정리하면 이렇습니다.

장점

항목	내용
컨텍스트 오염 방지	이터레이션마다 새 컨텍스트로 시작해 초반 지시어를 일관되게 유지
검증 자동화	테스트 통과/실패라는 기계적 기준으로 완료 여부를 객관 판단
비용 효율	인간 개입 없이 야간 자율 실행 가능
점진적 메모리	git 히스토리 + progress.txt로 이터레이션 간 맥락 누적
요구사항 품질 향상	Deep Interview가 혼자 생각했으면 놓쳤을 요구사항을 사전에 발굴

단점 및 주의사항

항목	내용	대응 방안
AI 슬롭 위험	검증 기준이 약하면 조건만 피상적으로 충족하는 저품질 코드 생성	인수 조건을 단위 테스트 수준으로 구체화
주관적 기준 불가	"UI가 예뻐야 한다" 같은 비기계적 완료 조건은 처리 불가	주관적 항목은 루프 밖에서 별도 리뷰
런어웨이 루프	반복이 수렴하지 않고 API 비용이 폭증하는 경우 발생	`--max-iterations`와 super-ralph 가드레일 적용
PRD 품질 의존성	입력 PRD가 불명확하면 루프 전체가 비효율적으로 동작	딥인터뷰 단계에서 인수 조건을 충분히 구체화
태스크 가시성 부족	복수 에이전트 동시 동작 시 조율 및 진행 상황 파악 어려움	progress.txt 로그 모니터링 또는 Ralph TUI 활용

AI 슬롭(AI Slop): 테스트를 통과하지만 실질적으로 요구사항을 해결하지 않는 코드. 예를 들어 실패하는 테스트를 삭제해버리는 방식으로 "통과" 상태를 만들어내는 경우입니다. 인수 조건이 구체적일수록 이런 우회가 통하기 어렵습니다.

실무에서 가장 흔한 실수

태스크를 너무 크게 잡는 것. 하나의 태스크가 단일 컨텍스트 윈도우 안에서 완료 가능한 크기를 넘으면 루프가 수렴하지 않습니다. "인증 시스템 구현"보다 "JWT 토큰 발급 엔드포인트 구현"처럼 작게 분해하는 편이 안전합니다.
인수 조건 없이 PRD를 넘기는 것. "로그인 기능을 만든다"만 있고 "잘못된 비밀번호 입력 시 401을 반환한다"가 없으면 루프가 언제 멈춰야 할지 모릅니다. 딥인터뷰 단계에서 "이게 테스트로 검증 가능한가?"를 항상 확인해보시면 좋습니다.
가드레일 없이 야간 실행하는 것. --max-iterations 없이 돌리면 수렴하지 않는 태스크에서 API 비용이 조용히 쌓입니다. 처음 몇 번은 낮에 짧게 실행해서 루프가 잘 수렴하는지 먼저 확인해보시면 좋습니다.

마치며

결국 이 워크플로에서 배운 건 이것입니다. 딥인터뷰로 뽑은 구체적인 PRD가 랄프 루프의 품질을 결정하고, 루프의 품질은 인수 조건의 명확성에서 나옵니다. 도구 자체보다 "테스트 가능한 조건으로 요구사항을 표현하는 능력"이 이 워크플로의 실질적인 핵심입니다.

직접 돌려보려면 이 순서로 시작해보시면 됩니다.

Superpowers 설치 후 /deep-interview를 한 번 돌려보세요. git clone https://github.com/obra/superpowers ~/.claude/superpowers로 설치한 뒤, 평소 머릿속에만 있던 프로젝트 아이디어로 인터뷰를 시작해보시면 됩니다. 인터뷰 결과물인 prd.md에 처음엔 생각하지 못했던 항목이 몇 개나 있는지 확인해보시면 좋습니다.
PRD를 직접 작성하면서 태스크 크기를 잡아보세요. 하나당 30분 이내에 완료 가능한 크기로 분해하고, 각 항목에 실행 가능한 테스트 명령어를 붙이다 보면 인수 조건이 얼마나 구체적이어야 하는지 감이 옵니다.
~/ralph/ralph.sh를 --max-iterations 5로 제한해서 낮에 짧게 먼저 돌려보세요. 처음 몇 개 태스크만 실행해서 루프가 예상대로 수렴하는지, progress.txt와 git log에 결과가 쌓이는지 확인한 뒤 야간 실행으로 넘어가시면 됩니다.

참고 자료

#ClaudeCode#RalphLoop#AIAgent#자율코딩#PRD#DeepInterview#LLM#테스트자동화#Superpowers#반복루프

Claude Code Deep Interview + Ralph Loop: 아이디어 하나가 자동으로 PR이 되기까지 | DEV BAK - 기술블로그

Claude

Claude Code Deep Interview + Ralph Loop: 아이디어 하나가 자동으로 PR이 되기까지

"다음날 아침에 일어났더니 PR이 올라와 있었다."

핵심 개념

Ralph Loop: "포기하지 않는 AI 루프"

단순 지속성(naive persistence): 완벽한 계획을 세우는 대신, 오류와 실패를 다음 이터레이션의 입력으로 넘겨 성공 기준을 충족할 때까지 단순 반복하는 접근법. "지치지 않는 반복"을 설계 원칙으로 삼은 것입니다.

핵심 루프를 단순화하면 이렇습니다.

bash

#!/bin/bash
# ralph.sh 핵심 루프 (단순화 버전)
# claude 명령어: npm install -g @anthropic-ai/claude-code 로 설치
 
PRD_FILE=$1
TOOL=${TOOL:-claude}
 
while true; do
  # 미완료 체크박스 추출 (- [ ] 패턴)
  NEXT_TASK=$(grep -n '- \[ \]' "$PRD_FILE" | head -1)
 
  [ -z "$NEXT_TASK" ] && echo "모든 항목 완료. 루프 종료." && break
 
  # 새 컨텍스트로 AI에게 태스크 위임
  $TOOL "prd: $PRD_FILE, task: $NEXT_TASK, run tests and commit if passed"
 
  echo "$(date): $NEXT_TASK attempted" >> progress.txt
done

Deep Interview: "PRD를 뽑아내는 소크라테스"

# Claude Code 터미널에서 실행
/deep-interview 할일 관리 앱 만들고 싶어

실행하면 AI가 한 번에 하나씩 질문을 던집니다. 실제 대화는 이런 식으로 흘러갑니다.

AI: 이 앱을 주로 누가 사용하나요? 개인용인가요, 팀 공유용인가요?
나: 개인용이요.
 
AI: 완료한 할일은 어떻게 처리하면 좋을까요? 삭제하나요,
    아니면 완료 목록으로 따로 보관하나요?
나: 완료 목록으로 남겨두고 싶어요.
 
AI: 오프라인에서도 동작해야 하나요?
나: 네, 인터넷 없이도 써야 해요.

인수 조건(Acceptance Criteria): "사용자가 할일을 추가하면 목록에 즉시 반영된다"처럼 기계적으로 테스트 통과/실패를 판단할 수 있게 명시된 완료 기준. 딥인터뷰에서 이걸 잘 뽑아야 랄프 루프의 종료 조건이 명확해집니다.

두 개념의 결합: 전 주기 자동화 흐름

핵심 요약: PRD가 입력이고, 인수 조건이 종료 조건입니다. Deep Interview가 입력의 품질을 결정하고, 그 품질이 루프 전체의 결과를 결정합니다.

사용자 아이디어
    ↓
[Deep Interview]  ← /deep-interview 스킬
    ↓
prd.md 생성        ← 구조화된 태스크 + 인수 조건
    ↓
[Ralph Loop]      ← ./ralph.sh 실행
    ↓
이터레이션 반복   ← 구현 → 테스트 → 실패 → 재시도
    ↓
모든 체크박스 완료 ← git 커밋 누적
    ↓
완성된 코드베이스

실전 적용

[기본] 예시 1: 할일 관리 앱을 처음부터 자동 구현

딥인터뷰로 PRD를 만들고 바로 랄프 루프를 돌리는 기본 패턴입니다.

bash

# 1단계: Superpowers 플러그인 설치
git clone https://github.com/obra/superpowers ~/.claude/superpowers
 
# 2단계: Claude Code에서 딥인터뷰 실행
# (Claude Code 터미널 내부)
/deep-interview 할일 관리 앱 만들고 싶어
# → AI가 대화형으로 요구사항 질문
# → tasks/prd-todo-app.md 자동 생성
 
# 3단계: Ralph Loop로 자율 구현
git clone https://github.com/snarktank/ralph ~/ralph
cd my-project
~/ralph/ralph.sh --tool claude --prd tasks/prd-todo-app.md

딥인터뷰가 만들어주는 PRD 파일 구조는 대략 이런 모양입니다.

markdown

# PRD: 할일 관리 앱
 
## 태스크 목록
 
### TASK-001: 할일 추가 기능
- **설명**: 사용자가 텍스트를 입력해 새 할일을 추가할 수 있다
- **인수 조건**:
  - [ ] 빈 문자열 입력 시 추가되지 않는다
  - [ ] 추가 후 입력창이 초기화된다
  - [ ] 추가된 항목이 목록 상단에 표시된다
- **테스트**: `pnpm test -- todo-add`
 
### TASK-002: 할일 완료 처리
- **설명**: 체크박스 클릭으로 완료 상태를 토글한다
- **인수 조건**:
  - [ ] 완료된 항목은 취소선으로 표시된다
  - [ ] 완료 상태는 새로고침 후에도 유지된다
- **테스트**: `pnpm test -- todo-complete`

ralph.sh는 - [ ] 패턴으로 미완료 항목을 추적하고, 테스트 명령어가 통과하면 해당 체크박스를 - [x]로 업데이트합니다.

구성 요소	역할
`설명`	AI가 구현 방향을 잡는 컨텍스트
`인수 조건`	루프 종료 여부를 판단하는 체크리스트
`테스트`	자동 실행될 검증 명령어

[야간 운용] 예시 2: 퇴근 전에 시작하고 아침에 결과 확인하기

bash

#!/bin/bash
# overnight-ralph.sh: 야간 무인 개발 스크립트
 
# API 키는 .env 파일에서 관리하는 것을 권장합니다 (하드코딩 금지)
source .env
 
LOG_FILE="ralph-$(date +%Y%m%d).log"
 
echo "=== Ralph Loop 시작: $(date) ===" >> "$LOG_FILE"
 
# super-ralph: 가드레일이 강화된 Ralph 확장판 (htlkg/super-ralph)
./super-ralph/ralph.sh \
  --tool claude \
  --prd tasks/current-sprint.md \
  --max-iterations 50 \
  --timeout-minutes 480 \
  --on-error "commit-and-continue" \
  2>&1 | tee -a "$LOG_FILE"
 
echo "=== Ralph Loop 종료: $(date) ===" >> "$LOG_FILE"
 
# 완료 알림 (슬랙 웹훅 등)
curl -X POST "$SLACK_WEBHOOK" \
  -d "{\"text\": \"Ralph Loop 완료. 결과: \`git log --oneline -10\`\"}"

htlkg/super-ralph는 기본 ralph에 --max-iterations, --timeout-minutes 같은 안전장치를 추가한 확장판입니다. 야간 실행에는 이쪽을 쓰는 편이 훨씬 안전합니다.

[고급] 예시 3: 기존 코드베이스를 다른 언어로 포팅하기

bash

# 1단계: 기존 Python 코드베이스를 스펙 문서로 변환
claude "이 Python 프로젝트의 모든 동작을 언어 중립적 Markdown 스펙으로 변환해줘.
       각 함수의 입출력, 사이드 이펙트, 엣지 케이스를 포함할 것.
       출력: spec/codebase-spec.md"
 
# 2단계: 스펙 기반으로 TypeScript 포팅 PRD 생성
claude "spec/codebase-spec.md를 기반으로 TypeScript 구현 PRD를 생성해줘.
       각 모듈을 독립적인 태스크로 분해하고 인수 조건에 테스트를 명시할 것.
       출력: tasks/typescript-port.md"
 
# 3단계: Ralph Loop로 자율 포팅
~/ralph/ralph.sh --tool claude --prd tasks/typescript-port.md

장단점 분석

솔직한 후기를 정리하면 이렇습니다.

장점

항목	내용
컨텍스트 오염 방지	이터레이션마다 새 컨텍스트로 시작해 초반 지시어를 일관되게 유지
검증 자동화	테스트 통과/실패라는 기계적 기준으로 완료 여부를 객관 판단
비용 효율	인간 개입 없이 야간 자율 실행 가능
점진적 메모리	git 히스토리 + progress.txt로 이터레이션 간 맥락 누적
요구사항 품질 향상	Deep Interview가 혼자 생각했으면 놓쳤을 요구사항을 사전에 발굴

단점 및 주의사항

항목	내용	대응 방안
AI 슬롭 위험	검증 기준이 약하면 조건만 피상적으로 충족하는 저품질 코드 생성	인수 조건을 단위 테스트 수준으로 구체화
주관적 기준 불가	"UI가 예뻐야 한다" 같은 비기계적 완료 조건은 처리 불가	주관적 항목은 루프 밖에서 별도 리뷰
런어웨이 루프	반복이 수렴하지 않고 API 비용이 폭증하는 경우 발생	`--max-iterations`와 super-ralph 가드레일 적용
PRD 품질 의존성	입력 PRD가 불명확하면 루프 전체가 비효율적으로 동작	딥인터뷰 단계에서 인수 조건을 충분히 구체화
태스크 가시성 부족	복수 에이전트 동시 동작 시 조율 및 진행 상황 파악 어려움	progress.txt 로그 모니터링 또는 Ralph TUI 활용

AI 슬롭(AI Slop): 테스트를 통과하지만 실질적으로 요구사항을 해결하지 않는 코드. 예를 들어 실패하는 테스트를 삭제해버리는 방식으로 "통과" 상태를 만들어내는 경우입니다. 인수 조건이 구체적일수록 이런 우회가 통하기 어렵습니다.

실무에서 가장 흔한 실수

태스크를 너무 크게 잡는 것. 하나의 태스크가 단일 컨텍스트 윈도우 안에서 완료 가능한 크기를 넘으면 루프가 수렴하지 않습니다. "인증 시스템 구현"보다 "JWT 토큰 발급 엔드포인트 구현"처럼 작게 분해하는 편이 안전합니다.
인수 조건 없이 PRD를 넘기는 것. "로그인 기능을 만든다"만 있고 "잘못된 비밀번호 입력 시 401을 반환한다"가 없으면 루프가 언제 멈춰야 할지 모릅니다. 딥인터뷰 단계에서 "이게 테스트로 검증 가능한가?"를 항상 확인해보시면 좋습니다.
가드레일 없이 야간 실행하는 것. --max-iterations 없이 돌리면 수렴하지 않는 태스크에서 API 비용이 조용히 쌓입니다. 처음 몇 번은 낮에 짧게 실행해서 루프가 잘 수렴하는지 먼저 확인해보시면 좋습니다.

마치며

직접 돌려보려면 이 순서로 시작해보시면 됩니다.

Superpowers 설치 후 /deep-interview를 한 번 돌려보세요. git clone https://github.com/obra/superpowers ~/.claude/superpowers로 설치한 뒤, 평소 머릿속에만 있던 프로젝트 아이디어로 인터뷰를 시작해보시면 됩니다. 인터뷰 결과물인 prd.md에 처음엔 생각하지 못했던 항목이 몇 개나 있는지 확인해보시면 좋습니다.
PRD를 직접 작성하면서 태스크 크기를 잡아보세요. 하나당 30분 이내에 완료 가능한 크기로 분해하고, 각 항목에 실행 가능한 테스트 명령어를 붙이다 보면 인수 조건이 얼마나 구체적이어야 하는지 감이 옵니다.
~/ralph/ralph.sh를 --max-iterations 5로 제한해서 낮에 짧게 먼저 돌려보세요. 처음 몇 개 태스크만 실행해서 루프가 예상대로 수렴하는지, progress.txt와 git log에 결과가 쌓이는지 확인한 뒤 야간 실행으로 넘어가시면 됩니다.

참고 자료

#ClaudeCode#RalphLoop#AIAgent#자율코딩#PRD#DeepInterview#LLM#테스트자동화#Superpowers#반복루프

핵심 개념

Ralph Loop: "포기하지 않는 AI 루프"

Deep Interview: "PRD를 뽑아내는 소크라테스"

두 개념의 결합: 전 주기 자동화 흐름

실전 적용

[기본] 예시 1: 할일 관리 앱을 처음부터 자동 구현

[야간 운용] 예시 2: 퇴근 전에 시작하고 아침에 결과 확인하기

[고급] 예시 3: 기존 코드베이스를 다른 언어로 포팅하기

장단점 분석

장점

단점 및 주의사항

실무에서 가장 흔한 실수

마치며

참고 자료

핵심 개념

Ralph Loop: "포기하지 않는 AI 루프"

Deep Interview: "PRD를 뽑아내는 소크라테스"

두 개념의 결합: 전 주기 자동화 흐름

실전 적용

[기본] 예시 1: 할일 관리 앱을 처음부터 자동 구현

[야간 운용] 예시 2: 퇴근 전에 시작하고 아침에 결과 확인하기

[고급] 예시 3: 기존 코드베이스를 다른 언어로 포팅하기

장단점 분석

장점

단점 및 주의사항

실무에서 가장 흔한 실수

마치며

참고 자료

추천 포스트

Claude Code Routines: 서버 없이 GitHub 이벤트로 에이전틱 루프 자동화하기

`"Hello"`도 `"What is protein?"`도 막히는 Fable 5 — `classifier_refusal` false positive(오탐)를 진단하고 줄이는 방법

Claude Fable 5, 2배 가격을 낼 만한 모델인가 — 에이전트 코딩, 프롬프트 캐싱, ZDR 제약까지

MCP 서버로 레거시 API를 Claude Code에 연결하기 — TypeScript SDK로 커스텀 서버 처음부터 구현하기

MCP(Model Context Protocol)로 Claude Code에 GitHub·Slack·DB 연결하기 — AI가 외부 시스템에 직접 액션하는 방법

Claude Code로 팀 AI 표준을 자동화하는 세 레이어: CLAUDE.md, 커스텀 커맨드, 서브에이전트