왜 읽어야 하나

LLM으로 블로그·백서·보고서를 뽑는 팀이라면, “AI 티” 제거에 얼마를 쓰는지부터 정할 차례입니다. 이 글은 비용이 한 줄인지, 상세 지시문인지, 코드 게이트인지 실험 숫자로 갈라 놓은 것입니다.

핵심 결론을 먼저 단정합니다. Anthropic이 Fable 5.1 프롬팅 가이드에 올린 “Please remove all mannered prose” 한 줄 지시는 은유와 수식의 축, 즉 mannered prose 본래를 정확히 제거합니다. 다만 쉼표 리듬·명사화 같은 구조 티까지 한 줄이 다지는 것은 아닙니다. 3라운드 교정 실험 실측으로, 한 줄이 은유 28건을 0으로 만들고 구조 티 신호는 15건에서 5건으로 줄었습니다. 축이 다르다는 뜻이고 그래서, 한 줄과 결정론 코드의 분업이 이 글의 결론입니다.

수식 장식을 한 줄의 깨끗한 선으로 환원하는 개념 이미지 글의 핵심 개념을 형상화한 이미지입니다.

개요

LLM 산출물의 품질 논의에서 “AI 티” 제거는 대부분 프롬프트 문장으로 처리됩니다. 자연스럽게 써 주세요, AI답지 않게 써 주세요 같은 부탁입니다. 문장 부탁이 실제로 무엇까지 제거하는지는 체감으로만 쌓여 온 부분이 많습니다. 이번 실험의 출발점은 두 가지입니다. 하나는 Anthropic이 한 줄 지시를 공식 문서에 올렸다는 사실이고 다른 하나는 우리 파이프라인이 이미 코드 게이트로 구조 티를 재고 있다는 사실입니다. 둘의 경계를 재면 질문이 바뀝니다. “한 줄이면 되는가”에서 “한 줄로 무엇을 대신할 수 있는가”로.

mannered prose가 무엇인지부터 짚습니다. Anthropic의 가이드와 이후의 서드파티 분석이 주는 정의는 같습니다. 직설 서술 대신 은유와 수식을 쓰는 문체로, 문장이 아이디어를 전달하기보다 저자를 보여 주려 할 때 생깁니다. “혁신의 파도”, “돌려볼 가치가 있는 다이얼”, “미래로 나아가는 첫 걸음” 같은 표현이 대표입니다. 이런 표현은 한두 개는 살아있는 문장이지만, 논설과 리포트에 겹겹이 쌓이면 부정확해지고 독자의 노력을 키웁니다.

이 기술은 무엇인가

Anthropic은 platform.claude.com의 Fable 5.1 프롬팅 가이드에서 “writing density”를 모델 특성으로 다루며, 문체 제어 수칙으로 “Please remove all mannered prose” 한 줄을 권고합니다. 트윗이 든 예시는 “변화할 가치가 있는 매개변수”를 “돌려볼 다이얼”로 쓰지 말라는 식입니다. 같은 기법이 paddo.dev의 “a dial worth turning”, willfrancis.com의 “How to stop Claude writing like an AI” 등 여러 독립 분석으로 확산됐고 제목들이 바로 문서의 예시 문장입니다.

한 줄 지시의 사용법은 세 갈래입니다. 첫째, 요청 단위 사용자 메시지. 이번 답안만 고치고 싶은 상황에 맞습니다. 둘째, 시스템 프롬프트 상시 배선. 해당 세션의 모든 산출물에 적용됩니다. 셋째, 글쓰기 전용 프로젝트 폴더의 CLAUDE.md. 트윗의 실전 팁이 이것인데, 한 번 박으면 그 폴더에서 열리는 모든 세션이 그 문체를 기본값으로 갑니다.

<!-- 글쓰기 전용 프로젝트의 CLAUDE.md -->
## 문체 계약
- 모든 산출물은 "Please remove all mannered prose" 지시를 적용합니다.
- 은유·수식 대신 직설 서술을 사용합니다.
- 3단 나열과 대구는 각 한 번만 남깁니다.

세 갈래의 차이는 적용 범주일 뿐입니다. 지시 문장 자체는 어디서나 동일해 사용법이 단순합니다. 문서가 한 줄을 권고하는 이유이기도 합니다.

설치 및 통합

우리는 이 지시를 기존 파이프라인의 한 계층으로 배선했습니다. 우리 문서 생성 라인의 구조는 이미 2층 방어입니다. 모델 쪽에 humanizer 지시(상세 문체 계약)를 넣고, 출력을 결정론 코드인 humanize_gate.py가 재는 구조입니다. 게이트는 im-not-ai 엔진의 한국어 AI 티 70패턴 taxonomy를 우리 코퍼스 임계값으로 보정해, 쉼표 리듬·명사화·대명사 밀도 같은 구조 신호 24개를 점수로 냅니다.

이번 실험은 이 2층 구조 사이에 “한 줄”이 들어가면 무엇을 바꾸는지 재는 것입니다. 실험 설계는 3라운드, 3arm입니다.

  • R1~R3은 GPU 서빙 비용 효율, 추론 엔진 선택, 멀티테넌트 GPU 격리라는 세 주제입니다. 세 주제 모두 우리 플랫폼 문서가 실제로 다루는 내용이라, 실험 텍스트가 곧 제품 문서의 재료가 됩니다.
  • Arm A는 각 주제의 기본 LLM 레지스터 원문입니다. 은유와 수식 밀도를 전형적인 AI 문체로 제어 생성한 상태이고, “AI 티가 있는 글”의 기준선입니다.
  • Arm B는 Arm A를 한 줄 지시(“Please remove all mannered prose”)만으로 교정한 것입니다. 다른 지시를 주지 않았습니다.
  • Arm C는 Arm A를 9항의 상세 지시문(은유 제거, 수사적 질문 금지, 3단 나열 1회, 대구 1회, throat-clearing 문두 삭제, 모호한 강조부사 삭제, 합니다체 종결, 대시 금지, 사실·순서 유지)으로 교정한 것입니다. 우리 humanizer가 쓰는 스타일의 지시문입니다.

측정 축은 두 개입니다. 하나는 은유 레시콘 카운트입니다. D-14(생성형 은유) 가족 사전에서 청사진·주춧돌·문턱·조수·다이얼·발판·지평·파도·조류·기틀·토대·등대·수문장·닻 14단어를 고정 집합으로 놓고 grep으로 셉니다. 이 축은 코드 게이트의 24신호에 들어 있지 않아, 한 줄 지시가 겨냥하는 “mannered prose 본래”에 가장 가까운 측정입니다. 다른 하나는 humanize_gate.py score의 JSON 출력으로, 겨냥된 구조 신호(target) 수와 위험 밴드를 셉니다.

flowchart TB
    A["Arm A: 기본 LLM 레지스터 원문<br/>은유·수식 밀도 높은 상태"]
    B["Arm B: 한 줄 지시 교정<br/>Please remove all mannered prose"]
    C["Arm C: 상세 지시문 교정<br/>9항 문체 계약"]
    D["측정 1: 은유 레시콘 카운트<br/>고정 14단어 grep"]
    E["측정 2: humanize_gate.py<br/>24개 구조 신호 점수"]
    F["판독: 축이 다르다<br/>한 줄 = 은유 축, 코드 = 구조 축"]
    A --> B
    A --> C
    A --> D
    A --> E
    B --> D
    B --> E
    C --> D
    C --> E
    D --> F
    E --> F

3라운드 실험의 파이프라인입니다. 같은 원문이 한 줄과 상세 지시로 갈라지고 두 측정 축에서 다시 합쳐집니다.

실제 실험 결과

숫자를 전부 냅니다. 실험 로그는 outputs/blog-impl/mannered-prose-one-liner/run-1.log에 있으며, 아래 표는 실험 로그에서 가져온 값입니다.

라운드 Arm 글자 수 은유 레시콘 게이트 target (C-11 제외) 위험 밴드
R1 GPU 서빙 비용 A 686 11 5 low
R1 B (한 줄) 504 0 1 low
R1 C (상세) 445 0 1 low
R2 추론 엔진 선택 A 513 7 7 medium
R2 B 315 0 2 low
R2 C 285 0 1 low
R3 멀티테넌트 격리 A 508 10 3 low
R3 B 381 0 2 low
R3 C 355 0 2 low
합계 A - 28 15 -
합계 B - 0 5 -
합계 C - 0 4 -

은유 축부터 보면 결론이 선명합니다. Arm A의 28건이 Arm B와 Arm C에서 0으로 사라졌고 세 라운드 전부 같은 모양을 냅니다. 한 줄 지시는 은유와 수식이라는 본래 축에서 상세 지시와 같은 결과를 냅니다. 지시 한 줄이 “은유를 걷고 직설로 환원하라”는 9항의 핵심을 다 수행한 셈입니다.

구조 축은 모양이 다릅니다. 기본 레지스터의 15건이 Arm B에서 5건, Arm C에서 4건으로 줄었습니다. 양쪽 지시 모두 구조 티를 함께 줄였고 수식을 걷는 과정에서 문장 자체가 단순해지기 때문입니다. 한 줄은 은유를 빼되 문장의 쉼표 리듬은 그대로 두고 상세 지시가 리듬까지 다진 것입니다. R1에서 Arm B의 쉼표 비율 신호(C-11) excess가 3.20인 데 비해 Arm C는 0.34였습니다. R2·R3에서는 C-11 값이 arm마다 3.20으로 같아, 이 차이는 R1에만 의미를 가집니다.

여기서 측정 캐비엇을 한 가지 짚습니다. C-11은 연결어미 경위 대비 쉼표의 비율로, 분모가 작은 300~700자 샘플에서는 이산 값으로 포화합니다. 이번 실험에서는 9개 텍스트 중 5개가 동일한 값(12.1933)에 앉았고 그래서, 표에서는 C-11을 target 합계에서 제외했습니다. 짧은 샘플의 C-11 차이는 arm 간 비교로 읽지 마십시오.

실험의 성격도 정직하게 남깁니다. 세 arm 모두 같은 모델(Claude Opus 5)이 제어 조건대로 생성·교정했습니다. 이 실험이 잰 것은 모델의 지시 순응이며, 크로스모델 비교가 아닙니다. Arm A는 전형적인 AI 레지스터로 제어 재현한 기준선입니다. 은유 카운트는 D-14 정본(가족 판정, 관통 은유 규칙)의 부분집합이라 하한 추정입니다. 각 arm은 라운드당 n=1이라, 통계 평균은 기대하지 마십시오.

ThakiCloud 제품 적용 시사점

이 실험은 우리 문서 생성 파이프라인의 계층 설계에 바로 붙습니다. Paxis는 ThakiCloud의 Agent-Native Cloud로, 보고서·블로그·백서 같은 문서 산출 스킬이 그 위에 돕니다. 해당 스킬들이 쓰는 문체 계약은 지금까지 “상세 지시 + 코드 게이트” 2층이었습니다. 이번 실험이 밝힌 것은, 2층 사이에 한 줄 지시를 넣는 것이 은유 축의 빈자리를 채운다는 점입니다. 코드 게이트의 24개 구조 신호에는 생성형 은유(D-14)가 없고, 이 축은 상류 엔진에서도 질적 규칙으로 운영돼 왔습니다. 한 줄 지시는 이 맹점을 프롬프트 비용 한 줄로 덮습니다.

그래서 우리 라인의 권장 조합은 이렇게 바뀝니다. 상시에 한 줄 지시(mannered prose 축)를 넣고, 산출 스킬의 상세 지시(구조 축)를 유지하며 humanize_gate.py로 출력을 재는 것입니다. 셋의 역할이 달라서 겹치지 않습니다. 한 줄은 은유를 걷고, 상세 지시는 리듬을 다지며, 코드는 남은 것을 재서 “AI 티가 줄었다”는 자기보고를 숫자로 바꿉니다.

ai-platform 쪽에서는 서빙 관점이 붙습니다. 한 줄 교정은 원문을 다시 쓰는 단일 LLM 요청이라, 백서나 블로그 한 편당 리라이트 호출 한 번입니다. 우리 인퍼런스 서빙 환경에서 이 정도 요청은 초 단위이고, 결과 검증을 결정론 코드가 하므로 GPU 시간을 거의 쓰지 않습니다. 문체 품질을 “모델을 바꾸는 것”이 아니라 “지시 한 줄 + 코드 게이트”로 잡으면, 서빙 비용을 건드리지 않는 개선입니다.

한계 및 반론

가장 강한 반론부터 놓습니다. “한 줄이 이 정도면 상세 지시가 불필요하지 않으냐”는 질문입니다. 이번 숫자로는 반박이 어렵지 않습니다. 은유 축에서 한 줄은 상세와 동일하고 구조 축의 5건 대 4건도 같은 크기입니다. 단, R1의 C-11(3.20 대 0.34)은 상세 지시 쪽이 확실히 다졌다는 증거입니다. 쉼표 리듬이 중요한 긴 산문에서는 이 차이가 커질 수 있고, 그래서 우리는 한 줄로 상세 지시를 폐기하지 않습니다.

두 번째 반론은 “기존 humanizer 스킬이 하는 것과 무엇이 다르냐”입니다. 방향은 동일합니다. 차이는 두 가집니다. 첫째, Anthropic의 한 줄이 이제 벤더 공식 문서에 등재된 수칙이라는 점입니다. 우리가 만든 지시가 아니라 모델 제공자가 권고하는 문체 계약이 됐고 다른 모델로 넘어갈 때의 호환 근거가 됩니다. 둘째, 이번 실험이 한 줄의 커버리지를 축별로 측정한 점입니다. 한 줄이 무엇을 지우고 무엇을 남기는지가 숫자로 남으면, “AI 티를 줄였습니다”라는 자기보고 대신 게이트 판정을 쓸 근거가 됩니다.

실험 자체의 한계도 반복합니다. 같은 모델 순응 측정, 짧은 샘플, n=1, 레시콘 하한. 이 실험이 밝힌 것은 한 줄 지시의 축별 커버리지이지, “한 줄이면 충분하다”는 증명이 아닙니다. 충분한지는, 각 팀의 산출물에서 게이트가 남는 구조 신호를 얼마나 재느냐에 따라 다릅니다.

정리

LLM 글을 뽑는 팀이라면 오늘 한 가지만 하면 됩니다. “Please remove all mannered prose”를 상시 지시에 넣으면 됩니다. 비용은 프롬프트 한 줄입니다. 은유와 수식의 축은 그 한 줄에 28건에서 0으로 사라진다는 것을 우리는 재 봤습니다. 한 가지를 더 하려면, 남은 것을 코드로 재라는 것입니다. 쉼표 리듬 같은 구조 티는 게이트의 몫입니다. 게이트가 자기보고를 숫자로 바꿔 줍니다. 한 줄이 지우고, 코드가 남는 것을 재는 것이 이번 실험의 전부입니다.

출처

  • Anthropic, “Prompting Claude Fable 5.1” 가이드: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1
  • 원본 트윗 (RT @yulmu_coffee, via @hjguyhan): https://x.com/hjguyhan/status/2097807825657618937
  • 서드파티 분석: https://paddo.dev/blog/a-dial-worth-turning/ · https://willfrancis.com/how-to-stop-claude-writing-like-an-ai/ · https://academy.dair.ai/resources/write-better-with-claude-fable-5-1
  • 실험 원장(내부): outputs/blog-impl/mannered-prose-one-liner/run-1.log

태그: ai-writing, claude, de-ai, fable-5-1, humanizer, mannered-prose, prompting, writing-quality

카테고리:

업데이트:

참고

프롬프트는 병렬로, 깊이는 순차로 쌓는 Recurrent Looped Transformer(RLT)

 

RLT의 핵심은 층수를 늘리는 대신, 고정 깊이의 디코더를 토큰 위에 ‘루프’시키는 것입니다. 프롬프트는 병렬로 넣고, 생성은 상태를 이어가며 순차로 깊이를 쌓는 구조입니다. 아직 측정값이 없는 설계 명세인데, 왜 서빙 엔지니어가 관심을 가져야 하는지 정리합니다.