피드로 돌아가기
Dev.toAI/ML
원문 읽기
Token-Hygiene Skill 설계를 통한 Copilot 컨텍스트 최적화 및 신뢰성 확보
My GitHub Copilot Sessions Kept Degrading -- So I Built a Skill to Fix It
AI 요약
Context
LLM의 고정된 Token Budget으로 인해 세션 진행 시 과거 컨텍스트가 압축되거나 누락되는 성능 저하 발생. 특히 중복 규칙 로드와 비효율적인 파일 읽기 패턴이 Token 소모를 가속화하여 모델의 의사결정 일관성을 해치는 구조적 한계 노출.
Technical Solution
- 중복 데이터 제거를 위한 Cross-cutting rules의 reference 분리 및 링크 기반 참조 구조 설계
- 전체 파일 로드 대신 startLine/endLine 파라미터를 통한 Snippet 단위의 정밀한 데이터 추출 적용
- MCP tool의 무분별한 로드를 방지하기 위해 tool_search 기반의 Deferred Loading 전략 채택
- Tool 호출 전 Plan of Action 작성을 강제하여 Trial-and-error로 인한 Token 낭비 차단
- 세션 종료 시 상태 요약을 통한 Session Memory 기법으로 새 세션의 초기 컨텍스트 밀도 최적화
- VS Code의 files.exclude 설정을 통한 불필요한 인덱싱 및 검색 컨텍스트 유입 원천 차단
실천 포인트
- .vscode/settings.json에 빌드 결과물(out/, Output/) 제외 설정 적용 여부 확인 - LLM 도구 호출 전 실행 계획(Plan) 작성을 명시적으로 요구하는 프로토콜 도입 - 대규모 파일 참조 시 전체 읽기 대신 특정 라인 범위 지정 사용 습관화 - 장기 세션 전환 시 '상태 요약' 생성 후 새 세션에 주입하는 워크플로우 적용