LLM 토큰 최적화를 위한 Markdown 로직의 Shell Script 전환 및 DRY 전략 재정의

I thought I was DRY-ing. I may have been double-paying.

Charles Ouimet2026년 4월 21일9분intermediate

AI 요약

Context

LLM 기반 워크플로우에서 공통 로직을 분리한 Foundation Skill 구조가 토큰 비용을 증가시킨다고 판단하여 각 Skill에 로직을 Inline 하는 리팩토링 수행. 하지만 잘못된 가설로 인해 중복 로직이 산재하며 토큰 소모가 가중되고 로직 정합성이 깨지는 Drift 현상 발생.

Technical Solution

외부 독립 Claude 세션을 통한 Cold Audit 수행으로 작성자의 인지 편향(Confirmation Bias) 제거
Deterministic Logic의 경우 Markdown 기반 가이드라인 대신 Shell Script 실행 결과(stdout)를 읽는 구조로 전환
단순 텍스트 기반의 DRY(Don't Repeat Yourself) 원칙을 넘어 LLM의 추론 비용(Reasoning Cost)을 최소화하는 설계 채택
불필요한 Skill Description 길이를 최적화하여 세션 초기 로드 시 발생하는 Token Surtax 감소
중복 정의된 JSON Schema 및 출력 포맷 규칙을 단일 지점으로 통합하여 관리 포인트 일원화

실천 포인트

1. LLM 프롬프트 내에 반복되는 규칙이나 결정론적 계산 로직이 존재하는가?

2. 해당 로직을 Bash/Python 스크립트로 대체하여 stdout 한 줄로 결과값을 전달할 수 있는가?

3. 리팩토링 전후의 토큰 소모량을 측정할 수 있는 독립적인 감사(Audit) 프로세스를 갖추었는가?

4. 단순 중복 제거(DRY)가 오히려 LLM의 컨텍스트 참조 비용을 높이고 있지는 않은가?

태그

#LLM orchestration #DRY Principle #Cold Audit #Token Optimization #Deterministic Logic

원문 읽기