Harness Debt 제거를 통한 AI Agent 추론 일관성 및 토큰 효율 최적화

Context

AI Agent의 가이드라인 문서(CLAUDE.md)가 업데이트 주기보다 빠르게 성장하며 규칙 간 충돌 및 불일치가 발생하는 Harness Debt 문제 직면. 로컬 관점의 규칙 승인 프로세스가 글로벌 관점의 문서 정합성을 훼손하여 Agent의 오작동 및 불필요한 토큰 비용을 유발하는 구조적 한계 노출.

Technical Solution

• 분기별 전수 Audit 프로세스 도입을 통한 규칙 간 Contradiction 및 Orphan Reference 식별
• 모든 규칙 추가 시 방지하고자 하는 장애 사례를 명시하는 One-line Annotation 강제화
• Grep 기반의 코드베이스 대조를 통해 유효하지 않은 파일 경로 및 함수 참조 제거
• 최근 6개월간 실행 이력이 없는 규칙을 Candidate로 분류하여 삭제 여부를 결정하는 Pruning 메커니즘 적용
• Keystone 툴을 통한 Audit Wheel 구현으로 개인의 의지가 아닌 시스템 기반의 정기적 가이드라인 아카이브 체계 구축
• 기록 기반의 망각(Forgetting as a first-class operation) 설계를 통해 문서의 최신성 유지