오픈웨이트AI

LLM 연구원이 말하는 핵심 Point
Claude Code에서 비용이 커지는 지점은 코드 한 줄을 생성할 때가 아니라 실행 결과를 확인하고 다시 수정하는 반복 루프입니다.
따라서 이 루프만 DeepSeek로 분리하면, 개발 방식은 바꾸지 않고도 토큰이 집중되는 구간을 효율적으로 줄일 수 있습니다.

LLM 연구원이 말하는 핵심 Point
대규모 프로젝트에서는 코드를 “잘 읽는 것”보다 “필요한 것만 읽게 만드는 것”이 중요합니다.

Qwen의 긴 Context를 활용해 프로젝트 전체를 먼저 훑고 Claude Code에는 작업에 필요한 맥락만 전달하면,
불필요한 코드 탐색과 토큰 소모를 크게 줄일 수 있습니다.

LLM 연구원이 말하는 핵심 Point
Agent 작업은 한 번의 답변보다 탐색과 Tool 호출이 반복되는 과정에서 토큰이 빠르게 누적됩니다.

이 반복 루프를 GLM으로 분리하면 Claude Code가 매번 탐색 과정을 처음부터 수행하지 않고,
정리된 결과를 바탕으로 다음 작업을 수행할 수 있습니다.

캡스톤

Claude Code와 다양한 AI 모델을 조합해 나만의 개발 환경 완성하기
Claude Code와 DeepSeek·Qwen·GLM을 실제 개발 작업에 적용하고, 작업별로 어떤 모델을 조합하는 것이 효과적인지 직접 확인합니다.
마지막에는 여러 모델을 하나의 Workflow로 연결해 나만의 하이브리드 개발 환경을 완성합니다.

AI를 많이 쓸수록, 모델을 고르는 기준도 달라져야 합니다.
“왜 같은 작업인데 모델에 따라 비용이 달라질까?”

토큰이 생성되고 소비되는 방식부터 Context와 모델 구조, API 비용까지 살펴보며 AI 모델의 성능과 비용을 판단하는 기준을 만들어갑니다.

좋은 모델 하나를 고르는 것보다, 내 작업에 맞는 모델을 조합하는 것이 중요해지고 있습니다.

Claude Code의 강력한 성능은 그대로 활용하고, 오픈 웨이트 AI 모델의 강점은 필요한 작업에 나눠 적용합니다.
반복적인 코드 구현과 수정, 대규모 코드 분석, Agent와 Tool을 활용한 작업처럼 개발 과정에서도 작업마다 필요한 모델의 역할은 달라집니다.

이번 강의에서는 DeepSeek·Qwen·GLM을 직접 다뤄보며 각 모델이 잘하는 영역을 확인하고,
실제 개발 환경에서 Claude Code와 어떻게 조합할 수 있는지 경험합니다. 단순히 모델을 추가하는 데 그치지 않고, 어떤 작업을 어떤 모델에 맡길지 직접 판단하고 나에게 맞는 하이브리드 Workflow를 설계해보세요.

개발 퀄리티는 유지하면서 불필요한 토큰 비용은 줄이고, 내 개발 환경에 맞는 AI Workflow를 완성합니다.