Claude Code의 Ultraplan은 3개의 독립 탐색 에이전트와 1개의 비평 에이전트가 협업하여 최적의 구현 계획을 만드는 클라우드 기반 멀티 에이전트 아키텍처입니다. 단일 에이전트의 앵커링 바이어스를 극복하고, 더 다양하고 견고한 계획을 생성합니다. 이 글에서는 AI 계획 수립의 역사부터 Ultraplan의 핵심 아키텍처, 실전 활용법까지 풍부한 사례와 함께 깊이 있게 다룹니다.
여러분이 집을 리모델링한다고 상상해 보세요. 건축가 한 명에게만 맡기면, 그 사람의 스타일과 경험에 맞춰 하나의 설계안이 나옵니다. 하지만 세 명의 건축가에게 독립적으로 설계를 맡기고, 네 번째 전문가가 세 안의 장점을 골라 최종안을 만든다면 어떨까요?
이것이 바로 Ultraplan의 핵심 아이디어입니다.
2026년 Anthropic이 Claude Code v2.1.91에서 공개한 Ultraplan은 "AI 코딩 에이전트가 코드를 작성하기 전에 어떻게 계획을 세워야 하는가"라는 근본적인 질문에 대한 대답입니다. 단순히 LLM에게 "계획을 세워줘"라고 하는 것이 아니라, 멀티 에이전트 아키텍처를 통해 인간 수준의 숙의 과정을 시뮬레이션합니다.
"좋은 계획은 좋은 코드보다 중요하다. 계획 없는 코딩은 나침반 없는 항해와 같다."
AI가 코드를 작성하는 역사는 생각보다 깁니다. 하지만 "계획을 세우고 코드를 작성하는" 능력은 최근에야 등장했습니다.
왜 AI에게 계획이 필요한지, 실제 사례를 통해 살펴보겠습니다.
이런 사례들은 하나의 공통점을 가지고 있습니다: AI가 코드를 잘 작성하는 것과 올바른 코드를 작성하는 것은 완전히 다른 문제라는 점입니다.
심리학에서 앵커링 효과(Anchoring Effect)란 처음 접한 정보에 과도하게 의존하는 인지 편향을 말합니다. 1974년 Tversky와 Kahneman이 발표한 기념비적 논문 "Judgment under Uncertainty: Heuristics and Biases"에서 처음 체계적으로 연구되었습니다.
AI 언어 모델도 이와 유사한 문제를 겪습니다. LLM은 토큰을 순차적으로 생성하기 때문에, 초반에 선택한 방향이 이후 전체 출력에 영향을 미칩니다. 이것을 AI의 앵커링 바이어스라고 합니다.
이 접근법은 여러 학술 연구에서 그 효과가 검증되었습니다:
| 연구/논문 | 핵심 발견 | Ultraplan과의 연관성 |
|---|---|---|
| Self-Consistency (Wang et al., 2022) | 동일 프롬프트에 대해 여러 추론 경로를 샘플링하고 다수결로 답을 선택하면 정확도가 크게 향상 | 3 탐색자의 독립 탐색이 이 원리를 에이전트 수준으로 확장 |
| Tree of Thoughts (Yao et al., 2023) | 탐색 트리를 구성하여 여러 "생각 경로"를 평가하고, 가장 유망한 경로를 선택 | 각 탐색자가 하나의 "사고 분기"를 전담하고 비평자가 평가 |
| LLM Debate (Du et al., 2023) | 여러 LLM이 각자의 답을 제시하고 토론하면 사실적 정확성과 추론이 개선됨 | 비평 에이전트가 "토론 중재자" 역할을 하면서 최선을 합성 |
| Mixture-of-Agents (Wang et al., 2024) | 여러 LLM의 출력을 다른 LLM이 종합하면 개별 모델을 초월하는 성능 달성 | Ultraplan의 아키텍처가 이 패턴의 실전 구현체 |
이제 Ultraplan이 실제로 어떻게 작동하는지 깊이 살펴보겠습니다.
세 명의 탐색 에이전트는 완전히 동일한 태스크를 받지만, 각자 독립된 컨텍스트 윈도우에서 작업합니다. 서로의 존재를 모르고, 서로의 작업을 볼 수 없습니다.
이것이 왜 중요할까요?
비평 에이전트는 세 탐색자의 결과를 동시에 받습니다. 이 에이전트의 역할은:
비평 에이전트가 특별한 이유: 이 에이전트는 어떤 탐색자의 결과에도 감정적 투자(sunk cost)가 없습니다. 자신이 작성한 것이 아니기 때문에, 순수하게 품질 기준으로만 평가할 수 있습니다. 이것이 인간 팀의 "코드 리뷰"와 유사한 구조적 이점입니다.
탐색 결과에서 중요한 패턴이 나타납니다:
| 탐색자들이 수렴할 때 | 탐색자들이 발산할 때 |
|---|---|
| 세 에이전트가 비슷한 결론에 도달 | 세 에이전트가 완전히 다른 접근법 제시 |
| → 높은 신뢰도 시그널 | → 비평 에이전트의 합성이 더 가치있음 |
| 해당 접근법이 객관적으로 우월할 가능성 높음 | 문제 공간이 넓어서 최적해가 비자명함 |
| 비평 에이전트가 세부사항 통합에 집중 | 비평 에이전트가 전략적 선택에 집중 |
아래 시뮬레이터에서 Ultraplan의 멀티 에이전트 프로세스를 직접 체험해 보세요. "시뮬레이션 시작" 버튼을 누르면 3개의 탐색 에이전트가 동시에 작업을 시작하고, 완료 후 비평 에이전트가 결과를 합성합니다.
Ultraplan을 사용하는 방법은 세 가지입니다:
# 방법 1: 직접 명령
/ultraplan 인증 서비스를 세션에서 JWT로 마이그레이션
# 방법 2: 키워드 자동 감지
ultraplan을 사용해서 결제 모듈을 마이크로서비스로 분리해줘
# 방법 3: 로컬 플랜에서 업그레이드
# → 로컬 플랜 완성 후 "No, refine with Ultraplan" 선택
Ultraplan의 전체 워크플로우를 단계별로 살펴보겠습니다:
Ultraplan이 실행되는 동안 터미널에 다음과 같은 상태가 표시됩니다:
Ultraplan의 가장 혁신적인 부분 중 하나는 브라우저 기반 리뷰 인터페이스입니다. 터미널에서 텍스트로 계획을 리뷰하는 것과는 차원이 다른 경험을 제공합니다.
플랜의 특정 부분을 하이라이트하고 직접 코멘트를 달 수 있습니다. "Phase 2에서 Redis 대신 Memcached를 쓰면 어떨까?"처럼 구체적인 피드백이 가능합니다. 전체 플랜에 대해 "다시 해줘"라고 말하는 것보다 훨씬 정밀한 조율이 가능합니다.
각 섹션에 이모지로 빠르게 의사를 표현할 수 있습니다. 👍 은 승인, 🤔 은 재고 필요, ❌ 은 반대. 이 반응들이 Claude에게 어디를 수정해야 하는지 신호를 줍니다.
리뷰 → 수정 → 리뷰를 원하는 만큼 반복할 수 있습니다. 계획이 완벽해질 때까지 다듬을 수 있습니다. 이것은 마치 인간 아키텍트와 함께 설계 리뷰를 하는 것과 같습니다.
최종 승인 후 두 가지 선택이 있습니다:
| 웹에서 실행 | 터미널로 전송 |
|---|---|
| "Approve Claude's plan and start coding" 선택 | "Approve plan and teleport back to terminal" 선택 |
| 클라우드에서 구현 → 자동 PR 생성 | 터미널에서 3가지 옵션 (현재 세션, 새 세션, 취소) |
| 로컬 환경 의존성 없이 작업 가능 | 로컬 도구, 환경변수 활용 가능 |
| 팀 리뷰에 최적 | 개인 개발 워크플로우에 최적 |
Ultraplan의 성능 향상은 인상적입니다.
비밀은 병렬 처리에 있습니다. 세 탐색자가 동시에 실행되므로, 벽시계 시간은 단일 에이전트의 약 1.5배에 불과합니다. 하지만 3배의 탐색 결과를 얻고, 비평까지 거칩니다.
Ultraplan은 "AI 에이전트가 어떻게 계획을 세워야 하는가"라는 더 큰 질문의 일부입니다. 이 분야의 핵심 연구들을 살펴보겠습니다.
복잡한 태스크를 작은 하위 태스크로 분해하는 것은 AI 계획의 핵심입니다. STRIPS(1971)부터 시작된 고전적 AI 계획에서부터, 현대의 LLM 기반 에이전트까지 이 원리는 일관됩니다.
Ultraplan의 탐색자들은 각각 이 분해를 독립적으로 수행하며, 서로 다른 분해 전략을 탐색합니다. 한 탐색자는 기능 단위로, 다른 탐색자는 계층 단위로, 세 번째는 리스크 단위로 분해할 수 있습니다.
AlphaGo를 탄생시킨 MCTS는 "탐색(exploration)"과 "활용(exploitation)"의 균형을 맞추는 알고리즘입니다. Ultraplan의 구조와 놀라운 유사성이 있습니다:
| MCTS | Ultraplan |
|---|---|
| 여러 경로를 동시에 탐색 | 3 탐색자가 독립 경로 탐색 |
| 시뮬레이션으로 각 경로의 가치 평가 | 비평 에이전트가 각 결과의 품질 평가 |
| 역전파로 최적 경로에 자원 집중 | 최선의 요소를 합성하여 최종 플랜 생성 |
| UCB 공식으로 탐색-활용 균형 | 독립 컨텍스트로 자연스러운 다양성 보장 |
경제학자 Scott Page의 다양성 정리(The Diversity Prediction Theorem)에 따르면:
집단 오차 = 평균 개인 오차 − 예측의 다양성
즉, 다양한 관점의 집단이 뛰어난 개인보다 더 나은 의사결정을 한다는 것입니다. 이 원리가 Ultraplan에 정확히 적용됩니다: 세 탐색자의 다양한 접근법이 비평 에이전트를 통해 개별 탐색자보다 우월한 플랜으로 합성됩니다.
Claude Code는 핵심적으로 단일 스레드 마스터 루프를 기반으로 합니다. 이것은 의도적인 설계 결정입니다: "단순한 단일 스레드 마스터 루프와 규율 있는 도구, 계획의 결합이 제어 가능한 자율성을 제공한다."
Ultraplan은 이 철학의 확장입니다. 로컬에서는 단일 스레드로 간결하게, 복잡한 계획이 필요할 때만 클라우드의 멀티 에이전트로 확장합니다. 이것은 "필요할 때만 복잡성을 추가한다"는 소프트웨어 설계의 기본 원칙과 일치합니다.
/ultraplan 주문 처리 모놀리스를 이벤트 기반 마이크로서비스로 분리.
현재 상태: 모든 비즈니스 로직이 OrderService.java에 집중 (3,200줄).
제약: 무중단 배포 필수, 기존 REST API 호환 유지.
왜 Ultraplan이 적합한가: 이런 태스크에서 단일 에이전트는 하나의 분해 전략에 고착됩니다. Ultraplan의 세 탐색자는 Strangler Fig, Big Bang, 그리고 하이브리드 접근법을 각각 탐색하고, 비평 에이전트가 "무중단" 제약을 가장 잘 충족하는 전략을 합성합니다.
/ultraplan React 18 프로젝트를 Next.js 16 App Router로 전환.
현재: CRA 기반, Redux, React Router.
목표: SSR/SSG 활용, 페이지 로드 시간 50% 단축.
세 탐색자의 가능한 접근:
/ultraplan OWASP Top 10 대응을 위한 인증/인가 시스템 강화.
현재: 커스텀 세션 기반 인증, RBAC 없음.
데이터: 고객 PII 포함, 의료 데이터 규정(HIPAA) 준수 필요.
왜 여러 관점이 필수적인가: 보안은 단일 관점으로는 충분하지 않습니다. 한 탐색자는 인증 흐름에, 다른 탐색자는 데이터 암호화에, 세 번째는 감사 추적에 집중할 수 있습니다. 비평 에이전트가 이를 통합하여 빈틈없는 보안 플랜을 만듭니다.
Ultraplan이 만능은 아닙니다. 사용 전에 알아두어야 할 점들이 있습니다:
Ultraplan은 시작에 불과합니다. AI 코딩 에이전트의 계획 수립은 앞으로 더 진화할 것입니다.
현재 세 탐색자는 범용적이지만, 미래에는 각 탐색자가 특정 도메인에 특화될 수 있습니다. "보안 전문 탐색자", "성능 전문 탐색자", "접근성 전문 탐색자" 등이 프로젝트의 특성에 맞게 자동 배정될 수 있습니다.
현재는 AI만 탐색을 수행하지만, 인간 개발자가 네 번째 "탐색자"로 참여할 수 있는 가능성도 있습니다. AI의 세 가지 제안과 인간의 한 가지 제안을 비평 에이전트가 함께 평가하는 하이브리드 모델입니다.
Ultraplan이 과거 플랜의 성공/실패를 학습하여, 특정 코드베이스에 맞는 최적의 계획 전략을 점점 더 잘 선택하게 되는 미래를 상상할 수 있습니다.
Ultraplan의 핵심 메시지는 명확합니다: AI 코딩의 미래는 "더 좋은 코드를 작성하는 것"이 아니라 "더 좋은 계획을 세우는 것"에 달려 있습니다. 그리고 더 좋은 계획은 다양한 관점, 독립적 탐색, 그리고 객관적 비평에서 나옵니다.
소프트웨어 개발에서 가장 비싼 실수는 코딩 실수가 아니라 설계 실수입니다. Ultraplan은 AI가 이 "설계의 실수"를 줄이기 위해 인간이 수천 년에 걸쳐 발전시켜 온 의사결정 원리 — 다양성, 독립성, 집단 지성 — 을 체계적으로 적용한 첫 번째 사례입니다.
참고 자료:
