[Claude code] 설치 및 사용법 Vscode, Terminal

 

드디어 회사 정책이 바뀌어서 claude code를 개발 서버에서 사용할 수 있게 되었다.

(지금까지 계속 chatgpt에 무지성 코드 복사 붙여넣기 했던거는 안 비밀...)

 

돈을 지원해주진 않지만 그래도 허용해준 것만으로도 감지덕지하다.

관련해서 처음 세팅하면서 헤맸던 부분들 위주로 정리해봤다.

 

본 게시글은 vscode에서 처음 claude code를 세팅하고 사용해보는 사람들을 위한 글이다. 이미 세팅을 완료해서, 몇 번의 사용 경험이 있다면 이 글은 패스해도 좋다.

 

1. vscode에 claude code를 사용하려면 최소 pro는 구독

---

- 수수료 포함해서 매달 22달러, 매년은 220달러다. 맛보기용으로 22$ 매월 결제로 설정했다.

- 가입만 하면, 연동은 쉽다. vscode를 열어 extension에서 설치 후, terminal을 열어서 claude를 입력하면 아주 귀여운 창이 나온다.

Pro 플랜 구독료

(Opt.) 가끔 무료 크레딧을 준다 (20$~)

- 본인은 5일 차이로 놓쳤지만, 비정기적으로 무료 크레딧을 뿌리니 잘 모니터링 하도록 하자.

- 이전 무료 크레딧 이벤트 참고:

https://neonomadj.com/%ED%81%B4%EB%A1%9C%EB%93%9Cclaude-%EC%9C%A0%EB%A3%8C-%EC%82%AC%EC%9A%A9%EC%9E%90-%EC%A3%BC%EB%AA%A9-%EB%AC%B4%EB%A3%8C-%ED%81%AC%EB%A0%88%EB%94%A720200-%EC%8B%A0%EC%B2%AD-%EB%B0%A9%EB%B2%95/

 

2. 초기 설정 in Terminal

---

유료 결제를 완료 했다면, claude를 설치하자

설치 방법은 mac os에 home brew가 설치되어 있다는 가정으로 설명하려고 한다.

(만약 homwbrew가 아직 없다면 설치부터 하자 (참고: https://brew.sh/). claude code 외에 mac에서 개발하려면 필수템 중 하나다)

설치는 여러 루트로 할 수 있지만, 가장 간편한 cli에서 설치 방법을 추천한다.

npm install -g @‌anthropic-ai/claude-code

만약 npm이 없다면 다음 명령어로 설치가 가능하다: brew install node

 

이제 claude를 터미널 명령어로 입력하면, 다음 화면으로 시작할 수 있다.

초기 UI 화면

- 처음 시작하면 내가 지금 있는 위치(pwd)가 어딘지 헷갈리는데, claude 명령어를 검색하기 직전 위치에서 열린다고 보면 된다.

- 즉, claude로 수정/생성하고자 하는 폴더 위치에서 cluade를 키면 된다!

 

 

작업하고자 하는 폴더에 /init 을 하면, 프로젝트를 설명해주는 마크다운 파일을 만들 수 있다.

/init 명령어가 완수되면 CLAUDE.md 파일이 root 경로에 생긴다.

- 원하는 프로젝트로 이동 후, 첫 작업 시작전에 /init 명령어로 해당 프로젝트를 설명해주는 .md 파일을 먼저 만들어보자.

- 이후에 작업할 때, claude 가 이 .md 파일을 참고해서 작업을 더 수월하게 진행 할 수 있다. 단, AI가 작성한 초안 개념이기 때문에, .md 파일을 열어 환각 현상은 없는지, 추가에야할 정보는 없는지 반드시 확인하도록 하자.

- (주의할점 1) 코드 베이스로 .md 파일을 만들어주기때문에 빈 폴더면 작업이 불가능하다.

- (주의할점 2) 폴더명을 잘 지어야 하는데, 비슷한 폴더명이 있으면 자꾸 참고해도 되냐고 묻는다. 다 돈이기 때문에 중요한 폴더만 참고할 수 있도록 하자.

 

 

(opt.) 호출 모델을 변경할 수 있다

default는 sonnet4.6 (effort: high) 모델이다

- /model을 입력하면 대화하는 모델을 바꿀 수 있다. 모델 성능은 Opus > Sonnet > Haiku 순이다.

- 이것저것 해보니까 어지간히 복잡한 Task 아니면 기본값인 Sonnet이 제일 무난하다. Opus는 성능은 좋으나 토큰수를 두배로 잡아먹기 때문에, 몇 번 대화를 안해도 사용량을 초과하는 경우가 많아 정말 가끔만 사용하게 된다. Haiku는 응답 속도가 빨라 간단한 태스크에서 사용하기 무난하다.

 

3. Claude에게 일 시키기 (코드 생성, 데이터 분석 등)

---

- 이제 가장 기본으로 준비해야될 일은 끝났으니, 일을 시켜보도록 하자.  관련해서는 다음 블로그를 참고했다. 자주 사용하는 명령어는 기억해두도록 하자: Claude Code 완전 가이드: 터미널에서 AI와 함께 개발하기

- 시키려는 일(instruction)을 --prompt 인자에 넣어서 넘겨주면 된다. 기존 파일을 수정하거나, 새 파일을 생성하는 경우 모두 --file 인자에 입력하면 된다.

 

 

1️⃣ 코드 생성: claude-code generate --file {file_name} --prompt {instruction}

- 신규 생성 및 수정하고 싶은 파일 이름을 {file_name}에, 지시사항을 {instruction}에 넣으면 작동한다. 

 

 

2️⃣  데이터 분석: {instruction}

- 데이터 분석을 하고 싶을 때는, 대상 파일의 경로, 이름 등을 주고 chatgpt한테 질문하듯이 자연어로 검색하면 된다.

- 필요하다면 코드를 짜고, 그 코드를 돌려서 나온 결과를 cmd 창에 바로 띄어준다. 만약 코드에 실수가 있다면, 자기 스스로 수정해서 다시 생성한다. 

- 아래는 특정 .jsonl 파일을 열어서 tool_type을 카운트 해달라고 시킨 결과이다. 한 번의 python code 실패 후 스스로 수정 후 결과값을 출력하는 것을 확인할 수 있다.

출력 결과가 꽤나 이쁘게 나오는걸 확인할 수 있다. 요청하지도 않은 결과 분석까지 마지막에 해준다 (code_exec is far the most...)

 

 

 

 

(opt.) 실험. 과연 복잡한 작업을 한번에 잘 수행할 수 있는가?

- chatgpt 사용 시에는 최소 5단계는 나눠서 prompt를 입력한 작업을, claude에 한번에 넣어보았다. 과연 잘 할까?

- html에 데이터(약 30개 url)를 수집 -> 정제 (html2txt) -> 카데고리 분류 까지 하는 작업을 한 입력에 다 넣어봤다. 아래처럼 Prompt도 굉장히 길다. 작업이 헛되지 않게 한글로 1차 작성 후, chatgpt를 이용해서 정제 및 영어로 번역을 부탁했다.

- token usage가 0%에서, 이 작업 한번에 310%로 초과해버렸다. 토큰을 다 사용하면 중간에 작업이 중단되는게 아닌가 걱정했지만, 다행이도 cost usage만 넘지 않으면 중간에 끊기진 않는다.

한 번의 작업으로 한달 비용 중 10% 소모. 10~15분정도 걸렸다.

 

- 최종 결과를 보면, 지시한대로 step-by-step으로 작업을 잘 수행한 것을 확인할 수 있다. web-fetch, html수집, 정제, 분류까지 한번에 수행해주다니 claude 최고...

- 한가지 아쉬운건, 코드로 짜달라고 할 껄 그랬다. 권한때문에 y를 중간중간에 눌러야되는게 많고, 재현해볼 코드가 없으니 다음에 같은 작업 수행 시 또 token을 사용해야 된다. 왠만하면 재현할 수 있는 파이썬 코드를 작성해달라고 프롬프트에 넣을 것.

 

 

 

* 사용 프롬프트 참고

[1차. 작성 한글 prompt]

./office_document' 폴더에 docx, pdf, xlsx, ppt 관련 document를 구축해야 돼. 아래 방법대로 이 document를 구축하려고 해.

먼저 './office_document/reference.txt'는 네 가지 타입과 관련이 있는 python-library 버전들을 적어두었어. 이 파일을 읽고, 각 라이브러리와 명시된 버전에 맞게 최종적으로 네 가지 타입에 대한 document를 각각 생성하려 고 해.

아래는 네가지 오피스 타입 중, pdf 관련된 document ("./office_document/pdf.txt")를 구축하는 방법이야. 아래 순서대로 나머지 오피스타입도 document를 구축하면 돼.

가장 먼저, './office_document/reference.txt'에서 네 가지 오피스 타입과 관련된 라이브러리를 분류할 것. 결과 파일은 './office_document/reference_office_type.json'으로 저장. 예시 ({"pdf":["fpdf2 2.8.3", "reportlab 3.6.12", ...])

pdf 관련된 document ("./office_document/pdf.txt")를 구축하는 방법
1. pdf와 관련된 library로 분류된 (예:fpdf2 2.8.3) 파이썬 라이브러리의 문서를 찾을 것. "https://pypi.org/project/" 웹사이트에서 "fpdf2"와 명시된 버전인 "2.8.3" 페이지를 검색
2. "https://pypi.org/project/fpdf2/2.8.3/" 페이지를 찾았다면, 해당 페이지의 html 정보를 읽어오고, "./office_document/raw_data/{office_type}_{library}_v{ver}.html"로 저장. 여기서는 "./office_document/raw_data/pdf_fdpf2_v2_8_3.html"로 저장하면 됨.
3. document의 구축 목적은, 오피스 관련 오픈데이터셋을 자동으로 생성하기 위함임. 해당 document를 참고해서 Llm이 적절한 nl2code 데이터로 생성할 수 있게 document를 해당 라이브러리 명세 형식으로 수정. 단 버전 정보는 반드시 유지되어야 하며, html에 없는 정보는 추가하지 말것. 해당 파일은 "./office_document/html2txt/{office_library}_{library}_v{ver}.txt"로 저장할 것.
4. 최종적으로, './office_document/reference_office_type.json'에 저장된 타입을 참고해서  "./office_document/html2txt/" 수집된 파이썬 라이브러리에 대한 명세를 "./office_document/{office_type}.txt"로 분류해 네 개의 파일로 생성할 것. 즉, "./office_document/pdf.txt"는 pdf와 관련된 라이브러리에 해당하는 "fpdf2 2.8.3", "reportlab 3.6.12"에 대한 내용이 들어가 있어야 함. 단, 네 가지 타입에 해당하지 않을 경우 "./office_document/others.txt"로 저장할 것.

 

[2차. chatgpt 정제 및 영어 번역]

 

You are tasked with upgrading the open dataset generation pipeline from version 2.5 to version 3.

## Background
- The current pipeline (v2.5) is located at: `./v2_5_gen_process_code`
- It includes `1_generate_loop_n.py`, which currently supports only `pdf` and `docx`.
- The goal is to upgrade this pipeline to version 3 so that it supports four office document types:
  - pdf
  - docx
  - xlsx
  - ppt

## High-Level Goal

Before modifying the generation code, you must first build structured documentation for each office type under `./office_document`.

---

## Step 1: Parse Reference File

Input:
- `./office_document/reference.txt`

Task:
- Read the file and classify all listed Python libraries (with versions) into office types:
  - pdf
  - docx
  - xlsx
  - ppt
  - others (if not applicable)

Output:
- Save the classification result as:
  `./office_document/reference_office_type.json`

Format example:
{
"pdf": ["fpdf2 2.8.3", "reportlab 3.6.12"],
"docx": [...],
"xlsx": [...],
"ppt": [...],
"others": [...]
}

## Step 2: Collect Raw HTML from PyPI

For each library in each office type:

1. Construct the PyPI URL: https://pypi.org/project/{library_name}/{version}/

2. Fetch the HTML content of the page.

3. Save the raw HTML file to: ./office_document/raw_data/{office_type}_{library}_v{version}.html

Naming rules:
- Replace dots in version with underscores (e.g., 2.8.3 → v2_8_3)
- Example:pdf_fpdf2_v2_8_3.html

Constraints:
- Do NOT modify the HTML content
- If the page does not exist, skip and log the failure


## Step 3: Convert HTML to Structured Text Specification

Goal:
Transform each HTML document into a clean, structured specification that can be used for NL2Code dataset generation.

For each HTML file:

1. Extract relevant documentation content.
2. Convert it into a structured text format describing:
 - library purpose
 - key classes/functions
 - usage patterns

Output:
- Save to:./office_document/html2txt/{office_type}_{library}_v{version}.txt


Constraints:
- MUST preserve the exact library version
- MUST NOT add information that is not present in the HTML
- MUST NOT hallucinate or infer missing details
- Keep the format consistent across all libraries


## Step 4: Aggregate by Office Type

Using:
- `reference_office_type.json`
- files in `./office_document/html2txt/`

Task:
- Merge library specifications into one file per office type:

Output files:
./office_document/pdf.txt
./office_document/docx.txt
./office_document/xlsx.txt
./office_document/ppt.txt
./office_document/others.txt


Requirements:
- Each file must contain all corresponding library specifications
- Maintain clear separation between libraries
- Preserve version information for every library


## Final Notes

- Follow the exact directory and naming conventions
- Do not skip steps
- Ensure all outputs are reproducible and consistent
- Log any failures or missing data clearly