Claude Code × Codex CLI 에이전트: 2026년 7월 기준 “터미널 자동화 워크플로”로 진짜 생산성 뽑는 법

게시 2026/07/14

By Daewook Kwon

17 분읽는 시간

들어가며

CLI 기반 AI 코딩 에이전트가 해결하는 문제는 명확합니다. (1) 레포 탐색/이해 → (2) 수정 → (3) 테스트/실행 → (4) PR 품질 체크를 사람 손으로 왕복하던 루프를, 터미널에서 “도구 호출(tool-call) + 권한 승인(approval) + 세션 지속(session)”으로 묶어 반복 비용을 낮추는 것입니다.

언제 쓰면 좋은가

변경 범위가 “파일 여러 개 + 테스트/빌드/린트”까지 걸리는 중간 규모 작업(버그 수정, 리팩터링, 마이그레이션)
팀 규칙(커밋 메시지, CI 규칙, 린트 규칙)이 확고해서 에이전트의 산출물을 자동 검증하기 쉬울 때
사람이 하기엔 귀찮은 반복 작업(로그 분석, 실패한 테스트 원인 추적, 릴리즈 노트 초안 등)

언제 쓰면 안 되는가

요구사항이 불명확하거나, “어떤 아키텍처가 맞는지”를 먼저 정해야 하는 탐색 단계(에이전트가 코드를 너무 빨리 고쳐서 오히려 방향을 흐림)
레포/조직 보안 정책상 로컬 파일 접근/명령 실행 자체가 민감한 환경(권한 모델/감사 로깅 준비 없으면 위험)
“한 줄 바꾸면 끝” 수준의 작업(사람이 더 빠름)

2026년 7월 시점에서 실무적으로 중요한 포인트는, Claude Code 쪽은 MCP(Model Context Protocol)와 권한/도구 제어 플래그가 자동화에 유리하고, Codex CLI는 로컬에서 동작하는 경량 에이전트 + 승인 워크플로로 빠르게 굴릴 수 있다는 점입니다. (docs.anthropic.com)

🔧 핵심 개념

1) “CLI 에이전트”의 본질: REPL이 아니라 에이전트 루프

Claude Code CLI는 claude를 REPL로 시작할 수도 있지만, 자동화 관점에서 핵심은 print 모드(-p) + 구조화 출력(JSON/stream-json) 입니다. 즉, “자연어 → (필요시) 파일 읽기/편집/쉘 실행 → 응답”의 루프를 스크립트가 다시 감쌀 수 있는 형태로 꺼내주는 게 포인트입니다. --output-format json, --max-turns 같은 플래그가 이 목적에 맞습니다. (docs.anthropic.com)

Codex CLI도 비슷하게 “터미널에서 코드를 읽고/수정하고/실행하는 에이전트”를 지향하며, 설치와 시작이 가벼운 편입니다. (help.openai.com)

2) 안전장치의 차이: 권한 승인(approval) = 자동화의 브레이크

자동화에서 가장 자주 실패하는 지점이 “에이전트가 파일 삭제/대량 수정/위험한 명령 실행”을 해버리는 경우입니다. Claude Code는 권한 프롬프트를 스킵하는 --dangerously-skip-permissions를 제공하지만, 이름 그대로 자동화 파이프라인에 기본값으로 넣으면 사고 확률이 급증합니다. (docs.anthropic.com)
대신 “허용 도구 allowlist” 중심으로, 예를 들어 git diff, pnpm test 같은 읽기/검증 위주만 무프롬프트로 열어두고, 쓰기/실행은 단계적으로 승인하게 설계하는 게 현실적입니다(--allowedTools, --disallowedTools). (docs.anthropic.com)

Codex CLI 역시 “승인 워크플로(Approval modes)”를 전면에 두고 있어, 완전 무인화보다는 인간-인더-루프를 기본 철학으로 둡니다. (help.openai.com)

3) MCP로 “에이전트의 손발”을 붙인다

Claude Code CLI에는 claude mcp가 있고, 이는 외부 도구/서비스를 표준 프로토콜로 붙이는 확장 지점입니다. (docs.anthropic.com)
이게 실무에서 의미 있는 이유는:

GitHub/이슈 트래커/사내 API 등을 “프롬프트로 복붙”하지 않고
구조화된 tool-call로 접근하게 만들 수 있어서,
로그/아티팩트/결과물을 자동으로 모으는 워크플로를 만들기 쉽습니다.

4) “두 에이전트 조합”이 뜨는 이유: Plan vs Execute 분리

2026년 들어 업계에서 자주 보이는 패턴은:

Claude Code: 계획/리뷰/리팩터링 방향(설명력, 맥락 유지)
Codex CLI: 실제 파일 수정/테스트 반복(그라인딩, 빠른 반복)

즉 Planner/Executor 분리입니다. 이 조합 자체를 다루는 비공식 글/논의도 보이지만, 검증은 본인 팀의 코드베이스/테스트 환경에서 해봐야 합니다(레포 규모/언어/테스트 속도에 따라 체감이 달라짐). (codex.danielvaughan.com)

💻 실전 코드

아래 예시는 “현실적인 시나리오”로, Node/TypeScript 모노레포에서 특정 서비스의 장애(메모리 누수 의심)를 수정한다고 가정합니다.

목표: 1) Claude Code로 “문제 원인 후보 + 수정 전략 + 변경 파일 리스트 + 검증 커맨드”를 JSON으로 뽑기 2) 그 JSON을 기반으로 Codex CLI가 실제 수정을 수행(여기서는 codex 바이너리가 있다고 가정) 3) 마지막에 Claude Code가 git diff와 테스트 로그를 입력으로 받아 PR 설명/리스크를 정리

0) 사전 준비

Claude Code 설치(예: npm 글로벌 설치) (docs.anthropic.com)
Claude Code는 --output-format json 지원 (docs.anthropic.com)
Codex CLI는 npm install -g @openai/codex로 설치하는 흐름(문서 기준) (help.openai.com)

1) “계획 생성”을 Claude Code로 구조화 출력하기 (bash)

  
#!/usr/bin/env bash
set -euo pipefail

# 1) 장애 상황/관찰 로그(예: 최근 OOM)와 레포 컨텍스트를 함께 넣고,
# 2) Claude Code가 "수정 계획"을 JSON으로 내보내게 만든다.
PLAN_JSON=$(
  claude -p --output-format json --max-turns 2 \
'You are a senior backend engineer.
Repo: Node.js + TypeScript, pnpm, services/api.
Problem: production pods OOM after 2-3h. Heap snapshots suggest unbounded cache growth.
Task:
- Identify likely root cause in services/api
- Propose minimal-risk patch
- Provide exact commands to verify (unit + integration)
Return STRICT JSON with keys:
- suspected_causes: string[]
- files_to_check: string[]
- patch_plan: string[]
- verify_commands: string[]
- rollback_notes: string[]'
)

echo "$PLAN_JSON" | jq .
echo "$PLAN_JSON" > .ai/plan.json

예상 출력(요지):

files_to_check: services/api/src/cache/*, services/api/src/middlewares/* 등
verify_commands: pnpm -C services/api test, pnpm -C services/api lint, 특정 재현 스크립트 등

2) Codex CLI로 “실제 수정 + 테스트 반복” (bash)

  
#!/usr/bin/env bash
set -euo pipefail

PLAN="$(cat .ai/plan.json)"

# Codex에게는 "무엇을 어떻게 바꿀지"를 구체적으로 주고,
# 결과물로는 반드시 테스트/린트 통과 증거를 남기게 한다.
codex <<EOF
You are an execution-focused coding agent.
Read this JSON plan and implement the patch.
Constraints:
- Keep changes minimal.
- Add/adjust tests if needed.
- Run verify commands and paste summaries.
Plan JSON:
$PLAN

When done:
- show git diff summary
- show test command outputs (short)
EOF

여기서 중요한 운영 팁:

Codex가 “실행 결과”를 텍스트로만 남기면 CI에서 재현이 어려우니, 출력 로그를 파일로 저장하도록 유도하는 게 좋습니다(예: tee .ai/test.log).

3) Claude Code로 PR 품질 체크(리뷰어 모드) (bash)

  
#!/usr/bin/env bash
set -euo pipefail

DIFF="$(git diff)"
TEST_LOG="$(test -f .ai/test.log && cat .ai/test.log || echo 'NO_TEST_LOG')"

claude -p --output-format text --max-turns 2 <<EOF
Act as a strict code reviewer.
Inputs:
- git diff:
$DIFF

- test log:
$TEST_LOG

Deliver:
1) PR description (problem, root cause, fix)
2) Risk assessment (what could break)
3) Rollback plan
4) Suggested follow-ups (metrics/alerts)
EOF

이 3단계가 돌아가면, “계획 → 수정 → 검증/PR정리”가 터미널 자동화 파이프라인으로 고정됩니다. 핵심은 Claude Code의 --output-format json 같은 기계 친화 출력이 오케스트레이션에 실질적인 도움을 준다는 점입니다. (docs.anthropic.com)

⚡ 실전 팁 & 함정

Best Practice (2~3가지)

1) JSON을 계약(Contract)으로 써라

1단계에서 Claude가 내는 산출물을 “사람이 읽기 좋은 글”로 받으면, 2단계 실행 에이전트가 흔들립니다.
files_to_check, verify_commands 같은 키를 고정해서 에이전트 간 handoff를 데이터로 하세요. Claude Code는 print 모드에서 JSON 출력을 지원합니다. (docs.anthropic.com)

2) allowlist 중심으로 권한을 설계

자동화에서 가장 위험한 건 “편의상 권한 스킵”입니다. --dangerously-skip-permissions는 정말 마지막 수단이고, 보통은 --allowedTools로 읽기/검증 계열만 열어두는 식이 안전합니다. (docs.anthropic.com)

3) 검증 커맨드를 ‘빠른 것→느린 것’ 순으로 계층화

예: lint → unit → integration → e2e
에이전트는 종종 느린 테스트부터 돌리며 시간을 날립니다. verify_commands를 계층화해서 “먼저 실패를 빨리 발견”하게 만드세요.

흔한 함정/안티패턴

세션 컨텍스트를 프롬프트에 매번 풀로 재주입: 토큰/비용 증가 + 잡음 누적. 대신 “변경점(diff) + 테스트 로그 + 목표”처럼 증거 기반 입력으로 줄이세요.
에이전트에게 ‘리팩터링도 하고 기능도 추가하고…’를 한 번에 시킴: diff가 커지면 리뷰/롤백 비용이 폭증합니다. “버그 패치”와 “개선”을 분리하세요.
승인 워크플로를 무시한 무인화: CLI 에이전트는 로컬 파일/쉘에 손이 닿는 순간부터 위험도가 올라갑니다. 승인/로그/아티팩트 저장이 없으면 운영 불가입니다.

비용/성능/안정성 트레이드오프

성능(속도): --max-turns로 루프를 제한하면 비용/시간을 잡을 수 있지만, 복잡한 작업은 중간에 끊겨 “애매한 반쪽 수정”이 나올 수 있습니다. (docs.anthropic.com)
안정성: 승인을 촘촘히 두면 안전하지만 느려집니다. 실무에서는 “CI에서 자동 검증 가능한 작업(린트/테스트)”은 더 자동화하고, “파일 삭제/대규모 리네임” 같은 작업은 사람 승인으로 남기는 하이브리드가 현실적입니다.
보안: Codex CLI는 로컬에서 동작하는 CLI 에이전트임을 강조합니다(소스가 외부로 나가지 않도록 통제 가능하다는 주장). 다만 실제로는 모델 호출/인증/전송 경로가 있으니, 조직 정책에 맞춰 네트워크/로그/레드액션을 점검해야 합니다. (help.openai.com)

🚀 마무리

정리하면, 2026년 7월 기준 “Claude Code × Codex CLI”를 실무에 적용하는 가장 강력한 방식은 단일 에이전트 만능주의가 아니라, 터미널 파이프라인에서 역할을 분리하는 것입니다.

도입 판단 기준:

레포에 테스트/린트/CI가 제대로 갖춰져 있나? (에이전트 산출물을 자동 검증할 수 있어야 함)
“승인/권한/로그/아티팩트”를 남기는 운영 설계가 가능한가? (가능하면 도입 가치 높음)
반복 작업이 많고, 사람이 컨텍스트 스위칭으로 시간을 버리고 있나? (그렇다면 효과가 큼)

다음 학습 추천:

Claude Code의 CLI 플래그(특히 print 모드, JSON/stream-json, allowedTools/disallowedTools)를 기준으로 자기 조직의 ‘안전한 자동화 프로파일’을 먼저 정의하세요. (docs.anthropic.com)
이후 MCP 확장(사내 시스템 연결)을 붙여 “프롬프트 복붙”을 제거하면, CLI 에이전트가 단순 코딩 도우미를 넘어 워크플로 자동화 엔진으로 올라갑니다. (docs.anthropic.com)

원하시면, 사용 중인 스택(언어/테스트 러너/CI, 모노레포 여부, 배포 방식)에 맞춰 위 3단계 스크립트를 “그대로 복사해 돌아가는” 형태로 커스터마이즈해 드릴게요.

AI, Coding

ai coding trend 2026-07