Claude의 'load-bearing' 같은 표현, 스크립트로 바꿔보세요!

본문에서는 Claude의 특정 단어 사용을 수정하기 위해 Python 스크립트 기반의 훅(hook)을 제안합니다. `~/.claude/hooks/wordswap.sh` 경로에 저장된 스크립트는 JSON 입력을 받아 정규 표현식(Regular Expression)을 이용해 'seam'을 'whatchamacallit' 등으로 교체합니다. 이 방식은 데이터 미저장 정책(Zero-Retention Policy)을 준수하며 사용자 정의된 응답을 생성하는 데 효과적입니다. 커뮤니티에서는 이 스크립트의 확장성과 다른 LLM에도 적용 가능성에 주목하고 있습니다.

댓글에서는 LLM이 특정 문구나 예측 가능한 언어 패턴(Predictable Speech Patterns)을 반복적으로 사용하는 현상이 인간에게는 짜증을 유발하지만, 인간의 '말투'는 자연스럽게 받아들여지는 심리적 현상(Psychological Phenomenon)을 지적합니다. 이는 LLM이 대규모로 생성하는 텍스트에서 편향(Bias)이 두드러지게 나타나기 때문이라는 분석이 있습니다. 특히 'load-bearing'과 같은 단어가 과도하게 사용되는 것은 모델의 RLHF(Reinforcement Learning from Human Feedback) 과정에서 특정 표현이 강화되었을 가능성을 시사합니다.

논의에서는 LLM이 긴 문장 구성에 어려움을 겪고 구두점(Punctuation)에 의존하는 경향을 보인다고 지적합니다. 또한, 최종 결과물에 대화의 맥락이 누수(Conversation Leakage)되어 존재하지 않는 논쟁에 반박하거나 맥락에 맞지 않는 내용을 생성하는 문제가 발생한다고 합니다. 이는 모델이 인간과의 상호작용 중 발생한 피드백을 최종 결과물에 그대로 반영하기 때문이며, AI 환각(Hallucination)과 유사한 맥락으로 볼 수 있습니다.

일부 사용자는 Claude의 '간결체 모드(Concise Style)'가 사라진 것을 아쉬워하며, 이는 데이터 격리 아키텍처(Data Isolation Architecture)를 통해 사용자가 원하는 스타일로 AI 응답을 제어하는 것의 중요성을 보여줍니다. 'load-bearing'과 같은 표현은 사용자가 먼저 작성한 텍스트를 기반으로 AI가 수정할 때 줄어드는 경향이 있으며, 이는 사용자 중심의 프롬프트 엔지니어링(User-Centric Prompt Engineering)이 LLM의 결과물 품질에 큰 영향을 미침을 시사합니다.

일부 사용자는 LLM의 제한된 어휘와 반복적인 표현이 토큰화(Tokenization) 방식과 관련이 있을 수 있다고 추측합니다. 특히 ASCII 또는 UTF8과 같은 기본 인코딩 대신 특정 토큰화 방식이 모델의 어휘 선택에 영향을 미칠 수 있다는 의견입니다. 이는 모델이 학습 데이터에서 특정 단어의 빈도나 연관성을 과대평가하게 만들어, 결과적으로 어휘의 다양성(Vocabulary Diversity)을 저해할 수 있다는 분석으로 이어집니다.