. . . Клод Код . . Клод Код . . Клод Код . . Клод Код … неблагоприятные ситуации

##1. 마 Негативная

• Нет, нет. * * * * * * * * * * * * * * * * * * * * * * * * * * * * *

. . . . . 어 어 어 어 어 . . . . . . . . . . . - Нет, нет, нет, нет. . . . . . . . . . . . . . . . . . . . . . . . . … ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., …

. НАСТОЯЩИЙ . НАСТОЯЩИЙ . НАСТОЯЩИЙ . НАСТОЯЩИЙ . НАСТОЯЩИЙ . {\displaystyle }

##2. Информатика

. . неблагодарность… , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , .

. Неблагоприятное положение . . Неблагоприятное положение . . . . . . . . . . . . . . . . . 만 Интенсивный ., . . . . Интенсивный . . Интенсивный . . Интенсивный . . Интенсивный . ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ), ).

• Нет, нет, нет. Непосредственно-непосредственно-непринужденно-непринужденно-непринужденно-непринужденно-непринужденно-непринужденно-неприятно-неприятно. ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., … . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . … ** * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., ., … 이

. . . . . . . . . . . .

• “아 НАСТОЯЩИЙСЯ )” НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙСЯ ) НАСТОЯЩИЙ ) ) НАСТОЯЩИЙСЯ ) (ссылки/ai-tells.json)

gn-voice

AI가 쓴 한국어 초안을 한 사람의 실제 문체로 재작성하는 Claude Code 스킬입니다. 문체를 느낌이 아니라 측정값으로 다루죠

---

1. 상용 윤문 도구가 마음에 들지 않았습니다

이유는 단순합니다. 그 도구들이 내놓는 글이 제가 쓰는 방식이 아니었거든요.

문법도 맞고 흐름도 매끄러운데 읽으면 어딘가 불쾌하고, 몸에 안 맞는 옷 같았습니다. 사실 당연한 일이죠. 윤문 도구는 글을 좋은 글의 평균으로 끌고 가는데, 제 글은 원래 그 평균에 없거든요. 마침표를 안 찍고 끝내는 문장이 있고, 문장 중간에서 줄을 바꾸는 버릇이 있고, 진지한 존댓말로 가다가 갑자기 반말 한 줄을 툭 떨어뜨리죠. 도구가 다듬을수록 이런 게 지워지고, 지워질수록 제 글이 아니게 됩니다

필요한 건 교정이 아니라 복제였습니다. 그래서 직접 만들었죠

2. 내 글만 분석하면 되지 않을까

출발은 데이터였습니다. 그동안 블로그랑 스레드에 발행해 온 글을 전부 긁어모아서 986편짜리 코퍼스를 만들었죠

다만 글을 모아서 LLM한테 "이렇게 써줘"라고 통째로 던지는 방식은 안 통합니다. 그렇게 하면 모델은 인상비평 수준으로 흉내만 내는데, 소재나 말투 몇 개 집어 오다가 결국 자기 몸에 밴 매끈한 문장으로 돌아가죠. 흉내가 아니라 복제를 하려면 "이 사람의 글은 정확히 어떻게 생겼나"라는 정량 근거가 필요했고, 그래서 형태소 분석(kiwipiepy, 세종 품사 태그셋)을 썼습니다

걱정이 하나 있었습니다. 한국어 형태소 분석은 어렵다는 평이 지배적이거든요. 교착어라 어미 변형이 폭발적으로 많고, 구어·비문·신조어까지 들어가면 범용 분석기가 자주 틀립니다. 그런데 뒤집어 보면 저는 전 국민의 한국어를 다룰 필요가 없죠. 분석 대상을 한 사람으로 좁히면 다뤄야 할 분포가 확 줄어듭니다. 한 사람이 쓰는 어미 종류는 한정돼 있고, 문장을 흐트러뜨리는 방식도 일정하고, 버릇은 장르 안에서 반복됩니다. 그 좁은 분포 안에서라면 형태소 계측이 충분히 정확해지고, 뽑아낸 패턴을 따라 쓰게 만드는 것도 가능하지 않을까. 이 가설로 시작했습니다

실제로 재보니 패턴은 생각보다 완고했습니다.

• "알아보겠습니다"라는 표현은 1,075편에서 한 번도 안 나왔습니다. 반면 AI 초안에는 흔하게 등장하는데, 이런 표현만 모아도 훌륭한 판별기가 됩니다(references/ai-tells.json)
• 답글 612편에서 쉼표 사용의 중앙값은 0이었습니다. 저는 답글에 쉼표를 거의 안 찍거든요
• 문장이 끝나기 전에 줄을 바꾸는 비율은 장르마다 다르지만, 같은 장르 안에서는 일정한 범위로 반복됩니다

이런 측정값을 장르×채널 23개 셀로 쪼개서 지문(fingerprint) 파일로 저장했습니다. 그리고 셀마다 "이 장르에서 이 사람은 어떤 어미로 끝내고, 어디서 줄을 바꾸고, 무엇을 절대 안 쓰는가"를 70줄 안쪽으로 증류한 장르 팩을 만들었죠. 본인 코퍼스에 근거한 개인 장르 팩 9종(답글·스레드 잡담·단문 팁·홍보·비즈 메모·강의·비즈 설명·에세이·칼럼)에, 특정인 문체가 아니라 장르 규범을 정리한 웰메이드 팩 6종(연설문·설명문·논설문·판매 카피·바이럴 포스트·명수필)을 더하면 총 15종입니다. 어느 팩을 적용할지는 화계 비율·자기지칭 밀도·글자수를 읽는 결정 트리(references/voice-core.md)가 정하고요

3. 코퍼스는 어떻게 쌓았나

글 986편을 모았다고 하면 뭔가 대단한 데이터베이스가 돌아갈 것 같죠. 근데 실제로는 정반대라, 저장 방식은 일부러 제일 단순한 걸 골랐거든요.

전부 그냥 텍스트 파일입니다 글 한 편이 파일 하나고 벡터 DB도 검색 엔진도 없다. 이 데이터를 읽는 게 사람이 아니라 AI라서, 파일을 바로 열어 읽는 쪽이 제일 빠르고 정확하거든요. 웹에서 긁어온 글에는 꾸미기 코드(HTML)가 잔뜩 붙어 오는데, 이건 저장하기 전에 전부 벗겨내고 글만 남긴다. 용량만 차지하지 문체 정보는 한 톨도 없으니까요.

그렇다고 아무 글이나 넣진 않습니다 모은 건 전부 1,193편인데 실제로 분석에 쓰는 건 986편이다. 넣기 전에 두 가지를 보는데, 이 글을 정말 처음부터 끝까지 내 손으로 썼는가, 그리고 내 문체가 제대로 드러나는가. 특히 AI 도움을 받아 쓴 글은 무조건 걸러내는데, AI가 섞인 글로 "AI 티를 지우는 기준"을 만들면 그 기준 자체가 오염되거든요. 이 판정은 모델 하나한테 안 맡기고, 여러 모델이 따로따로 매긴 다음 서로 어긋나면 다시 판정하죠. 어떤 글이 어떤 판정을 받았고 어디에 쓰이는지는 목록 파일(manifest) 한 곳에 전부 적힙니다.

일부는 시험용으로 아예 봉해 둡니다 문제집으로 공부하고 나서 똑같은 문제로 시험을 보면 이해한 건지 외운 건지 구분이 안 되죠. 그래서 편입한 글의 15%를 미리 떼어서 봉해 두고, 문체 규칙을 만들 때는 절대 안 봅니다. 이 글들은 오직 “새 글도 잘 복제하는가”, 이거 하나 확인하는 시험에만 쓴다.

수치는 전부 자동으로 나옵니다 분석 스크립트가 코퍼스 전체를 훑어서 통계표(fingerprint)를 만들고, 실시간 검증에 필요한 부분만 뽑은 요약본을 따로 둡니다. 장르 팩에 적힌 수치요? 전부 이 통계표에서 나온 거고, 손으로 적어 넣은 숫자는 하나도 없다. 글이 추가되면 스크립트를 다시 돌리는 걸로 끝이다.

장부가 어긋나면 기계가 잡습니다 목록에는 있는데 파일이 없거나, 같은 글이 두 번 들어갔거나, 시험용 글이 학습에 새어 든 경우, 이런 걸 전수로 점검하는 테스트가 있거든요. 코퍼스가 아무리 커져도 이 검사 덕에 장부랑 실물이 어긋날 일은 없죠

4. 하나로 만들면 사고가 납니다, 그래서 셋으로 나눴습니다

처음엔 에이전트 하나가 다 하는 구조를 생각했습니다. 만들어 보니 성격이 다른 문제 세 개가 한 자리에서 충돌하더군요. 결국 역할을 셋으로 갈랐습니다