Claude Code에 실제 사용자 행동에 대한 접근 권한을 부여한 방법
Source: Dev.to
Claude Code와 작업할 때는 코드에 대한 추론은 뛰어나지만 배포 후에 일어나는 모든 일에 대해서는 눈이 멀어 있습니다. 사용자가 실제로 따라가는 흐름, 머뭇거리는 지점, 혹은 전혀 발견하지 못하는 부분을 알지 못합니다. 저는 곧 클로드에게 사용자 행동을 직접 읽히는 것이 문제를 해결하는 것보다 더 많은 시간을 소비하고 있다는 것을 깨달았습니다.
Step 1: 고신호 사용자 행동만 캡처
첫 번째 요구사항은 앱을 느려지게 하거나 잡음 데이터를 수집하지 않고 실제 사용자 행동을 캡처하는 것이었습니다. 대부분의 세션‑리플레이 도구는 전체 DOM과 모든 변화를 캡처하는데, 이는 눈에 띄는 오버헤드와 많은 관련 없는 데이터를 초래합니다.
이 설정에서는 추적 스크립트를 의도적으로 가볍고 의견이 명확하게 만들었습니다:
- 필수적인 상호작용 신호만 캡처
- 전체 DOM 스냅샷이나 변화를 기록하지 않음
- PII를 캡처하지 않음
목표는 재생 정확도가 아니라, LLM이 사용자가 앱과 어떻게 상호작용하는지 이해할 수 있을 만큼 충분한 신호를 제공하는 것입니다.
Step 2: 자동 캡처 및 전체 구조화
수동 이벤트 태깅이 없습니다. 모든 상호작용은 자동 캡처되어 구조화된 모델에 정리됩니다:
- 페이지 경로
- 사용자가 상호작용하는 요소
- 네비게이션 패턴
시간이 지나면서 이는 앱의 인벤토리를 형성하며, 다음을 설명합니다:
- 어떤 페이지가 존재하는지
- 어떤 요소가 중요한지
- 사용자가 그 사이를 어떻게 이동하는지
Claude Code는 실제 사용자가 상호작용하는 엔터티와 그 엔터티와 코드베이스 사이의 관계가 필요합니다. 이를 통해 다음과 같은 진술을 연관시킬 수 있습니다:
“사용자들이 이 버튼을 계속 클릭한다”
와
“코드 내 이 컴포넌트가 이렇게 동작한다”
Step 3: 고신호 세션 선택 및 전처리
원시 세션 데이터는 여전히 Claude Code에 직접 입력하기엔 너무 잡음이 많습니다. 시스템은 다음과 같은 고신호 세션을 선별합니다:
- 좌절된 세션
- 비정상적인 탐색 패턴
- 특정 페이지나 요소와 관련된 세션
이러한 세션은 LLM을 사용해 처리됩니다:
- 무슨 일이 있었는지 요약
- 일반적인 흐름 추출
- 마찰 지점 강조
- 방문자 수준 프로파일 구축
출력은 원시 로그가 아니라 바로 사용할 수 있는 컨텍스트이며, 정보가 작고 관련성 높으며 유용합니다.
단계 4: MCP를 통해 처리된 컨텍스트 노출
Claude Code는 외부 시스템이 Claude가 호출할 수 있는 도구를 노출하도록 하는 MCP를 지원합니다. MCP 서버는 다양한 수준의 세분화된 여러 도구를 제공합니다:
- 앱 수준 개요
- 페이지 수준 행동 요약
- 특정 방문자 프로필
- 심층 분석을 위한 개별 세션
이를 통해 상향식 워크플로우가 가능해집니다:
- 높은 수준의 사용 개요부터 시작
- 문제 페이지로 확대
- 특정 세션이나 방문자로 세부 탐색
Claude 입장에서는 이것이 필요할 때 요청할 수 있는 구조화된 컨텍스트일 뿐입니다.
Step 5: Use it directly inside the terminal
Now everything happens inside Claude Code. Instead of prompts like:
“사용자들이 온보딩 과정에서 혼란스러워 하는 것 같아요”
I can ask:
- “가장 높은 불만 신호를 보이는 페이지는 어디인가요?”
- “사용자들은 보통 이 기능에 어떻게 도달하나요?”
- “사용자들이 결제 과정을 포기하는 세션에서는 어떤 일이 발생하나요?”
Claude answers based on pre‑processed real usage data, not guesses or manually described context.
데모
아래는 전체 터미널 안에서 수행되는 엔드‑투‑엔드 워크플로를 보여주는 짧은 비디오입니다. (텍스트 버전에서는 비디오가 생략되었습니다)
나에게 바뀐 점
가장 큰 차이는 더 나은 답변이 아니라 설명이 적어진 것:
- 대시보드 없음.
- 스크린샷 없음.
- 프롬프트 전에 수동 요약 없음.
나는 하나의 루프에 머물렀다: 코드 → 사용 → 추론 → 코드.
이 도구 뒤에
저는 이 접근 방식을 Lcontext라는 도구에 담았습니다. 이 도구는 다음을 결합합니다:
- 가벼우면서도 의견이 반영된 추적 스크립트
- 앱 엔티티의 자동 구조화
- 고신호 세션의 LLM 기반 전처리
- Claude Code에 이 컨텍스트를 제공하는 MCP 서버
아직 초기 단계이며 계속 발전 중이지만, 제 작업 흐름에서 충분히 유용했기에 공개하고자 합니다.
링크
- 프로젝트 사이트:
- MCP 서버 (오픈 소스):