AI Slop을 줄이는 Agent Skills: 이제 품질 관리는 프롬프트가 아니라 운영 계층이다

AI Slop · Agent Skills · 품질 관리 · 팀 표준화

GitHub Trending에서 hardikpandya/stop-slop과 Leonxlnx/taste-skill이 같이 보인 것은 단순한 밈이 아니다. 지금 AI 도구를 많이 쓰는 팀이 실제로 부딪히는 문제는 “모델이 답을 못 한다”보다 모델이 너무 그럴듯하지만 뻔한 산출물을 많이 만든다는 쪽에 가깝다.

AI Slop을 품질 관리 계층으로 걸러내는 Agent Skills

이 글은 2026년 5월 26일 기준으로 Stop Slop, Taste Skill, Anthropic의 Agent Skills 자료를 함께 읽고 쓴다. 결론은 간단하다. AI slop은 더 좋은 프롬프트 한 줄로 끝나는 문제가 아니라, 산출물 품질을 반복적으로 점검하고 팀 표준으로 축적하는 운영 문제다.

핵심 주장: 앞으로 AI 에이전트 도입의 차이는 “어떤 모델을 쓰는가”만으로 갈리지 않는다. 같은 모델을 쓰더라도 누가 더 좋은 품질 체크리스트, 디자인 취향, 문체 기준, 리뷰 루프를 Agent Skill로 운영하느냐가 결과물을 가른다.

AI slop은 실패가 아니라 규모가 만든 부산물이다

AI가 전혀 못 만든 결과물은 오히려 처리하기 쉽다. 버리면 된다. 더 골치 아픈 것은 겉으로는 완성됐지만 읽을수록 힘이 빠지는 결과물이다. 문장은 매끈한데 아무도 책임지지 않는 말투가 나오고, UI는 깔끔한데 어디서 본 템플릿처럼 보이며, 보고서는 구조가 정돈됐지만 의사결정에는 별 도움이 안 된다.

Stop Slop README는 이 문제를 “AI writing has patterns”라고 잡는다. 예측 가능한 문구, 구조, 리듬이 있다는 것이다. 저장소의 SKILL.md는 더 구체적이다. 목을 푸는 도입부, 과장된 강조, 수동태, 추상적인 선언, “not X, but Y”식 대비, 뻔한 문단 마무리를 제거하라고 지시한다.

여기서 중요한 점은 Stop Slop이 새 모델을 요구하지 않는다는 것이다. 이것은 모델 교체 전략이 아니라 출력 검수 전략이다. 같은 Claude, GPT, Codex를 쓰더라도 결과물을 다시 읽는 기준을 기술 파일로 만든다. 즉 글쓰기 감각을 “개인의 느낌”에서 “에이전트가 읽을 수 있는 운영 규칙”으로 바꾼다.

Stop Slop이 잡아내는 AI 문체 패턴

실무에서 이 차이는 크다. 마케팅 카피, 블로그 초안, 투자자 업데이트, 고객 이메일, 개발 문서처럼 사람이 읽는 산출물은 “정확함”만으로 충분하지 않다. 신뢰감, 리듬, 밀도, 구체성이 필요하다. Stop Slop이 50점 만점의 점수표로 Directness, Rhythm, Trust, Authenticity, Density를 보게 하는 이유도 여기에 있다.

Taste Skill은 같은 문제를 프론트엔드로 옮긴다

Taste Skill은 글이 아니라 UI를 겨냥한다. README의 표현을 빌리면 “The Anti-Slop Frontend Framework for AI Agents”다. AI가 만든 인터페이스가 왜 비슷비슷한지, 왜 카드와 그라디언트와 무난한 spacing만 반복하는지, 왜 첫눈에는 괜찮은데 제품으로 쓰기에는 얕아 보이는지를 문제로 삼는다.

이 저장소가 흥미로운 이유는 “예쁜 UI를 만들어라”가 아니라 layout, typography, motion, spacing, reference boards 같은 디자인 판단을 Agent Skill로 포장한다는 점이다. implementation skill은 코드 산출물에 관여하고, image-generation skill은 reference board를 만든 뒤 Codex, Cursor, Claude Code 같은 구현 에이전트에 넘기는 흐름을 전제한다.

Taste Skill과 AI 프론트엔드 품질 관리

이건 프론트엔드 팀에게 꽤 현실적인 신호다. 지금 많은 팀은 AI로 UI 초안을 빠르게 만든다. 하지만 결과물은 대체로 비슷하다.

hero section이 비슷하다.
카드 간격과 radius가 비슷하다.
의미 없는 아이콘과 그라디언트가 반복된다.
제품의 실제 정보 구조보다 “AI가 보기에 그럴듯한 SaaS 랜딩페이지”가 먼저 나온다.

Taste Skill이 말하는 “taste”는 미학적 취향만 뜻하지 않는다. 좋은 UI를 만들기 위해 무엇을 먼저 보고, 어떤 reference를 비교하고, spacing과 hierarchy를 어떻게 판단하고, 어떤 요소를 제거할지에 대한 절차다. 프론트엔드에서 slop을 줄이려면 “더 좋은 디자인 프롬프트”보다 팀의 디자인 판단 기준을 에이전트가 재사용할 수 있게 만드는 작업이 필요하다.

Agent Skills는 품질 기준을 컨텍스트 낭비 없이 불러오는 방식이다

Anthropic의 Skills README와 engineering 글은 이 흐름을 더 넓은 구조로 설명한다. Skills는 Claude가 특정 작업을 더 잘 수행하도록 동적으로 로드하는 instruction, script, resource 폴더다. 핵심은 progressive disclosure다. 에이전트는 처음부터 모든 세부 규칙을 다 읽지 않고, skill의 이름과 설명을 보고 필요한 순간에 관련 파일을 불러온다.

이 구조가 slop 문제와 잘 맞는다. 품질 기준은 보통 길다. “좋은 글쓰기란 무엇인가”, “우리 제품 UI에서 금지해야 할 패턴은 무엇인가”, “브랜드 톤은 어떻게 유지할 것인가”, “검수표는 어떤 순서로 볼 것인가”를 전부 매번 프롬프트에 넣으면 컨텍스트가 낭비된다. 반대로 skill로 나누면 에이전트는 필요한 순간에만 규칙을 읽고 적용할 수 있다.

Stop Slop의 구조도 이 방식에 가깝다. SKILL.md에는 핵심 규칙이 있고, references/phrases.md, references/structures.md, references/examples.md가 보조 자료로 붙는다. Taste Skill도 여러 skill을 나누고, 필요한 항목만 설치할 수 있게 한다. 이것은 프롬프트 모음이라기보다 작은 운영 패키지다.

왜 지금 이 주제가 검색 가치가 있는가

“AI slop”이라는 단어는 가볍게 들리지만, 실제 검색 의도는 꽤 실무적이다. 한국 개발자와 빌더가 앞으로 찾게 될 질문은 이런 쪽이다.

검색 의도	실제 질문	필요한 답
AI 글 티 제거	왜 AI가 쓴 글은 비슷하게 보이나?	금지 문구보다 구조와 리듬을 봐야 한다
AI UI slop	왜 AI가 만든 랜딩페이지가 뻔한가?	reference, hierarchy, spacing 기준이 필요하다
Agent Skills 사용법	skill은 프롬프트와 무엇이 다른가?	작업별 규칙과 자료를 동적으로 로드하는 방식이다
팀 AI 품질 관리	개인 프롬프트를 팀 표준으로 만들 수 있나?	skill repo, 리뷰 점수표, 업데이트 루프가 필요하다

이 키워드들은 단기 뉴스보다 오래 간다. 모델 발표는 며칠 지나면 새 모델에 밀린다. 하지만 “AI가 만든 글을 덜 AI처럼 보이게 하는 법”, “AI가 만든 UI를 덜 뻔하게 만드는 법”, “에이전트 출력 품질을 팀에서 관리하는 법”은 도구를 실제로 쓰는 동안 계속 검색된다.

프롬프트 엔지니어링보다 리뷰 엔지니어링이 중요해진다

AI 도입 초반에는 입력이 화제였다. 좋은 프롬프트를 쓰면 더 좋은 결과가 나온다는 설명이 맞았다. 하지만 에이전트를 매일 쓰면 병목이 바뀐다. 이제 문제는 좋은 초안을 한 번 얻는 것이 아니라, 매일 쏟아지는 초안 중 무엇을 버리고 무엇을 고칠지 판단하는 일이다.

여기서 필요한 것은 리뷰 엔지니어링이다.

금지 패턴을 명시한다. “AI 티 나지 않게”라고 쓰지 말고, 어떤 문장 구조와 표현을 금지할지 파일로 만든다.
좋은 예시와 나쁜 예시를 같이 둔다. 추상 규칙만 있으면 모델은 다시 평균적인 답으로 돌아간다. before/after 예시는 품질 기준을 훨씬 잘 고정한다.
점수표를 둔다. Stop Slop처럼 Directness, Rhythm, Trust, Authenticity, Density 같은 평가축을 둔다. UI라면 hierarchy, contrast, density, originality, implementation cost를 볼 수 있다.
수정 결과를 다시 skill에 반영한다. 매번 같은 문제가 나오면 프롬프트를 길게 쓰지 말고 skill reference를 업데이트한다.

팀이 Agent Skills로 품질 루프를 운영하는 방식

이 접근은 개발팀의 lint, test, code review와 닮았다. 좋은 팀은 “코드 잘 짜”라고 말하지 않는다. formatter, linter, test, review checklist, architecture decision record를 둔다. AI 산출물도 같은 방향으로 갈 가능성이 높다. 글, 디자인, 보고서, 영업 이메일, 고객 지원 답변에도 lint와 review가 붙는다.

한국 팀이 바로 적용할 수 있는 작은 시작점

처음부터 거창한 Agent Skill registry를 만들 필요는 없다. 작은 파일 네 개면 충분하다.

team-quality-skill/
├── SKILL.md
├── references/
│   ├── banned-phrases.md
│   ├── good-examples.md
│   └── review-rubric.md
└── README.md

SKILL.md에는 언제 이 skill을 쓰는지, 어떤 산출물을 검토하는지, 수정 우선순위가 무엇인지 적는다. banned-phrases.md에는 팀에서 싫어하는 문구와 구조를 넣는다. good-examples.md에는 실제로 통과된 글이나 UI 설명을 넣는다. review-rubric.md에는 5개 안팎의 평가축을 둔다.

중요한 것은 시작 범위를 좁히는 것이다. “우리 회사의 모든 AI 산출물 품질”을 한 번에 잡으려 하면 실패한다. 대신 다음 중 하나만 고른다.

블로그 초안 리뷰
랜딩페이지 hero section 리뷰
고객 이메일 톤 리뷰
릴리즈 노트 요약 리뷰
PR 설명문 리뷰

한 달만 운영해도 반복 문제가 보인다. 어떤 표현이 계속 나오고, 어떤 UI 패턴이 계속 복제되고, 어떤 검수 기준이 애매한지 드러난다. 그때 skill을 고치면 된다. 이게 개인 프롬프트와 팀 운영 자산의 차이다.

주의할 점: anti-slop도 과하면 또 다른 slop이 된다

Stop Slop류의 규칙을 그대로 믿으면 위험한 지점도 있다. 예를 들어 “모든 부사를 제거하라”, “em dash를 쓰지 말라”, “수동태를 금지하라” 같은 규칙은 영어 산문 기준에서는 강한 편집 원칙이 될 수 있지만, 모든 언어와 모든 장르에 그대로 맞지는 않는다. 한국어 글쓰기에서는 문장 호흡, 조사, 생략, 높임말, 한자어 밀도 같은 다른 문제가 더 크게 작동한다.

프론트엔드도 마찬가지다. Taste Skill이 제안하는 anti-slop 디자인 원칙은 좋은 출발점이지만, 제품의 실제 사용자, 접근성, 성능, 유지보수성을 대신 판단하지는 않는다. AI가 만든 UI가 “덜 뻔해 보인다”는 것과 “제품 문제를 잘 푼다”는 것은 다르다.

그래서 좋은 운영 원칙은 이렇다.

외부 skill은 출발점으로 쓴다.
팀의 실제 산출물로 예시를 교체한다.
한국어와 제품 도메인에 맞게 금지 규칙을 조정한다.
점수표가 사람의 판단을 대체하지 않게 한다.
skill 업데이트도 리뷰 대상에 넣는다.

즉 anti-slop의 목표는 스타일 경찰이 아니다. 팀이 원하는 품질을 에이전트가 반복해서 재현하도록 돕는 것이다.

실무 해석: AI 품질 관리는 “모델 선택”에서 “운영 기준”으로 내려온다

Stop Slop과 Taste Skill이 보여주는 방향은 꽤 분명하다. 범용 모델의 기본 성능이 올라갈수록 결과물의 평균선도 올라간다. 하지만 평균선이 올라가면 역설적으로 차별화는 더 어려워진다. 모두가 그럴듯한 글과 그럴듯한 UI를 만들 수 있으면, 남는 차이는 취향, 기준, 검수, 도메인 맥락이다.

한국 개발팀과 빌더가 여기서 읽어야 할 포인트는 세 가지다.

AI 산출물 품질은 프롬프트 개인기가 아니라 팀 운영 자산이 된다. 좋은 결과를 낸 프롬프트와 리뷰 기준을 개인 노트에 두면 조직은 학습하지 못한다. skill로 만들고 버전관리해야 한다.
글과 UI 모두 lintable한 영역이 늘어난다. 문장 리듬, 금지 표현, 정보 밀도, 레이아웃 반복, spacing 기준은 완전 자동화할 수는 없어도 점검 루프로 만들 수 있다.
최종 품질은 모델보다 피드백 루프가 가른다. 같은 모델을 쓰는 두 팀도 결과물은 달라진다. 한 팀은 매번 새로 지시하고, 다른 팀은 실패를 skill에 반영한다. 시간이 지나면 후자가 이긴다.

한 줄 결론

AI slop은 조롱거리로 끝낼 문제가 아니다. Stop Slop과 Taste Skill이 보여주는 핵심은 AI 산출물의 품질 관리가 프롬프트 문구에서 Agent Skills, 리뷰 점수표, 팀 표준 라이브러리로 이동하고 있다는 것이다. 앞으로 좋은 AI 팀은 모델을 잘 고르는 팀이 아니라, 모델이 만든 산출물을 계속 나아지게 만드는 운영 기준을 가진 팀에 가까워질 것이다.

참고한 자료

Hardik Pandya, Stop Slop GitHub Repository
Hardik Pandya, Stop Slop SKILL.md
Leonxlnx, Taste Skill GitHub Repository
Leonxlnx, Taste Skill README
Anthropic, Skills Repository
Anthropic, Equipping agents for the real world with Agent Skills