CCAR-P 개념 카드

출처

이 사이트가 무엇을 보고 만들었는지 — 공식 시험 가이드 · Anthropic 공식 문서 · 강의 · 그림과 영상

1. 공식 시험 가이드

두 가이드 모두 Anthropic 파트너 인증 소개 페이지(partner-certifications)의 Exam guide 링크예요. 카드 출처의 "가이드 목표 N.N · 샘플 N · 가이드 N절" 은 CCAR-P 가이드 안의 위치예요.

2. Anthropic · Claude 공식 문서 91개

개념 카드의 규칙은 아래 문서에서 옮겼어요. 카드마다 '참고' 절의 출처 줄에 문서 이름이 있어요. 주소는 열리는 것을 확인한 것만 걸었어요.

문서쓰인 개념 쪽
Claude Developer Platform release notes■ 에이전트 상태·실패·배포 · ■ Agent Skills progressive disclosure · ■ API 오류별 대응 · ■ 프롬프트 캐싱 · ■ per-request cost · ■ 데이터 기본값 · ■ 변경부터 묻는 진단 · ■ input → processing → output → feedback loop · ◆ effort 조정 vs 모델 교체 · ■ 첫 eval 셋 만들기 · ■ 변경마다 eval 다시 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ 지연 줄이기 lever · ■ max_tokens 와 긴 출력 · ■ MCP 인증·인가 · ■ MCP connector · ■ 출발 모델 고르기 · ◆ prompt failure vs model mismatch · ■ rate limit · ◆ 검색 실패 vs grounding 실패 · ◆ 단일 vs 멀티 에이전트 · ■ stop_reason 으로 분기 · ■ structured outputs · ■ 모델별 thinking 제어 · ◆ 한 요청 안 thinking vs 여러 호출 체이닝 · ◆ 도구 미리 싣기 vs tool search · ■ trade-off 전달 · ■ 비용 급증 추적
Demystifying evals for AI agents■ ADR·아키텍처 패키지 · ■ 청중별 브리핑 · ■ 변경부터 묻는 진단 · ■ discovery 산출물 · ■ discovery · ■ input → processing → output → feedback loop · ■ 첫 eval 셋 만들기 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ failure modes → 바꾸는 통제 · ■ feedback loop 책임 표 · ■ grader 고르기 · ■ handoff 패키지 · ■ 구현 가이드 · ■ lifecycle 루프 · ■ LLM-as-judge 설계 · ■ 최적화 lever 하나 고르기 · ◆ pass@k vs pass^k · ■ PoC → 파일럿 → 확장 게이트 · ■ 문제 정의 · ■ 운영 → eval feedback loop · ■ SLA 조항 쓰기 · ■ 성공 기준 · ■ trade-off 전달 · ◆ TTFT vs 응답 완료 지연 · ◆ capability eval vs regression eval · ■ 변경마다 eval 다시 · ■ 검증 층
Define your success criteria■ ADR·아키텍처 패키지 · ■ 청중별 브리핑 · ■ 편향 측정 · ■ per-request cost · ■ discovery 산출물 · ■ input → processing → output → feedback loop · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ impact metrics · ■ lifecycle 루프 · ■ PoC → 파일럿 → 확장 게이트 · ■ 문제 정의 · ■ SLA 조항 쓰기 · ■ 성공 기준 · ◆ TTFT vs 응답 완료 지연 · ■ value pillars 5개
Building effective agents◆ 코드 vs LLM vs hybrid · ■ decomposition 단위 정하기 · ■ input → processing → output → feedback loop · ◆ effort 조정 vs 모델 교체 · ■ 구현 가이드 · ◆ 직접 API vs Agent SDK vs CLI vs Managed Agents · ■ 최적화 lever 하나 고르기 · ■ 과정 투명성 · ■ 질의 패턴별 검색 · ■ 가장 작은 맞는 형태 · ◆ static vs dynamic decomposition · ◆ 한 요청 안 thinking vs 여러 호출 체이닝 · ■ 워크플로 5패턴 · ◆ 워크플로 vs 에이전트
Customer support chat■ 청중별 브리핑 · ◆ 코드 vs LLM vs hybrid · ■ decomposition 단위 정하기 · ■ discovery 산출물 · ■ input → processing → output → feedback loop · ■ PoC → 파일럿 → 확장 게이트 · ■ 문제 정의 · ■ trade-off 전달 · ■ value pillars 5개 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ impact metrics · ■ SLA 조항 쓰기
Effort◆ Batch API vs 동기 호출 · ■ 변경부터 묻는 진단 · ◆ effort 조정 vs 모델 교체 · ■ 변경마다 eval 다시 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ 지연 줄이기 lever · ■ lifecycle 루프 · ■ max_tokens 와 긴 출력 · ■ 최적화 lever 하나 고르기 · ◆ prompt failure vs model mismatch · ■ 모델별 thinking 제어 · ■ trade-off 전달
How we built our multi-agent research system■ 에이전트 상태·실패·배포 · ■ 첫 eval 셋 만들기 · ■ grader 고르기 · ■ handoff 패키지 · ■ lifecycle 루프 · ■ LLM-as-judge 설계 · ■ observability 세 신호 · ■ orchestrator-worker 위임 · ■ 질의 패턴별 검색 · ◆ 단일 vs 멀티 에이전트 · ■ 텔레메트리 기록 범위 · ■ 비용 급증 추적
Best practices for Claude Code■ ADR·아키텍처 패키지 · ■ discovery 산출물 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ 구현 가이드 · ■ trade-off 전달 · ■ AI 코드 리뷰 · ■ 자동화 surface 고르기 · ■ 코딩 맡기는 흐름 · ■ 디버깅 요청 증거 묶음 · ■ discovery
Claude prompting best practices■ 에이전트 상태·실패·배포 · ■ decomposition 단위 정하기 · ■ few-shot 예시 · ◆ prompt failure vs model mismatch · ◆ 검색 실패 vs grounding 실패 · ◆ 단일 vs 멀티 에이전트 · ■ structured outputs · ■ 시스템 프롬프트 문체 · ■ 모델별 thinking 제어 · ◆ 한 요청 안 thinking vs 여러 호출 체이닝
Our framework for developing safe and trustworthy agents■ 청중별 브리핑 · ◆ 직접 인젝션 vs 간접 인젝션 · ■ discovery 산출물 · ■ failure modes → 바꾸는 통제 · ■ human-in-the-loop 게이트 위치 · ■ 장애 대응 권한 경계 · ■ PoC → 파일럿 → 확장 게이트 · ■ 과정 투명성 · ■ 가장 작은 맞는 형태
Pricing◆ Batch API vs 동기 호출 · ■ 프롬프트 캐싱 · ■ per-request cost · ■ 데이터 기본값 · ■ 변경부터 묻는 진단 · ■ 변경마다 eval 다시 · ■ 출발 모델 고르기 · ■ 최적화 lever 하나 고르기 · ■ 비용 급증 추적
Prompt caching■ 프롬프트 캐싱 · ■ per-request cost · ■ 변경마다 eval 다시 · ■ 지연 줄이기 lever · ■ max_tokens 와 긴 출력 · ■ trade-off 전달 · ◆ TTFT vs 응답 완료 지연 · ■ 비용 급증 추적
Rate limits■ API 오류별 대응 · ◆ Batch API vs 동기 호출 · ■ 프롬프트 캐싱 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ max_tokens 와 긴 출력 · ■ PoC → 파일럿 → 확장 게이트 · ■ rate limit · ■ SLA 조항 쓰기
Choosing the right model◆ effort 조정 vs 모델 교체 · ■ 변경마다 eval 다시 · ■ 지연 줄이기 lever · ■ 출발 모델 고르기 · ■ 최적화 lever 하나 고르기 · ◆ prompt failure vs model mismatch · ■ trade-off 전달
Claude Code monitoring usage (OpenTelemetry)■ API 오류별 대응 · ■ feedback loop 책임 표 · ■ observability 세 신호 · ■ stop_reason 으로 분기 · ■ 텔레메트리 기록 범위 · ◆ TTFT vs 응답 완료 지연 · ■ 비용 급증 추적
Errors■ 에이전트 상태·실패·배포 · ■ API 오류별 대응 · ■ 변경부터 묻는 진단 · ■ max_tokens 와 긴 출력 · ◆ prompt failure vs model mismatch · ■ rate limit · ■ structured outputs
Structured outputs◆ 직접 인젝션 vs 간접 인젝션 · ■ input → processing → output → feedback loop · ◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 구현 가이드 · ■ max_tokens 와 긴 출력 · ◆ prompt failure vs model mismatch · ■ structured outputs
Writing effective tools for agents■ 에이전트 상태·실패·배포 · ◆ 코드 vs LLM vs hybrid · ■ 첫 eval 셋 만들기 · ■ grader 고르기 · ■ 구현 가이드 · ■ 성공 기준 · ■ 도구 설계
Claude Code memory■ ADR·아키텍처 패키지 · ◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 구현 가이드 · ■ handoff 패키지 · ◆ CLAUDE.md(지시) vs 훅(강제) · ■ 팀 설정 위치
Mitigate jailbreaks and prompt injections◆ 직접 인젝션 vs 간접 인젝션 · ■ input → processing → output → feedback loop · ■ failure modes → 바꾸는 통제 · ◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 프롬프트 인젝션 피해 경로 끊기 · ■ 최소 권한
Reduce hallucinations◆ 검색 실패 vs grounding 실패 · ■ 청중별 브리핑 · ◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ failure modes → 바꾸는 통제 · ■ 과정 투명성 · ■ trade-off 전달
Agent SDK permissions◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 장애 대응 권한 경계 · ■ 최소 권한 · ■ orchestrator-worker 위임 · ■ 가장 작은 맞는 형태
API and data retention■ discovery · ■ BAA 적용 범위 · ■ 데이터 기본값 · ■ HIPAA 구성 · ■ 규정별 계약·경로
Effective context engineering for AI agents■ few-shot 예시 · ■ orchestrator-worker 위임 · ■ 질의 패턴별 검색 · ■ 시스템 프롬프트 문체 · ◆ 도구 미리 싣기 vs tool search
Introducing Contextual Retrieval■ 질의 패턴별 검색 · ■ RAG 파이프라인 · ◆ RAG vs full context · ◆ 임베딩 vs BM25 vs hybrid · ◆ 검색 실패 vs grounding 실패
Reduce latency◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ 지연 줄이기 lever · ■ max_tokens 와 긴 출력 · ■ 최적화 lever 하나 고르기 · ◆ TTFT vs 응답 완료 지연
Batch processing◆ Batch API vs 동기 호출 · ■ grader 고르기 · ■ 지연 줄이기 lever · ■ max_tokens 와 긴 출력
Claude Code common workflows■ 디버깅 요청 증거 묶음 · ■ feedback loop 책임 표 · ■ 자동화 surface 고르기 · ■ 코딩 맡기는 흐름
Claude Code permissions■ 장애 대응 권한 경계 · ■ 에이전트 권한 · ■ 자동화 surface 고르기 · ◆ CLAUDE.md(지시) vs 훅(강제)
Create strong empirical evaluations■ 변경마다 eval 다시 · ■ 첫 eval 셋 만들기 · ■ grader 고르기 · ■ LLM-as-judge 설계
MCP connector■ 최소 권한 · ■ MCP 인증·인가 · ■ MCP connector · ■ 도구 설계
Model IDs and versions■ 변경부터 묻는 진단 · ■ handoff 패키지 · ■ lifecycle 루프 · ■ 운영 → eval feedback loop
Optimizing for cost and intelligence◆ effort 조정 vs 모델 교체 · ■ feedback loop 책임 표 · ■ 출발 모델 고르기 · ■ PoC → 파일럿 → 확장 게이트
Thinking: troubleshooting■ max_tokens 와 긴 출력 · ■ 모델별 thinking 제어 · ◆ 한 요청 안 thinking vs 여러 호출 체이닝 · ■ 비용 급증 추적
Agent SDK observability■ handoff 패키지 · ■ observability 세 신호 · ■ 텔레메트리 기록 범위
Agent SDK secure deployment■ 장애 대응 권한 경계 · ■ 프롬프트 인젝션 피해 경로 끊기 · ■ 최소 권한
Agent SDK subagents◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 에이전트 상태·실패·배포 · ■ orchestrator-worker 위임
Anthropic Usage Policy■ AI 고지·사람 사칭 금지 · ■ 편향 측정 · ■ AUP 고위험 용도
Building multi-agent systems: when and how to use them■ orchestrator-worker 위임 · ◆ 단일 vs 멀티 에이전트 · ■ 가장 작은 맞는 형태
Business Associate Agreements (BAA) for commercial customers■ BAA 적용 범위 · ■ HIPAA 구성 · ■ discovery
Claude Code auto mode■ failure modes → 바꾸는 통제 · ■ human-in-the-loop 게이트 위치 · ■ 장애 대응 권한 경계
Claude Code code review■ 청중별 브리핑 · ■ AI 코드 리뷰 · ■ 자동화 surface 고르기
Claude Code hooks◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 디버깅 요청 증거 묶음 · ◆ CLAUDE.md(지시) vs 훅(강제)
Claude Code MCP■ 디버깅 요청 증거 묶음 · ■ 에이전트 권한 · ■ 팀 설정 위치
Claude Code settings■ 디버깅 요청 증거 묶음 · ■ 팀 설정 위치 · ■ 에이전트 권한
Content moderation◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ moderation 위험 등급 · ■ trade-off 전달
Covered models under BAA■ BAA 적용 범위 · ■ HIPAA 구성 · ■ discovery
Define tools■ 구현 가이드 · ■ structured outputs · ■ 도구 설계
Handling stop reasons■ stop_reason 으로 분기 · ◆ 안내(프롬프트) vs 강제(구성·코드) · ■ max_tokens 와 긴 출력
Increase output consistency◆ prompt failure vs model mismatch · ■ failure modes → 바꾸는 통제 · ■ few-shot 예시
Managed Agents overview■ 에이전트 상태·실패·배포 · ■ 자동화 surface 고르기 · ◆ 직접 API vs Agent SDK vs CLI vs Managed Agents
Managed Agents: multi-agent■ 에이전트 상태·실패·배포 · ■ orchestrator-worker 위임 · ◆ 단일 vs 멀티 에이전트
Messages API: create■ 변경부터 묻는 진단 · ■ max_tokens 와 긴 출력 · ◆ 검색 실패 vs grounding 실패
Models overview◆ effort 조정 vs 모델 교체 · ■ failure modes → 바꾸는 통제 · ■ 출발 모델 고르기
Skill authoring best practices■ Agent Skills progressive disclosure · ◆ 코드 vs LLM vs hybrid · ■ discovery 산출물
Strict tool use◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 구현 가이드 · ■ structured outputs
Thinking■ structured outputs · ■ 모델별 thinking 제어 · ◆ 한 요청 안 thinking vs 여러 호출 체이닝
Thinking: steering and cost■ PoC → 파일럿 → 확장 게이트 · ■ 모델별 thinking 제어 · ◆ 한 요청 안 thinking vs 여러 호출 체이닝
Usage and Cost API■ feedback loop 책임 표 · ■ PoC → 파일럿 → 확장 게이트 · ■ 비용 급증 추적
Agent SDK overview■ 자동화 surface 고르기 · ◆ 직접 API vs Agent SDK vs CLI vs Managed Agents
Agent Skills overview■ Agent Skills progressive disclosure · ■ 프롬프트 캐싱
Anthropic Data Processing Addendum■ 규정별 계약·경로 · ■ discovery
Claude Code GitHub Actions■ AI 코드 리뷰 · ■ 자동화 surface 고르기
Claude Code skills■ 구현 가이드 · ■ 팀 설정 위치
Data residency■ 데이터 기본값 · ■ discovery
Evaluating and Mitigating Discrimination in Language Model Decisions■ failure modes → 바꾸는 통제 · ■ 편향 측정
Introducing advanced tool use◆ 코드 vs LLM vs hybrid · ◆ 도구 미리 싣기 vs tool search
Model deprecations■ structured outputs · ■ handoff 패키지
Prompting Claude Opus 4.8■ AI 코드 리뷰 · ■ 시스템 프롬프트 문체
Prompting Claude Sonnet 5■ few-shot 예시 · ■ 시스템 프롬프트 문체
Run Claude Code programmatically (headless)■ 자동화 surface 고르기 · ◆ 직접 API vs Agent SDK vs CLI vs Managed Agents
Service tiers◆ 100% 약속 vs 측정된 SLO + 사람 안전망 · ■ SLA 조항 쓰기
Streaming Messages■ API 오류별 대응 · ■ max_tokens 와 긴 출력
Tool search tool◆ 도구 미리 싣기 vs tool search · ■ 도구 설계
Agent SDK hooks◆ 안내(프롬프트) vs 강제(구성·코드)
Agent SDK sessions■ 에이전트 상태·실패·배포
API overview■ MCP 인증·인가
Claude Code auto mode■ 에이전트 권한
Claude Code zero data retention■ BAA 적용 범위
Embeddings■ RAG 파이프라인
Evaluating and Mitigating Discrimination in Language Model Decisions■ 편향 측정
Extended thinking■ 모델별 thinking 제어
Glossary◆ TTFT vs 응답 완료 지연
How long do you store my organization's data?■ 데이터 기본값
Is my data used for model training?■ 데이터 기본값
MCP Authorization (2025-11-25)■ MCP 인증·인가
MCP Security Best Practices■ MCP 인증·인가
MCP Specification 2025-11-25◆ 직접 API vs Agent SDK vs CLI vs Managed Agents
MCP tunnels overview■ MCP connector
Refusals and fallback■ stop_reason 으로 분기
Skills explained■ Agent Skills progressive disclosure

3. 강의

Anthropic 공식 강의 사이트 Anthropic Academy (Skilljar)의 강의예요. 카드 출처 줄의 숫자는 레슨 번호예요 (레슨별 주소는 확인하지 못해 따로 걸지 않았어요).

강의쓰인 개념 쪽
Skilljar API■ 프롬프트 캐싱 · ◆ 코드 vs LLM vs hybrid · ■ decomposition 단위 정하기 · ■ input → processing → output → feedback loop · ■ 첫 eval 셋 만들기 · ■ 변경마다 eval 다시 · ■ few-shot 예시 · ■ grader 고르기 · ■ 지연 줄이기 lever · ■ LLM-as-judge 설계 · ■ PoC → 파일럿 → 확장 게이트 · ◆ prompt failure vs model mismatch · ■ RAG 파이프라인 · ◆ RAG vs full context · ◆ 임베딩 vs BM25 vs hybrid · ◆ 검색 실패 vs grounding 실패 · ■ 가장 작은 맞는 형태 · ◆ static vs dynamic decomposition · ■ structured outputs · ■ 시스템 프롬프트 문체 · ■ 모델별 thinking 제어 · ◆ 한 요청 안 thinking vs 여러 호출 체이닝 · ■ 도구 설계 · ■ 워크플로 5패턴 · ◆ 워크플로 vs 에이전트
Skilljar Claude Code in Action■ ADR·아키텍처 패키지 · ■ 에이전트 권한 · ◆ CLAUDE.md(지시) vs 훅(강제) · ■ 디버깅 요청 증거 묶음 · ◆ 안내(프롬프트) vs 강제(구성·코드) · ■ 구현 가이드 · ■ 장애 대응 권한 경계
Skilljar cci■ AI 코드 리뷰 · ■ 자동화 surface 고르기 · ■ 코딩 맡기는 흐름
Skilljar MCP◆ 직접 API vs Agent SDK vs CLI vs Managed Agents · ■ MCP connector
Skilljar Platform 101■ input → processing → output → feedback loop · ■ stop_reason 으로 분기
Skilljar skills■ Agent Skills progressive disclosure

4. 그 밖의 참고와 표지

참고쓰인 개념 쪽
OpenTelemetry GenAI metrics semantic conventions■ observability 세 신호
OpenTelemetry GenAI semantic conventions v1.37.0◆ TTFT vs 응답 완료 지연

카드에 (업계 일반) · (추론) · (계산) 처럼 적힌 줄은 공식 문서에 같은 문장이 없는 것이에요. 무엇이 그런지 카드 '상태' 줄에 세어 뒀어요.

주소를 확인하지 못한 이름 1개 : Public sector FAQs

5. 그림과 영상

  • 정리 그림 — 개념 쪽 '한눈에' · '규칙과 판단' 의 그림은 OpenAI Codex 의 이미지 생성(image_gen)으로 만든 AI 그림이에요. 카드 내용에서 그림 지시를 쓰고, 그린 뒤 글자 · 화살표 · 사실을 카드와 한 장씩 대조해 통과한 것만 실었어요.
  • 설명 영상 — Remotion 으로 만든 영상이에요. 장면 문구는 카드 · 설명 절에서 옮겼어요.

6. 공개하지 않는 자료