먼저, 컨텍스트 윈도우가 뭘까? 그리고 이게 Cursor로 효과적으로 코딩하는 데 어떻게 연결될까? 조금 시야를 넓혀 보면, 대규모 언어 모델(LLM)은 방대한 데이터셋에서 패턴을 학습해 텍스트를 예측하고 생성하도록 훈련된 인공지능 모델이야. 너의 입력을 이해하고 이전에 본 것들을 바탕으로 코드나 텍스트를 제안하면서 Cursor 같은 도구를 구동해. 토큰은 이런 모델의 입력이자 출력이야. 보통 단어의 일부 같은 텍스트 조각으로, LLM이 하나씩 순차적으로 처리해. 모델은 문장을 한 번에 통째로 읽지 않고, 앞서 나온 토큰들을 바탕으로 다음 토큰을 예측해. 어떤 텍스트가 어떻게 토큰화되는지 확인하려면 이 토크나이저를 써봐. Tokenizer

​
컨텍스트가 뭐야?

Cursor에서 코드 제안을 만들 때 “컨텍스트”는 모델에 제공되는 정보(“입력 토큰” 형태)를 말하고, 모델은 그걸 바탕으로 이후의 정보(“출력 토큰” 형태)를 예측해. 컨텍스트에는 두 가지 타입이 있어:
  1. 의도 컨텍스트는 사용자가 모델로부터 얻고 싶은 걸 정의해. 예를 들어, 시스템 프롬프트는 보통 모델이 어떻게 동작하길 원하는지를 알려주는 상위 수준의 지침이야. Cursor에서 이루어지는 대부분의 “프롬팅”은 의도 컨텍스트에 해당해. “저 버튼을 파란색에서 초록색으로 바꿔” 같은 건 명시된 의도의 예시고, 지시적이야.
  2. 상태 컨텍스트는 현재 환경의 상태를 설명해. Cursor에 오류 메시지, 콘솔 로그, 이미지, 코드 조각을 제공하는 건 상태와 관련된 컨텍스트의 예시야. 이건 지시적이라기보다 묘사적이야.
이 두 컨텍스트는 현재 상태와 원하는 미래 상태를 함께 설명하면서 조화를 이루고, Cursor가 유용한 코딩 제안을 하도록 도와줘.

​
Cursor에서 컨텍스트 제공하기

모델에 관련성 높은 컨텍스트를 많이 줄수록 더 유용해져. Cursor에서 컨텍스트가 충분하지 않으면, 모델은 필요한 정보 없이 문제를 풀려고 해. 보통 이런 일이 벌어져:
  1. 패턴이 없는데도 패턴 매칭을 시도하면서 발생하는 환각으로, 예기치 않은 결과가 나올 수 있어. 컨텍스트가 충분하지 않을 때 claude-3.5-sonnet 같은 모델에서 자주 나타나.
  2. Agent가 코드베이스를 검색하고, 파일을 읽고, 도구를 호출하면서 스스로 컨텍스트를 모으려고 해. 강한 사고 성능의 모델(claude-3.7-sonnet 등)은 이 전략만으로도 꽤 멀리 갈 수 있고, 올바른 초기 컨텍스트를 주면 그 이후의 전개가 결정돼.
좋은 소식은 Cursor가 컨텍스트 인식을 핵심으로 설계되어 있고, 사용자 개입을 최소화하도록 만들어졌다는 거야. Cursor는 현재 파일, 다른 파일의 의미적으로 유사한 패턴, 세션의 기타 정보 등 모델이 관련 있다고 판단한 코드베이스의 부분을 자동으로 끌어와. 다만 가져올 수 있는 컨텍스트가 워낙 많아서, 작업에 관련 있다고 네가 아는 컨텍스트를 수동으로 지정해 주면 모델을 올바른 방향으로 이끄는 데 큰 도움이 돼.

​
@-symbol

명시적인 컨텍스트를 제공하는 가장 쉬운 방법은 @-symbol이야. 포함하고 싶은 파일, 폴더, 웹사이트 같은 구체적인 컨텍스트를 딱 알고 있을 때 특히 좋아. 구체적일수록 더 좋아. 컨텍스트를 더 정밀하게 다루는 방법을 정리하면:
SymbolExampleUse caseDrawback
@code@LRUCachedFunction생성하려는 결과에 어떤 함수, 상수, 혹은 심볼이 관련 있는지 알 때코드베이스에 대한 많은 지식이 필요함
@filecache.ts어떤 파일을 읽거나 편집해야 할지는 알지만, 파일 내 정확한 위치는 모를 때파일 크기에 따라 현재 작업과 무관한 컨텍스트가 많이 포함될 수 있음
@folderutils/폴더 내 모든 또는 대부분의 파일이 관련 있을 때현재 작업과 무관한 컨텍스트가 많이 포함될 수 있음
Context Menu

​
규칙

규칙은 너나 팀원이 오래도록 참고할 수 있는 장기 메모리라고 생각하면 돼. 워크플로, 포맷, 기타 관례를 포함한 도메인 특화 컨텍스트를 정리해 두는 게 규칙을 작성하는 훌륭한 출발점이야. 규칙은 기존 대화에서 /Generate Cursor Rules를 사용해 생성할 수도 있어. 프롬프트가 많은 긴 대화를 주고받았다면, 나중에 재사용하고 싶은 유용한 지침이나 일반 규칙이 분명 있을 거야. Rules

​
MCP

Model Context Protocol은 Cursor에 액션 수행과 외부 컨텍스트 가져오기 능력을 부여하는 확장 레이어야. 개발 환경에 따라 다양한 유형의 서버를 쓰고 싶을 수 있는데, 우리가 특히 유용하다고 본 카테고리는 두 가지야:
  • 내부 문서: 예: Notion, Confluence, Google Docs
  • 프로젝트 관리: 예: Linear, Jira
API를 통해 컨텍스트에 접근하고 액션을 수행하는 기존 툴링이 있다면, 그에 맞는 MCP 서버를 만들 수 있어. 여기 MCP 서버를 만드는 방법에 대한 짧은 가이드가 있어. MCP

​
자체 수집 컨텍스트

많은 사용자가 채택하는 강력한 패턴은 Agent가 단기간용 툴을 직접 작성해서 실행하고, 그걸로 더 많은 컨텍스트를 수집하게 하는 거야. 이 방식은 네가 실행 전에 코드를 리뷰하는 human-in-the-loop 워크플로에서 특히 효과적이야. 예를 들어, 코드에 디버깅 로그를 추가하고 실행한 다음, 모델이 출력을 검사하게 하면 정적으로는 알 수 없었던 동적 컨텍스트에 접근할 수 있어. Python에서는 Agent에게 이렇게 지시할 수 있어:
  1. 관련 코드 부분에 print(“debugging: …”) 문 추가하기
  2. 터미널을 사용해 코드나 테스트 실행하기
Agent는 터미널 출력을 읽고 다음 행동을 결정해. 핵심은 정적 코드만 보게 하는 게 아니라 실제 런타임 동작에 접근하게 해 주는 거야. Self-Gathering Context

​
핵심 내용

  • 컨텍스트는 효과적인 AI 코딩의 토대이며, 의도(원하는 것)와 상태(현재 존재하는 것)로 이뤄져. 둘 다 제공하면 Cursor가 더 정확하게 예측해.
  • 자동 컨텍스트 수집에만 의존하지 말고, @-기호(@code, @file, @folder)로 필요한 컨텍스트를 정밀하게 지정해서 Cursor를 정확히 안내해.
  • 반복되는 지식은 규칙으로 정리해 팀 전반에서 재사용하고, 외부 시스템을 연결하려면 Model Context Protocol로 Cursor의 기능을 확장해.
  • 컨텍스트가 부족하면 환각이나 비효율이 생기고, 무관한 컨텍스트가 너무 많으면 신호가 희석돼. 최적의 결과를 위해 균형을 잘 맞춰.