GLM(Z.ai) 실전 활용 꿀팁 모음 — Claude Code 연동 가이드 2탄

1탄 이후, 진짜 궁금한 건 “그래서 어떻게 써야 하나요”

지난 글에서 Claude Code에 GLM(Z.ai)을 연결하는 법을 다뤘습니다. 연결까지는 5분이면 끝나지만, 진짜 질문은 그다음부터입니다. 언제 GLM을 쓰고 언제 Claude로 돌아가야 할까요? 이번 글은 연결 이후 실제로 굴려보면서 정리한 실전 팁 모음입니다.

언제 GLM, 언제 Claude로 돌아갈까

결론부터 말하면 작업의 성격으로 가릅니다.

GLM이 유리한 경우 — 반복적인 리팩터링, 대량의 보일러플레이트 생성, 이미 패턴이 명확한 CRUD 작업, 긴 로그·문서를 한 번에 읽고 요약해야 하는 작업. 비용이 5분의 1 수준이라 이런 작업에 몰아 쓰면 체감 절감이 큽니다.
Claude로 돌아가는 게 나은 경우 — 애매한 요구사항을 해석해서 설계 판단을 내려야 하는 작업, 보안·아키텍처처럼 실수 비용이 큰 작업, 여러 파일에 걸친 미묘한 사이드이펙트를 추적해야 하는 디버깅.

둘 다 같은 settings.json 파일 안의 env 항목만 있고 없고의 차이라, 프로젝트 성격에 따라 파일을 아예 두 벌 만들어두고 필요할 때 갈아 끼우는 것도 방법입니다.

실전 시나리오로 감 잡기

추상적인 기준보다 실제 상황 몇 가지로 판단해보면 더 명확합니다.

상황	추천	이유
레거시 코드 300개 파일에 동일한 타입 힌트 추가	GLM	패턴이 명확하고 반복이 많아 비용 절감 효과가 가장 큼
신규 결제 모듈 아키텍처 설계	Claude	잘못 설계하면 나중에 되돌리는 비용이 훨씬 큼
수백 줄짜리 에러 로그 읽고 원인 요약	GLM	1M 컨텍스트로 로그 전체를 한 번에 넣을 수 있음
프로덕션 인증 로직 리뷰	Claude	보안 관련 판단은 실수 비용이 비대칭적으로 크다
README·주석 대량 생성/번역	GLM	정형화된 작업이라 품질 차이가 체감되지 않음

1M 컨텍스트, 그냥 켜두면 될까

GLM-5.2의 최대 강점은 100만 토큰 컨텍스트입니다. 하지만 무조건 켜두는 게 능사는 아닙니다.

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.z.ai/api/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "발급받은-Z.ai-키",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "800000"
  }
}

CLAUDE_CODE_AUTO_COMPACT_WINDOW는 대화가 이 토큰 수를 넘기면 자동으로 압축(요약)할지 정하는 값입니다.

큰 코드베이스를 통째로 훑는 작업이라면 값을 늘려서(80만 안팎) 압축 없이 끝까지 밀어붙이는 게 유리합니다.
짧고 반복적인 작업을 여러 번 이어갈 때는 기본값 근처로 낮춰서 자주 압축하는 편이 응답 속도와 비용 모두에 유리합니다.

실전 팁: 컨텍스트를 꽉 채워 쓰면 속도가 눈에 띄게 느려지는 구간이 있습니다. “다 넣을 수 있다”와 “다 넣는 게 빠르다”는 다른 이야기라는 걸 기억하세요.

또 한 가지 — 컨텍스트가 커질수록 모델이 초반 지시사항을 “잊어버리는” 것처럼 보이는 현상이 종종 나타납니다. 실제로는 잊은 게 아니라 방대한 정보 속에서 우선순위가 희석되는 것에 가깝습니다. 중요한 제약조건(예: “이 함수는 절대 async로 바꾸지 마세요”)은 대화 중간중간 짧게 리마인드해주는 습관을 들이면 사고를 줄일 수 있습니다.

GLM-5.2 vs GLM-5-Turbo, 뭘 골라야 하나

모델	강점	이럴 때
GLM-5.2	긴 호흡의 에이전틱 작업, 복잡한 추론	여러 단계로 이어지는 리팩터링, 장시간 자동 실행
GLM-5-Turbo	빠른 응답, 저렴한 비용	짧은 질의응답, 간단한 코드 수정, 빠른 반복이 중요한 작업

Z.ai의 트라이얼은 하루 GLM-5.2 300만 토큰 + GLM-5-Turbo 200만 토큰으로 나뉘어 제공되는데, 이 비율 자체가 힌트입니다 — 무거운 작업은 5.2, 가벼운 작업은 Turbo로 자연스럽게 나눠 쓰라는 뜻입니다.

실무에서는 세션 시작할 때 작업 성격을 먼저 가늠하고 모델을 정하기보다, 일단 Turbo로 시작해서 막히면 5.2로 올리는 방식이 비용 대비 효율이 좋았습니다. 대부분의 작업은 생각보다 가벼운 모델로도 충분히 처리되기 때문입니다.

1탄에 없던 트러블슈팅

갑자기 요청이 실패해요 (레이트리밋)

트래픽이 몰리는 시간대에는 Z.ai 쪽에서 요청을 잠깐 거절할 수 있습니다. Claude Code는 기본적으로 재시도를 하지만, 계속 실패한다면 몇 분 뒤 다시 시도하거나 API_TIMEOUT_MS를 늘려보세요.

MCP 도구를 쓰는데 반응이 이상해요

일부 MCP 서버는 Anthropic 모델의 특정 응답 형식을 가정하고 만들어져 있어, 모델을 바꾸면 도구 호출 패턴이 미묘하게 달라질 수 있습니다. 특히 도구 호출 결과를 다시 프롬프트에 정교하게 끼워 넣는 방식으로 설계된 MCP 서버일수록 영향을 받기 쉽습니다. 이런 경우 문제가 되는 세션만 원래 Claude 설정으로 되돌려 확인해보는 게 가장 빠른 진단법입니다.

같은 질문인데 답이 매번 조금씩 달라요

모델 자체 특성이라 정상입니다. 다만 재현성이 중요한 작업(예: 테스트 자동화 스크립트 생성)에서는 temperature나 프롬프트를 더 구체적으로 고정해서 편차를 줄이는 게 도움이 됩니다.

비용이 예상보다 많이 나왔어요

1M 컨텍스트를 상시로 켜둔 채 짧은 대화를 여러 번 반복하면, 매 요청마다 누적된 컨텍스트 전체가 다시 계산되면서 생각보다 빠르게 사용량이 쌓입니다. 작업이 끝난 세션은 미련 없이 새로 시작하는 습관이 비용 관리에 실질적으로 도움이 됩니다.

요금제 선택: Coding Plan vs API 키 직접 결제

Coding Plan(월 정액) — 매일 코딩 작업을 하는 경우. 사용량을 예측하기 쉽고, 정액이라 마음 편하게 몰아 쓸 수 있습니다.
API 키 pay-as-you-go — 가끔씩만 쓰거나, 특정 프로젝트 하나에만 한시적으로 GLM을 붙이는 경우. 안 쓰는 달은 비용이 거의 안 나갑니다.

애매하다면 일단 트라이얼로 며칠 실사용량을 재본 뒤 결정하는 걸 추천합니다. 트라이얼 기간 동안 wp-crontrol이나 간단한 로그로 하루 평균 토큰 사용량을 기록해두면, 정액제 전환 시점을 훨씬 데이터 기반으로 판단할 수 있습니다.