17강 · 멀티모달Lesson 17 · Multimodal
Rule No.17 — 텍스트 밖으로 나가라Rule No.17 — Step outside the text
강의 요약Summary
지금까지 우리가 Claude와 나눈 대화는 거의 전부 텍스트였습니다. 프롬프트를 쓰고, 답을 읽고, 다시 쓰고. 그런데 Claude는 텍스트만 이해하는 도구가 아닙니다. 이미지를 직접 보고, PDF를 직접 읽습니다. 매장 담당자가 이번 달 매출 차트를 캡처해서 붙이고 "이번 달 트렌드 분석해줘"라고 하면, Claude는 수치와 패턴을 읽어 곧바로 분석을 내놓습니다. 재고 현황 스크린샷을 붙이고 "문제 있는 항목 찾아줘"라고 하면, 이미지를 직접 보고 바로 파악해 줍니다. 텍스트로 그 내용을 일일이 타이핑해서 설명하는 것보다, 이미지 하나를 던지는 게 훨씬 빠르고 정확합니다. 이게 오늘, Rule No.17의 출발점입니다.Nearly every conversation we've had with Claude so far has been text. Write a prompt, read an answer, write again. But Claude doesn't just understand text. It looks directly at images, and it reads PDFs directly. When a store associate captures this month's sales chart and attaches it with "analyze this month's trend," Claude reads the numbers and patterns and produces an analysis right away. Attach a screenshot of inventory status with "find any problem items," and Claude looks at the image directly and grasps the situation immediately. Throwing in one image is far faster and more accurate than typing out all that information as text, piece by piece. That's today's starting point — Rule No.17.
공식 문서 기준으로 Claude는 이미지 네 가지 형식(JPEG, PNG, GIF, WebP)을 지원하고, PDF는 모델에 따라 최대 100~600페이지를 처리할 수 있습니다. 중요한 건, Claude가 이 파일들을 그냥 받아서 저장만 하는 게 아니라는 점입니다. 이미지 안의 텍스트를 읽고, 차트의 수치를 파악하고, PDF 안의 표를 분석합니다. 단순한 파일 첨부가 아니라 진짜 입력으로 처리한다는 뜻입니다. 다만 이미지에도 토큰 비용이 있습니다. 공식 공식은 가로×세로÷750이고, 1092×1092 이미지는 약 1,568토큰입니다. 텍스트와 같은 컨텍스트 윈도우 안에서 차감되기 때문에, 이미지가 클수록 토큰을 더 많이 씁니다. 그래서 무조건 큰 이미지를 보내는 게 아니라, 목적에 맞게 리사이즈하거나 압축하는 습관이 필요합니다 — 이건 Rule No.2, 컨텍스트를 지켜라와 직결되는 이야기입니다.Based on the official docs, Claude supports four image formats (JPEG, PNG, GIF, WebP), and PDFs can be processed up to 100 to 600 pages depending on the model. What matters is that Claude doesn't just receive and store these files — it reads text inside images, grasps the numbers on charts, and analyzes tables inside PDFs. It's not mere file attachment; it's genuine input processing. But images carry a token cost too. The official formula is width times height divided by 750, and a 1092×1092 image comes out to roughly 1,568 tokens. Because it's deducted from the same context window as text, larger images consume more tokens. So instead of always sending the biggest image available, you need the habit of resizing or compressing to fit the purpose — which connects directly to Rule No.2, protect your context.
왜 이미지가 텍스트 설명보다 더 정확할 때가 많을까요. 텍스트 설명은 사람이 시각 정보를 언어로 번역하는 과정을 거칩니다. "버튼이 파란색이고 오른쪽 상단에 있다"라고 쓸 때, 이미 해석이 들어가 있고, 어떤 파란색인지·정확히 어디인지 같은 디테일이 빠지거나 틀릴 수 있습니다. 이미지를 직접 주면 그 번역 단계가 사라집니다. Claude가 원본을 직접 보고 분석하기 때문에, 사람이 중간에서 해석하며 생기는 오류나 누락이 없어집니다. 이게 멀티모달의 핵심 이점입니다. 공간 레이아웃, 시각적 패턴, 현재 상태 스냅샷, 손글씨나 그림처럼 텍스트로는 전달이 안 되거나 전달하면 정보가 줄어드는 것들 — 이런 건 이미지로 직접 보여주는 게 압도적으로 유리합니다.Why are images often more accurate than text descriptions? Text descriptions pass through a process where a person translates visual information into language. When you write "the button is blue and in the top right," interpretation has already happened, and details — exactly what shade, exactly where — can be dropped or wrong. Give the image directly, and that translation step disappears. Claude looks at and analyzes the original directly, removing the errors and omissions that come from a person interpreting in the middle. This is the core benefit of multimodal. Spatial layout, visual patterns, current-state snapshots, handwriting or drawings that text can't convey — or that lose information when converted to text — are overwhelmingly better shown directly as images.
실천은 다섯 가지 점검으로 정리됩니다. 첫째, 텍스트로 설명하기 어려운 것인지 생각해봅니다 — 텍스트로 충분하면 굳이 이미지를 쓸 필요가 없습니다. 둘째, 지원 포맷인지 확인합니다. 셋째, 목적에 맞는 크기인지 봅니다. 넷째, 얼굴·주민등록번호·의료 정보 같은 민감한 정보가 없는지 확인하고, 있으면 마스킹합니다. 다섯째, 이미지에 구체적인 질문을 더해서 보냈는지 점검합니다. 텍스트가 강한 건 의미·논리·언어이고, 이미지가 강한 건 시각·공간·상태입니다. 이 차이를 이해하고 적절히 섞어 쓰는 것, 그게 오늘 배우는 Rule No.17의 핵심입니다.The practice comes down to five checks. First, think about whether this is hard to explain in text — if text is enough, there's no need to use an image. Second, check whether it's a supported format. Third, check whether the size fits the purpose. Fourth, check for sensitive information like faces, ID numbers, or medical data, and mask it if present. Fifth, check whether you've added a specific question alongside the image. Text is strong for meaning, logic, and language; images are strong for visuals, space, and state. Understanding that difference and mixing them appropriately is the heart of today's Rule No.17.
핵심 개념 5가지Five key concepts
-
01
Claude는 이미지·PDF를 진짜로 "본다"Claude actually "sees" images and PDFs
Claude는 이미지나 PDF를 받아서 그냥 저장해 두는 게 아닙니다. 이미지 안에 적힌 텍스트를 읽고, 차트의 막대나 선이 나타내는 수치를 파악하고, PDF 안의 표를 분석합니다. 공식 문서 기준으로 이미지는 JPEG·PNG·GIF·WebP 네 가지 형식을, PDF는 모델에 따라 최대 100~600페이지를 지원합니다. 코드나 텍스트 파일, Markdown·CSV·JSON 같은 구조 텍스트도 마찬가지로 직접 처리됩니다. 매출 차트 이미지를 주면 수치와 트렌드를 분석하고, 재고 현황 스크린샷을 주면 문제 항목을 짚어주고, 손으로 쓴 노트를 이미지로 주면 텍스트로 변환해줍니다. 핵심은 "파일 첨부"가 아니라 "진짜 입력"이라는 점입니다.Claude doesn't just receive an image or PDF and store it. It reads the text written inside an image, grasps what the bars or lines on a chart represent numerically, and analyzes tables inside a PDF. Based on the official docs, images support four formats — JPEG, PNG, GIF, WebP — and PDFs go up to 100 to 600 pages depending on the model. Code and text files, and structured text like Markdown, CSV, and JSON, are processed directly the same way. Give it a sales chart image and it analyzes the numbers and trend; give it an inventory screenshot and it flags the problem items; give it handwritten notes as an image and it converts them to text. The key point is that this isn't "file attachment" — it's genuine input.
-
02
이미지도 토큰을 쓴다Images consume tokens too
이미지를 텍스트와 다른 세계라고 생각하기 쉽지만, 사실은 같은 컨텍스트 윈도우 안에서 토큰을 차감합니다. 공식 공식은 가로 곱하기 세로 나누기 750입니다. 예를 들어 1092×1092 이미지는 약 1,568토큰이 됩니다. 오퍼스 4처럼 고해상도를 정교하게 처리하는 최신 모델은 같은 이미지에 최대 약 4,784토큰까지 쓸 수도 있으니, 정확한 값은 반드시 공식 문서로 확인해야 합니다. 이미지가 클수록 토큰을 더 많이 쓰기 때문에, 차트 분석이나 텍스트 추출처럼 해상도가 크게 중요하지 않은 작업이라면 리사이즈나 압축으로 토큰을 아낄 수 있습니다. 이건 Rule No.2, 컨텍스트를 지켜라는 원칙이 이미지에도 그대로 적용된다는 뜻입니다.It's easy to think of images as a separate world from text, but they actually deduct tokens from the same context window. The official formula is width times height divided by 750. A 1092×1092 image, for example, comes out to about 1,568 tokens. Newer models that handle high resolution more elaborately, like Opus 4, may use up to roughly 4,784 tokens for the same image — so always check the official docs for the exact figure. Because larger images use more tokens, tasks like chart analysis or text extraction, where resolution doesn't matter much, can save tokens through resizing or compression. This means Rule No.2, protect your context, applies to images just as much as to text.
-
03
PDF는 강력하지만 두 가지 함정이 있다PDFs are powerful, but two traps lurk
PDF 처리는 강력합니다. 모델에 따라 최대 100~600페이지, 요청 크기 32메가바이트 한도 안에서 한 번에 처리할 수 있고, 페이지당 약 1,500~3,000토큰이 소모됩니다(내용 밀도에 따라 다름). 표나 그래프도 읽고, 특정 섹션 요약이나 여러 페이지 교차 분석도 가능합니다. 계약서나 리포트, 논문 전체를 통째로 넘기고 질문할 수 있다는 뜻입니다. 다만 두 가지는 주의해야 합니다. 모델 한도를 넘는 큰 문서는 분할해서 나눠 보내야 하고, 스캔해서 만든 PDF — 즉 글자를 그림처럼 찍은 문서 — 는 정확도가 떨어질 수 있습니다. 디지털 원문으로 저장된 PDF일수록 훨씬 정확하게 처리됩니다.PDF processing is powerful. Depending on the model, it can handle up to 100 to 600 pages at once within a 32-megabyte request size limit, consuming roughly 1,500 to 3,000 tokens per page (varying with content density). It can read tables and graphs, summarize specific sections, and cross-analyze multiple pages. That means you can hand over an entire contract, report, or paper and ask questions about it. But watch for two things. Documents larger than the model's page limit need to be split and sent in parts, and scanned PDFs — documents where the text was captured as an image rather than actual text — can be less accurate. PDFs saved as digital source files are processed far more accurately.
-
04
텍스트 설명은 번역이고, 이미지는 원본이다Text description is translation; an image is the original
텍스트로 시각 정보를 설명하려면, 사람이 먼저 그것을 언어로 번역해야 합니다. "버튼이 파란색이고 오른쪽 상단에 있다"라고 쓸 때, 이미 그 안에 해석이 들어가 있습니다. 어떤 파란색인지, 정확히 어디인지, 다른 요소와의 관계는 어떤지 같은 디테일이 빠지거나 틀릴 수 있습니다. 반면 이미지를 직접 주면 그 번역 단계 자체가 없어집니다. Claude가 원본을 직접 보고 분석하기 때문에, 사람이 중간에서 해석하며 생기는 오류나 누락이 사라집니다. 이게 멀티모달의 핵심 이점입니다. 텍스트로 설명하기 어려운 것, 설명하면 정보가 줄어드는 것은 이미지로 직접 보여주는 게 낫습니다.To describe visual information in text, a person must first translate it into language. When you write "the button is blue and in the top right," interpretation has already crept in. Details — what shade of blue, exactly where, how it relates to other elements — can be dropped or wrong. Give the image directly, and that translation step disappears entirely. Because Claude looks at and analyzes the original directly, the errors and omissions that come from a person interpreting in the middle vanish. This is the core benefit of multimodal. Things hard to explain in text, or things where explaining loses information, are better shown directly as images.
-
05
최적의 이미지 입력 = 크기 + 질문 + 맥락Optimal image input = size + question + context
이미지를 잘 쓰려면 세 가지를 기억하세요. 첫째, 목적에 맞는 크기입니다. 무조건 크다고 좋은 게 아니라, 차트 분석이면 고해상도가 없어도 충분합니다. 둘째, 명확한 질문입니다. "이 차트에서 2025년 최대값은 얼마야?"처럼 구체적으로 물으면, 그냥 "분석해줘"보다 훨씬 좋은 답이 나옵니다. 셋째, 필요한 맥락 텍스트입니다. 이미지만으로는 전달되지 않는 배경 정보가 있습니다. "이건 우리 서비스의 6월 매출 차트야. 전월 대비 변화를 분석해줘"처럼 이미지에 텍스트를 더하면 훨씬 정확한 분석이 나옵니다. 이미지가 시각 정보를 담당하고, 텍스트가 맥락을 담당하는 것 — 둘이 함께여야 최적입니다. 여기에 프라이버시 점검(얼굴·주민번호·의료정보 마스킹)과 비용 관리(배치 처리 시 사전 예산 추정)까지 더하면, 이미지 입력 전 다섯 가지 체크리스트가 완성됩니다.Remember three things to use images well. First, the right size for the purpose — bigger isn't always better; for chart analysis, you don't need high resolution. Second, a clear question — asking specifically, like "what's the maximum value in 2025 on this chart?" produces far better answers than just "analyze this." Third, the necessary context text — there's background information images alone can't convey. Adding text like "this is our service's June revenue chart, analyze the change from the previous month" produces much more accurate analysis. The image handles the visual information, the text handles the context — together they're optimal. Add privacy checks (masking faces, ID numbers, medical info) and cost management (estimating budget in advance for batch processing), and you have the complete five-point checklist for image input.
실습 예제Exercise
오늘 배운 걸 직접 확인해봅니다. 코드도 설정도 필요 없습니다 — 여러분 손에 있는 차트나 스크린샷 이미지 하나(매출 그래프, 대시보드 캡처, 재고 화면, 뭐든 좋습니다)를 Claude 대화창에 붙여넣고, 아래 지시문을 그대로 따라가면서 "그냥 물었을 때"와 "구체적으로 물었을 때"의 답이 어떻게 달라지는지 비교하는 연습입니다. 핵심은 이미지를 첨부하는 것 자체가 아니라, "이미지 + 명확한 질문 + 필요한 맥락"이라는 조합이 답의 질을 얼마나 바꾸는지 직접 목격하는 것입니다.Let's verify what we learned today, hands-on. No code, no config — just paste one chart or screenshot image you already have (a sales graph, a dashboard capture, an inventory screen, anything works) into a Claude chat, follow the instruction below, and compare how the answer differs between "just asking" and "asking specifically." The point isn't the act of attaching an image — it's watching firsthand how much the combination of "image + clear question + necessary context" changes the quality of the answer.
지금 첨부한 이미지 하나로 다음 두 가지를 순서대로 해줘. ## 1단계 — 막연한 질문 방금 첨부한 이미지를 보고 그냥 "이거 분석해줘"라는 요청을 받았다고 생각하고 답해줘. 딱 그 정도 정보만으로 나올 수 있는 답을 한 문단으로 줘. ## 2단계 — 명확한 질문 + 맥락 이번엔 같은 이미지를 놓고, 내가 이렇게 다시 물었다고 생각하고 답해줘: "이 이미지는 [여기에 실제로 무엇인지 한 줄로 채워 넣기 — 예: 우리 매장 6월 매출 대시보드]야. 이 안에서 가장 눈에 띄는 수치나 이상 신호가 뭔지, 그리고 그게 왜 문제인지 콕 집어서 알려줘." 마지막으로, 1단계 답과 2단계 답이 구체성·정확성 면에서 어떻게 달랐는지 한 줄로 정리해줘.
- 이미지 준비: 손에 있는 차트·스크린샷·대시보드 캡처 중 아무거나 하나를 고른다. 없다면 지금 화면을 캡처해도 된다 — 오늘 배운 건 "어떤 이미지든" 적용되는 원리이지, 특정 파일 형식에 갇힌 이야기가 아니다.Prepare an image: pick any chart, screenshot, or dashboard capture you already have. If you don't have one, just capture your current screen — today's lesson is a principle that applies to "any image," not something locked to a specific file type.
- 막연한 답 관찰: 1단계에서 Claude가 이미지를 보고도 뭉뚱그린 답을 내놓는지 확인한다. 질문이 막연하면 아무리 이미지를 잘 봐도 답이 애매해질 수 있다는 걸 체감하는 단계다.Observe the vague answer: check whether Claude, even while looking at the image, gives a fuzzy answer in step 1. This is where you feel that a vague question produces a vague answer, no matter how well the image itself is read.
- 구체적인 답과 비교: 2단계에서 같은 이미지인데도 "무엇인지" 맥락을 주고 "무엇을 짚어달라"고 명확히 물으면, 답이 얼마나 더 콕 집어지는지 비교한다. 이 차이가 곧 오늘 배운 "이미지 + 명확한 질문 + 맥락" 공식이다. 실무에 적용할 땐, 앞으로 이미지를 붙일 때마다 이 세 가지가 다 들어갔는지 스스로 점검하는 습관을 들일 것.Compare the specific answer: in step 2, with the same image, compare how much sharper the answer gets once you supply context on "what this is" and ask clearly "what to point out." That difference is exactly today's formula — "image + clear question + context." Going forward, make it a habit to check that all three are present every time you attach an image at work.
전체 대본Full transcript
참고References
- [출처: platform.claude.com/docs/en/build-with-claude/vision] Claude Vision 공식 문서 — 지원 이미지 형식(JPEG, PNG, GIF, WebP), 이미지 토큰 계산 공식(가로×세로÷750).[source: platform.claude.com/docs/en/build-with-claude/vision] Official Claude Vision docs — supported image formats (JPEG, PNG, GIF, WebP), image token formula (width×height÷750).
- [출처: platform.claude.com/docs/en/build-with-claude/pdf-support] Claude PDF Support 공식 문서 — 모델별 페이지 한도(최대 100~600페이지), 요청 크기 32MB 한도.[source: platform.claude.com/docs/en/build-with-claude/pdf-support] Official Claude PDF Support docs — per-model page limits (up to 100–600 pages), 32 MB request size limit.