Fable을 못 쓰게 됐어도 포기하지 마세요 ── OpenRouter Fusion＋중국 LLM＋리뷰 레이어로 버틴다

1. Fable이 죽었다. 이제 난감하다

솔직히 말씀드립니다. Fable에는 한참 못 미칩니다.

이 글을 쓰는 시점에 Anthropic의 최상위 모델 「Fable」은, 정액 구독 범위 안에서는 계속 쓸 수 없게 되었습니다. 그 정확도, 그 속도, 그 일체감. 그것을 넘는 대체는 지금으로서는 존재하지 않습니다.

Fable이란 무엇인가 ── 전제 정리

Fable을 모르는 분을 위해 전제를 정리해 둡니다.

Fable은 Anthropic이 2026년 6월 9일에 발표한 최상위 모델 Claude Fable 5를 가리킵니다. 공식 발표에 따르면 다음과 같은 위치입니다.

제공 형태도 같은 발표에 적혀 있습니다. Claude API와 종량 과금 Enterprise 플랜에서는 발표와 동시에 이용 가능하고, 한편 구독 플랜에서는 2026년 6월 22일까지는 추가 비용 없이 포함되며, 그 이후에는 용량이 확보될 때까지 usage credits가 필요하다는 취급입니다.

즉 모델이 사라진 것은 아닙니다. 정액 구독 범위 안에서, 지금까지와 같이 계속 쓸 수 없게 된 것이 실태입니다. 본 기사가 대체 구성을 찾는 것은, 어디까지나 이 「정액 범위 안에서」라는 조건 아래의 이야기입니다. API를 종량 과금으로 쓸 예산이 있다면, 그냥 Fable을 쓰는 편이 빠릅니다.

잃은 것은 모델 그 자체라기보다 「하나의 모델에 던지면 통과한다」는 경험 쪽입니다. 이후에 짜는 구성은, 이것을 여러 모델의 합의와 리뷰 레이어로 비슷하게 재현하려는 것으로 보시면 됩니다.

그렇다고 손을 놓고 있을 수는 없습니다. 대체재를 찾아보면 선택지는 다음과 같습니다.

• Claude Code / Claude Sonnet: 똑똑합니다. 하지만 단독으로는 Fable의 정확도에 못 미치고, 비용도 커집니다
• GPT-5 / GPT-5.5: 의외로 허접합니다. 긴 코드베이스를 다루면 금방 지칩니다. 게다가 비쌉니다
• Cursor / Windsurf: 경험은 좋지만 백엔드 모델에 달립니다. 자유로운 구성은 할 수 없습니다
• 로컬 LLM(Ollama 등): 속도는 나오지만, 실제 리포지토리를 넘기면 정확도가 뚝 떨어집니다

AI 코딩 활용의 기초는 이쪽도 참고해 주세요. Claude Code 완전 입문: 설치부터 실무 활용까지, AI 코딩의 새 상식을 철저히 해설

그리고 이것저것 시험한 끝에 도달한 것이, OpenRouter의 Fusion 기능＋중국 LLM으로 코드를 생성하고, 마무리는 gpt-5.5-pro 리뷰 또는 Codex의 PR 리뷰를 통과시키는 구성입니다. Fable에는 전혀 상대가 되지 않지만, 그냥 gpt-5.5보다는 훨씬 낫습니다. 그럭저럭 쓸 수 있습니다.

다만 중국 LLM이므로 업무 코드를 넘기는 것은 역시 무섭습니다. 어디까지나 취미 프로젝트나 개인 개발 범위에서 쓴다는 전제입니다. 무엇이 어떻게 무서운지는 3장의 「중국 LLM에 무엇을 넘기는가」에서 항목별로 나눕니다.

이 기사의 평가를 읽는 법

먼저 양해 말씀을 드립니다. 본 기사에 나오는 「허접」「동등하거나 그 이상」「훨씬 낫다」 같은 평가는 모두 필자가 자신의 작업에서 써 본 체감입니다. 표준 벤치마크 점수나, 조건을 맞춘 비교 실험에 근거한 것이 아닙니다. 이후, 별도 양해가 없는 평가는 모두 체감이라고 읽고 주세요.

객관적으로 확인할 수 있는 것은 요금 정도이고, 그것도 변동합니다. 각 모델의 현재 단가는 OpenRouter의 모델 목록에서 확인할 수 있습니다. 채택을 검토하는 경우, 가격은 반드시 직접 대조해 주세요.

달리 말하면, 체감만으로 충분하다면 이 구성은 오늘부터 시험할 수 있습니다. 이후는 그런 기사로 읽어 주시면 됩니다.

이 글의 지식 맵

Anthropic의 최상위 모델 Claude Fable 5를 정액 구독 한도 안에서 계속 쓰기 어려워진 점을 계기로, CLI 코딩 에이전트 opencode에서 OpenRouter Fusion을 사용해 Xiaomi MiMo·GLM·Kimi·MiniMax·DeepSeek V4 Pro라는 5개 중국 LLM에 같은 프롬프트를 보내 합의시키고, DeepSeek V4 Pro가 분석 결과 통합과 최종 코드 생성을 맡는 구성을 잡습니다. 이 출력에 gpt-5.5-pro 리뷰 또는 GitHub Codex의 PR 리뷰 중 하나를 겹쳐 정확도를 보완합니다. OpenRouter는 학습 이용·로그 보관·데이터 국외 이전과 같은 제공자 측 데이터 정책을 구조화 정보로 갖고 있으며, Zero Data Retention 엔드포인트로 라우팅하거나 EU 내 처리 라우팅으로 제어할 수 있습니다. 다만 업무에서 개인정보를 넘기는 경우에는 개인정보보호법상 해외에 있는 제3자에 대한 제공에 해당할 수 있다는 점에도 주의가 필요합니다.

flowchart LR
    accTitle: OpenRouter Fusion과 중국 LLM을 이용한 코딩 에이전트 구성의 지식 맵
    accDescr: opencode가 OpenRouter Fusion을 거쳐 여러 중국 LLM을 합의시켜 코드를 생성하고, 리뷰 계층과 데이터 정책 제어를 결합하는 관계를 보여주는 그림
    openrouter_fusion["OpenRouter Fusion"]
    opencode["opencode"]
    openrouter["OpenRouter"]
    xiaomi_mimo["Xiaomi MiMo"]
    zhipu_glm["GLM(Zhipu AI)"]
    moonshot_kimi_k2["Kimi(Moonshot AI)"]
    minimax_m3["MiniMax M3"]
    deepseek_v4_pro["DeepSeek V4 Pro"]
    claude_fable_5["Claude Fable 5"]
    gpt_5_5_pro["gpt-5.5-pro"]
    github_codex_pr_review["GitHub Codex의 PR 리뷰"]
    zero_data_retention["Zero Data Retention(ZDR)"]
    llm_provider_data_policy["추론 프로바이더의 데이터 정책"]
    eu_data_residency_routing["EU 내 처리 라우팅"]
    personal_data_cross_border_transfer["국외 제3자에 대한 개인정보 제공"]
    opencode -->|"이용한다"| openrouter
    opencode -->|"이용한다"| openrouter_fusion
    openrouter_fusion -->|"전제로 한다"| openrouter
    openrouter_fusion -.->|"이용한다"| xiaomi_mimo
    openrouter_fusion -.->|"이용한다"| zhipu_glm
    openrouter_fusion -.->|"이용한다"| moonshot_kimi_k2
    openrouter_fusion -.->|"이용한다"| minimax_m3
    openrouter_fusion -.->|"이용한다"| deepseek_v4_pro
    openrouter_fusion -->|"완화한다"| claude_fable_5
    opencode -.->|"이용한다"| gpt_5_5_pro
    opencode -.->|"이용한다"| github_codex_pr_review
    opencode -->|"에서 구성할 수 있다"| openrouter
    openrouter -->|"에서 구성할 수 있다"| zero_data_retention
    zero_data_retention -.->|"완화한다"| llm_provider_data_policy
    openrouter -->|"이용한다"| llm_provider_data_policy
    openrouter -->|"에서 구성할 수 있다"| eu_data_residency_routing
    llm_provider_data_policy -.->|"원인이 될 수 있다"| personal_data_cross_border_transfer
    openrouter_fusion -.->|"원인이 될 수 있다"| personal_data_cross_border_transfer

그림의 실선은 항상 성립하는 관계, 점선은 조건이 붙는 관계입니다(성립 조건은 상세 페이지의 관계별 설명에 적혀 있습니다). 관계 전체 목록(총 18건, 근거와 확신도 포함)과 주요 개념의 정의는 지식 맵 상세 페이지에 정리되어 있습니다(일본어). 데이터: JSON-LD / Turtle

2. OpenRouter Fusion이란

OpenRouter는 여러 LLM 프로바이더를 한 인터페이스로 호출할 수 있는 API 게이트웨이입니다. Claude도 GPT도 Gemini도 DeepSeek도, 전부 같은 인터페이스로 쓸 수 있습니다.

그 OpenRouter에 「Fusion」이라는 기능이 있습니다.

쉽게 말하면, 하나의 프롬프트를 여러 모델에 던지고, 그 답변을 분석한 뒤, 최종 출력을 하나의 모델이 정리하는 구조입니다. 말하자면 「모델들의 합의제」입니다.

구체적으로는 다음 흐름으로 동작합니다.

1. 사용자가 프롬프트를 입력한다
2. analysis_models에 지정한 여러 모델이 동시에 같은 프롬프트에 대해 답변을 생성한다
3. 그 답변들을 model에 지정한 모델이 비교·분석하고, 합의점·모순점·누락·맹점 등을 구조화한다(= judge의 역할)
4. 이어서 같은 모델이 그 분석을 바탕으로 최종 답변을 쓴다

중요한 점은, 각 분석 모델에 서로 다른 역할이나 프롬프트를 줄 수는 없다는 것입니다. 모든 모델이 같은 프롬프트를 받고, 각자 독립적으로 답변하며, 그 차이를 judge가 평가한다——는 단순한 구조입니다.

opencode라는 CLI 코딩 에이전트는 이 Fusion을 플러그인으로 네이티브 지원합니다. opencode.json에 설정을 쓰기만 하면, 여러 모델이 협조해 코드를 생성·리뷰하는 에이전트를 바로 구성할 수 있습니다.

3. 실제 설정

설치 ── opencode 도입과 OpenRouter 연결

설정 파일 내용에 들어가기 전에, 거기까지 가는 절차를 정리해 둡니다.

1. opencode를 설치한다

curl -fsSL https://opencode.ai/install | bash

패키지 매니저로도 설치됩니다. Windows에서는 공식 문서가 WSL 이용을 권장합니다.

npm install -g opencode-ai            # Node.js
brew install anomalyco/tap/opencode   # macOS / Linux
scoop install opencode                # Windows

2. OpenRouter API 키를 등록한다

OpenRouter 대시보드에서 Create API Key로 키를 만듭니다. 이어서 작업할 디렉터리에서 opencode를 시작하고, /connect를 실행해 프로바이더 목록에서 OpenRouter를 고른 뒤 키를 붙여넣습니다.

cd /path/to/project
opencode

/connect

등록한 키는 ~/.local/share/opencode/auth.json에 저장됩니다. 설정 파일에 직접 쓸 필요는 없고, 쓰지 마세요.

3. opencode.json을 둔다

설정 파일 위치는 주로 두 곳입니다.

둘 다 있으면 머지되고, 키가 충돌할 때만 프로젝트 쪽이 우선됩니다. 다음에 보이는 Fusion 설정은 어디에 적어도 동작합니다. 저는 늘 쓰므로 글로벌 쪽에 두고 있습니다. 참고로 파일 맨 위에 "$schema": "https://opencode.ai/config.json"을 넣어 두면, 에디터에서 자동 완성과 검증이 됩니다.

4. 프로젝트를 초기화한다

/init

opencode가 프로젝트를 분석해 AGENTS.md를 만듭니다. 이 파일은 Git에 커밋해 두는 것이 권장됩니다. 프로젝트 구조와 코딩 버릇을 반영한 출력이 됩니다.

Fusion 설정

아래가 지금 제가 쓰는 opencode.json의 핵심 부분입니다.

{
  "model": "openrouter/openrouter/fusion",
  "provider": {
    "openrouter": {
      "models": {
        "openrouter/fusion": {
          "name": "OpenRouter Fusion (Custom DeepSeek V4 Pro)",
          "options": {
            "plugins": [
              {
                "id": "fusion",
                "analysis_models": [
                  "xiaomi/mimo-v2.5-pro",
                  "z-ai/glm-5.1",
                  "deepseek/deepseek-v4-pro",
                  "moonshotai/kimi-k2.7-code",
                  "minimax/minimax-m3"
                ],
                "model": "deepseek/deepseek-v4-pro",
                "max_tool_calls": 8
              }
            ]
          }
        }
      }
    }
  }
}

5개의 분석 모델과 1개의 실행 모델로 구성되어 있습니다.

분석 모델(모든 모델이 같은 프롬프트를 보고, 동시에 답변한다)

실행 모델(분석 결과를 바탕으로 최종 답변을 쓴다)

• deepseek/deepseek-v4-pro: 분석 모델들의 답변을 바탕으로, 실제 코드 생성·파일 편집을 담당합니다.

왜 중국 LLM인가

단순히 비용 대비 성능이 압도적이기 때문입니다.

2026년 현재 중국발 LLM의 API 가격은 Anthropic이나 OpenAI의 1/5~1/20이고, 성능은 동등하거나 그 이상입니다. 특히 DeepSeek V4 Pro의 코딩 성능은, 실무 수준에서 Claude Sonnet이나 GPT-5.5와 맞먹거나 그 이상으로 느껴지는 경우가 적지 않습니다.

다만 이 「1/5~1/20」도 「동등하거나 그 이상」도, 1장에서 양해한 대로 필자가 쓴 범위에서의 체감입니다. 가격은 모델과 프로바이더에 따라 폭이 있고 수시로 바뀌므로, OpenRouter의 모델 목록에서 실제 단가를 대조한 뒤 판단해 주세요. 성능 쪽도 공개 벤치마크로 뒷받침한 것이 아닙니다.

중국 LLM에 무엇을 넘기는가 ── 업무 이용의 판단 기준

1장에서 「업무 코드를 넘기는 것은 무섭다」고 썼습니다. 막연히 무서워하기만 해서는 판단할 수 없으므로, 무엇이 일어날 수 있는지를 항목으로 나눠 둡니다.

주의할 점은, ZDR 강제가 적용되는 것은 추론 요청의 라우팅뿐입니다. Web 검색 같은 플러그인이나 툴은 제3자 서비스가 돌리고 있으며, 각각의 데이터 보관 정책을 따릅니다. 켤 도구의 정책은 따로 확인하십시오.

그다음, 업무에서 쓸 수 있는지는 다음 순서로 생각하면 정리하기 쉽습니다.

1. 넘기는 것을 가른다. 비밀유지계약이나 위탁계약 대상인 코드, 사양서, 고객 데이터는 넘기지 않는다. 넘기는 것은 자신에게 권리가 있는 범위이거나, 이미 공개된 범위로 한정한다. 이 선을 그을 수 없다면, 그 앞을 검토할 의미가 없습니다.
2. 계약을 확인한다. 수주 개발이라면 많은 경우 「재위탁 가능 여부」나 「정보의 외부 반출」 조항이 있습니다. 외부 LLM 서비스로 보내는 행위가 이에 해당하는지는, 혼자 판단할 일이 아니라 발주처와 합의해 둘 사항입니다. 개인정보가 섞이는 경우는, 일본 개인정보보호법상의 「외국에 있는 제3자에 대한 제공」에 해당할 수 있으므로, 일본 개인정보보호위원회의 가이드라인(외국에 있는 제3자에 대한 제공 편)에 따른 확인도 필요합니다.
3. 설정으로 막는다. 1과 2를 통과한 뒤, 위 표의 학습 이용·로그 보관·국외 이전을 설정으로 막습니다.
4. 기록을 남긴다. 어느 모델에 무엇을 넘기는 운용으로 했는지를 적어 둡니다. 나중에 설명을 요구받았을 때 도움이 됩니다.

본 기사의 구성은, 이 1번 단계에서는 「취미 프로젝트와 개인 개발로 한정한다」고 선을 그은 것입니다. 업무에서 쓰고 싶다면, 적어도 2와 3을 통과한 뒤에 해 주세요.

4. 어떻게 동작하는가 ── Fusion만으로는 부족하다

Fusion 단독 흐름은 이렇습니다.

1. 사용자가 프롬프트를 입력
2. 5개의 분석 모델이 각자 독립적으로 답변을 생성
3. 실행 모델(DeepSeek V4 Pro)이 그 답변들을 비교·분석하고, 합의점·모순점·누락을 추출한 구조화 분석을 생성한다
4. 그 분석을 바탕으로 같은 실행 모델(DeepSeek V4 Pro)이 최종 코드를 생성한다

이것은 인간 팀 개발에 가깝습니다. 5명의 엔지니어가 같은 사양을 보고 각자 리뷰 코멘트를 내고, 한 사람(DeepSeek V4 Pro)이 그것을 분석·정리한 뒤 구현한다——그런 이미지입니다.

컨텍스트 윈도우 제한에 대해: Fusion의 컨텍스트 윈도우는 128K 토큰입니다. 얼핏 적어 보이지만, 대화 이력에 더해 5모델분의 답변을 모두 넣어야 하므로, 의외로 금방 찹니다. 다만 서두를 필요는 없습니다. 128K를 넘어 Fusion의 합성 스텝이 실패해도, 각 분석 모델은 개별적으로(DeepSeek V4 Pro는 100만 토큰, Kimi K2.7은 약 26만 토큰 등, 각각 충분히 큰 컨텍스트 윈도우로) 프롬프트 처리를 마칩니다. opencode도 세션 전체의 대화 이력을 유지하므로, 모델의 「기억」이 사라지는 것은 아닙니다. 실용상 큰 지장은 되지 않는다는 것이 실제 체감입니다.

하지만 이것만으로는 Fable에는 전혀 미치지 못합니다. 원래 Fable은 단일 모델이면서도, 여러 모델 합의제를 가볍게 능가하는 정확도를 내고 있었습니다. Anthropic의 저력입니다.

그래서 Fusion 출력에 다시 리뷰 레이어를 한 겹 더 넣습니다. 선택지는 두 가지입니다.

선택지 A: gpt-5.5-pro로 하는 코드 리뷰

1. Fusion 구성으로 코드 생성
2. 생성된 코드를 gpt-5.5-pro에 「리뷰하고 수정안을 내라」고 던진다
3. 그 수정안을 원래 실행 모델에 적용시킨다

실제로는 opencode의 task 기능으로 서브에이전트로서 gpt-5.5-pro를 지정하고, 「리뷰하고 수정안을 제안하라」고 지시하는 형태가 됩니다.

gpt-5.5-pro는 단독 코드 생성에서는 허접하지만, 기존 코드 리뷰, 즉 남이 쓴 코드의 허점 찾기는 의외로 잘합니다.

선택지 B: GitHub Codex의 PR 리뷰

1. Fusion 구성으로 코드 생성
2. PR로 올려 GitHub Codex의 PR 리뷰를 통과시킨다
3. Codex가 버그 가능성이나 설계상 우려를 지적해 오므로, 그것을 반영한다

Codex는 GitHub의 맥락(Issue, 과거 PR, 프로젝트 구조)을 반영한 리뷰를 하므로, 범용 LLM 리뷰와는 다른 시점에서 파고듭니다.

둘 중 하나만으로 충분합니다. 어느 쪽을 쓸지는 기분에 맡겨도 되지만, 둘 다 통과시키는 것은 역시 과하고, 너무 느립니다. Fusion(5모델 합의) → 리뷰(gpt-5.5-pro 또는 Codex)의 2단 구성. Fable 한 방에는 한참 못 미치는 만큼, 프로세스로 커버한다는 발상입니다.

그냥 gpt-5.5가 저지르는 라이브러리 버전 오류나 존재하지 않는 API 사용은, 이 구성에서 상당히 줄었습니다.

5. 속도와 실용성

속도 자체는 단일 모델과 크게 다르지 않습니다. 5모델이 병렬로 돌아가므로, 실제 응답 시간은 허용 범위입니다.

문제는 정확도입니다. Fable이라면 한 번에 통과하는 곳을, 이 구성에서는 몇 번 재작업이 생깁니다. 결과적으로 총 개발 시간은 Fable보다 분명히 느립니다. 틀리는 만큼 느려집니다.

다만 그냥 gpt-5.5보다는 훨씬 낫습니다. Fusion＋리뷰로 생성된 코드는 처음부터 그럭저럭 정답에 가깝고, gpt-5.5 단독으로 생성→수정→수정→수정의 무한 루프에 빠지는 것보다는 확실히 빠릅니다.

체감으로는 「속도는 나쁘지 않다. Fable에는 정확도에서 한참 못 미치지만, 그냥 gpt-5.5보다는 몇 단계 낫다」는 정도입니다.

6. 보너스: 그 밖의 opencode 설정

리뷰 레이어(gpt-5.5-pro 또는 Codex의 PR 리뷰)는 4장에서 쓴 대로입니다. 여기서는 그 외 설정을 다룹니다.

그 밖의 설정

opencode.json에는 Fusion 말고도 실용적인 설정을 몇 가지 넣었습니다.

{
  "permission": {
    "read": "allow",
    "glob": "allow",
    "grep": "allow",
    "task": "allow",
    "webfetch": "allow",
    "websearch": "allow",
    "lsp": "allow",
    "edit": "allow",
    "bash": {
      "*": "allow",
      "Remove-Item *": "deny",
      "del *": "deny",
      "rm *": "deny",
      "rmdir *": "deny",
      "rd *": "deny",
      "erase *": "deny",
      "git clean *": "deny"
    }
  },
  "experimental": {
    "primary_tools": ["task"]
  }
}

포인트는 두 가지입니다.

1. 삭제 명령 차단

Remove-Item, del, rm, rmdir, rd, erase, git clean을 명시적으로 거부합니다. AI 에이전트에 파일 삭제를 맡기는 것이 무섭기 때문입니다. 꼭 삭제가 필요할 때는 직접 합니다.

2. primary_tools: ["task"]

서브에이전트(task)에 의한 병렬 탐색을 우선합니다. 큰 코드베이스에서 여러 파일을 동시에 읽거나 검색할 때, task 경유가 압도적으로 빠릅니다.

7. 정리

Fable을 정액 범위 안에서 못 쓰게 된 것은 아픕니다. 정말 아픕니다. 그것을 넘는 것은 지금으로서는 없습니다.

하지만 손을 놓고 있을 때가 아니므로, OpenRouter Fusion＋중국 LLM으로 생성하고, gpt-5.5-pro 또는 Codex PR 리뷰로 마무리하는 구성으로 버티고 있습니다.

이 구성의 요점:

• OpenRouter Fusion으로 5모델 「합의제」 코드 생성
• 분석 모델: Xiaomi Mimo / GLM / DeepSeek / Kimi / MiniMax
• 실행 모델: DeepSeek V4 Pro
• 마무리 리뷰 레이어: gpt-5.5-pro 또는 Codex PR 리뷰(둘 중 하나)
• 속도는 단일 모델 수준. 다만 Fable보다 정확도가 떨어지는 만큼, 재작업으로 느려집니다
• 그냥 gpt-5.5보다는 훨씬 낫다. Fable에는 한참 못 미치지만, 실사용은 가능합니다
• 중국 LLM이므로 업무 코드에는 쓰기 어렵다. 취미·개인 개발까지(판단 절차는 3장 표 참조)
• 위의 평가는 모두 필자의 체감입니다. 요금은 OpenRouter의 모델 목록에서 확인해 주세요

AI 코딩 에이전트에서 「Fable을 못 쓰게 된 게 힘들다」「그냥 gpt-5.5가 너무 허접하다」고 느끼는 분은, 임시 방편으로 시험할 가치는 있습니다.

OpenRouter 계정을 만들고, 3장의 설치 절차대로 opencode를 설치하면, 오늘부터 시험할 수 있습니다.

참고 링크

• OpenRouter: Fusion plugin
• OpenRouter: Fusion Router
• OpenRouter: OpenCode integration
• OpenRouter: Provider Logging ── 프로바이더별 학습 이용·데이터 보관 정책과, 그 필터링 설정
• OpenRouter: Zero Data Retention ── ZDR 엔드포인트에만 라우팅하는 설정과, 그 적용 범위
• OpenRouter: Models ── 각 모델의 현재 단가
• opencode: Intro ── 설치와 /init까지의 절차
• opencode: Providers ── OpenRouter 연결 절차와 인증 정보 저장 위치
• opencode: Config ── 설정 파일 위치와 머지 순서
• GitHub Codex: PR review
• Anthropic: Claude Fable 5 and Claude Mythos 5 ── Fable의 위치, 요금, 제공 형태의 1차 정보
• 일본 개인정보보호위원회: 가이드라인(외국에 있는 제3자에 대한 제공 편) ── 개인정보가 얽히는 경우의 데이터 국외 이전 취급
• 노코드솔루션즈: Claude Code 완전 입문: 설치부터 실무 활용까지, AI 코딩의 새 상식을 철저히 해설 ── AI 코딩 활용의 기초

관련 기사

같은 태그를 공유하는 최신 기사입니다. 더 가까운 주제로 지식을 넓힐 수 있습니다.

관련 토픽

이 기사와 가까운 토픽 페이지입니다. 기사를 출발점 삼아 관련 서비스와 다른 기사로 이어집니다.

이 주제와 연결되는 서비스

이 기사는 다음 서비스 페이지로 이어집니다. 가까운 입구부터 확인해 주세요.

자주 묻는 질문

이 기사 주제에 대해 상담 시 자주 나오는 질문을 모았습니다.

OpenRouter의 Fusion은 어떤 기능인가요?

하나의 프롬프트를 여러 모델에 동시에 보내고, 각각의 답변을 하나의 모델(judge 역할)이 비교·분석해 합의점·모순점·누락을 구조화한 뒤, 같은 모델이 그 분석을 바탕으로 최종 답변을 쓰는 구조입니다. 말하자면 모델들의 합의제입니다. 각 분석 모델에 서로 다른 역할이나 프롬프트를 줄 수는 없고, 모든 모델이 같은 프롬프트를 받습니다. CLI 코딩 에이전트인 opencode는 Fusion을 플러그인으로 네이티브 지원하며, opencode.json에 설정을 쓰기만 하면 사용할 수 있습니다.

왜 중국 LLM을 쓰나요?

비용 대비 성능이 압도적이기 때문입니다. 2026년 현재 중국발 LLM의 API 가격은 Anthropic이나 OpenAI의 1/5~1/20이고, 성능은 동등하거나 그 이상입니다. 특히 DeepSeek V4 Pro의 코딩 성능은, 실무 수준에서 Claude Sonnet이나 GPT-5.5와 맞먹거나 그 이상으로 느껴지는 경우가 적지 않습니다. 다만 중국 LLM에 업무 코드를 넘기는 것은 위험이 있으므로, 취미 프로젝트나 개인 개발 범위에서 쓴다는 전제입니다.

Fusion만으로는 부족한 이유는 무엇인가요?

5모델 합의제로도 Fable의 정확도에는 미치지 못하기 때문입니다. 그래서 Fusion 출력에 리뷰 레이어를 한 단계 추가합니다. 선택지는 생성 코드를 gpt-5.5-pro에 리뷰시켜 수정안을 적용하는 방법과, PR로 올려 GitHub Codex의 PR 리뷰를 통과시키는 방법 두 가지이며, 둘 중 하나만으로 충분합니다. gpt-5.5-pro는 단독 코드 생성에서는 성능이 낮은 반면 기존 코드 리뷰는 잘하고, Codex는 프로젝트 전체 맥락을 반영한 지적을 해 줍니다.

이 구성의 실용성은 어느 정도인가요?

속도는 5모델이 병렬로 돌아가므로 단일 모델과 크게 다르지 않습니다. 다만 정확도는 Fable에 한참 못 미치고, 재작업이 생기는 만큼 총 개발 시간은 분명히 느려집니다. 그래도 그냥 gpt-5.5 단독으로 생성과 수정의 무한 루프에 빠지는 것보다는 확실히 빠르고, 라이브러리 버전 오류나 존재하지 않는 API 사용도 상당히 줄었습니다. OpenRouter 계정만 있으면 바로 시험해 볼 수 있습니다.

저자 프로필

기사 저자의 프로필 페이지입니다.

Go Komura

합동회사 코무라소프트 대표

Windows 소프트웨어 개발, 기술 상담, 장애 조사를 중심으로 재현이 어려운 장애 조사와 기존 자산이 남아 있는 프로젝트에 강점이 있습니다.