데이터로서의 코드 (Korean Edition)

제6장. ‘데이터로서의코드’는 에이전트 기반 시스템의 토대이다

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

코딩 에이전트는 이제 소프트웨어 구축 과정의 일부가 되었습니다. 그뿐만 아니라, 이들은 지난 수십 년간 소프트웨어 라이프사이클에서 목격된 가장 중대한 변화를 촉발했습니다. 차세대 언어 모델에 대한 논쟁은 계속되고 있지만, 실질적으로는 에이전트 오케스트레이션—즉, 에이전트 선택, 조정 전략, 하위 에이전트, 계획 모드, 역할 기반 워크플로우, MCP 서버, 정교한 하네스—에 대한 논의가 주를 이루고 있습니다. 그러나 진정한 논의는 그보다 더 깊은 곳, 즉 소스 코드 수준에서 시작됩니다.

에이전틱 AI는 대규모 컨텍스트를 기반으로 작동합니다. 에이전트의 출력은 에이전트가 파악할 수 있는 범위 내에서만 그 가치를 발휘하며, 여기에는 눈앞의 파일뿐만 아니라 전체 코드베이스 전반에 걸친 의존성, 호출자, 관례 등이 포함됩니다. 이러한 신호가 누락되면 LLM은 추론하고 추측하게 됩니다. 대규모 기업 코드베이스에서는 그 결과가 누적되어 검토 주기의 병목 현상, 장황하고 불필요하게 복잡한 코드, 자신 있게 진행되었으나 불완전한 현대화 작업, 그리고 토큰 비용의 급격한 증가를 초래합니다.

바로 그 때문에 2장에서 소개한 코드 모델인 LST가 에이전트와 소스 코드 사이에 가치 있는 계층으로 자리 잡게 됩니다. LST는 타입, 의존성, 호출 그래프를 포함하며, 이 모든 정보는 수천 개의 리포지토리 전반에 걸쳐 단일 코퍼스로 해결되고 쿼리 가능합니다. 그림 6-1은 LST가 코드베이스와 에이전트 활동 사이에 어떻게 위치하는지 보여줍니다. 이 장의 나머지 부분에서는 이 계층이 무엇을 가능하게 하는지 설명합니다.

그림 6-1. 에이전트가 텍스트 형태의 원본 소스가 아닌 ‘데이터로서의 코드’ 계층을 기반으로 추론할 수 있도록지원

실시간의 실제 컨텍스트

에이전트가 어떤 작업을 수행하든 첫 번째 단계는 탐색입니다. 무언가를 변경하기 전에 먼저 작업 대상을 찾아야 하기 때문입니다. 원시 텍스트를 대상으로 할 경우, 이는 광범위한 탐색 작업이 되며, 파일을 하나씩 읽어 나가야 하는데, 다음 번에는 이를 처음부터 다시 구축해야 한다는 점을 이해하게 됩니다. 대신 LST를 사용하면 에이전트는 정밀하게 탐색하여 실제적이고 실행 가능한 코드 이해에 더 빨리 도달할 수 있습니다.

3장에서 살펴본 바와 같이, 에이전트의 탐색 루프는 빠르고 반복 가능한 쿼리를 선호합니다. 여기서 차이점은 응답이 제공하는 정보에 있습니다. LST를 기반으로 인덱스가 구축되면, 밀리초 단위로 결과가 반환되는 검색조차도 메서드의 실제 호출자와 단순히 이름이 같은 호출자를 구분할 수 있습니다. 에이전트는 텍스트 검색 속도를 ...