대규모 애플리케이션 및 리팩터링을 위한 AI 에이전트 활용 최적 워크플로 탐색

실용적 조언

대규모 작업 시 한 번에 해결하려 하지 말고 기능을 최소 단위로 쪼개어 개별 PR을 생성하는 방식을 채택해야 한다.
에이전트에게 '분석(Analyzing)' 단계를 명시적으로 부여하여 잠재적 위험 요소를 먼저 파악하게 하는 것이 안전하다.
각 기능 실행 후 즉시 테스트 코드를 작성하고 검증(Validation)하는 단계를 워크플로에 포함하여 코드 품질을 보장해야 한다.

섹션별 상세

작성자는 현재 GitHub 이슈 처리나 소규모 변경 사항에는 AI 에이전트를 성공적으로 도입했으나, 대규모 리팩터링과 시스템 수준의 개선에서는 실질적인 이득을 얻지 못하고 있다. 특히 대규모 코드베이스에서 전체적인 맥락을 유지하며 복잡한 작업을 수행하는 데 어려움을 겪는 중이다.

다양한 오픈소스 에이전트 프레임워크인 Ralph, OpenSpec, Spec-kit 등을 탐색했으나 너무 많은 접근 방식이 존재하여 오히려 혼란을 느끼고 있다. 단순한 명령(Slash Command)이나 개별 스킬(Skills) 사용을 넘어선 통합된 프로세스의 필요성이 제기됐다.

대규모 모놀리스 애플리케이션의 테스트 케이스 작성을 예로 들어 '분석 -> 브레인스토밍 -> 우려 사항 파악 -> 계획 -> 자율적 실행 계획 -> 청크 단위 실행'으로 이어지는 구체적인 단계별 워크플로 아이디어가 제시됐다.

복잡한 기능을 20개의 작은 단위로 나누어 각각 계획하고 실행하며, 기능별로 테스트를 검증하고 20개의 PR(Pull Request)을 생성하는 방식의 유효성에 대해 전문가들의 조언을 구하고 있다.

용어 해설

코딩 에이전트(Coding Agent): — 사용자의 지시에 따라 코드 작성, 수정, 테스트 실행 및 디버깅을 자율적으로 수행하는 AI 도구이다. 단순한 코드 완성을 넘어 파일 시스템 접근과 터미널 명령 실행을 통해 복잡한 개발 워크플로를 자동화한다.
리팩터링(Refactoring): — 소프트웨어의 겉으로 드러나는 기능은 그대로 둔 채, 내부 구조를 개선하여 가독성을 높이고 유지보수를 용이하게 하는 작업이다. 코드의 복잡성을 줄이고 잠재적인 버그를 예방하는 데 필수적이다.
모놀리스 애플리케이션(Monolith Application): — 모든 기능이 하나의 거대한 코드베이스와 실행 파일로 결합된 소프트웨어 아키텍처이다. 규모가 커질수록 구성 요소 간 의존성이 복잡해져 AI 에이전트가 전체 맥락을 파악하고 수정하기 어려워진다.
에이전틱 워크플로(Agentic Workflow): — AI 에이전트가 계획, 실행, 피드백, 수정의 루프를 반복하며 복잡한 목표를 달성하는 작업 방식이다. 한 번의 프롬프트로 결과를 내는 대신, 단계별로 추론하고 도구를 사용하여 결과의 정확도를 높인다.

언급된 도구

Claude Code추천

Anthropic의 CLI 기반 코딩 에이전트

Ralph중립

에이전트 루프 구현 및 자동화 도구

OpenSpec중립

사양 기반의 에이전트 워크플로 프레임워크

언급된 리소스

GitHubRalph GitHub Repository

GitHubOpenSpec GitHub Repository

GitHubBMAD Method