비동기 소프트웨어 엔지니어링 에이전트를 위한 효과적인 전략

여러 AI 에이전트가 하나의 코드베이스에서 동시에 작업할 때 발생하는 충돌과 의존성 문제를 해결하는 실질적인 방법을 제시합니다. 개발자들이 일상적으로 사용하는 Git의 워크플로우를 AI 협업에 도입하여 대규모 소프트웨어 개발 작업의 효율성과 정확도를 동시에 높였습니다.

LLM은 컨텍스트 윈도우 내의 모든 토큰 간 관계를 Attention 메커니즘으로 파악한다. 하지만 프로젝트 규모가 커지면 모든 코드를 하나의 컨텍스트에 담을 수 없어 정보 손실이 발생하며, 여러 에이전트가 동시에 수정할 때 서로의 변경 사항이 충돌하는 사일런트 간섭 문제가 발생한다. CAID는 이를 해결하기 위해 전체 코드를 임베딩 공간에 펼쳐놓는 대신, Git의 물리적 격리 구조를 활용해 에이전트가 필요한 정보에만 집중하게 만든다. 인간 개발자들이 대규모 프로젝트를 관리하는 방식인 브랜치와 머지 전략을 도입하여, 각 에이전트는 독립된 작업 공간에서 코드를 작성하고 검증한다. 결과적으로 에이전트 간의 직접적인 대화보다 구조화된 도구를 통한 협업이 훨씬 안정적이며, 이는 대규모 소프트웨어 개발에서 에이전트의 확장성을 확보하는 핵심 원리가 된다.

시스템은 중앙 매니저와 다수의 엔지니어 에이전트로 구성된다. 매니저는 먼저 전체 저장소의 구조를 분석하여 작업 단위와 의존 관계로 이루어진 방향성 그래프 G=(V, E)를 생성한다. 각 노드 v는 작업 단위를, 엣지 (vi, vj)는 vj가 vi에 의존함을 의미한다. 매니저는 모든 선행 작업 vi가 완료된 집합 Ct에 포함될 때만 vj를 할당 가능 상태로 판단하여 엔지니어에게 비동기적으로 할당한다. 각 엔지니어는 독립된 git worktree에서 작업을 수행하며, 구현 후에는 관련 테스트 케이스를 실행하여 자가 검증을 거친다. 검증된 코드는 git commit을 통해 제출되며, 매니저는 이를 메인 브랜치에 통합하고 의존성 상태를 동적으로 업데이트하여 다음 작업을 할당하는 루프를 반복한다.

PaperBench 벤치마크에서 CAID는 단일 에이전트 대비 절대 수치 기준 26.7% 향상된 정확도를 보였다. 특히 성능이 낮은 모델인 MiniMax 2.5의 경우 단일 에이전트(10.4%)에서 CAID 적용 시(36.7%)로 비약적인 성능 향상이 관찰되었다. Python 라이브러리 개발 태스크인 Commit0-Lite에서도 Claude 4.5 모델 기준 53.1%에서 59.1%로 성능이 개선되었다. 분석 결과, 단순히 단일 에이전트의 실행 시간을 두 배로 늘리는 것보다 CAID를 통한 멀티 에이전트 협업이 훨씬 효과적이었다. 단일 에이전트는 실행 예산을 늘려도 성능 향상이 미미했으나, CAID는 할당된 예산을 병렬적으로 활용하여 복잡한 문제를 해결했다.

CAID의 핵심은 브랜치 기반 격리와 명시적 통합이다. 각 에이전트는 메인 브랜치에서 파생된 독립적인 git worktree를 소유하며, 이는 파일 시스템 수준에서의 물리적 격리를 보장하여 에이전트 간의 코드 덮어쓰기 문제를 근본적으로 차단한다. 통신 프로토콜로 자유 형식의 대화 대신 구조화된 JSON 형식을 채택하여 매니저는 작업 대상 파일, 함수, 의존성 정보를 전달하고 엔지니어는 git commit 신호를 통해 상태를 보고한다. 통합 과정에서 발생하는 머지 충돌 처리를 엔지니어 에이전트의 책임으로 규정하여, 충돌 시 에이전트가 최신 메인 브랜치를 pull하여 로컬에서 해결하도록 유도한다. 또한 매니저는 LLMSummarizingCondenser를 사용하여 실행 이력을 압축 관리함으로써 컨텍스트 윈도우의 증가를 억제하면서도 의존성 그래프와 같은 핵심 구조 정보는 유지한다.

비동기 병렬 실행에도 불구하고 구조화된 격리, 통합, 검증 과정에서 발생하는 추가적인 통신 라운드와 테스트 실행으로 인해 단일 에이전트 대비 더 높은 API 비용과 조정 오버헤드가 발생한다. 또한 중앙 매니저의 작업 분해 능력이 전체 성능의 병목 지점이 될 수 있다.