Claude Code의 컨텍스트 소모 문제를 해결하는 코드베이스 지능 레이어 Repowise 공개

커뮤니티 반응

작성자가 직접 개발한 도구의 벤치마크 결과와 오픈소스 공개에 대해 긍정적인 반응이 예상되며, 특히 대규모 리포지토리를 다루는 개발자들의 관심이 높다.

주요 논점

01찬성다수

기존의 무분별한 파일 읽기 방식보다 구조적 지식을 미리 인덱싱하는 방식이 비용과 정확도 면에서 훨씬 유리하다.

합의점 vs 논쟁점

합의점

대규모 프로젝트에서 LLM의 컨텍스트 윈도우 관리는 비용과 성능의 핵심 요소이다.
로컬 실행 및 프라이버시 보호는 기업용 코드 분석 도구에서 필수적인 요구사항이다.

실용적 조언

Claude Code나 Cursor 사용 시 컨텍스트가 부족하다면 Repowise를 설치하여 로컬 인덱스를 구축해 보라.
비용 절감을 위해 repowise-bench를 사용하여 자신의 프로젝트에 맞는 최적의 컨텍스트 주입 전략을 테스트할 수 있다.

섹션별 상세

대규모 코드베이스 탐색 시 발생하는 컨텍스트 윈도우 고갈 문제를 해결하기 위해 Repowise를 구축했다. tree-sitter를 이용한 AST 파싱을 통해 13개 이상의 언어에 대한 의존성 그래프를 생성하고, 이를 LanceDB에 저장하여 검색 가능한 문서로 자동 생성한다. 사용자가 세션을 시작할 때 Claude Code가 수십 개의 파일을 직접 여는 대신, 미리 계산된 구조적 지식을 MCP 도구를 통해 한 번에 호출함으로써 효율성을 극대화했다.

데이터 프라이버시를 위해 모든 처리가 로컬에서 이루어지도록 설계됐다. Ollama 지원이 내장되어 있어 인덱싱, 문서 생성, 질의 응답에 이르는 전체 파이프라인을 외부 API 호출 없이 로컬 환경에서 실행할 수 있다. 또한 증분 업데이트 방식을 채택하여 커밋이 발생할 때마다 그래프와 인덱스가 자동으로 동기화되므로 항상 최신 코드 상태를 반영한 컨텍스트를 유지한다.

bash

pip install repowise
repowise init
repowise serve

Repowise 설치 및 초기화, 로컬 웹 UI 실행을 위한 명령어 예시

단순한 홍보용 수치가 아닌 오픈소스 벤치마크를 통해 성능을 검증했다. SWE-QA 데이터셋의 48개 과제를 대상으로 Flask 리포지토리에서 실험한 결과, 품질 저하 없이 비용 36% 절감, 도구 호출 49% 감소, 파일 읽기 89% 감소라는 성과를 거두었다. 이러한 결과는 체리피킹된 사례가 아니라 재현 가능한 벤치마크 도구인 repowise-bench를 통해 직접 확인할 수 있도록 공개됐다.

용어 해설

모델 컨텍스트 프로토콜(MCP): — AI 모델이 외부 도구, 데이터 소스 및 서비스와 상호작용할 수 있도록 하는 개방형 표준 프로토콜이다. 이를 통해 Claude Code와 같은 에이전트가 로컬 파일이나 데이터베이스에 직접 접근하여 필요한 정보를 효율적으로 가져올 수 있다.
추상 구문 트리 파싱(AST Parsing): — 소스 코드의 구조를 트리 형태로 변환하여 분석하는 기술이다. Repowise는 tree-sitter를 사용해 13개 이상의 언어에서 코드 간의 의존성 그래프를 생성하고 구조적 지식을 추출하는 데 활용한다.
컨텍스트 윈도우(Context Window): — LLM이 한 번에 처리할 수 있는 토큰의 최대 양이다. 대규모 프로젝트에서 파일 탐색 단계가 이 윈도우를 소진하는 문제를 해결하기 위해, 구조적 지식을 미리 계산하여 필요한 정보만 주입하는 방식이 중요하다.

언급된 도구

Repowise추천링크

코드베이스 구조 분석 및 MCP 기반 컨텍스트 제공 레이어

LanceDB중립

자동 생성된 코드 문서 및 인덱스 저장용 벡터 데이터베이스

tree-sitter중립

13개 이상의 언어에 대한 AST 파싱 및 의존성 그래프 생성

언급된 리소스

GitHubRepowise GitHub Repository

GitHubRepowise Benchmark Harness