AI 네이티브 기술 지원: Cursor가 Cursor를 사용하여 고객을 지원하는 방법

섹션별 상세

모든 조사는 Cursor의 'Ask Mode'에서 시작되며 로컬 코드베이스 전체를 인덱싱하여 제품 동작을 역추적한다. 멀티 루트 워크스페이스를 활용해 프론트엔드, 백엔드, 문서 등 여러 저장소를 동시에 참조함으로써 복합적인 이슈를 단일 스레드에서 해결한다.

MCP 서버를 구축하여 외부 데이터 소스를 Cursor 내부로 통합한다. 지원 엔지니어는 툴 사이를 이동할 필요 없이 Datadog에서 로그와 트레이스를 가져오고, Slack과 Notion에서 유사 사례와 해결 방법을 검색하며, Linear를 통해 버그 리포트를 즉시 작성한다.

자주 반복되는 단계는 슬래시 명령어(/)와 'Rules and Skills' 기능을 통해 자동화한다. 티켓 생성, 고객 답장 초안 작성, 로그 검색 등의 과정을 표준화된 명령어로 실행하여 작업의 일관성을 유지하고 시간을 단축한다.

복잡한 조사는 여러 서브에이전트에게 작업을 분담시켜 병렬로 처리한다. 로그 조사(LogInvestigator), 기존 이슈 검색(KnownIssueMiner), 티켓 작성(TicketWriter) 등을 동시에 수행한 뒤 결과를 하나로 통합하여 검토하는 방식을 사용한다.

json

{
  "subagents": [
    {
      "name": "LogInvestigator",
      "scope": "Datadog logs and traces",
      "goal": "Find failure points and evidence"
    },
    {
      "name": "KnownIssueMiner",
      "scope": "Slack and Notion",
      "goal": "Scan for prior threads and workarounds"
    },
    {
      "name": "TicketWriter",
      "scope": "Linear",
      "goal": "Format evidence into escalation ticket"
    }
  ]
}

병렬 처리를 위한 서브에이전트 구성 예시

용어 해설

모델 컨텍스트 프로토콜(MCP): — Anthropic이 발표한 오픈 표준으로, AI 모델이 로컬 파일, 데이터베이스, 외부 API 등 다양한 데이터 소스에 안전하고 표준화된 방식으로 접근할 수 있게 해주는 프로토콜이다. 이를 통해 서로 다른 도구 간의 데이터 통합 비용을 낮추고 AI 에이전트의 정보 접근성을 극대화한다.
다중 루트 작업 공간(Multi-root Workspace): — 하나의 IDE 창에서 여러 개의 독립된 프로젝트 폴더(저장소)를 동시에 열고 작업할 수 있는 기능이다. 프론트엔드와 백엔드처럼 연관된 여러 저장소를 한 번에 참조해야 하는 복잡한 시스템의 맥락을 AI가 파악하는 데 필수적이다.
의미론적 검색(Semantic Search): — 단순 키워드 일치 대신 단어의 의미와 맥락을 이해하여 가장 관련성이 높은 정보를 찾는 검색 방식이다. 코드베이스 전체를 벡터화하여 인덱싱함으로써 개발자가 질문한 의도에 맞는 코드 조각이나 문서를 정확하게 찾아낸다.
서브에이전트(Subagent): — 복잡한 전체 과업을 완수하기 위해 메인 에이전트가 생성하는 특화된 하위 AI 에이전트이다. 각 서브에이전트는 로그 분석, 문서 검색 등 좁고 명확한 역할을 부여받아 병렬로 작업을 수행함으로써 전체 처리 속도와 정확도를 높인다.

기술

Cursor
MCP
Datadog
Slack
Notion
Linear

활용 사례

기술 지원 조사 자동화
멀티 저장소 코드 분석
AI 기반 버그 리포트 작성
고객 응대 초안 생성

언급된 리소스

문서Model Context Protocol (MCP)