AI 코딩 에이전트, 사고 과정을 설계하여 개발 생산성을 혁신하다!

본문에서는 AI 코딩 에이전트의 사고 과정을 설계하기 위해 Chain of Thought(CoT)를 활용하여 복잡한 문제를 관리 가능한 단계로 분해했다. CoT는 AI에게 최종 답뿐 아니라 추론 과정 자체를 요구하여, 정책 누락이나 범위 밖 변경을 줄이는 데 기여했다. 또한, 인지적 도제 이론을 차용하여 6단계 인지 흐름 모델(READ → REACT → ANALYZE → RESTRUCTURE → STRUCTURE → REFLECT)을 구축했다. 이 모델은 에이전트가 코드에 닿았을 때 적용할 사고 흐름을 제시하며, 복잡도에 따라 단계를 조절하여 효율성을 높였다. 특히, HIGH 복잡도 작업 시 서브태스크 자동 분리를 통해 작업 효율을 극대화했다.

저자는 Single Source of Truth를 확보하기 위해 모든 규칙을 .claude/에 집중시켰다. .claude/는 코딩 규칙, 에이전트 정의, 워크플로우 커맨드, 지시사항, 프로젝트 전체 규칙을 포함하는 디렉토리 구조를 갖는다. 규칙의 중요도에 따라 3단계로 분류하여 관리하며, 각 단계별로 적용되는 규칙을 명확히 정의했다. 예를 들어, 서버 상태와 UI 상태의 경계를 명확히 설정하여 상태 관리의 일관성을 유지하고, 이를 위반하는 경우 리뷰 포인트로 자동 지정되도록 했다. 이처럼, 규칙을 코드 흐름에 통합함으로써 에이전트와 개발자 모두 동일한 기준을 적용하도록 유도했다.

저자는 에이전트를 역할별 페르소나로 전문화하여, 각 에이전트가 특정 역할에 집중하도록 설계했다. 각 페르소나는 도구와 권한을 역할에 맞게 제한받으며, 복잡도에 따라 적절한 모델을 선택한다. 워크플로우는 /start와 /done 커맨드를 중심으로 구성되어, 작업의 시작과 끝을 명확히 정의한다. /start는 Jira 티켓 조회, Figma 디자인 분석, 코드 분석, 복잡도 판단 등의 과정을 자동화하고, /done은 변경 내용 분석, 정책 검증, 린트/빌드 체크, 커밋, MR 생성, Jira 완료까지 자동화한다. 이로써, 사람이 직접 반복하던 동선을 줄여 개발 생산성을 향상시켰다.

Agent Teams는 Claude 기반 멀티 에이전트 기능으로, 3개 이상의 에이전트가 병렬로 협업하며 메시지를 주고받을 수 있도록 한다. 팀 리더(opus), 퍼블리셔(sonnet), 구현 담당(sonnet), 리팩토러(opus) 등 역할별 페르소나를 팀으로 구성하여, 각자 맡은 역할에 집중하도록 했다. 팀원은 general-purpose로 spawn하되, 프롬프트에서 역할별 스킬 파일을 읽도록 지시하여 페르소나를 결정한다. 이 구조를 통해, 서브태스크 분리 및 병렬 실행을 가능하게 하여 작업 속도를 획기적으로 개선했다. 또한, 팀 리드 체크리스트를 통해 팀원들의 작업 결과에 대한 검증을 강화하여, 코드 품질 유지에 힘썼다.

체계적인 AI 코딩 에이전트 도입을 통해, 반복적인 리뷰 코멘트 감소, 작업 일관성 향상, 재질문 감소, Agent Teams를 활용한 병렬 작업 등 다양한 효과를 얻었다. 특히, 반복 피드백 감소를 통해 개발자들의 업무 효율성을 높였으며, 코드 스타일 통일을 통해 코드의 가독성을 향상시켰다. 또한, 광고센터에서 검증된 인지 흐름 모델, 페르소나, 품질 게이트를 cms-agents로 이식하여 다른 프로젝트에서도 동일한 효과를 얻을 수 있었다. 이는 AI 코딩 에이전트의 핵심이 도구 자체가 아닌, “어떻게 생각할지”를 설계하는 방식에 있다는 것을 보여준다.