AI 코딩 어시스턴트 활용 격차 해소와 전환 자동화
by DD
8시간 전
조회수 6
LG U+는 약 100개의 온프레미스 서비스를 AWS 클라우드로 전환하며, Java 업그레이드, DB 마이그레이션 등 복잡한 전환 작업에 직면함
AI 코딩 어시스턴트 Kiro 도입 시 개발자 간 활용 격차와 조직 지식 반영의 어려움이 문제로 대두됨
Harness Engineering을 통해 AI 환경 설정을 자동화하고, 전환 플로우를 패턴화하여 품질 하한선을 보장함
전환 경험을 Knowledge Hub에 축적하고 Skill로 자산화하여, 지식의 재사용성과 조직 전체의 전환 속도 향상을 기대함
AI 활용 격차와 조직 지식 통합의 필요성
AI 코딩 어시스턴트 도입 시, 개발자별 숙련도에 따른 결과물 품질 편차가 발생하는 근본적인 이유는 AI 환경 설정의 복잡성과 조직 고유 지식의 비반영에 있음.
설정 장벽: Custom Agent, Steering, Skill 등 고급 기능 활용을 위해선 올바른 디렉토리 구조와 설정 이해가 필수적이나, 경험이 부족한 개발자는 이를 제대로 활용하지 못함.
지식 비반영: 오랜 기간 축적된 기술 표준, 보안 정책, 아키텍처 컨벤션이 문서나 개인의 머릿속에 흩어져 있어 AI 컨텍스트에 반영되지 않으면, 표준을 모르는 상태에서의 코드 생성으로 이어짐.
이러한 격차는 대규모 마이그레이션 프로젝트에서 전체 품질 편차, 일정 지연, 재작업 비용 증가로 직결되므로, Harness Engineering을 통한 해결이 필수적임.
Harness Engineering: AI 에이전트 운영 시스템 설계
Harness Engineering은 LLM 바깥에서 AI 에이전트가 안정적으로 작동하도록 지원하는 운영 장치(System Design)를 의미함.
핵심 구성: Knowledge Hub(조직 지식 구조화)와 CLI Tool(설정 자동화 및 워크플로우 실행)로 구성됨.
주요 역할: Context 설계, Tool/Workflow 오케스트레이션, Guardrail/Constraint 설계, 검증 및 피드백 루프 구성, 상태/산출물 관리, Recovery 설계 등을 포함함.
목표: AI가 망가지지 않고 반복 가능하게 조직의 일을 수행하도록 만드는 시스템 구축에 초점을 맞춤.
단순히 좋은 모델을 넘어, AI를 조직의 맥락에 성공적으로 통합하기 위한 엔지니어링 접근 방식임.
Knowledge Hub와 CLI Tool을 통한 설정 자동화 및 플로우 패턴화
Harness Engineering은 로컬 Knowledge Hub와 CLI Tool(lguctl)을 통해 개발자의 진입 장벽을 낮추고 작업 품질을 표준화함.
Knowledge Hub: 전환 노하우, 컨벤션, 보안 정책 등을 Kiro가 이해 가능한 Skill, Steering, Power 구조로 정리하여 개발자 로컬 workspace에 내장함. 이를 통해 별도 검색 없이 조직 지식이 코드 생성 시점에 자동 반영됨.
CLI Tool (lguctl): 한 줄 명령어로 Knowledge Hub 설정을 workspace에 적용하고, 요구사항 작성, 설계, 구현, 검증, 문서화까지 이어지는 표준화된 작업 플로우를 실행함.
결과적으로 개발자는 AI 환경 설정이나 작업 절차 학습 부담 없이, 고급 설정이 완료된 환경에서 즉시 작업에 착수할 수 있음.
AI 기반 전환 작업 플로우: 요구사항 생성부터 지식 자산화까지
Harness 환경에서 개발자는 Action Item 기반 요구사항 자동 생성부터 시작하여, Kiro Spec 기능을 통해 설계 및 태스크 생성, 코드 전환을 수행함.
요구사항 생성: `lguctl project create-requirement` 명령으로 Action Item 목록 기반 요구사항 문서 자동 생성. Knowledge Search Power와 연동하여 검증된 전환 패턴(Knowledge) 또는 제안(Proposal) 형태로 구현 방법 제시.
코드 전환: Skill(전환 패턴), Steering(보안 정책/컨벤션), Power(도구)를 활용하여 전사 표준이 반영된 코드 자동 생성.
테스트 및 검증: `build-and-test` Skill로 로컬 통합 검증, `unit-test-generator` Power로 유닛 테스트 자동 생성.
지식 자산화: `confluence-doc-generator` Skill로 이행 문서 자동 생성, `create-skill`로 전환 패턴을 Skill로 자산화하여 조직 지식의 선순환 구조 구축.
Harness Engineering의 기대 효과: 속도, 품질, 지식 재사용
Harness Engineering 도입을 통해 LG U+는 대규모 클라우드 마이그레이션 프로젝트에서 다음과 같은 효과를 기대함.
온보딩 시간 단축: CLI 명령어 한 줄로 AI 환경 설정 및 작업 프로세스 학습 시간 대폭 감소.
전환 작업 가속화: 축적된 노하우 자동 반영으로 서비스 전환 속도 향상 및 전환 경험의 점진적 축적.
품질 하한선 보장: 개발자 숙련도와 무관하게 전사 표준 준수, 검증된 패턴 적용, 자동화된 테스트를 통해 최소 품질 수준 보장.
조직 지식 복리 효과: 전환 경험이 문서화 및 Skill로 자산화되어 이후 프로젝트에서 재사용 가능, 지식의 누락 방지 및 활용도 극대화.
