Agentic Coding: The Future of Software Development with Agents

0.  Agentic Coding이란 무엇인가?

Agentic Coding은 AI 에이전트가 코딩 과정에 적극적으로 참여하는 최근의 소프트웨어 개발 프로세스입니다.

💡 Agentic Coding이 기존의 코드 자동 완성 도구와 다른 점은?

AI가 생각을 자동 완성하는 대신, 인간과 AI 간의 실시간 협업 형태로 진행됩니다.

이 영상은 agentic coding이라는 새로운 소프트웨어 개발 방식에 대한 소개입니다. agentic coding은 ai 에이전트가 개발 과정에 적극적으로 참여하여 인간 개발자와 협업하는 방식입니다. 기존의 자동 완성 도구와 달리, agentic coding은 AI가 사용자의 생각을 단순히 완성하는 것이 아니라, 실시간 협업을 통해 문제를 해결합니다. 이를 통해 개발자는 더 복잡하고 시간이 오래 걸리는 작업도 효율적으로 처리할 수 있습니다. agentic coding은 아직 초기 단계이지만, 소프트웨어 개발의 미래를 바꿀 잠재력을 지닌 매우 중독적인 기술입니다.

1. 🤖 Agentic Coding의 중독성과 AI 에이전트와의 실시간 협업 변화

• Agentic Coding은 AI 에이전트가 인간과 함께 소프트웨어 개발에 적극적으로 참여하는 최근의 개발 방식으로, 기존 자동 완성 도구와 달리 실시간 협업이 핵심이다.
• Claude Code 등 일부 AI 에이전트는 대규모 작업을 여러 하위 작업으로 분할하여 각 에이전트가 단계별로 처리할 수 있으며, 실제로 4시간 이상 작업을 성공적으로 수행한 사례도 있다. 
• 이 방식은 단순한 자동 완성과 달리, 사용자가 AI의 과정을 실시간으로 관찰‧피드백하며 작업이 반복적으로 이루어진다. [20]
• 최근 OpenAI의 GPT-4, Opus 4 및 Anthropic의 Claude 모델 등은 툴 사용에 안정적으로 최적화되어 있으며, 전용 API를 통해 다양한 도구 사용 방법이 내장되어 있다. 
• 에이전트 기반 개발 환경은 높은 실험성과 저렴한 비용, 그리고 많은 개발자들이 몰입하게 만드는 높은 중독성이 특징이며, 전통적인 IDE(에디터) 중심 개발과 차별성을 가진다. 

2. 🚀 장기적 미래와 에이전트 활용 방안

• 미래에는 백그라운드 에이전트와 클라우드 내 에이전트를 활용하는 방식이 일반화될 것으로 예상된다.
• 현재는 Cloud Code의 솔루션이 실무에 더 적합하며, 향후 시스템이 개선되면서 방식을 변화시킬 필요가 있다.
• 개발자 환경과 도구를 개선하는 것이 시스템 성능 향상에 핵심적이며, 특히 컨텍스트 스위칭 비용을 줄이는 것이 중요하다.
• 현재 가장 선호하는 도구는 Open Code와 AMP로, 이들은 각각 Claude 구독과 Anthropic 모델을 사용한다.
• AMP의 가격 모델이 프로그래밍에 매수자에게 적합하지 않을 수 있으며, Codex는 기대에 못 미친 결과를 보였다는 의견이 있다.
• Gemini CLI는 기대만큼 작동하지 않지만, 여전히 터미널 기반 프로그래밍 에이전트로 유용하게 사용된다.
• 📝 터미널 기반 프로그래밍 에이전트의 유연성과 차별성
  • 터미널 기반 에이전트는 중첩(nesting)이 쉽기 때문에 다중 에이전트 구성이 가능하며, 이는 에디터 통합보다 유리하다.
  • 현재 트렌드에서는 에디터와의 통합보다 에이전트 간의 작동 방식이 더 효율적이고 유연하다고 볼 수 있다.
• 🌐 커서와 클라우드 코드의 활용 양상
  • 커서(Consensus)는 주로 검토용으로 사용되며, 클라우드 코드로 실제 작업이 수행되는 비중이 커지고 있다.
  • 커서는 최근 Plotcode를 능가하며, 구독은 월별 결제가 더 유리하다고 권장한다.
• ⚙️ 클라우드 코드 활용과 안정성 강조
  • 현재 CLI 활용 방식을 터미널과 유사하게 사용하며, 다양한 목적으로 활용하는 것이 특징이다.
  • 클라우드 코드는 신뢰도와 안전성을 높여주는 점이 인상적이며, 문제 해결 시 Claude Code를 통해 빠른 분석과 해결이 가능하다.
• 💡 에이전틱 코딩의 추천 전략과 핵심 원칙
  • 단순성이 에이전틱 코딩에서 핵심이며, Go, PHP, 기본 Python이 적합하다고 평가된다.
  • 복잡한 생태계 또는 패턴의 일관성이 낮은 환경은 에이전트의 효율성을 떨어뜨리므로, 최소한의 종속성 유지가 중요하다.
  • 특히, 충돌하는 패턴 또는 변화가 많은 라이브러리 사용은 에이전트의 성능 저하를 초래 가능성이 있다.

3. ⚙️ 명확한 이름과 구조가 AI 개발 환경에 중요하다

• 길고 구체적인 함수 이름은 AI가 오해하지 않도록 도와주는 유용한 도구이다.
• 이름 공간이나 하위 작업을 위한 고유한 이름을 사용하는 것이 정보를 찾는 데 효과적이다.
• 잘못된 이름 지정이나 구조로 인해 AI가 중복 코드를 생성하거나 오작동할 수 있으므로, 이를 피해야 한다.
• 🔧 개발 환경의 품질이 에이전트 성능에 결정적이다
  • 중앙집중식 로깅과 가시성 확보는 AI 에이전트의 성공에 필수적이다.
  • 개발 환경이 뛰어나야 AI 도구의 오용 가능성을 줄일 수 있으며, 도구의 오용은 에이전트 성능 저하로 이어진다.
  • 도구의 사용 속도도 중요하며, 시간이 오래 걸리면 AI가 중단하는 문제가 발생한다.
• 💻 로깅과 오류 처리로 AI의 이해도 향상 필요
  • 로그 파일, 예외 처리, 텍스트 출력이 AI가 상황을 파악하는 데 핵심적이며, 오픈 텔레메트리 대신 간단한 로그가 선호된다.
  • 도구 오용 방지와 명확한 오류 표기는 필수이며, 잘못된 테스트 호출 등에서 AI가 잘못된 결과를 판단하는 것을 방지해야 한다.
  • 예를 들어, Rust 테스트 시스템에서 모든 테스트를 필터링하면 성공으로 오인하는 사례가 있다.
• 🛠️ 임시 도구와 실험적 작업을 위한 방식 설계
  • AI가 임시 또는 재사용 가능한 "스스크래치 도구"를 만들 수 있도록 환경을 마련해야 한다.
  • 테스트, 툴 실행 방법, 구성이 명확하게 제공되어야 하며, 이를 통해 AI의 도구 제작 능력을 평가할 수 있다.
• 🚀 MCP와 도구 활용 전략
  • MCP(Multi-Tool Compositor)는 도구를 확장하는 데 유용하지만, 현재 코딩에 있어서는 단일 도구 사용이 더 효과적이다.
  • MCP들이 컨텍스트를 과도하게 오염시키거나, 모델이 코드 작성에 대해 학습된 지식을 활용하는 데 한계가 있어 비코딩용에 적합하다고 할 수 있다.
  • 예를 들어, GitHub MCP 대신 명령줄 도구를 사용하는 것이 성공률이 높으며, 이를 통한 대규모 작업 파이프라인 구축이 가능하다.
  • MCP의 한계는 스크립트 내에서 직접 호출이 어렵고, 복잡한 연속 작업에 적합하지 않다는 점이다.

4.📝 문서 관리와 맥락 축소 전략

• 문서가 너무 길거나 맥락이 오염될 경우, 요약된 문서를 제공하여 에이전트의 이해도를 높이고 reference로 활용한다 .
• MCP(모델 호출 프로토콜)가 현재는 비효율적이지만, 더 많은 컨텍스트와 개선된 환경에서 성공 가능성이 높아질 것으로 전망한다 .
• MCP의 주요 문제점은 맥락이 비대해지고 오염되어, 불필요한 정보 탐색이 늘어난다는 것이다 .
• 코드를 효율적으로 요약하는 도구(예: "make go methods")를 사용해 불필요한 탐색을 방지하며, 중요한 로그 일부만 읽어서 맥락을 통제한다 .
• 하위 작업 또는 서브 에이전트를 활용해 맥락 부담을 줄이려 시도하며, 클라우드 코드 같은 도구를 활용한다 .
• 복잡한 문제 해결을 위해 markdown 파일에 아키텍처와 계획을 기록하고, 서브 에이전트에게 이 작업을 위임하는 방식을 활용한다 .
• 🔄 맥락 축소와 컴팩트 기능 활용
  • 맥락이 부족할 때는 '컴팩트' 기능을 사용해 맥락을 압축하지만, 이는 불확실성을 높이는 방식임을 인지한다 .
  • 맥락이 부족하거나 혼란스러울 경우, 즉시 작업을 중단하고 새로 시작하는 것이 더 효과적이다 .
  • 맥락 오염인 '컨텍스트 로트'는 과거의 실패 사례와 잘못된 시도들이 다시 영향을 미쳐 혼란을 야기하는 현상이다 .
• ⚠️ 디버깅과 환경 이해 문제
  • 에이전트가 이미 비정상인 개발 환경에서 작업을 수행하면, 혼란이 가중되고 전진이 어렵다 .
  • 도구(예: Go의 테스트 캐시)는 테스트 및 빌드 과정의 효율성을 높여, 불필요한 작업을 방지한다 .
  • 러스트는 테스트 선택을 명시적으로 지정해야 하며, 이 과정에서 오류 발생 가능성도 있다 .
• 🧩 로그 통합과 시스템 이해 촉진
  • 웹 애플리케이션의 경우, 클라이언트와 서버의 로그를 통합하여, 순서 파악과 문제 해결이 용이하게 만든다 .
  • SQL 로그 또는 데이터 흐름 정보를 포함시켜, 에이전트의 데이터 이해를 돕는다 .
  • 다중 프로세스나 복잡한 시스템의 경우, 작업 조율과 인과 관계 파악에 어려움이 있으며, '동기화 포인트' 개념을 도입해 해결을 시도한다 .
  • 한계점으로, 에이전트는 병렬 작업에는 약하며, 이벤트 동기화 방식을 통해 일부 문제 해결을 시도한다 .

🚀 인공지능 에이전트를 활용한 소프트웨어 개발의 미래

• AI를 이용해 코드 디버깅과 CI/CD 자동화를 수행하는 방법들이 소개되었으며, 예를 들어 Claude가 브라우저를 통해 CLI 디버깅, GitHub Actions 인터랙션이 가능하다고 설명한다 .
• 특정 문제 해결을 위해 draft PR 생성 후 실패 상태를 기다리는 플로우와, 어려운 디버깅 문제를 자동 해결하는 시스템이 가능하다고 언급한다 .
• Claude와 Gemini CLI를 활용한 대용량 문서 요약과 PDF 읽기 기능이 가능하며, 실시간 스트리밍 없이 결과를 받아보는 한계에 대해 언급한다 .
• Gemini가 유튜브 영상 다운로드와 같이 외부 도구와 연동되어 작업을 수행하는 사례가 소개되었으며, 영상은 Claude가 직접 Slack 슬라이드에 삽입하는 등 자동화 사례를 보여준다 .
• 인터넷에서 상품 판매를 위해 브라우저 자동 제어하는 방법을 보여주며, Milhab와 같은 한국판 크레이그리스트에서 상품 등록을 자동화하는 사례를 설명한다 .
• Git 재구성, 디스크 정리 등 시스템 관리 작업에서 Claude를 활용해 복잡한 재설정과 최적화 작업을 빠르게 수행하는 방법을 소개한다 .
• LLM과 에이전트 루프의 결합이 최근 몇 달 동안 강력한 도구임이 증명되었으며, 이러한 기술이 앞으로 더 많은 산업으로 확장될 것임을 전망한다 .
• 현재 이 기술은 프로그래머부터 시작되었지만, 심층 연구, 자동화, 실세계 업무 등 다양한 분야로 확장 가능하다고 기대한다 .
• 사용자는 이러한 변화를 적극적으로 경험하고 활용해야 하며, 저자는 Twitter를 통해 소통을 이어가고 있다고 안내한다 .\

해당 유튜브를 보고 요약한 글입니다.

참고 : https://www.youtube.com/watch?v=nfOVgz_omlU