복합 엔지니어링: 레포를 자체 개선 DSPy 에이전트로 전환하세요

Source: Dev.to

단일‑샷 DSPy를 넘어: 복합적인 레포 규모 추론

저는 일회성 프롬프트 최적화를 넘어 DSPy를 실험하고 있습니다. 기존 DSPy는 개별 작업에 대한 프롬프트 최적화에 뛰어나지만, AI 에이전트가 전체 코드베이스에서 여러 번 반복하면서 학습할 수 있다면 어떨까요?

Compounding Engineering을 소개합니다: 로컬‑우선 DSPy 에이전트로, 어떤 Git 레포도 지속적인 학습 환경으로 전환합니다. review → triage → plan → learn 사이클을 실행해 코드, 이슈, 과거 최적화 결과를 기반으로 지식 베이스를 구축합니다. 컨텍스트‑윈도우 제한이 없으며, 개선 사항이 세션 간에 누적됩니다.

핵심 혁신

• Repo as Memory – 전체 코드베이스(Python, JS, 설정 파일)를 로컬 벡터 스토어에 인덱싱합니다. 에이전트는 실제 프로젝트 컨텍스트를 기반으로 추론하며, 장난감 예제가 아닙니다.
• Compounding Cycles – 각 실행은 변경 사항을 검토하고, 이슈를 분류하며, 해결 방안을 계획하고, DSPy 프로그램으로 실행한 뒤 학습합니다. 성공·실패 내역을 저장해 다음 실행에 활용합니다.
• DSPy‑Native – DSPy 시그니처, 옵티마이저(BootstrapFewShot 등), 메트릭을 활용합니다. 사용하고 싶은 LM(OpenAI, Ollama를 통한 로컬 모델)과 연결합니다.
• Local‑First – FAISS/Chroma를 이용해 오프라인으로 동작합니다. 클라우드 의존성이 없습니다.

고수준 흐름

git clone your-repo
ce init      # 레포 인덱싱 및 DSPy LM 설정
ce run       # 전체 사이클: review → triage → plan → learn
ce optimize my_module.py  # 특정 파일 최적화

AI 엔지니어에게 중요한 이유

• Long‑Horizon Planning – “인증 모듈을 보안 강화 차원에서 리팩터링”과 같이 여러 파일에 걸친 레포 규모 작업을 처리합니다.
• Self‑Improvement – 메트릭이 진행 상황을 추적하고, 실패한 계획은 few‑shot 예제로 재시도에 활용됩니다.
• Open‑Source Ready – Git, DSPy 텔레프롬프터, 커스텀 시그니처를 기존 워크플로에 쉽게 통합합니다.

빠른 시작

pip install dspy-compounding-engineering
git clone https://github.com/Strategic-Automation/dspy-compounding-engineering
cd dspy-compounding-engineering
ce init --lm openai/gpt-5.2   # 혹은 로컬 LM
ce run

전체 문서와 예제는 README에 있습니다.

참여하기

• ⭐ 아이디어가 떠오르면 저장소에 별을 달아 주세요!
• 기능(예: Rust 옵티마이저? 멀티‑레포?)에 대한 이슈/PR을 열어 주세요.
• 에이전트 워크플로, 장기 컨텍스트 추론, DSPy 확장에 대한 피드백을 공유해 주세요.

Strategic Automation이 만든 프로젝트—규모에 맞는 엔지니어링 자동화. 함께 복합적으로 성장합시다!