ChatGPT가 실제로 이해할 수 있도록 내 코드베이스를 번들링하는 방법

Source: Dev.to

Problem

LLM 채팅 앱은 질문에 답하는 데는 뛰어나지만, 실제 코드베이스에 적용하면 한계가 있습니다.
프로젝트가 어느 정도 규모를 넘어가면 컨텍스트가 병목이 됩니다: 파일이 너무 많고, 잡음이 많으며, 구조가 부족합니다.

일반적인 LLM 채팅 앱은 다음과 같은 상황에서 가장 잘 작동합니다:

• 컨텍스트가 선형적
• 파일이 크기가 아니라 의미에 따라 그룹화
• 참조가 정확함 (파일 + 라인)

하지만 실제 저장소는:

• 계층적
• 잡음이 많음
• 모델에 필요 없는 것들로 가득함

그 결과 답변이 모호하거나 환각(Hallucination)될 수 있습니다.

Solution: srcpack

전체 레포를 그대로 전달하는 대신, LLM에 최적화된 스냅샷을 생성합니다:

• 코드를 도메인별로 번들링 (예: web, api, docs 등)
• 각 번들은 파일 경로 + 라인 번호와 함께 인덱싱
• .gitignore를 기본적으로 존중
• 시작하기 위해 별도 설정이 필요 없음

출력물은 순수 텍스트 파일이며, ChatGPT, Gemini, Claude 등에 쉽게 업로드하거나 첨부할 수 있습니다.
이 도구의 이름은 srcpack 입니다.

Workflows where srcpack shines

• 대형 레포 탐색 – “인증 로직은 실제로 어디에 있나요?” 혹은 “청구와 관련된 코드는 어디인가요?” 같은 질문에 활용
• 컨텍스트 제한 회피 – 파일을 일일이 복사 붙여넣는 대신, 집중된 번들을 첨부
• 비기술 팀원과 공유 – LLM 친화적인 스냅샷을 Google Drive에 업로드하고 공유

PM이나 디자이너가 흔히 묻는 질문들:

• “이번 주에 무엇이 배포됐나요?”
• “아직 진행 중인 작업은 무엇인가요?”
• “어떤 부분이 위험한가요?”

srcpack은 코드베이스에 대한 가벼운 읽기 전용 AI 인터페이스 역할을 합니다.

Usage

npx srcpack   # or bunx srcpack

기본적으로 별도 설정이 필요 없습니다.

Documentation & Source

• Docs:
• GitHub:

Closing Thought

LLM + 코드베이스 상호작용에 대한 최종 해답이라고 보지는 않지만, 일상 업무에서 매우 실용적인 개선을 제공했습니다. 특히 빠르게 변화하는 프로젝트에서 대형 레포 컨텍스트를 어떻게 다루고 있는지 다른 사람들의 이야기가 궁금합니다.