30일 만에 Claude Code를 사용해 3개의 프로덕션 SaaS 백엔드를 배포한 방법 (컨텍스트 손실 없이 모든 것을 파괴하지 않음)

발행: 3일 전 (2026년 2월 15일 오전 04:08 GMT+9)

14 분 소요

Source: Dev.to

저는 지난 4 개월 동안 Claude Code를 사용해 SaaS 백엔드를 구축해 왔습니다. 정말 마음에 들어요. 그런데 어느 순간엔 그렇지 않게 됩니다.

패턴은 뻔합니다.

Day	What Happens
1	Claude가 아름다운 인증 로직을 작성합니다. 당신은 감탄합니다.
3	Stripe 웹훅을 추가해 달라고 요청합니다.
5	인증이 깨졌습니다. 무엇이 바뀌었는지 전혀 모릅니다.
7	컨텍스트 창이 가득 찼음 → 새 세션을 시작합니다.
8	“잠깐, 우리가 사용하고 있는 데이터베이스 스키마가 뭐였지?”

매번. 꼭. 그렇다.

결국 실제로 개발하는 것보다 프로젝트를 다시 설명하는 데 더 많은 시간을 쓰게 됩니다. *“기억 상실증이 있는 뛰어난 동료”*라는 비유가 고통스럽게 정확합니다.

컨텍스트 손실 문제

세션 중간 드리프트

Claude는 async/await 로 시작했다가 200 줄 뒤에 무작위로 .then() 체인으로 전환합니다. 왜일까요? 컨텍스트 악화 – 대화가 길어지면서 모델이 이전 패턴을 “잊어버리기” 때문입니다.

스키마 기억 상실

메시지 5에서 특정 컬럼을 가진 users 테이블을 정의했습니다. 그런데 메시지 40이 되자 Claude는 존재하지 않는 컬럼에 대한 쿼리를 제안합니다.

보안 퇴보

1단계에서 신중히 설정한 행 수준 보안 정책이 3단계에서 기능을 추가할 때 완전히 무시됩니다.

그라운드호그 데이 효과

금요일에 노트북을 닫고 → 월요일에 열면 → Claude가 한 줄도 코딩하기 전에 전체 프로젝트를 다시 설명하는 데 30 분을 소비합니다.

내가 시도한 것 (그리고 실패)

전체 컨텍스트가 포함된 긴 프롬프트 – 토큰 한도에 도달; 품질이 어쨌든 저하됨.
맞춤 지시사항 – 너무 모호하고, 세션 간에 지속되지 않음.
각 기능마다 별도 채팅 – 전체 그림을 놓치고, 의존성이 깨짐.
수동 “메모리 덤프” – 지치고 오류가 발생하기 쉬움.

근본적인 문제: LLM은 작업 메모리는 있지만 장기 메모리는 없습니다. 순간에는 뛰어나지만 상태를 유지하는 데는 형편없습니다.

실제로 해결된 방법: 멀티‑에이전트 오케스트레이션

문제는 AI가 아니라 워크플로우다. 인간 개발자도 전체 코드베이스를 머릿속에 담고 있지는 않는다. 우리는 다음을 사용한다:

문서
설계 문서
데이터베이스 스키마
API 사양
지속되는 외부 참조.

나는 전문화된 에이전트들을 통해 Claude를 오케스트레이션하는 시스템을 구축했으며, 각 에이전트는 새로운 컨텍스트 창과 특정 작업을 가진다.

상태를 유지하는 네 개의 파일

파일	목적
PROJECT.md	비전 문서 – 해결되는 문제, 대상 사용자 및 워크플로, 핵심 가치 제안, 성공 기준.
REQUIREMENTS.md	추적 가능한 기능 정의 – 고유 ID (예: `AUTH-01`, `PAY-02`), v1 범위, v2 범위, 범위 외, 수용 기준.
ROADMAP.md	단계별 실행 계획 – Phase 0 (인프라), Phase 1 (핵심), Phase 2 (지원), Phase 3 (다듬기); 각 요구사항을 단계에 매핑.
STATE.md	살아있는 메모리 – 완료된 단계(잠금), 현재 단계(수정 가능), 정확한 DB DDL, API 라우트(경로, 메서드, 비즈니스 로직), 아키텍처 결정.

각 파일은 컨텍스트 손상을 방지하도록 크기가 조정되어(10 k 토큰 이하) 인간과 AI 모두에게 단일 진실의 원천으로 활용됩니다.

멀티‑에이전트 시스템

연구 에이전트 (코딩 전에 병렬로 실행)

스택 연구원 – 도메인에 가장 적합한 기술을 찾습니다.
특징 연구원 – 기본 요구사항과 차별점을 구분합니다.
아키텍처 연구원 – 시스템 설계 패턴을 제안합니다.
함정 연구원 – 피해야 할 일반적인 실수를 나열합니다.

실행 에이전트

Agent	Role
Planner	검증된 작업 계획을 생성합니다.
Executor	원자적 커밋으로 계획을 실행합니다.
Verifier	테스트하고 자동 디버깅합니다.
Mapper	기존 코드베이스를 분석합니다.

각 에이전트는 새로운 컨텍스트를 받습니다 – 성능 저하도, 드리프트도 없습니다.

워크플로우 사이클

1. INITIALIZE
   • Describe vision → AI creates PROJECT.md, REQUIREMENTS.md, ROADMAP.md

2. DISCUSS (each phase)
   • Shape implementation preferences before committing

3. PLAN
   • Research domain patterns → create verified execution plan

4. EXECUTE
   • Run plans in parallel waves with fresh contexts → atomic git commits

5. VERIFY
   • User acceptance testing with automatic debugging

Repeat steps 2‑5 for each phase.

핵심 규칙: 완료된 단계는 잠금됩니다. AI는 현재 단계의 코드만 수정할 수 있어 “결제 추가가 인증을 깨는” 문제를 완전히 제거합니다.

보일러플레이트 인식 인텔리전스

AI는 보일러플레이트에 이미 구축된 내용(인증, Stripe, Razorpay, Supabase, 멀티‑테넌시, 이메일, 관리자 패널)을 알고 있습니다. 도메인에 맞는 맞춤형 부분만 계획하므로, 이는 다음을 의미합니다:

데이터베이스에 인증을 연결하는 데 시간이 전혀 들지 않음
결제 웹훅 설정에 시간이 전혀 들지 않음
관리자 패널 구축에 시간이 전혀 들지 않음
고유한 비즈니스 로직에 순수하게 집중

결과 (왜 공유하는가)

프로젝트	소요 시간	하이라이트	초기 트랙션
Analytics Dashboard	13 시간 (4세션)	맞춤형 분석 스키마, 검증이 포함된 인제션 API, 시계열 계산, 날짜 필터링이 가능한 CSV 내보내기	8명의 유료 사용자 → $96 / 월
Feedback Widget	11 시간 (3세션)	메타데이터가 포함된 피드백 스키마, 위젯 임베드 API (iframe + script), 필터링이 가능한 관리자 CRUD, 이메일 알림, 통합을 위한 웹훅 시스템	첫 주에 5명 가입
Content Calendar	9 시간 (2세션)	일정 관리가 가능한 콘텐츠 스키마, 역할 기반 접근 제어가 있는 CRUD API, 타임존 처리를 포함한 퍼블리싱 로직, 캘린더‑뷰 백엔드	프로덕션 진행 중

모두 프로덕션 준비 완료이며, AI 오케스트레이션으로 구축되었고, 몇 주에 걸쳐 지속적인 상태를 사용합니다.

실행 명령

/propelkit:new-project

이 마스터 명령은:

Claude에게 네 개의 상태 파일(PROJECT.md, REQUIREMENTS.md, ROADMAP.md, STATE.md)을 생성하도록 요청합니다.
연구 및 실행 에이전트를 시작합니다.
완료된 단계들을 자동으로 잠급니다.
워크플로우 사이클을 반복할 수 있는 CLI를 제공합니다.

LLM 기반 개발 워크플로우에 맞게 이 접근 방식을 자유롭게 적용하세요.

프로젝트에 대한 심층 질문

도메인에 맞는 연구 에이전트를 생성합니다.
PROJECT.md, REQUIREMENTS.md, ROADMAP.md를 생성합니다.
단계별 실행 계획을 생성합니다.
단계별 구축으로 여러분에게 작업을 넘깁니다.

각 단계별로

/propelkit:discuss-phase 1    # 선호도를 설정합니다
/propelkit:plan-phase 1       # 연구 + 실행 계획을 작성합니다
/propelkit:execute-phase 1    # 병렬 에이전트로 빌드합니다
/propelkit:verify-work        # 자동 디버깅으로 테스트합니다

전체 화면 모드 진입
전체 화면 모드 종료

시스템은 STATE.md를 자동으로 유지합니다. 노트북을 닫았다가 며칠 후에 다시 열어도, 중단한 바로 그 지점부터 재개할 수 있습니다.

PropelKit – 패키지 시스템

제공 내용

프로덕션 Next.js 보일러플레이트 (100시간 이상 절감):

인증 (이메일, OAuth, 세션)
Stripe + Razorpay 결제
Supabase (RLS가 적용된 PostgreSQL)
멀티 테넌시 (조직, 팀, 역할)
크레딧 시스템 (사용량 기반 청구)
이메일 템플릿 (미리 구축된 8개)
관리자 패널 (사용자 관리, 분석)
26개의 AI PM 명령

스택: Next.js 16, TypeScript, Supabase, Stripe, Razorpay

일회성 구매. 코드를 소유합니다. 무제한 제품을 구축하세요.

AI PM은 위에서 설명한 정확한 멀티 에이전트 오케스트레이션 시스템을 사용합니다: 지속적인 상태, 병렬 연구, 보일러플레이트 인식, 원자적 커밋.

데모

(AI의 질문, 연구, 로드맵 생성 및 실행을 시청하세요)

이 접근 방식이 효과적인 이유

Context engineering – 파일을 분리하면 손상 임계값 이하로 유지되고, 하나의 거대한 채팅이 되지 않습니다.
Multi‑agent orchestration – 각 에이전트마다 새로운 컨텍스트를 사용해 드리프트가 누적되지 않습니다.
Boilerplate awareness – AI가 기존 코드를 파악하고, 맞춤형 부분만 생성합니다.
Atomic commits – 커밋당 하나의 기능만 포함해 정밀하게 롤백할 수 있습니다.
Phase locking – 완료된 코드는 그대로 유지되어 무작위 재작성이 없습니다.
Domain research – AI가 코드를 작성하기 전에 귀하의 산업을 이해합니다.

이 원칙들은 어디서든 적용됩니다—지속적인 상태 파일과 작업당 새로운 컨텍스트 창만 있으면 됩니다.

AI 코드 컨텍스트 손실에 대한 경험은 어떠신가요? 작동하는 다른 시스템을 찾으셨나요?