우리가 가장 진보된 AI 제품 플래너를 만든 방법
Source: Dev.to
소프트웨어는 인도와가 아니라 도시다
계획되지 않은 코드베이스는 계획되지 않은 도시와 같다: 깨지기 쉽고, 일관성이 없으며, 확장 비용이 많이 든다. 확장 가능한 소프트웨어는 토목 인프라처럼 명확한 사양, 의도적인 아키텍처, 지속적인 검증이 필요하다. 특히 AI가 타이핑을 담당할 때 이러한 단계를 건너뛰면 경직되고 유지보수가 어려운 시스템이 된다.
주의 관리에서 LLM 프롬프트로
책을 읽을 때 우리는 주의를 가지고 다니며, 관련 없는 정보를 잊고 중요한 부분만 떠올린다. 이 개념을 LLM에 적용하면, 필요한 컨텍스트만 제공하고 “컨텍스트 팽창”을 피할 수 있다.
- 모델에게 잘하는 일을 시키라.
- 작업을 단계별로 나눠라.
- 작업이 분해된 뒤 협업하는 다수의 에이전트를 생성하라.
이는 컴퓨터 과학의 고전적인 “분할 정복” 전략과 같다. 하나의 “신 모델”은 처음엔 강력하지만 진행하면서 세부 사항을 잊고 오류를 만들기 쉽다. 모든 일을 한 번에 처리하면 에이전트가 흐트러지고 많은 반복이 발생한다.
궁극적인 AI 제품 플래너: TraycerAI
단일 만능 모델 대신, TraycerAI는 지능과 검색을 분리한 협업 앙상블로 동작한다. 그래서 “사고자”는 원시 데이터 수집에 방해받지 않는다.
Orchestrator (Sonnet‑4.5)
지휘자 역할. 고수준 추론, 복잡한 계획, 작업 분해를 담당한다. 파일 검색을 수행하지 않으며 흐름을 지시한다.
Critics (GPT‑5.1)
코드 분석 및 검증 전문. 한 모델이 계획을 만들면, 다른 훈련 편향을 가진 모델이 출력을 비판해 회귀를 잡아낸다.
Scouts (grok‑4.1‑fast & parallel.ai)
고속 유닛. 코드베이스와 웹을 병렬로 탐색해 컨텍스트를 수집하고, 편집 편향 없이 원시 사실을 Orchestrator에 전달한다.
TraycerAI가 개발 라이프사이클에 들어가는 위치
대부분의 AI 도구는 내부 루프에 집중한다; TraycerAI는 외부 루프를 담당한다.
내부 루프 – “어떻게”
코드가 작성되고, 패치되고, 로컬에서 테스트되는 전술적 레이어. 여기서 코드 생성 에이전트는 “이 특정 함수를 작성해 줄 수 있나요?” 같은 질문에 답한다.
외부 루프 – “왜”와 “무엇”
전체 변경 프로세스를 관리하는 전략적 레이어. TraycerAI는 다음을 수행한다:
- 전략적 계획 – 고수준 프롬프트(예: “속도 제한 추가”)를 단계별 구현 사양으로 분해하고, 코드가 작성되기 전에 계획한다.
- 컨텍스트 합성 – 코드 생성 에이전트가 작업을 시작하기 훨씬 전에 방대한 저장소에서 어떤 파일이 중요한지 판단한다.
- 최종 검증 – 내부 루프가 끝난 뒤, 외부 루프가 원래의 아키텍처 제약과 비교해 변경 사항을 검증한다.
핵심 요점
루프를 분리함으로써 TraycerAI는 “생각”(외부 루프)이 “실행”(내부 루프)에 의해 방해받지 않도록 보장한다. 병렬 에이전트의 속도와 시니어 아키텍트의 감독을 동시에 얻을 수 있다.
EPIC 모드
엔드‑투‑엔드 제품 및 기능 개발을 위해 TraycerAI의 EPIC 모드는 다음을 제공한다:
- 사용자 의도의 정확한 포착.
- 시니어 엔지니어처럼 저수준 설계(LLD) 다이어그램 및 와이어프레임 생성.
- 코드 생성 전에 소프트웨어 아키텍트와의 인터뷰 형식 상호작용.
- 시니어 QA와 같은 검증을 통해 엣지 케이스 탐지.
그 결과는 매우 정확한 기능과 제품이다.