1.Ai-Assisted Era의 한계
- 코딩 속도는 빨라졌지만, 전체 생산성은 정체되고 있음
- 경험 많은 개발자일수록 AI 도구 사용 시 오히려 생산형이 감소되는 현상 발생
- Drift 현상 : 목표를 벗어나 옆길로 새는 현상
- Context Rot : 핵심 컨텍스트를 잃어버림
- Hallucination(환각)
2. AI-DLC 방법론 소개
2.1 AI-Native 환경을 위해 기존 SDLC를 근복적으로 재설계한 3대 원칙
- 1. Reimagine :
- 2. Reverse Direction : 문서 먼저 작업 후, 코딩 시작
- 3.
2.2 프로젝트 복잡도에 따라 적응하는 3단계 구조
- 1. Inception : 무엇을 왜 빌드하려고 하는가?
요구사항 분석 > 어플리케이션 설계 > 전체 작업을 Units 분할 > 위험요소 평가
- 2. Construction : 어떻게 빌드할 것인가?
기능 설계 > 비기능요구사항 설계 > 인프라 설계 > 코드 생성 & 테스트
- 3. Operation : 어떻게 실행할 것인가?
AI-DLC 산출물의 경우, 모든 에이전트와 개발자가 참조하는 단일 진실 공급원(Single Source of Truth) 구조를 따른다.
- aidlc-docs 폴더에 각 단계별 설계 문서들을 생성하여, 새 session에서도 문맥을 잃지 않도록 함
- aidlc-state.md 파일은 워크플로우 진행사항과 진행률을 기록
- audit.md 파일은 의사결정 기록?
Kiro : Agentic IDE 소개
- Steering 기능 : 프로젝트 단위로 세밀하게 제어하는 규칙 시스템 (에이전트의 행동, 코딩 스타일 아키텍처 제약 조건 등을 전역(Global) 또는 프로젝트 단위 세밀하게 제어
- Hooks : 파일 저장, Agent 호출 시, 특정 Hook을 동작
- MCP
하네스 엔지니어링(Harness Engineering) 이란?
- 에이전트의 엔트로피를 통제하고 성능을 극대화하기 위한 환경 설계 방법론
- Agent = Model + Harness
- 제약 조건 > 피드백 루프 > 도구화
- 제약 조건은 Steering Rules를 준다는 것
- 피드백 루프는 Hooks 기능을 사용할 수 있음
Steering Rules: 지식의 계층화
- global.md (조직 표준)
- team.md (도메인/기술 스택)
- workspace.md (개인 룰)
Two-Agent System 아키텍처
- Maker Agent <> Checker Agent(중복 코드, Steering Rule 준수 여부)
- 코딩 Agent는 자신이 짜는 코드가 완벽하다고 생각하는 경향이 있다.(확증 편향)
미래의 개발자 : 하네스 엔지니어
- 코더 > 하네스 엔지니어
=====
AI-DLC 실습
- https://github.com/awslabs/aidlc-workflows 클론
- aidlc-rules 폴더 내 두개의 폴더를 각각 .kiro 폴더 내 위치로 배치
aws-aidlc-rule-details > .kiro 폴더 위치로 이동
aws-aidlc-rules > .kiro/steering 폴더 위치로 이동 (core-workflow.md 파일 포함)
- core-workflow는 항상 steering에 포함되므로, 새로운 session에서도 항상 참고한다.
```
workflow의 document 참고하여 프로젝트 만들자.
```
// aidlc-docs 폴더 생성됨
// aidlc-state.md 파일 생성됨
// audit.md 파일 생성됨
aidlc-docs 폴더에 inception/requirements/requirement-verification.md 파일에, 결정사항을 적고 저장.
```
작성 완료
```
최근댓글