GeekNews Weekly

“CCTV 로컬 비디오 분석 대시보드를 구축하는데, 에이전트에게 전체 작업을 위임하자 약 30분 동안 자율적으로 코드 작성, 테스트, 디버깅, 서비스 설정까지 수행하고 결과를 보고했다”는 건데요. 최근 모델의 장기 일관성과 문제 해결 능력을 고려하면, 이제 이런 장면은 점점 낯설지 않습니다. 중요한 질문은 ‘우리가 얼마나 많이 코드를 타이핑하는가’가 아니라, 에이전트가 끝까지 밀어붙일 수 있도록 작업을 어떻게 설계하느냐 입니다. 이제 "에이전틱 엔지니어링" 의 시대입니다.

프로젝트가 커질수록 하위 호환성과 거대한 코드베이스가 발목을 잡는 반면, 경쟁자는 공개된 API와 테스트 코드를 AI에 학습시켜 더 가볍고 현대적인 복제 버전을 빠르게 만들어낼 수 있습니다. Cloudflare가 Vercel의 Next.js 테스트 스위트를 활용해 단 일주일 만에 호환 런타임을 만든 사례는, 이제 코드보다 테스트 코드가 진짜 자산이 되었음을 보여줍니다. SQlite는 완전 공개지만, 소스코드 보다 590배 많은 테스트 코드가 있고 이건 완전 비공개인데요. 100% 분기 커버리지에 수백만건의 테스트 케이스가 있고, 10억개가 넘는 변이 테스트를 수행힙니다. AI 시대의 오픈소스 기업들은 공개와 생존 사이에서 새로운 균형점을 찾아야 할 것 같아요.

AI 코딩 도구를 활용한 새로운 워크플로우는 코드 작성 이전에 명시적 계획 검토 단계를 의무화해, 실행과 사고를 분리합니다. 핵심 원칙은 “계획 승인 전에는 AI에게 코드를 쓰게 하지 않는다”로, 이를 통해 구조적 통제와 토큰 효율을 동시에 확보합니다. 모든 과정은 Research → Plan → Annotation → Todo List → Implementation → Feedback의 순환 구조로 진행되며, markdown 문서를 중심으로 협업해 인간의 판단력과 AI의 실행력을 안정적으로 결합할 수 있습니다.

“깊이 읽고, 계획을 쓰고, 주석으로 다듬은 뒤, 한 번에 실행하라.”

긱뉴스에서 몇번 공유되었던 자료인데요. 학교에서 알려주지 않는 쉘 도구와 스크립팅, CLI, 텍스트 편집기, Git, 디버깅과 프로파일링 등 실무 핵심 도구를 설명합니다. 2026년 버전에는 AI 기반 개발 워크플로우를 각 강의에 통합하였습니다.

AI 코딩 에이전트용 AGENTS.md 자동 생성은 효율을 높이기는커녕 비용을 20% 이상 늘리고 성능을 떨어뜨린다는 연구 결과가 나왔습니다. 자동 생성 파일이 코드에서 이미 추론 가능한 정보를 중복 제공해 노이즈를 키우는 것이 원인입니다. AGENTS.md에는 에이전트가 스스로 알 수 없는 규칙·제약만 남기고, 반복된 실패가 생길 때는 문서를 늘리기보다 코드베이스 자체를 수정하는 것이 바람직합니다.

Bun과 Zig를 결합해 만든 초경량 TypeScript 기반 데스크톱 앱 프레임워크입니다. macOS·Windows·Ubuntu를 모두 지원하며, 인스톨러와 자동 업데이트, 차등 패치 아티팩트를 자동 생성해 배포 과정을 단순화합니다. Bun의 FFI와 공유 메모리 모델을 활용해 다중 프로세스 환경에서도 효율을 유지하며, OOPIF 기반 웹뷰로 안정적인 UI 격리를 제공합니다. npx electrobun init으로 시작해 10분 안에 배포까지 가능한 통합 워크플로우를 목표로 합니다.

모호한 문제와 불확실한 결과가 늘어나는 환경에서는 틀리지 않는 것보다 틀렸을 때의 비용을 줄이는 능력이 중요해집니다. 이를 위해 엔지니어링 조직은 ‘호기심이 문제 해결의 첫 번째 단계’라는 원칙을 핵심 가치로 삼고, 채용·문서화·기술 제안 등 다양한 상황에서 Bad/Good/Best 3단계 패턴으로 호기심 기반 대응을 구체화 해야 합니다. 호기심은 책임을 회피하는 태도가 아니라, 자신이 놓친 정보를 탐색해 맥락을 확보하려는 실천으로, 복잡한 조직 내 의사결정을 더 유연하게 만듭니다.

Git은 .gitignore, .gitattributes, .gitmodules 등 커밋으로 함께 이동하는 설정 파일을 통해 저장소의 동작을 세밀하게 제어합니다. 이러한 ‘매직 파일’들은 코드 추적, 병합, 작성자 정보, 서브모듈 관리까지 협업 전반의 일관성을 유지하게 합니다. 나아가 GitHub의 .github/나 GitLab의 .gitlab/처럼 플랫폼별 폴더 구조로 확장되며, 도트파일 기반 자동 설정 생태계는 EditorConfig나 Docker 등 다른 개발 도구로도 이어지고 있습니다.

Rust 기반 코드 포매터 Oxfmt가 베타로 공개되었습니다. Prettier 대비 30배 이상, Biome 대비 3배 빠른 속도를 내면서도 Prettier의 JS/TS 테스트를 100% 통과해 동일한 포맷 결과를 보장합니다. VS Code·Cursor·Neovim 등 주요 에디터와 연동됩니다.

코딩 에이전트의 경쟁 구도가 모델 성능 중심에서 자율 실행 시간과 컨텍스트 관리 능력 중심으로 이동하고 있습니다. Anthropic의 Claude Code(Opus) 는 여러 컨텍스트 윈도우를 넘나들며 계획 수립과 도구 활용에 강점을 보이는 반면, OpenAI의 Codex 는 코드 정확성에서 우위를 점하지만 속도와 위임 구조가 한계로 지적됩니다. 개발자들은 반복 작업을 점진적으로 skill 자동화하며 계획→구현→리뷰 루프를 구축하고 있으며, 이는 장기적으로 24/7 자율 코딩 환경으로 이어질 기반이 되고 있습니다.

**“코드를 읽지 않는다”는 것은 코드 품질 검증의 중심을 라인별 리뷰에서 스펙·테스트·자동 검증 인프라로 옮기자는 것이라고 설명합니다. OpenAI의 Harness Engineering과 OpenClaw 사례는 코드보다 하네스 설계와 피드백 루프 구축에 집중한 접근을 보여줍니다. 이는 코드 읽기를 배제하자는 극단이 아니라, 안전·보안·아키텍처 결정 시 직접 검토를 남겨두되 대부분의 품질 보증을 자동화 계층에 위임하자는 균형적 관점입니다. 코드가 점점 구현 세부사항으로 이동하는 흐름 속에서, 개발자의 핵심 역량은 아키텍처와 검증 설계로 재편되고 있습니다.

로컬에서 실행 중인 코딩 세션을 스마트폰이나 다른 컴퓨터의 브라우저에서 그대로 이어갈 수 있게 되었습니다. 모든 실행은 여전히 로컬 머신에서 유지되므로 코드나 파일이 클라우드로 전송되지 않으며, 프로젝트 설정과 환경도 그대로 보존됩니다. 터미널에서 claude remote-control 명령만 실행하면 세션 URL과 QR 코드가 생성되어, 어디서든 동일한 대화 흐름으로 개발을 이어갈 수 있습니다. Codex 에도 추가되면 좋겠네요.

LLM의 가중치를 실리콘 트랜지스터로 직접 새겨 넣는 Taalas의 접근은 GPU 메모리 병목을 근본적으로 제거합니다. Llama 3.1 8B 모델을 ASIC 칩에 ‘인쇄’해 초당 17,000토큰을 처리하며, GPU 대비 10배 저렴하고 10배 빠른 추론을 내세웁니다. 외부 DRAM 없이 온칩 SRAM만으로 KV 캐시를 처리하고, 모델별로 상단 두 레이어만 교체해 2개월 만에 칩을 완성하는 방식은 LLM 전용 하드웨어 제작의 새로운 방향을 보여줍니다.

OpenAI Codex App Server는 에이전트 루프를 표준화된 JSON-RPC 프로토콜로 노출해, IDE·웹·CLI 등 다양한 환경에서 동일한 Codex 경험을 구현할 수 있게 합니다. App Server는 스레드·턴·아이템으로 구성된 대화 프리미티브를 통해 복잡한 상호작용을 구조화하며, 설정·인증·도구 실행까지 포함한 전체 에이전트 수명주기를 관리합니다. 이를 통해 개발자는 Go·Python·TypeScript 등 여러 언어에서 일관된 방식으로 Codex를 통합하고, 클라이언트·서버 간 버전 호환성을 유지한 채 기능을 확장할 수 있습니다.

Claude Code에 세션 간 학습을 유지하는 Auto-Memory 기능이 도입되었습니다. 이제 Claude는 프로젝트 컨텍스트나 디버깅 습관, 선호하는 접근 방식을 자동으로 기억하고 이후 세션에서 별도 입력 없이 재활용합니다. 사용자가 작성하는 CLAUDE.md와 Claude가 스스로 갱신하는 MEMORY.md로 역할이 분리되어, 지침과 학습 내용이 명확히 구분됩니다.

Claude Code의 에이전트 활동을 픽셀 아트 캐릭터로 시각화하는 VS Code 확장입니다. 터미널마다 캐릭터가 등장해 코드 작성, 파일 탐색, 대기 상태를 애니메이션으로 표현하며, JSONL 트랜스크립트를 감시하는 방식으로 동작해 별도 수정이 필요 없습니다. 실용성보다는 감성에 가깝지만, 여러 에이전트를 병렬로 다룰 때 상태를 한눈에 구분할 수 있는 가벼운 시각 도구로 활용할 수 있습니다.

카바푸견 모모가 라즈베리파이와 DogKeyboard를 통해 입력을 보내고, Claude Code와 Godot 엔진이 이를 해석해 실제 게임을 제작하는 실험인데요. 핵심은 무작위 입력을 의미 있는 결과로 바꾸는 프롬프트 설계와 자동 피드백 루프로, Claude가 스스로 테스트·수정하며 완성도를 높이는 구조를 갖췄습니다. 프로젝트는 AI 개발의 성패가 아이디어보다 피드백 자동화의 품질에 달려 있음을 보여줍니다. 제목도 내용도 꽤 흥미로운 글입니다.

소프트웨어 엔지니어링이 전체 AI 에이전트 활동의 절반을 차지하지만, 헬스케어·법률·금융 등 대부분의 산업은 여전히 미개척 상태로 남아 있습니다. Anthropic의 데이터는 모델이 인간 수준의 장시간 작업을 수행할 수 있음에도 실제 사용은 평균 42분에 그쳐, 기술 역량과 신뢰 간의 간극이 여전히 크다는 점을 보여줍니다. 이 격차를 메우는 과정에서 도메인 특화 데이터와 변화 관리 역량을 갖춘 버티컬 AI 유니콘이 등장할 가능성이 커지고 있습니다.

Cloudflare 엔지니어가 AI와 함께 만든 Vite 기반의 Next.js 대체 실험인 ‘vinext’ 는 복잡한 배포 구조를 단순화하려는 시도입니다. Next.js의 빌드·배포 병목을 해결하기 위해 Vite 위에서 Next.js API를 그대로 재구현했으며, 일주일 만에 완성된 결과물은 빌드 속도 4배, 번들 크기 57% 감소를 달성했습니다. 대규모 프레임워크도 충분한 테스트와 AI 협업으로 경량화할 수 있음을 보여주는 사례입니다. 물론 토큰 비용은 꽤 들지만요.

Bun 런타임 전용 SQLite 기반 작업 큐로, Redis 없이도 고성능 백엔드 처리를 구현할 수 있게 합니다. BullMQ 호환 API를 제공해 기존 Redis 큐를 손쉽게 대체하며, DLQ·크론·S3 백업 등 운영 필수 기능을 내장했습니다. 단일 노드에서 초당 28만 건 이상을 처리할 만큼 가볍고 빠르며, 외부 의존성을 최소화해 프로토타입이나 서버리스 환경에 특히 유용합니다.

보조 에이전트 최적화(AAO) 는 검색엔진이 아닌 에이전트가 스스로 선택하는 환경을 대비한 새로운 최적화 패러다임입니다. LLM·지식 그래프·전통 검색으로 이루어진 ‘알고리듬 삼위일체’ 전체를 포괄하며, 브랜드 신뢰와 데이터 구조화가 핵심 경쟁력이 됩니다. 웹 인덱스 중심의 SEO가 약화되는 대신, API·피드 기반의 데이터 푸시가 중요해지고, 최적화의 대상은 더 이상 검색 엔진이 아니라 에이전트로 이동합니다. 아래 "Claude Code가 실제로 선택하는 것" 기사의 내용과 연결됩니다.

기존 pre-commit의 설정 호환성을 유지하면서도 훨씬 빠른 훅 실행과 설치 속도를 제공합니다. 단일 실행 파일 구조와 병렬 처리 아키텍처, 그리고 uv 통합을 통해 다중 언어 환경에서도 가상환경 생성과 의존성 설치를 효율적으로 수행합니다.

Claude Code로 실제 오픈소스 저장소 2,430개를 분석한 결과, 20개 도구 범주 중 12개에서 기성 솔루션 대신 직접 구현(Custom/DIY) 방식을 택하는 경향을 보였습니다. 반면 도구를 선택할 때는 GitHub Actions·Stripe·shadcn/ui 등 소수 항목에 집중하며, 배포 환경은 언어별로 고정되어 JS는 Vercel, Python은 Railway를 기본으로 삼습니다. 최신 모델로 갈수록 Drizzle·FastAPI BackgroundTasks 같은 신흥 도구로 교체되는 흐름이 뚜렷해, AI 코드 생성이 실제 생태계의 도구 세대 교체를 가속하는 양상을 보여줍니다. 개발자용 도구는 이제 에이전트들이 먼저 선호하는 제품이 되는게 중요해 졌습니다.

코드 작성 비용의 급감이 개발 문화의 근본을 재편하고 있습니다. 과거에는 코드 생산이 비쌌기에 설계와 기획 중심의 효율적 개발이 중시되었지만, 이제 코딩 에이전트를 통해 한 명의 개발자가 여러 작업을 병렬로 수행할 수 있게 되었습니다. 그러나 ‘좋은 코드’를 만드는 일은 여전히 비싸며, 품질 판단과 책임은 인간 개발자에게 남아 있습니다. 이에 따라 조직과 개인 모두 새로운 에이전트 기반 엔지니어링 습관을 정립해야 하는 시점에 놓여 있습니다.

이 글은 Agentic Engineering Patterns 가이드의 첫 번째 장인 “Principles” 의 일부인데요. 매주 한 두 챕터씩 추가할 예정이라고 합니다.

터미널에서 Markdown 문서를 즉시 탐색할 수 있도록 설계된 CLI 뷰어로 Vim·less 스타일의 키 바인딩으로 자연스러운 이동을 제공합니다. Rust로 구현된 단일 바이너리 구조 덕분에 대용량 파일도 빠르게 처리하며, 이미지 렌더링 프로토콜 선택과 자동 새로고침 등 세밀한 TUI 기능을 지원합니다.

AI가 콘텐츠를 무한히 생산하는 시대에는 창작의 희소성보다 인간의 주의력이 더 큰 자원이 됩니다. 누구나 손쉽게 제품을 만들 수 있지만, 이를 보게 할 수 있는 도달력(Reach) 은 자본과 기존 네트워크에 집중되고 있습니다. 창작의 장벽이 낮아진 만큼, 이제 시장의 해자는 기술이 아니라 돈과 주의력의 확보 능력으로 옮겨가고 있습니다.

Nano Banana 2는 Gemini Flash의 속도와 Nano Banana Pro의 정밀 제어 기능을 결합해, 고품질 이미지를 빠르게 생성·편집할 수 있습니다. 세계 지식 기반 렌더링과 정확한 텍스트 표현을 지원해 인포그래픽이나 마케팅 시각물 제작에 적합하며, 4K 해상도까지 대응합니다. 텍스트 표현에서는 이미 최고였는데 더 좋아졌네요.

지난주에 인기였던 ‘세차장 테스트’를 53종의 AI 모델을 대상으로 확장하여 테스트했습니다. 정답은 ‘운전’이지만 42개 모델이 ‘걷기’를 택했으며, 10회 반복에서도 Claude Opus 4.6과 Gemini 3 시리즈 등 5개만이 일관된 정답을 냈습니다.

사실 이 글이 놀라운 건 사람 1만명에게 테스트했는데도 71.5%만 운전을 선택했다는 겁니다.

미 국방부가 Anthropic을 국가 안보 공급망 위험 기업으로 지정하며 모든 군 계약자에게 Claude 사용 중단을 명령했습니다. 핵심 쟁점은 국방부가 요구한 ‘모든 합법적 목적에 대한 무제한 접근’과, Anthropic이 고수한 대규모 감시·자율 무기 사용 제한 간의 충돌입니다. 함께 보면 좋은 글에 여러 글이 링크되어 있으니 같이 보시기 바랍니다.

이 이후에 OpenAI가 미 국방부와 비공개 네트워크 내 모델 배포에 합의 했습니다.

결과적으로는 미 국방부가 앤스로픽은 버리고 OpenAI를 선택한건데, 흔히 말하는 워딩의 차이가 살짝 있습니다.

OpenAI는 기술적 안전장치 구축, FDE(현장 엔지니어) 투입, 클라우드 전용 배포 같은 구체적인 이행 메커니즘을 함께 제안했지만, Anthropic은 이용약관 수준의 예외 조항을 요구했다는 건데요. 미 국방부 입장에서는 "민간 기업이 개별 사용 사례에 거부권을 행사한다" 고 본 것 같습니다.

공식 입장 표현의 차이도 크네요.

Sam Altman은 "국방부가 안전에 깊은 존중을 보였다" 고 했고, Anthropic 측은 끝까지 "국방부의 요구에 양심상 동의할 수 없다" 고 얘기했습니다.

같은 원칙이라도 국방부에 체면을 세워주느냐 아니냐의 차이가 컸던 것으로 보이는데, 결과적으로는 OpenAI가 이 요구를 수용하면서 모양이 이상해지니까, 샘 알트먼이 말미에 "이 조건을 모든 AI 기업에 동일하게 제안해달라" 라고 넣어서 Anthropic에 대한 조치를 완화해달라는 우회적 메시지를 보낸 것 같습니다.

오픈AI는 독자적 기술 우위 없이 대규모 사용자 기반을 확보했지만, 참여도와 점착성이 낮아 네트워크 효과가 부재한 구조에 머물러 있습니다. Google과 Meta가 기존 제품과 배포 채널을 활용해 점유율을 빠르게 확대하는 가운데, 챗봇 형태의 제품은 차별화가 어려워 초기 선점 효과를 유지하기 힘든 상황입니다. 결국 오픈AI의 경쟁력은 플랫폼이나 생태계가 아닌 지속적 실행력과 시장 적응 속도에 달려 있으며, 이는 전략이라기보다 매일의 실행 경쟁에 가깝습니다.

Claude Code가 디자인 프로세스의 중심으로 자리 잡으며, 디자이너가 중간 목업 없이 직접 작동하는 코드를 제작하는 흐름이 확산되고 있습니다. 실제 데이터가 반영된 코드 환경에서 UX를 즉시 검증할 수 있어, 정적 목업보다 개선 속도가 빠릅니다. 소규모 기능은 Figma 없이 구현하고, 대규모 기능은 인터랙티브 아티팩트로 팀 피드백을 받는 방식으로 전환되며, 디자인과 개발의 경계가 눈에 띄게 좁혀지고 있습니다.

AI 코딩 도구의 확산은 개발 생산성을 높였지만, 동시에 인지 부채와 조직적 기술 퇴화라는 보이지 않는 비용을 낳고 있습니다. 자율형 에이전트가 코드를 작성하고 인간이 검토만 하는 구조에서는 문제 해결력과 디버깅 능력이 빠르게 약화되며, 시니어 육성 경로도 붕괴됩니다. AI 활용의 핵심은 사용량이 아니라 ‘인지적 참여를 유지하는 방식’ 에 있으며, 인간의 이해와 학습을 보존하는 선에서 균형을 재설정해야 합니다.

Google이 오랫동안 “API 키는 비밀이 아니다”라고 안내해 왔지만, Gemini API 활성화 이후 동일 키가 민감한 인증 수단으로 변하는 구조적 변화가 드러났습니다. 과거 공개된 Maps·Firebase용 키가 자동으로 Gemini 접근 권한을 얻게 되면서, 공개 코드만으로도 개인 데이터 접근이나 요금 청구가 가능해졌습니다. Google은 누출 키 차단과 Gemini 전용 기본 설정을 도입 중이지만, 기존 키의 소급 점검은 아직 완료되지 않았습니다. 개발자는 즉시 프로젝트의 Gemini 활성화 여부와 키 노출 상태를 점검할 필요가 있습니다.