클로드 코드 팀, AI 기반 SDLC 플레이북 공개

Anthropic의 클로드 코드 팀은 AI 기반 SDLC 플레이북을 출시하며, 코드가 더 이상 개발의 주요 병목 현상이 아니라 프로세스 자체라고 강조합니다. 전통적인 인간 중심 SDLC는 일반적으로 계획, 설계, 구축, 테스트, 배포 및 유지보수를 포함하는 선형 경로를 따릅니다. AI 기반 접근 방식은 코딩 단계 개선을 넘어 이 라이프사이클의 모든 단계를 향상시키는 것을 목표로 합니다.

AI 에이전트가 등장하기 전에는 '구축' 단계가 SDLC에서 가장 길고 자원 집약적인 부분으로 일관되게 확인되었습니다. AI 에이전트는 이 구축 단계에 필요한 시간을 극적으로 단축했습니다. 현재 초점은 개발 라이프사이클의 계획, 설계, 테스트 및 유지보수 단계 또한 최적화하고 가속화하는 것으로 확대되었습니다.

새로운 방법론은 정적 제품 요구사항 문서(PRD)에서 AI 에이전트가 수행하는 동적이고 상호작용적인 인터뷰로 전환됩니다. 에이전트는 기능, 버그 또는 제품에 대해 사용자 또는 이해관계자를 인터뷰하여 포괄적인 컨텍스트를 구축하는 임무를 맡습니다. 여기에는 에이전트가 특정 요구사항이나 문제를 완전히 이해할 때까지 반복적인 질문 프로세스가 포함됩니다. Switch Dimension Discovery, Grill Me 또는 Cursor의 요구사항 발견과 같은 도구가 이 프로세스를 용이하게 할 수 있습니다.

AI 기반 워크플로우의 핵심 요소는 사람도 읽을 수 있고 기계도 실행할 수 있도록 설계된 `intent.md` 파일의 도입입니다. 이 파일은 AI 기반 개발 프로세스 내에서 '아티팩트 체인'이라고 불리는 것의 기본 요소 역할을 합니다. 에이전트는 다양한 소스에서 문제점과 요구사항을 직접 종합하여 `intent.md` 파일에 정확하게 캡처합니다. 이 `intent.md` 파일은 프로젝트 디렉토리 내의 전용 'intent' 폴더에 체계적으로 저장되어 체계적인 액세스와 추적성을 보장합니다.

이 AI 기반 SDLC에서 '원작자'는 `intent.md` 파일을 생성하여 기능 또는 버그 요청을 시작하는 모든 개인으로 정의되어 개발의 시작점을 민주화합니다. 이 역할은 전문가를 필요로 하지 않으며, 누구든지 의도를 생성할 수 있습니다. 제품 소유자 또는 기타 지정된 에이전트는 구조적이고 일관된 백로그를 유지하기 위해 이러한 의도 파일을 검토할 책임이 있습니다. AI 에이전트는 우선순위 수준 또는 작업 유형과 같은 관련 태그를 자동으로 할당하여 백로그를 분류하는 데 추가적으로 도움을 줄 수 있습니다.

워크플로우는 'intent' 아티팩트에서 'spec' 아티팩트로 원활하게 전환됩니다. 인텐트 파일이 승인되면 미리 정의된 프로세스 또는 훅이 트리거되어 상세한 요구사항 및 설계 사양을 자동으로 생성할 수 있습니다. Anthropic은 승인된 인텐트 파일을 공식적이고 구조화된 사양으로 변환하는 데 도움이 되는 샘플 프롬프트를 제공합니다. 이러한 자동화는 개발의 사양 단계를 크게 간소화합니다.

조직의 워크플로우 및 선호도에 따라 팀은 Cursor, Claude Code 또는 Codeex와 같은 도구에서 사용할 수 있는 일반적인 계획 모드를 사용하도록 선택할 수 있습니다. 또는 고유한 팀별 워크플로우 및 운영 표준에 맞는 맞춤형 사양을 생성하기 위해 특별히 맞춤화된 사용자 지정 스킬을 개발할 수 있습니다.

일관성과 품질 표준 준수를 보장하기 위해 조직은 AI 에이전트에 대한 강력한 지침, 정책 및 전문 기술 세트를 구현할 수 있습니다. 이러한 조치는 확립된 스타일 가이드가 균일하게 적용되고 사양 생성이 조직의 모범 사례를 따르도록 보장합니다. 이러한 거버넌스 요소는 `agents.md`와 같은 파일에 명시되거나 특정 스킬 세트에 직접 포함되어 SDLC 체인의 모든 아티팩트에 일관된 적용을 보장할 수 있습니다.

`plan.md` 파일은 자급자족하도록 설계되어 엔지니어가 원래의 의도 또는 사양 문서를 참조할 필요 없이 변경 사항을 구현할 수 있도록 하므로 매우 중요합니다. Anthropic은 팀이 잠재적인 파괴적 변경 사항을 예상하여 계획을 철저히 검토해야 한다고 제안합니다. `plan.md`의 이러한 독립적인 특성은 이전 대화나 문서에서 전체 컨텍스트를 요구하지 않고도 효과적으로 작동하는 서브 에이전트를 지원하는 데 필수적입니다.

여기에는 수정이 필요한 특정 파일 식별 및 구조화된 할 일 목록과 유사하게 작업의 정확한 순서에 대한 세부 정보가 포함됩니다. 또한 효과적인 계획은 예상되는 위험과 제약 조건을 열거하고, 결정적으로 성공적인 구현을 위한 증명 또는 기준을 정의해야 합니다.

거버넌스는 특히 엔터프라이즈 환경에서 프로세스의 중요한 측면입니다. Anthropic은 `plan.md`, `intent.md`, `spec.md` 파일의 여러 버전을 저장하고 누가 수정하고 시간이 지남에 따라 어떻게 진화하는지 추적할 것을 권장합니다. 이러한 버전 관리 및 추적은 DORA 측정 지표를 증명하고 개발 주기 전반에 걸쳐 AI 에이전트의 전반적인 생산성 및 효과를 평가하는 데 중요합니다.

빌드 단계를 크게 가속화하기 위해 Anthropic은 적절한 권한 및 도구 액세스 정책이 안전하게 설정되면 '자동 모드'를 사용할 것을 권장합니다. 이 모드를 통해 AI 에이전트가 더 빠른 속도로 작동할 수 있습니다. 또한 팀은 여러 에이전트가 충돌 없이 동시에 개별 작업을 수행할 수 있도록 하는 '작업 트리'를 활용하여 병렬 개발 기능을 향상시키고 전반적인 빌드 효율성을 높일 것을 제안합니다.

이 개발 프로세스의 자율적인 특성으로 인해 지속적인 업데이트와 일관성이 보장되며, 이는 훅의 전략적 사용에 크게 의존합니다. 이러한 훅은 에이전트가 제한된 폴더에 액세스하거나 승인되지 않은 패키지 업그레이드를 구현하는 것을 방지하여 시스템 무결성을 유지하는 데 중요한 역할을 합니다. 오랫동안 확립된 관행인 린팅은 코드와 문서를 통해 특정 구문 또는 기준 준수를 확인하는 결정론적 검사를 제공하여 명확한 성공 또는 실패 결과를 도출함으로써 중요한 역할을 합니다.

고급 에이전트 하네스의 주요 기능은 서브 에이전트를 배포하는 기능입니다. 포괄적인 계획이 수립되면 Cursor, Claude Code 또는 Codeex와 같은 도구는 이 계획을 다양한 독립적인 작업으로 자동 분할하도록 설계됩니다. 이러한 작업 중 일부를 동시에 실행할 수 있는 경우 시스템은 작업 트리를 활용하여 병렬로 실행할 수 있습니다. 서브 에이전트를 통한 이러한 병렬화는 프로젝트의 여러 부분을 동시에 개발할 수 있도록 하여 빌드 단계를 크게 가속화하고 복잡한 프로젝트를 관리 가능한 병렬 구성 요소로 효과적으로 분해합니다. 이러한 체계적인 분해는 자율 에이전트의 잠재력을 최대한 활용하여 개발이 최대 효율성으로 진행될 수 있도록 보장합니다.