엉클 밥, AI 에이전트가 복잡한 코드에 어려움을 겪는다고 말하며 자동화된 정리 및 전략적 인간 감독을 옹호하다

엉클 밥으로 널리 알려진 로버트 C. 마틴은 처음에는 AI 에이전트와의 작업이 실망스러웠다고 말했다. 그는 코드 생성을 위해 그록(Grok)을 사용했고 품질이 지속적으로 좋지 않다는 것을 알아차려 AI가 만든 '엉망진창'을 반복적으로 정리해야 했다. 끊임없는 정리의 좌절감에도 불구하고, 그는 AI 에이전트의 엄청난 속도를 인식했고, 이는 자동화가 품질 문제를 어떻게 완화할 수 있을지 고려하게 만들었다.

마틴은 AI 에이전트의 속도가 이전에 비현실적이었던 자동화된 지표를 실현 가능하게 만들 수 있다는 것을 빠르게 확인했다. CRAP(사이클로매틱 복잡도와 코드 커버리지 결합) 및 뮤테이션 테스트와 같이 테스트가 기능 변경을 감지하는지 확인하기 위해 소스 코드를 자동으로 수정하는 도구는 인간 개발자가 일상적으로 수행하기에는 너무 시간이 많이 걸렸다. 그는 빠르고 지루한 작업에 개의치 않는 AI 에이전트가 이러한 테스트를 지속적으로 실행하여 인간의 피로 없이 코드 품질을 정리하고 확인할 수 있다는 것을 깨달았다.

AI 에이전트의 등장은 개발 패러다임의 중요한 변화를 의미한다. 마틴의 현재 원칙은 에이전트를 작동시키고 자동화된 도구를 실행하여 품질을 보장하는 것을 포함한다. 궁극적인 목표는 소스 코드와의 직접적인 인간 상호작용이 최소화되어 인간이 코드를 작성하는 대신 지표를 검사하고 현장 점검을 수행하는 데 집중할 수 있는 지점에 도달하는 것이다. 이는 인간의 역할을 코더에서 아키텍처 감독자로 재정의한다.

속도에도 불구하고 AI 에이전트는 복잡한 코드의 문제로부터 자유롭지 않다. 마틴은 에이전트가 순차적 작업을 수행할 때 기술 부채의 흔적을 남긴다는 것을 관찰했다. 이 축적된 복잡성으로 인해 에이전트의 속도가 느려지고 어려움을 겪으며, 수정 시도 중 의도치 않게 기존 기능을 손상시켰다. 결국 코드 품질 저하는 에이전트가 오류 루프에 갇히거나 단순히 포기하게 만들었으며, 이는 AI조차도 효과적으로 기능하기 위해 깨끗한 코드가 필요하다는 것을 보여준다.

로버트 C. 마틴은 확정적 자동화 검사가 'Lost in the Middle' 현상과 같은 AI 에이전트의 컨텍스트 창 저하 문제에 대한 강력한 해결책을 제공한다고 강조했다. 이러한 도구는 큰 컨텍스트 창을 괴롭힐 수 있는 노이즈와 혼란을 겪지 않는다. 그는 더 나은 모델 성능을 위해 초기 프롬프트를 최소한으로 줄이는 것이 중요하며, 에이전트가 우선순위에 집중할 수 있도록 해야 한다고 강조했다. 이어서 확정적 도구를 적용하여 출력을 검증하고 정제할 수 있으며, 대규모 언어 모델이 실패할 수 있는 곳에서 신뢰성을 보장한다.

다중 에이전트 시스템은 생산성을 위한 두 가지 주요 이점을 제공한다. 첫째, 병렬 실행을 허용하여 여러 코더가 동시에 실행되고 개발 속도를 높일 수 있다. 둘째, 에이전트를 단일 작업에 집중시킴으로써 컨텍스트 창을 제어하여 오류 확산을 방지하고 명확성을 유지하는 데 도움이 된다. 특정 작업을 위해 생성된 후 폐기되는 일시적인 에이전트의 사용은 각 작업에 대한 깨끗하고 오염되지 않은 컨텍스트를 더욱 보장한다.

맷 포콕은 컨텍스트 창의 즉각적인 내용뿐만 아니라 그 궤적도 중요하다고 설명했다. 에이전트가 세션 초기에 특정 방식으로 유도되면, 동일한 컨텍스트 창 내의 모든 후속 작업은 그 확립된 경로를 계속 따를 것이다. 이 세션 궤적은 신중하게 관리되지 않으면 컨텍스트 오염 및 환각으로 이어질 수 있다. 이 궤적을 재설정하고 깨끗하고 편향되지 않은 출력을 보장하는 유일한 효과적인 방법은 에이전트의 컨텍스트를 자주 지우는 것이다.

AI 기반 개발에서 아키텍처 무결성을 유지하기 위해 로버트 C. 마틴은 자신의 에이전트에 확정적 도구와 시각적 검증 방법을 장착했다. 그의 에이전트는 시스템의 모듈 구조와 종속성을 시각화하기 위해 UML 다이어그램을 생성하여 명확한 개요를 제공할 수 있다. 그는 또한 어떤 모듈이 어떤 모듈에 의존할 수 있는지에 대한 엄격한 규칙을 정의하고, 이를 에이전트가 위반 없이 따르도록 프로그래밍된 사양 파일로 컴파일하는 또 다른 확정적 도구를 개발했다.

로버트 C. 마틴은 AI 에이전트가 인간과 마찬가지로 작업이 명확하게 모듈화될 때 더 효과적으로 작동한다고 강조했다. 모듈이 너무 많은 책임이나 중복되는 관심사로 과포화되면 에이전트가 혼란스러워져 오류와 비효율성으로 이어질 수 있다. 따라서 모듈 경계를 엄격하게 제어하는 것이 에이전트의 혼란을 방지하고 고품질 출력을 보장하는 데 중요하다. 이는 인간의 인지 과정이 집중된 주의를 통해 이점을 얻는 방식과 유사하다.

로버트 C. 마틴은 AI 에이전트가 주로 우월한 단기 기억력으로 인해 인간보다 더 높은 수준의 기술적 복잡성을 관리할 수 있다고 지적했다. CRAP 점수(사이클로매틱 복잡도와 코드 커버리지 결합)의 인간 한계는 일반적으로 약 4이지만, AI 에이전트는 현재 CRAP 점수 6을 처리하도록 설정되어 있으며 8까지 상승할 가능성이 있다. 이는 코드 복잡성의 척도인 사이클로매틱 복잡도가 코드 생성 및 리팩토링에서 AI의 작동 한계와 기능을 정의하는 데 귀중한 지침이 될 수 있음을 시사한다.

로버트 C. 마틴은 AI 에이전트와 작업할 때 과도한 선행 계획에 참여하는 것을 경고하며, 이를 폭포수 모델의 역사적인 실패에 비유했다. 그는 광범위한 계획이 종종 인간이 정교한 계획을 에이전트가 따를 수 없다는 것을 깨닫게 하여 노력 낭비와 좌절로 이어진다고 언급했다. 대신 그는 엄격한 '모든 것을 명시하는' 모델보다 적응성을 강조하며 AI 에이전트 워크플로를 관리하기 위한 애자일, 반복적 접근 방식을 옹호한다.

로버트 C. 마틴은 산업계의 선행 '사양 주도 개발' 실험이 AI 시대에 더욱 실패했다고 관찰했다. 그는 계획을 개선하기 위해 여러 에이전트를 통해 상세한 사양을 실행하는 것이 종종 구현 중에 무너지는 결과로 이어진다고 언급했다. 이는 엄격한 계획에서 벗어나 적응성을 고정된 초기 사양보다 우선시하는 보다 반복적인 애자일과 유사한 피드백 주기로의 전환으로 이어졌다.

로버트 C. 마틴은 소프트웨어 개발 영역에서 사양은 일시적이며 끊임없이 변화하므로 정적 문서로서 신뢰할 수 없다고 단호하게 말했다. 그는 실제 소스 코드가 모든 프로젝트의 최종적이고 확정적인 사양 역할을 한다고 강조했다. 인간이 전통적으로 이 소스 코드를 작성했지만, 인간이 만들었든 AI가 만들었든 궁극적인 진리로서의 지위는 변함이 없다.

로버트 C. 마틴은 AI 시대에 전술적 프로그래밍과 전략적 프로그래밍 사이의 중요한 구분을 강조했다. 그는 AI 모델이 특정하고 잘 정의된 작업을 실행하는 전술적 프로그래밍에 매우 효과적이라고 설명했다. 그러나 프로젝트의 전체 과정을 지시하고, 높은 수준의 아키텍처 결정을 내리고, 장기적인 영향을 이해하는 전략적 프로그래밍에는 현저히 약하다. 이는 특히 주니어 개발자들이 전술적 구현에만 집중하는 대신 전략적 의사결정 기술을 배우는 것을 우선시해야 함을 의미하며, 후자는 AI에 의해 점점 더 많이 처리되고 있다.

맷 포콕은 AI 기반 개발이 전략적 프로그래밍 학습을 위한 피드백 루프를 크게 가속화한다고 언급했다. 전통적으로 복잡한 전략적 결정에 대한 피드백 주기는 주니어 개발자가 효과적인 경험을 빠르게 얻기에는 너무 길었다. AI 에이전트가 개발 프로세스의 속도를 높임으로써 전략적 선택의 실수를 훨씬 더 빨리 식별할 수 있어 초보자가 더 효율적으로 배울 수 있다. 좋지 않은 전략적 방향으로 인해 에이전트가 겪는 '어려움'을 인식하는 것이 초보 개발자에게는 핵심 기술이 된다.

로버트 C. 마틴은 소프트웨어 개발이 인간이 시도한 가장 복잡한 노력일 것이라고 주장했다. 이러한 맥락에서 소프트웨어 기본 원칙은 단순히 학문적 개념이 아니라 인간뿐만 아니라 AI 모델에게도 이 거대한 복잡성을 이해할 수 있는 형태로 조직하는 데 필수적인 도구이다. 그는 이러한 기본 원칙을 무시하는 것은 개발자가 소프트웨어 복잡성의 내재된 '벽'에 부딪혔을 때 필연적으로 실패로 이어진다고 경고하며, AI 중심 세계에서 기본 원칙의 지속적인 중요성을 강조했다.